Конкурс «Био/Мол/Текст»-2025/2026

Эта работа опубликована в спецноминации «Искусственный интеллект в биологии» конкурса «Био/Мол/Текст»-2025/2026.

Генеральный партнер конкурса — международная инновационная биотехнологическая компания BIOCAD.

---

Партнер номинации — компания Центральный университет в лице совместной с институтом AIRI Лаборатории ИИ, анализа данных и моделирования.

---

«Кн

Смена ролей и рождение новой науки

История взаимоотношений биологии и искусственного интеллекта очень увлекательна. На ранних этапах становления ИИ источником вдохновения для его создателей безусловно служила нейробиология. Мозг — одна из самых сложных вещей во Вселенной и единственный известный нам пример работающего интеллекта. Восхищаясь его устройством, ученые пытались перенести принципы его работы в «железо». Яркими примерами тому, могут стать первые попытки математически описать принципы работы одного нейрона Уоррена МакКалоха и Уолтера Питтса в 1940-х годах [1], так называемое правило Хебба, сформулированное канадским нейропсихологом Дональдом Хеббом в 1949 году в своей книге «Организация поведения», и, наконец, сверточные нейронные сети, которые во многом копируют иерархическую организацию зрительной коры. Более подробно про историю взаимоотношений нейробиологии и ИИ можно почитать в статьях «Биомолекулы» [2], [3].

Вдохновение не исчерпало себя и сегодня — brain-inspired AI продолжает развиваться. Несмотря на выдающиеся достижения современных ИИ-моделей, ни одна из них пока не достигла столь же высоких показателей гибкости и эффективности, как у нашего с вами мозга. Мозг способен учиться на гораздо меньшем объеме данных, и он гораздо более креативен. Наконец, живой мозг потребляет значительно меньше энергии. Современные системы искусственного интеллекта требуют колоссальных вычислительных мощностей, в то время как наш мозг обходится мощностью обычной лампочки. Всё это говорит в пользу того, что создание общего или сильного ИИ (AGI), вероятно, не обойдется без подсказок нейробиологии.

Постепенно ИИ приходит во все сферы человеческой жизни. Он позволяет автоматизировать рутинные задачи, обрабатывать огромные объемы данных, выявляя закономерности, невидимые человеческому глазу, совершать новые научные открытия, предсказывать результаты экспериментов и многое другое. Но особенную символическую связь искусственный интеллект сохраняет с нейробиологией. И мы имеем возможность наблюдать нечто удивительное: набирает обороты процесс, обратный тому, что происходил при становлении ИИ. Круг замкнулся: теперь мы используем «кремниевый мозг», чтобы понять тайны нашего собственного биологического.

Это не просто взаимовыгодное сотрудничество, а рождение новой гибридной области науки, которая уже получила собственное модное название — NeuroAI: это полноценное слияние двух невероятно захватывающих научных квестов. В этой статье я предлагаю сосредоточиться на одном направлении движения в этой синергии: как ИИ помогает изучать биологический мозг?

Два пути познания: от анализа данных к реверс-инжинирингу

В области применения ИИ в нейробиологии существует два подхода. Первый условно назовем классическим: он предполагает использование искусственного интеллекта для решения проблемы больших данных. Современная нейробиология генерирует терабайты и петабайты данных в различных масштабах — от активности дендритов до визуализации всего мозга [4], [5]. И, хотя этот колоссальный объем информации несет в себе беспрецедентное знание о функциях мозга, он не подвластен человеку. Здесь на помощь, конечно, приходит ИИ. Последние достижения этого подхода очень разнообразны: декодирование мыслей и нейронной активности, диагностика неврологических заболеваний, поиск биомаркеров и многое-многое другое.

Однако именно в нейробиологии существует принципиально другой подход использования искусственного интеллекта, и он заключается в обратном проектировании мозга (reverse engineering [6]). ИИ превращается из инструмента для анализа данных в платформу для тестирования гипотез о работе мозга. Суть подхода в том, чтобы использовать искусственный интеллект и компьютерные модели как «цифровой двойник», который бы имитировал работу живого мозга. Изучение такой модели изнутри может пролить свет на фундаментальные принципы биологических вычислений. Соотнесение человеческого и искусственного разума является поистине интригующим и сулит не только практическую пользу, но и ответы на некоторые философские вопросы.

