Как прозвонить микросхему: Как проверить микросхему мультиметром – виды и способы проверки работоспособности микросхем

Содержание

Как проверить микросхему мультиметром – виды и способы проверки работоспособности микросхем

Содержание статьи

Для проверки микросхемы на исправность используются мультиметры, специальные тестеры, осциллографы. В простых случаях можно обойтись без специальных приборов. Но даже при их наличии иногда проверить работоспособность схемы достаточно сложно. Для успешной проверки необходимо хотя бы примерно знать устройство микросхемы, какие сигналы и напряжения должны поступать на ее входы и формироваться на ее выходах. Рассмотрим вероятные сценарии проведения проверочных работ.

Способы проверки

Существует несколько способов, позволяющих проверить микросхему на работоспособность.

Внешний осмотр

Если микросхема установлена на плате и выпаивать ее нежелательно, то необходимо осуществить ее визуальный осмотр. При внимательном изучении можно обнаружить очевидные дефекты. Таковыми могут быть перегоревшие контакты, обгоревшие и отпавшие провода, трещины на корпусе, обгоревшие обвесные компоненты. Если видимых повреждений не обнаружено, необходимы более сложные действия.

Проверка работоспособности с помощью мультиметра

Следующий шаг проверки – диагностика цепей питания системы. Для этой цели используется мультиметр. Для уточнения выводов питания рекомендуется заглянуть в datasheet на микросхему. Плюс в нем обозначается как VCC+, минус – VCC-, общий провод – GND. Минусовый щуп мультиметра подводится к минусу устройства, плюсовой щуп – к плюсу. Если напряжение соответствует норме для данной системы, то цепи питания устройства являются рабочими. Если обнаружены проблемы, то цепь питания отпаивают и проверяют ее исправность. Если она исправна, то проблема заключается в самой микросхеме.

Выявление нарушений в работе выходов

Если микросхема имеет несколько выходов и хотя бы один из них неработоспособен или функционирует некорректно, вся схема не сможет выполнять назначенные функции.

Проверку выходов мультиметром начинают с измерения напряжения на выводе интегрированного в микросхему источника опорного напряжения Vref. Его номинальное напряжение указывается в сопроводительных документах на устройство. На этом выводе должно присутствовать постоянное напряжение установленной величины. Если напряжение ниже или выше этого значения, то внутри устройства происходят нештатные процессы.

Если в микросхеме присутствует времязадающая RC-цепь, то на ней в рабочем режиме должны происходить колебания. В даташите указывается вывод, на котором предусмотрены такие колебания. Проверочные работы в данном случае осуществляют с помощью осциллографа. Его общий щуп устанавливается на минус питания, измерительный щуп – на RC-вывод. Если при проведении измерений обнаруживаются колебания установленной формы, то устройство исправно. Отсутствие колебаний или их неправильная форма свидетельствуют о проблемах в микросхеме или времязадающих элементах.

Если микросхема выполняет функции управляющего компонента, то на выходном управляющем выводе (или нескольких) должны присутствовать соответствующие сигналы. По datasheet определяют, какой вывод является управляющим. Вывод или выводы проверяют с помощью осциллографа таким же способом, как времязадающие RC-цепи. Если сигнал на этих выводах присутствует и соответствует заданной форме, то данная микросхема является полностью работоспособной. Если же сигнал отсутствует или его форма отличается от нормальной, необходимо проверить управляемую цепь, так как причиной неисправности может быть именно она. Если управляемая цепь исправна, то микросхема неработоспособна и ее необходимо заменить.

Влияние разновидности микросхем на способы проверки

Способ и сложность проверочных работ во многом зависит от типа схемы:

  • Самые простые для проверки мультиметром являются микросхемы серии КР 142, имеющие три вывода. Проверка осуществляется подачей напряжения на вход и его измерением на выходе. На основании этих измерений делается вывод об исправности системы.
  • Более сложные для проверки – микросхемы серий К 155, К 176. Для проверочных мероприятий понадобятся: колодка и источник питания с определенным уровнем напряжения, который подбирается под конкретную систему. На вход подается сигнал, контролируемый на выходе с помощью мультиметра.
  • При необходимости проведения более сложных проверок используют не мультиметры, а специальные тестеры, которые можно собрать самостоятельно или купить в магазине радиоэлектроники. Тестеры позволяют проверить прозвонкой исправность отдельных узлов схемы. Данные проверки обычно отображаются на экране тестера, что позволяет сделать вывод о работоспособности отдельных элементов устройства.