Прежде всего возникает законный вопрос: насколько правомерно такое сравнение? И ответ на него пока не до конца ясен. Конечно, нельзя взять любую нейросеть и начать сравнивать ее с мозгом. Хотя ранний ИИ вдохновлялся биологией, в настоящие время существует огромное многообразие подходов, и большинство из них не имеют никакой биологической обоснованности. Тем не менее, это не мешает выбирать из существующих наиболее биологически правдоподобную нейросеть или даже создавать ее с нуля. Более того, зачастую оказывается, что именно эти нейросети являются наиболее эффективными для выполнения определенной задачи. Существует и обратная связь, и особенно интересно осознавать, что нейросеть, оптимизированная для выполнения конкретной задачи, на которую не накладывалось более никаких ограничений, вдруг оказывается в то же время наиболее похожа на биологический мозг.

Наибольшая важность неклассического подхода заключается в том, что он позволяет взглянуть на мозг через призму каузальности. Нейробиологи давно описывают свойства и функции нервной системы, а также все успешнее объясняют, «как» мозг выполняет поставленные задачи. Однако этот подход позволяет подступиться наконец к вопросам — «почему» мозг работает именно так, а не иначе [7].

Загадка зрения: как нейросети и мозг кодируют образы?

Первое, к чему подступились ученые с помощью такого подхода — это сенсорные системы приматов, а именно — к обработке сигналов в зрительной коре. Зрительная кора (рис. 1) сосредоточена в затылочной доле каждого из полушарий мозга. Она состоит из нескольких зон. Первичная зрительная кора (V1) получает информацию от наружного коленчатого тела таламуса; это информация о нескольких зрительных свойствах стимула: например, о цвете, контрасте, движении [8]. Далее следует зона V2, в которой информация разделяется на два независимых пути:

• вентральный поток переходит в нижнюю височную область полушарий. Он связан преимущественно с распознаванием объектов и его зрительных свойств, таких как цвет, размер, текстура и форма [9]. Поэтому часто его называют — путь «что?»;
• дорсальный поток же проходит в заднюю теменную кору. Этот поток избирательно отвечает за восприятие пространственной информации об объекте [9], его локализации, а также с оценкой досягаемости видимых предметов. Поэтому этот поток часто называют — путь «где?».

До определенного времени модели зрения оставались слабыми. Но затем появились глубокие нейронные сети (deep neural networks, DNNs), и ученые задались вопросом, насколько они похожи в аспекте восприятия образов на мозг приматов. В 2014 году Дж. ДиКарло — один из основателей NeuroAI — и соавторы опубликовали статью [10], которая стала фундаментальной в данной области. Появление алгоритмов, способных соперничать с живым мозгом в распознавании объектов, несмотря на изменения в позе, масштабе или фоне изображения, позволило задать исключительно интересные вопросы. Но как можно сравнить живую ткань и компьютерный алгоритм? Авторы работы, по сути, впервые предложили для этого эффективный и обоснованный метод.

Ключ к честному сравнению лежит в понятии нейронное представление (или репрезентация) — это способ, которым нейронная сеть (будь то биологическая или искусственная) кодирует информацию об изображении в виде уникального паттерна активности нейронов. Каждый объект у нас в мозге кодируется согласованной активностью множества нейронов; этот уникальный «узор» и является представлением (или репрезентацией) в биологическом мозге. Считается, что у животных способность базового распознавания объектов обеспечивается благодаря нейронному представлению, формируемому вентральным потоком зрительной коры.

В искусственной нейросети понятие представления имеет схожий смысл, более того — здесь оно доведено до абсолюта. Нейросети превращают изображение в вектор чисел (который также часто называют эмбеддинг). В случае визуального распознавания объектов эмбеддингом, как правило, называют вектор активации нейронов в одном из последних слоев сети. Вместе представления образуют «пространство смыслов», при этом похожие объекты располагаются в этом пространстве рядом.

В исследовании нейронной сети и биологической зрительной коре (в экспериментах участвовали макаки-резусы) предъявляли одну и ту же задачу категоризации объектов (рис. 2). Ученые записали нейронную активность макак при выполнении задачи благодаря использованию электродов, вживленных в зону V4 и в IT (нижневисочная кора — ключевая часть вентрального потока).

Сперва ученые сравнивали эффективность нейронного представления, которое сформировалось у макак или DNNs. Как оценить, насколько эффективно нейронное представление, как хорошо оно отражает суть объекта? Для этого существует метод расширенного анализа ядра. Если говорить простыми словами, анализ ядра оценивает, как соотносится точность, с которой представление классифицирует объекты, с функцией, которая используется для разделения данных в пространстве. При этом функция регрессии изменяется от самой простой — линейной — до более сложных, которые подстраиваются под данные и могут создавать между ними искривленную границу. Интуитивно понятно, что чем более эффективно сформировавшееся представление, тем лучше с помощью него можно классифицировать объекты, даже используя простую функцию регрессии. Это связано с тем, что эффективные представления удаляют нерелевантную изменчивость из изображения и оставляют в нем только самое главное. Используя этот метод, авторы показали, что, в отличие от ранних биовдохновленных моделей, три передовые глубокие сверточные сети достигают уровня зрительной коры IT.

Но гораздо интереснее оценить, насколько представления искусственных нейронных сетей и биологической коры похожи по структуре и логике. Метод, который позволяет это осуществить, называется анализом репрезентативного сходства (RSA) [11]. При этом с помощью него можно сравнивать любые две нейронные системы — например, кору головного мозга и нейросеть; две области коры; или две разные нейросети.

Для того, чтобы понять, как работает этот метод, можно привести следующую аналогию. Представьте, что вам нужно сравнить организацию двух библиотек, но одна из них с реальными книгами, а другая — электронная, с виртуальными изданиями. Бесполезно сравнивать полки, в одной библиотеке они деревянные, а в другой — это строки кода на сервере. Однако все еще можно попытаться понять, схожим ли образом они устроены, можно взять список из 100 книг и смотреть, как они расположены относительно друг друга. Если две книги в обеих библиотеках расположены рядом, то это делает их чуть более похожими.

Примерно так и работает RSA: сперва для каждой системы составляют матрицу репрезентативного несходства (RDM) (рис. 3). В ячейках этой матрицы стоят значения попарных расстояний между векторами объектов в многомерном пространстве представлений. Затем уже можно сравнить матрицы несходства для разных систем и сделать вывод о том, насколько они похожи. Используя RSA, авторы показали, что две передовые DNNs того времени совпадают с IT в пределах шума для измерения RDM. Это были нейросети, разработанные Крижевским и др. в 2012, а также Цейлером и Фергусом в 2013. Однако определенный разрыв между ними и зрительной IT корой сохраняется.

Эта работа стала важной ступенью на пути к обратному моделированию мозга. И ее результаты позволили задавать уже более интересные и глубокие вопросы о работе зрительной коры. Например, почему мозг проявляет такую высокую степень функциональной специализации? В человеческом мозге известно множество регионов с различными узкоспециализированными функциями; в частности, в вентральном потоке выделяют небольшие области, селективные для определенных категорий: лиц, мест, тел, слов [7].

В исследовании 2022 года, опубликованном в журнале Science Advances [12], авторы рассматривают этот вопрос на примере лиц. Собственно, суть проблемы заключается в том, что такая функциональная специализация может быть вызвана весьма разными причинами. Это может быть следствием эволюции, проявляющимся в том, что создание новых модулей для новых задач — более простой процесс, чем проектирование всей системы с нуля. Или же специализация может быть вызвана тем, что она позволяет эффективно модулировать психические процессы во времени. Наконец, третье возможное объяснение — вычислительные причины. Именно их можно проверить с помощью нейросетей.

Если решение задачи требует функциональной специализации, потому что она не может быть решена с помощью более общих визуальных представлений, то это должно быть верно для любой вычислительной системы.