При проведении проверок работоспособности микросхемы необходимо смоделировать нормальный режим ее работы. Для этого подаваемое напряжение должно соответствовать нормальному уровню, который соответствует конкретной системе. Проверять микросхемы на исправность рекомендуется на специальных проверочных платах.



Была ли статья полезна?

Да

Нет

Оцените статью

Что вам не понравилось?


Другие материалы по теме


Анатолий Мельник

Специалист в области радиоэлектроники и электронных компонентов. Консультант по подбору деталей в компании РадиоЭлемент.


Как проверить микросхему стабилизатор. Как проверить диод мультиметром

Информация для начинающих радиолюбителей:
функции проверки стабилитронов в мультиметрах нет.

И не ищите мультиметр со стабилитронометром. Но понятно, что проверять надо. Более того, надо тестировать даже исправный компонент на предмет параметра фактического напряжения стабилизации. Истина прописная. Вот только как, чтобы не собирать отдельного прибора и не использовать одну из существующих методик, занимающих, пусть и не очень, но относительно продолжительное время, причём не только по времени проведения проверки, но и по подготовки к ней. Но прав оказался один известный юморист, утверждающий, что на всём постсоветском пространстве проблем с «соображалкой» у народа нет.

Собрать решил устройство как приставку к мультиметру, причём компактную. Корпус от упаковки безопасных лезвий «Schick ». Розетка для оконечника телефонного кабеля подошла и по размеру и по цвету, а к ней удалось приладить кнопку включения питания. Учитывая некоторое своеобразие корпуса, сборку пришлось выполнять, так сказать, «пошаговым» способом.


Шаг первый


Шаг второй — уборка в нишу корпуса всего выше перечисленного и установка по месту штырей (образующих импровизированную вилку для соединения пробника с мультиметром) путём использования на них резьбового соединения и двух гаек М4 на каждый. Расстояние между центров штырей 18,5 мм.


Шаг третий — установка светодиодов и ограничительных резисторов.


Спрятал содержимое «от глаз подальше» и сверху прикрутил подходящие контакты для подсоединения проверяемых стабилитронов. Контакты можно поворачивать вокруг своей оси и тем самым менять расстояние между ними в зависимости от длины проверяемого компонента. Пробую в деле:

Импортный стабилитрон BZX85C18 — чуток не дотянул до заявленного параметра.

Зато отечественный КС515А не подкачал, как говориться «в яблочко». И вот теперь имею в арсенале Schick арный тестер стабилитронов.))

Видео

Сам мультиметр конечно можно заменить любым, даже стрелочным, вольтметром — это будет полезно, если по ходу работы в мастерской вам часто приходится проверять такие детали. Желаю успехов, Babay. Россия, Барнаул.

Идентификация стабилитронов оказывается затруднительной, поскольку для этого необходим источник напряжения, превышающий напряжение стабилизации.» присутствует постоянное напряжение около 15 В. Работоспособность модуля сохраняется при уменьшении питающего напряжения до 0,8 В. Резистор R1 совместно с испытуемым стабилитроном, который подключают к контактным площадкам Х1 и Х2, образуют параметрический стабилизатор напряжения.

Цифровой мультиметр М-830. М-838 или аналогичный устанавливают в режим измерения постоянного напряжения на пределе 20 В и подключают с соблюдением полярности к гнездам XS1 и XS2. При отсутствии подключаемого элемента мультиметр должен показать выходное напряжение преобразователя. Выводы тестируемого элемента соединяют с контактными площадками Х1 и Х2, если это стабилитрон и он соединен анодом с минусом, а катодом с плюсом, то мультиметр покажет напряжение стабилизации данного стабилитрона. При обратном подключении его выводов показания будут не более 0,7 В.

Если показания при подключении элемента в одной полярности не изменяются, а в другой не превышают 0,7 В — это диод или стабилитрон с более высоким, чем 20 В, напряжением стабилизации. Для симметричного стабилитрона в обоих случаях показания будут одинаковыми и меньше выходного напряжения преобразователя. Если показания муль-тиметра близки к нулю в обоих направлениях подключения, испытуемый элемент (диод или стабилитрон) пробит. При максимальных показаниях в обоих вариантах подключения тестируемого элемента — обрыв.
Устройство собирают на печатной плате из двусторонне фольгированного стеклотекстолита, чертеж которой показан на рис. 2. Одна сторона является лицевой панелью на которой сделаны контактные площадки Х1 и Х2. На второй стороне монтируют детали методом поверхностного монтажа без сверления отверстий. Их выводы укорачивают и припаивают непосредственно к печатным проводникам. Через отверстия в плате контакты Х1 и Х2 соединяют с контактными площадками второй стороны.

Контактные пластины для установки гальванического элемента изготовляют также из двусторонне фольгированного стеклотекстолита, зачищают, залуживают и припаивают к печатным проводникам платы. К минусовой пластине, для улучшения контакта с элементом питания, припаивают пружинящий лепесток. Преобразователь напряжения КФ-29 приклеивают к плате, а его выводы припаивают к соответствующим контактным площадкам. Гнезда XS1 и XS2 подбирают по диаметру щупов мультиметра и закрепляют на плате гайками. Гнезда можно использовать любые из имеющихся в наличии, изменив способ их крепления Выключатель питания SA1 — любой малогабаритный движковый.



При отсутствии модуля КФ-29 преобразователь можно собрать по схеме, приведенной на рис. 3. На транзисторе VT1 и трансформаторе Т1 собран бло-кинг-генератор. Импульсы напряжения с коллектора транзистора VT1 выпрямляются диодом VD1, сглаживаются конденсатором СЗ. Постоянное напряжение через резистор R1 поступает на гнезда XS1 и XS2. Элементы этого преобразователя монтируют на аналогичной плате, причем лицевая панель не меняется а печатные проводники и монтаж на второй стороне выполняют в соответствии с рис. 4.
В устройстве применены резисторы МЛТ, С2-33, оксидные конденсаторы С1 и СЗ — импортные, С2 — К10-17. Для изготовления трансформатора Т1 используют ферритовое кольцо типоразмера К10*6хЗ мм магнитной проницаемостью 1000. 2000, грани которого предварительно притупляют с помощью надфиля и обматывают тонкой виниловой лентой. Первичная обмотка содержит 20 витков, а вторичная — 10 витков провода ПЭВ-2 0,31 Диод 1N5817 заменим на 1N5818, 1N5819. Транзистор — КТ3102 с любым буквенным индексом Выключатель SA1 — любой малогабаритный движковый.
После монтажа устанавливают гальванический элемент и включают SA1. Если собранный преобразователь не начинал работать, необходимо поменять местами выводы одной из обмоток трансформатора Т1. Внешний вид приставки показан на рис. 5. Ее можно использовать и со стрелочным мультиметром.

Данная статья посвящена проверке радиодеталей (транзисторов, диодов, конденсаторов и т.д.) и опубликована в связи со многими обращениями ко мне по этому поводу.
Как проверить радиодетали
Для проверки исправности радиодеталей потребуется измерительный прибор – мультиметр. Приобретать лучше не дешевый китайский ширпотреб, который не только быстро выходит из строя, но и существенно ограничен в возможностях за счет слабого тока. В идеале мультиметр должен питаться от батарейки типа «крона».
Резистор
Невооруженным взглядом можно определить сгоревший резистор – он почернеет. Даже если на нем остается нужное сопротивление, его следует заменить.

Для проверки мультиметр ставится в режим омметра. Затем подсоединяем щупы (полярность не имеет значения) к выводам резистора и сравниваем замеренное сопротивление с номинальным. Номинал указывается либо на плате, либо на самом резисторе. Некоторые резисторы маркируются не цифрами, а разноцветными полосками, расшифровываемыми по нехитрой схеме. Отклонения в пределах 5% от номинала считаются нормой.