Авторы использовали две сверточные нейронные сети одинаковой архитектуры: одну для идентификации лиц, другую — для категоризации объектов; и далее проверили, насколько одна сеть подходит для выполнения другой задачи. Неудивительно, что сеть, которую не обучали различать лица, будет плоха в этом. Но более тонкий анализ позволяет проверить не знания сети непосредственно, а то, насколько ее общие признаки могут быть полезными для новой задачи, даже если сеть никогда «не видела» других объектов. Например, если пространство признаков (фич) FaceCNN универсально, оно должно захватывать полезные паттерны и других категорий. Когда ей показывают незнакомые объекты, она не узнает их, но может «заметить» в них общие формы, текстуры, паттерны, ведь для решения задачи с лицами эти «навыки» тоже необходимы. Однако результаты анализа показывают, что нейронные представления, усвоенные для одной задачи, очень плохо переносятся на другую. В контексте специализации это означает, что эти две задачи не похожи и изначально требуют для решения высокоспецифичных репрезентаций.

Но самое интересное обнаружилось, когда авторы обучили одну нейросеть выполнять обе задачи. Оказалось, что она справляется с ними обеими почти так же хорошо, как и две отдельные сети, но при этом сеть спонтанно подразделяется на две подсистемы, одна из которых отвечает за распознавание лиц, а другая — за распознавание объектов, хотя в архитектуре сети или в режиме обучения не было для этого никаких предпосылок.

Каким же образом удалось изучить внутреннюю архитектуру нейросети? Для этого использовался метод повреждения последнего сверточного слоя (рис. 4). Исследователи «повреждают» фильтры в этом слое. Фильтр — это небольшой набор весов, настроенный на определенные базовые визуальные паттерны (границы, края и т.д.). А каждый нейрон применяет один фильтр к небольшому участку изображения. Когда фильтр повреждают, то его обращают его выход в нулевой, и смотрят, как снизилась точность выполнения одной и другой задачи. Оказывается, в сети возникли группы нейронов, специализированные для конкретной задачи: их повреждение сильно влияет на одну задачу, но практически не мешает выполнению другой. Возникающая сегрегация задач незначительна на ранних этапах и возрастает по мере продвижения к более глубоким слоям (схожие процессы наблюдаются и в биологическом мозге). Еще один любопытный факт заключается в том, что уже знакомые нам RDM (матрицы несходства) каждого слоя двухзадачной сети соответствуют зрительной коре лучше, чем отдельные сети. Этот говорит о том, что сеть приходит к такому же решению поставленной перед ней задачи, как и зрительная кора.

Эта работа — аргумент в давнем споре. Оказывается, специализация зрительной коры — вычислительное, математически неизбежное решение, связанное со структурой самих задач, которые приходится решать мозгу. Отсюда вытекает интересное следствие: нам не требуется обращаться к социальной значимости лиц, чтобы объяснить возникающие в мозге явления, так как нейросети ничего не знают о том, почему лица важны. Для решения задачи идентификации лиц нейросети необходимо только массивное обучение; поэтому возможно, что единственная исходная предустановка, которая требуется биологическому мозгу, — это предпочтение младенцев смотреть на лица.

Обучение слуху в цифровом мире

С помощью нейронных сетей мы можем изучать и другие сенсорные системы — в частности, нейросети уже довольно давно применяются и для изучения слуха. Наша слуховая система, как и у всех животных, адаптирована к окружающей среде. Однако не все особенности звукового восприятия удается объяснить простым следствием эволюции. В этом случае выявить причины таких необычных явлений может помочь создание моделей на основе ИНС.

Нейробиологам из MIT удалось создать компьютерную модель, которая может определять, откуда исходит звук, так же хорошо, как и человек [13]. Она имела имитированные ушные раковины, голову и улитку. Конечно, за всеми этими «органами» стояли физические устройства. Например, улитка представляла из себя набор полосовых фильтров, которые отражали частотную избирательность человеческого уха. А уже ее выходные данные подавались на вход глубокой сверточной сети (CNN). Исследователи обучали модель в виртуальном акустическом мире, где распространение звуковых сигналов имитировалось с реалистичными условиями отражения и шума (рис. 6а).

Человеческий мозг использует для определения источника звука так называемую межушную временную разницу (ITD) — небольшую разницу во времени между сигналами, достигающими правого и левого уха (рис. 6б). Однако в реальном мире с наличием эха и большого количества других звуков задача локализации становится гораздо труднее.