Конденсатор
Так же, как и резистор, может визуально сигнализировать о неисправности. Конденсатор может вздуться или вообще взорваться и вытечь. Заметить это легко. В таком случае измерения не требуются – деталь подлежит безоговорочной замене.
Еще один нехитрый тест конденсатора – проверка целостности контактов. Для этого «ножки» конденсатора нужно слегка согнуть, после чего попытаться повернуть их или вытащить. Если наблюдается хотя бы минимальный люфт – конденсатор неисправен.
В других случаях конденсатор проверяют омметром. Значение сопротивления должно равняться бесконечности. Если нет – замена.
Диод
Диод проводит ток в одном направлении и не проводит в обратном. Стрелочным мультиметром это легко проверить в режиме омметра. Положительный щуп – к аноду, отрицательный – к катоду. В таком положении ток должен проходить. Если поменять щупы местами, то результат замера будет равноценен обрыву цепи.
Цифровой мультиметр ставится в специальный режим проверки диодов. Фиксируемое напряжение на германиевом диоде должно быть в районе 200-300мВ, на кремниевом – 550 – 700. Если напряжение зашкаливает за 2000мВ – диод неисправен.
Транзистор
Биполярный
Проще всего представить транзистор в виде двух «встречных» диодов. Проверка должна быть соответствующей: база-эмиттер и база-коллектор. Ток должен идти в одном направлении, а в другом – нет.
Переход эмиттер-коллектор не должен прозваниваться вообще! Если ток проходит при отсутствии напряжения на базе, транзистор необходимо выбросить.
Полевой
Перед проверкой необходимо замкнуть между собой все контакты, чтобы разрядилась емкость затвора. После этого омметр должен фиксировать сопротивление, равное бесконечности на всех выводах. В противном случае деталь подлежит замене.
Стабилитрон
Проверка стабилитрона – процесс более деликатный. Цифровым мультиметром здесь пользоваться не рекомендуется – он запросто может «пробить» исправную деталь в обоих направлениях. Если есть аналоговый тестер, то проверить можно так же, как диод. Если нет – есть различные способы проверки. Опишем простейший.

Понадобится блок питания с регулировкой подаваемого напряжения. Подключаем к аноду резистор сопротивлением 300-500 Ом, затем подключаем блок питания. Замеряем напряжение на стабилитроне, поднимая его значение на блоке питания. Достигнув определенного значения (лучше, если оно известно заранее – напряжение стабилизации), напряжение должно перестать расти. Если продолжает – меняем стабилитрон.

Тиристор

Положительный щуп омметра – к аноду, отрицательный – к катоду. Сопротивление должно равняться бесконечности. Если коснуться управляющим электродом анода, то должно зафиксироваться сопротивление порядка 100 Ом. При отсоединении УЭ это значение должно остаться фиксированным. Если результат на любом из этих этапов отличается от описанного, тиристор необходимо заменить.

Катушка индуктивности
Простейшую поломку – обрыв – легко определить омметром. Сопротивление должно быть. Как правило – несколько сотен Ом. Если значение уходит в бесконечность – значит, произошел обрыв.
Сложнее обстоит дело с замыканием витков. Как правило, определить его почти невозможно – все способы небезупречны. Поэтому лучше оставить катушку напоследок, когда все остальные детали точно исправны, и попросту заменить ее, согласно методу исключения.

Многим из нас часто приходилось сталкиваться с тем, что из-за одной, вышедшей из строя, детальки перестаёт работать целое устройство. Что бы избежать недоразумений, следует уметь быстро и правильно проверять детали. Этому я и собираюсь Вас научить. Для начала, нам потребуется мультиметр

Транзисторы биполярные

Чаще всего, сгорают в схемах транзисторы. По крайней мере у меня. Проверить их на работоспособность очень просто. Для начала, стоит прозвонить переходы База-Эмиттер и База-Коллектор. Они должны проводить ток в одном направлении, но не пускать в обратном. В зависимости от того, ПНП это транзистор или НПН, ток они будут проводить к Базе или от Базы. Для удобства, можем представить его в виде двух диодов

Так же стоит прозвонить переход Эмиттер-Коллектор. Точнее это 2 перехода. . . Ну в прочем не суть. В любом транзисторе, ток не должен проходить через них в любом направлении, пока транзистор закрыт. Если же на Базу подали напряжение, то ток протекая через переход База-Эмиттер откроет транзистор, и сопротивление перехода Эмиттер-Коллектор резко упадёт, почти до нуля. Учтите, что падение напряжения на переходах транзистора обычно не ниже 0,6В. А у сборных транзисторов (Дарлингтонов) более 1,2В. По этому некоторые «китайские» мультиметры с батарейкой в 1,5В просто не смогут их открыть. Не поленитесь/поскупитесь достать себе мультиметр с «Кроной»!

Учтите, что в некоторых современных транзисторах параллельно с цепью Коллектор-Эмиттер встроен диод. Так что стоит изучить даташит на Ваш транзистор, если Коллектор-Эмиттер звонится в одну сторону!

Если хотя бы одно из утверждений не подтверждается, то транзистор нерабочий. Но прежде чем заменить его, проверьте оставшиеся детали. Возможно причина в них!

Транзисторы униполярные (полевые)

У исправного полевого транзистора между всеми его выводами должно быть бесконечное сопротивление. Причем бесконечное сопротивление прибор должен показывать независимо от прикладываемого тестового напряжения. Следует заметить, что имеются некоторые исключения.

Если при проверке приложить положительный щуп тестового прибора к затвору транзистора n-типа, а отрицательный — к истоку, зарядится емкость затвора и транзистор откроется. При замере сопротивления между стоком и истоком прибор покажет некоторое сопротивление. Неопытные ремонтники могут принять такое поведение транзистора за его неисправность. Поэтому перед «прозвонкой» канала «сток-исток» замкните накоротко все ножки транзистора, чтобы разрядить емкость затвора. После этого сопротивление сток-исток должно стать бесконечным. В противном случае транзистор признается неисправным.

Учтите ещё, что в современных мощных полевых транзисторах между стоком и истоком имеется встроенный диод поэтому канал «сток-исток» при проверке ведет себя как обычный диод. Для того чтобы избежать досадных ошибок, помните о наличии такого диода и не примите это за неисправность транзистора. Проверить это легко, пролистав даташит на Ваш экземпляр.

Конденсаторы – ещё одна разновидность радиодеталей. Они тоже довольно часто выходят из строя. Чаще всего умирают электролитические, плёнки и керамика портятся несколько реже. . .

Для начала, платы стоит обследовать визуально. Обычно мёртвые электролиты надуваются, а многие даже взрываются. Присмотритесь! Керамические конденсаторы не надуваются, но могут взорваться, что тоже заметно! Их, как и электролиты надо прозванивать. Ток они проводить не должны.

Перед началом электронной проверки конденсатора необходимо провести механическую проверку целостности внутреннего контакта его выводов.

Для этого достаточно поочерёдно согнуть выводы конденсатора под небольшим углом, и аккуратно поворачивая их в разные стороны, а также слегка потягивая на себя, убедиться в их неподвижности. В случае, если хотя бы один вывод конденсатора свободно вращается вокруг своей оси, или свободно вынимается из корпуса, то такой конденсатор считается не пригодным и дальнейшей проверке не подлежит.

Ещё один интересный факт – заряд/разряд конденсаторов. Это можно заметить, если мерять сопротивление конденсаторов, ёмкостью более 10мкФ. Оно есть и у меньших емкостей, но не так заметно выражен! Как только мы подключим щупы, сопротивление будет единицы Ом, но в течении секунды вырастет до бесконечности! Если мы поменяем щупы местами, эффект повторится.

Соответственно, если конденсатор проводит ток, или не заряжается, то он уже ушёл в мир иной.

Резисторы – их больше всего на платах, хотя они не так то уж и часто выходят из строя. Проверить их просто, достаточно сделать одно измерение – проверить сопротивление.

Если оно меньше бесконечности и не равно нулю, то резистор скорее всего пригоден к использованию. Обычно, мёртвые резисторы чёрные – перегретые! Но чёрные бывают и живыми, хотя их тоже стоит заменить. После нагрева, их сопротивление могло измениться от номинального, что плохо повлияет на работу устройства! Вообще стоит прозвонить все резисторы, и если их сопротивление отличается от номинального, то лучше заменить. Заметьте, что отличие от номинала на ± 5% считается допустимым. . .

Проверить диоды по моему проще всего. Померили сопротивление, с плюсом на аноде, показывать должно несколько десятков/сотен Ом. Померили с плюсом на катоде – бесконечность. Если не так, то диод стоит заменить. . .

Индуктивность

Редко, но всё же из строя выходят индуктивности. Причины тому две. Первая – КЗ витков, а вторая – обрыв. Обрыв вычислить легко – достаточно проверить сопротивление катушки. Если оно меньше бесконечности, то всё ОК. Сопротивление индуктивностей обычно не более сотен Ом. Чаще всего несколько десятков. . .

КЗ между витков вычислить несколько труднее. Надо проверить напряжение самоиндукции. Это работает только на дросселях/трансформаторах, с обмотками в хотя бы 1000 витков. Надо подать импульс низковольтный на обмотку, А после, замкнуть эту обмотку лампочкой газоразрядной. Фактически, любя ИН-ка. Импульс обычно подают, слегка касаясь контактов КРОНЫ. Если ИН-ка в итоге мигнёт, то всё норм. Если нет, то либо КЗ витков, либо очень мало витков. . .