Перед моделью ставилась аналогичная задача локализации, и после обучения оказалось, что она демонстрирует целый ряд «человеческих» эффектов аудиовосприятия. Один из самых любопытных — эффект предшествования. Человеческий мозг при формировании суждения о расположении объекта, издающего звук, в основном использует раннюю информации, то есть самое начало звукового сигнала. Считается, что это может быть адаптацией к эховой среде. Так как звук отражается и попадает в уши человека с разных сторон, он может вызывать неправильное определение местоположения, однако отраженный звук (эхо) проходит более длинный путь и поэтому запаздывает. Так что логично, что мозг «доверяет» только первому звуку, чтобы избежать ошибки. Классический эксперимент, демонстрирующий эффект предшествования у людей, устроен следующим образом: два щелчка раздаются из динамиков, расположенных в разных местах; один щелчок раздается с небольшой задержкой. В таком случае слушатели верно локализуют один щелчок, сигнал которого поступает первым. При этом при увеличении задержки между щелчками этот эффект исчезает.

Удивительно, но, когда модель обучалась в виртуальной эховой среде, она научилась тому же эффекту предшествования, хотя никто не закладывал в нее этого. Модель просто пыталась максимально эффективно решать поставленную задачу. В то же время, в безэховой среде разница между моделью и человеком сильно увеличивалась. Это доказывает, что особенности нашего восприятия — есть идеальные адаптации к физике нашего мира.

Проверка гипотез о работе мозга всегда увлекательна, но подобная стратегия применения ИИ очень скоро позволит не только удовлетворять любопытство исследователей, но и приносить практическую пользу. Далеко ходить не нужно: моделирование слухового восприятия с помощью ИИ может улучшить качество слухопротезирования [14]. Искусственные системы смогут служить платформой для потенциальных методов лечения слуховых расстройств сетевого уровня.

Например, алгоритм, вдохновленный бинауральным восприятием звука в человеческом мозге, может использоваться во вспомогательных слуховых устройствах, повышая качество жизни пациентов [15]. Есть еще более амбициозные задачи. Как насчет того, чтобы изучать на искусственных слуховых системах проблемы со слухом, возникающие при дислексии или шизофрении? Считается, что эти состояния могут быть вызваны нарушениями временной обработки звуковых сигналов [14]. Более глубокое понимание этих нарушений требует изучения того, как чувствительность к временным интервалам и паттернам определяется внутренними свойствами нейронов сети. Или, например, взять другую проблему — тиннитус, или шум в ушах, от которого страдает более 15% населения Земли. Для этой патологии до сих пор не до конца изучены причины; существует несколько теорий, но доказательств очень мало. Однако ясно, что проблема эта лежит на сетевом уровне, и точные сетевые модели слуховой системы могут помочь получить подтверждения или опровержения.

Безусловно, требуется проделать огромную работу, чтобы реализовать этот подход. Необходимо, чтобы модель достаточно точно копировала механистические свойства реальной слуховой системы, в частности, такие важнейшие аспекты слуха, как временная обработка, пластичность и мультимодальная обработка. Точная репликация потребует проектирования новых сетей, однако определенные успехи, как мы видим, уже были достигнуты.

Поломка алгоритма: моделирование психических расстройств

Несмотря на то, что основная часть этой статьи сосредоточена на сенсорных системах, это не означает, что подход реверс-инжиниринга ограничен этими рамками. Причиной этому является, скорее, исторический контекст. На самом деле, с помощью обратного проектирования можно изучать множество других высокоуровневых функций и дисфункций головного мозга. Перспективным направлением является исследование механизмов обучения и формирования памяти. Аналогии с RL (reinforcement learning) в машинном обучении могут помочь понять, как вознаграждения распределяются в человеческом мозге. Осуществление навигации, механизмы нейропластичности и нейромодуляции, когнитивные ошибки человека при использовании языка и многие другие вопросы нейробиологии могут продвинуться в решении благодаря привлечению искусственного интеллекта.