Как видите, способ не очень точный, и не очень удобный. Так что сначала проверьте все детали, и лишь потом грешите на КЗ витков!

Оптопары

Оптопара фактически состоит из двух устройств, поэтому проверять её немного сложнее. Сначала, надо прозвонить излучающий диод. Он должен как и обычный диод прозваниваться в одну сторону и служить диэлектриком в другую. Затем надо подав питание на излучающий диод померить сопротивление фотоприёмника. Это может быть диод, транзистор, тиристор или симистор, в зависимости от типа оптопары. Его сопротивление должно быть близким к нулю.

Затем убираем питание с излучающего диода. Если сопротивление фотоприёмника выросло до бесконечности, то оптопара целая. Если что-то не так, то её стоит заменить!

Тиристоры

Ещё один важный ключевой элемент – тиристор. Так же любит выходить из строя. Тиристоры так же бывают симметричные. Называются симисторы! Проверить и те и другие просто.

Берём омметр, плюсовой щуп подключаем к аноду, минусовой к катоду. Сопротивление равно бесконечности. Затем управляющий электрод (УЭ) подсоединяем к аноду. Сопротивление падает до где-то сотни Ом. Затем УЭ отсоединяем от анода. По идее, сопротивление тиристора должно остаться низким – ток удержания.

Но учтите, что некоторые «китайские» мультиметры могут выдавать слишком маленький ток, так что если тиристор закрылся, ничего страшного! Если он всё же открыт, то убираем щуп от катода, а через пару секунд присоединяем обратно. Теперь тиристор/симистор точно должен закрыться. Сопротивление равно бесконечности!

Если некоторые тезисы не совпадают с действительностью, то Ваш тиристор/симистор нерабочий.

Стабилитрон – фактически один из видов диода. По этому проверяется он так же. Заметим, что падение напряжения на стабилитроне, с плюсом на катоде равно напряжению его стабилизации – он проводит в обратную сторону, но с бОльшим падением. Чтоб это проверить, мы берём блок питания, стабилитрон и резистор на 300…500Ом. Включаем их как на картинке ниже и меряем напряжение на стабилитроне.

Мы плавно подымаем напряжение блока питания, и в какой-то момент, на стабилитроне напряжение перестаёт расти. Мы достигли его напряжения стабилизации. Если этого не случилось, то либо стабилитрон нерабочий, либо надо ещё повысить напряжение. Если Вы знаете его напряжение стабилизации, то прибавьте к нему 3 вольта и подайте. Затем повышайте и если стабилитрон не начал стабилизировать, то можете быть уверены, что он неисправен!

Стабисторы

Стабисторы – одна из разновидностей стабилитронов. Единственное их отличие в том, что при прямом включении – с плюсом на аноде, падение напряжения на стабисторе равно напряжению его стабилизации, а в другую сторону, с плюсом на катоде, ток они не проводят вообще. Достигается это включением нескольких кристаллов-диодов последовательно.

Учтите, что мультиметр с напряжением питания в 1,5В чисто физически не сможет вызвонить стабистор скажем на 1,9В. По этому включаем наш стабистор как на картинке ниже и меряем напряжение на нём. Подать надо напряжение около 5В. Резистор взять сопротивлением в 200…500Ом. Повышаем напряжение, меряя напряжение на стабисторе.

Если на какой то точке оно перестало расти, или стало расти очень медленно, то это и есть его напряжение стабилизации. Он рабочий! Если же он проводит ток в обе стороны, или имеет крайне низкое падение напряжения в прямом включении, то его стоит заменить. По видимому, он сгорел!

Проверить различного рода шлейфы, переходники, разъёмы и др. довольно просто. Для этого надо прозвонить контакты. В шлейфе каждый контакт должен звониться с одним контактом на другой стороне. Если контакт не звонится ни с каким другим, то в шлейфе обрыв. Если же он звонится с несколькими, то скорее всего в шлейфе КЗ. Тоже самое с переходниками и разъёмами. Те из них, которые с обрывом или КЗ считаются бракованными и использованию не подлежат!

Микросхемы/ИМС

Их великое множество, они имеют много выводов и выполняют разные функции. Поэтому проверка микросхемы должна учитывать её функциональное назначение. Точно убедиться в целости микросхем довольно трудно. Внутри каждая представляет десятки-сотни транзисторов, диодов, резисторов и др. Есть такие гибриды, в которых одних только транзисторов более 2000000000 штук.

Одно можно сказать точно – если Вы видите внешние повреждения корпуса, пятна от перегрева, раковины и трещины на корпусе, отставшие выводы, то микросхему стоит заменить – она скорее всего с повреждением кристалла. Греющаяся микросхема, назначение которой не предусматривает её нагрева, должна быть так же заменена.

Полная проверка микросхем может осуществляться только в устройстве, где она подключена так, как ей полагается. Этим устройством может быть либо ремонтируемая аппаратура, либо специальная, проверочная плата. При проверке микросхем используются данные типового включения, имеющиеся в спецификации на конкретную микросхему.

Ну всё, ни пуха Вам, и поменьше горелых деталек!

Чтобы определить исправность диода можно воспользоваться приведённой далее методикой его проверки цифровым мультиметром.

Но для начала вспомним, что представляет собой полупроводниковый диод.

Полупроводниковый диод – это электронный прибор, который обладает свойством однонаправленной проводимости.

У диода имеется два вывода. Один называется катодом, он является отрицательным. Другой вывод – анод. Он является положительным.

На физическом уровне диод представляет собой один p-n переход.


Напомню, что у полупроводниковых приборов p-n переходов может быть несколько. Например, у динистора их три! А полупроводниковый диод, по сути является самым простым электронным прибором на основе всего лишь одного p-n перехода.

Запомним, что рабочие свойства диода проявляются только при прямом включении. Что значит прямое включение? А это означает, что к выводу анода приложено положительное напряжение (+ ), а к катоду – отрицательное, т.е. (). В таком случае диод открывается и через его p-n переход начинает течь ток .

При обратном включении, когда к аноду приложено отрицательное напряжение (), а к катоду положительное (+ ), то диод закрыт и не пропускает ток .

Так будет продолжаться до тех пор, пока напряжение на обратно включённом диоде не достигнет критического, после которого происходит повреждение полупроводникового кристалла. В этом и заключается основное свойство диода – односторонняя проводимость.

У подавляющего большинства современных цифровых мультиметров (тестеров) в функционале присутствует возможность проверки диода. Эту функцию также можно использовать для проверки биполярных транзисторов . Обозначается она в виде условного обозначения диода рядом с разметкой переключателя режимов мультиметра.

Небольшое примечание! Стоит понимать, что при проверке диодов в прямом включении на дисплее показывается не сопротивление перехода, как многие думают, а его пороговое напряжение ! Его ещё называют падением напряжения на p-n переходе . Это напряжение, при превышении которого p-n переход полностью открывается и начинает пропускать ток. Если проводить аналогию, то это величина усилия, направленного на то, чтобы открыть «дверь» для электронов. Это напряжение лежит в пределах 100 – 1000 милливольт (mV). Его то и показывает дисплей прибора.

В обратном включении, когда к аноду подключен минусовой () вывод тестера, а к катоду плюсовой (+ ), то на дисплее не должно показываться никаких значений. Это свидетельствует о том, что переход исправен и в обратном направлении ток не пропускает.

В документации (даташитах) на импортные диоды пороговое напряжение именуется как Forward Voltage Drop (сокращённо V f ), что дословно переводится как «падение напряжения в прямом включении «.

Само по себе падение напряжения на p-n переходе нежелательно. Если помножить протекающий через диод ток (прямой ток) на величину падения напряжения, то мы получим ни что иное, как мощность рассеивания – ту мощность, которая бесполезно расходуется на нагрев элемента.

Узнать подробнее о параметрах диода можно .

Проверка диода.

Чтобы было более наглядно, проведём проверку выпрямительного диода 1N5819. Это диод Шоттки . В этом мы скоро убедимся.

Обращаю внимание на то, что во время измерения нельзя держать выводы проверяемого элемента и металлические щупы двумя руками. Это грубая ошибка. В таком случае мы измеряем не только параметры диода, но и сопротивление своего тела. Это может существенно повлиять на результат проверки.

Держать щупы и выводы элемента можно только одной рукой! В таком случае в измерительную цепь включен только сам измерительный прибор и проверяемый элемент. Данная рекомендация справедлива и при измерении сопротивления резисторов, а также при проверке конденсаторов . Не забывайте об этом важном правиле!