Одно из самых амбициозных возможных применений NeuroAI — вычислительная психиатрия. Это область, стремящаяся формализовать причины психических заболеваний с точки зрения нейронных вычислений и создать для них строгие механистические модели. Задача моделирования психических заболеваний далеко не тривиальна. Здесь невозможно просто в лоб использовать нейросети. Необходимо создавать специальные динамические системы с высокой биологической правдоподобностью. Одно из замечаний, которое приводится против использования нейросетей для моделирования мозга, состоит в том, что мы заменяем одну непроницаемо сложную сеть другой, один «черный ящик» — другим [16]. Это очень важное замечание, так как интерпретируемость модели имеет в данном случае критическое значение. Однако конструирование сетей, которые бы имитировали конкретные структурные или функциональные системы мозга, может помочь преодолеть этот недостаток.

Ученые активно работают над этим. Недавно была разработана нейронная архитектура CogLinks (рис. 7), которая состоит из скоростных нейронов и имеет структурное сходство с ИНС, но также имеет и несколько важных отличий, которые придают ей биологический реализм. В частности, CogLinks моделирует конкретные биологические контуры связей в мозге: петлю, соединяющую премоторную кору, таламус и базальные ганглии, а также петлю «ассоциативная кора—таламус—базальные ганглии». Эти связи выбраны неслучайно: авторы исследования [17] хотели прояснить вопрос, как мозг обрабатывает неопределенности различного уровня для принятия решений. Живые организмы вынуждены постоянно принимать различные решения для того, чтобы выжить. Для этого им приходится в реальном времени анализировать множество уровней иерархической неопределенности и делать выводы о состоянии окружающей среды.

Удивительно, но этот вопрос напрямую имеет отношение к созданию моделей таких психофизических состояний, как шизофрения [18] и депрессия. Существуют свидетельства, что при шизофрении происходит нарушение процесса обновления убеждений [19], — то есть суждений о правилах, которые действуют во внешнем мире. Обновление убеждений — очень тонкий процесс, так как организму необходимо оставаться устойчивым к случайной изменчивости среды, но в то же время проявлять гибкость перед реальными новыми изменениями.

CogLinks позволила продвинуться в объяснении механизмов возникновения шизофрении. Когда исследователи намерено ослабляли активность медиадорсального таламуса, в системе наблюдался сдвиг в сторону более медленного переключения стратегии и неоптимального сожаления. Это хорошо согласуется с экспериментальными данными. У пациентов с шизофренией, а также в животных моделях нарушается функция и/или структура медиадорсального таламуса (MD), а искусственное повышение активности его нейронов приводит к восстановлению нестабильного поведения [20]. Однако по-настоящему важно то, что CogLinks не просто воспроизводит результаты экспериментов — эта система предоставляет объяснение наблюдаемым нарушениям на уровне контуров нейронных сетей, то есть позволяет заполнить пробел между молекулярными и поведенческими наблюдениями.

Пример CogLinks показывает, как «прозрачные» компьютерные модели дают возможность проникнуть в тайны нейронных дисфункций и пролить свет на механизмы таких невероятно сложных заболеваний, как шизофрения.

Куда приведет нас NeuroAI?

Традиционное машинное обучение, фокус которого попадает на абстрактную функциональность, достигло значительных успехов в решении прикладных задач. Однако неклассическое применение искусственных нейронных сетей знаменует парадигмальный сдвиг в сторону моделирования фундаментальных механизмов, управляющих обучением, пластичностью и когницией в биологических системах.

Дорожная карта такого подхода включает в себя три основных направления. Бóльшая часть этого обзора посвящена когнитивным архитектурам, направленным на формализацию достаточно высокоуровневых когнитивных процессов и дисфункций. Однако целую область NeuroAI представляют собой импульсные нейронные сети (Spiking Neural Networks), которые стремятся к максимальной биологической правдоподобности на клеточном уровне. Третье направление — это концепция цифровых двойников мозга: создание реалистичных виртуальных моделей всего мозга с возможностью интеграции мультимодальных данных [5], а также временных и пространственных масштабов. Рисунок 8 систематизирует некоторые возможности NeuroAI.

Как было упомянуто в самом начале, синергия NeuroAI включает в себя два потока. Они взаимодействуют, создавая цикл положительной обратной связи: нейробиологи делают открытие о структуре или функции мозга → инженеры ИИ используют эту идею для создания новой более эффективной нейросетевой архитектуры → улучшенный ИИ способен более точно симулировать мозг → нейробиологи используют улучшенную модель, чтобы сформулировать новые более точные гипотезы о работе мозга и ставят эксперименты для их проверки → цикл замыкается. Мы имеем возможность наблюдать, как развивается современное междисциплинарное поле исследований, как решаются многочисленные проблемы и ставятся новые вызовы. Искусственный интеллект в биологии не только помогает обрабатывать данные, но и продвигает наше осмысление того, что значит быть разумным существом.

Литература

1. Warren S. McCulloch, Walter Pitts. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics. 5, 115-133;
2. От живого мозга к искусственному интеллекту;
3. История развития искусственного интеллекта и его пришествия в биологию;
4. Sadra Sadeh, Claudia Clopath. (2025). The emergence of NeuroAI: bridging neuroscience and artificial intelligence. Nat. Rev. Neurosci.. 26, 583-584;
5. Allen Brain Atlas: транскриптом мозга;
6. Badrinath Roysam, William Shain, Giorgio A. Ascoli. (2009). The Central Role of Neuroinformatics in the National Academy of Engineering’s Grandest Challenge: Reverse Engineer the Brain. Neuroinform. 7, 1-5;
7. Nancy Kanwisher, Meenakshi Khosla, Katharina Dobs. (2023). Using artificial neural networks to ask ‘why’ questions of minds and brains. Trends in Neurosciences. 46, 240-254;
8. Шмидт Р., Тевс Г. Часть III. Общая и специальная сенсорная физиология. М.: «Мир», 1996. — 323 с.;
9. Mortimer Mishkin, Leslie G. Ungerleider, Kathleen A. Macko. (1983). Object vision and spatial vision: two cortical pathways. Trends in Neurosciences. 6, 414-417;
10. Charles F. Cadieu, Ha Hong, Daniel L. K. Yamins, Nicolas Pinto, Diego Ardila, et. al.. (2014). Deep Neural Networks Rival the Representation of Primate IT Cortex for Core Visual Object Recognition. PLoS Comput Biol. 10, e1003963;
11. Nikolaus Kriegeskorte. (2008). Representational similarity analysis – connecting the branches of systems neuroscience. Front. Sys. Neurosci.;
12. Katharina Dobs, Julio Martinez, Alexander J. E. Kell, Nancy Kanwisher. (2022). Brain-like functional specialization emerges spontaneously in deep neural networks. Sci. Adv.. 8;
13. Andrew Francl, Josh H. McDermott. (2022). Deep neural network models of sound localization reveal how perception is adapted to real-world environments. Nat Hum Behav. 6, 111-133;
14. Nicholas A. Lesica, Nishchay Mehta, Joseph G. Manjaly, Li Deng, Blake S. Wilson, Fan-Gang Zeng. (2021). Harnessing the power of artificial intelligence to transform hearing healthcare and research. Nat Mach Intell. 3, 840-849;
15. Alexander D. Boyd, Virginia Best, Kamal Sen. (2025). A brain-inspired algorithm improves “cocktail party” listening for individuals with hearing loss. Commun Eng. 4;
16. Nikolaus Kriegeskorte. (2015). Deep Neural Networks: A New Framework for Modeling Biological Vision and Brain Information Processing. Annu. Rev. Vis. Sci.. 1, 417-446;
17. Mien Brabeeba Wang, Nancy Lynch, Michael M. Halassa. (2025). The neural basis for uncertainty processing in hierarchical decision making. Nat Commun. 16;
18. Болезнь потерянных связей;
19. Julia M. Sheffield, Praveen Suthaharan, Pantelis Leptourgos, Philip R. Corlett. (2022). Belief Updating and Paranoia in Individuals With Schizophrenia. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. 7, 1149-1157;
20. Tingting Zhou, Yi-Yun Ho, Ray X. Lee, Amanda B. Fath, Kathleen He, et. al. Enhancement of mediodorsal thalamus rescues aberrant belief dynamics in a mouse model with schizophrenia-associated mutation — Cold Spring Harbor Laboratory.