Итак, проверим диод в прямом включении. При этом плюсовой щуп (красный ) мультиметра подключаем к аноду диода. Минусовой щуп (чёрный ) подключаем к катоду. На фотографии, показанной ранее, видно, что на цилиндрическом корпусе диода нанесено белое кольцо с одного края. Именно с этой стороны у него вывод катода. Таким образом маркируется вывод катода у большинства диодов импортного производства.


Как видим, на дисплее цифрового мультиметра показалось значение порогового напряжения для 1N5819. Так как это диод Шоттки, то его значение невелико – всего 207 милливольт (mV).

Теперь проверим диод в обратном включении. Напоминаем, что в обратном включении диод ток не пропускает. Забегая вперёд, отметим, что и в обратном включении через p-n переход всё-таки протекает небольшой ток. Это так называемый обратный ток (I обр ). Но он настолько мал, что его обычно не учитывают.

Поменяем подключение диода к измерительным щупам мультиметра. Красный щуп подключаем к катоду, а чёрный к аноду.


На дисплее покажется «1 » в старшем разряде дисплея. Это свидетельствует о том, что диод не пропускает ток и его сопротивление велико. Таким образом, мы проверили диод 1N5819 и он оказался полностью исправным.

Многие задаются вопросом: «Можно ли проверить диод не выпаивая его из платы?» Да, можно. Но в таком случае необходимо выпаять из платы хотя бы один его вывод. Это нужно сделать для того, чтобы исключить влияние других деталей, которые соединены с проверяемым диодом.

Если этого не сделать, то измерительный ток потечёт через все, в том числе, и через связанные с ним элементы. В результате тестирования показания мультиметра будут неверными!

В некоторых случаях данным правилом можно пренебречь, например, когда чётко видно, что на печатной плате нет таких деталей, которые могут повлиять на результат проверки.

Неисправности диода.

У диода есть две основные неисправности. Это пробой перехода и его обрыв .

    Пробой . При пробое диод превращается в обычный проводник и свободно пропускает ток хоть в прямом направлении, хоть в обратном. При этом, как правило, пищит буззер мультиметра, а на дисплее показывается величина сопротивления перехода. Это сопротивление очень мало и составляет несколько ом, а то и вообще равно нулю.

    Обрыв . При обрыве диод не пропускает ток ни в прямом, ни в обратном включении. В любом случае на дисплее прибора – «1 «. При таком дефекте диод представляет собой изолятор. «Диагноз» — обрыв можно случайно поставить и исправному диоду. Особенно легко это сделать, когда щупы тестера порядком изношены и повреждены. Следите за исправностью измерительных щупов, провода у них ох какие «жиденькие» и при частом использовании легко рвутся.

А теперь пару слов о том, как по значению порогового напряжения (падению напряжения на переходе — Forward Voltage Drop (V f )) можно ориентировочно судить о типе диода и материале из которого он изготовлен.

Вот небольшая подборка, составленная из конкретных диодов и соответствующих им величин V f , которые были получены при их тестировании мультиметром. Все диоды были предварительно проверены на исправность.

диодного моста .

Германиевые диоды имеют прямое падение напряжения равное 300 – 400 милливольт. Например, проверенный нами точечный германиевый диод Д9, который ранее применялся в качестве детектора в радиоприёмниках, имеет пороговое напряжение около 400 милливольт.

    Диоды Шоттки имеют V f в районе 100 – 250 mV;

    У германиевых диодов V f , как правило, равно 300 – 400 mV;

    Кремниевые диоды имеют самое большое падение напряжения на переходе равное 400 – 1000 mV.

Таким образом, с помощью описанной методики можно не только определить исправность диода, но и ориентировочно узнать, из какого материала и по какой технологии он изготовлен. Определить это можно по величине V f .

Возможно, после прочтения данной методики у вас появится вопрос: «А как же проверить диодный мост?» На самом деле, очень просто. Об этом я уже рассказывал .

Как проверить микросхему на работоспособность | Элементарно

Прежде чем проверять любую микросхему на работоспособность, необходимо знать и понимать ее устройство, хотя бы приблизительно. Это нужно для того, чтобы заранее представлять себе, какие сигналы или напряжения ожидать от исправной микросхемы на ее выводах.

Лучше всего для проверки конкретной микросхемы собрать хотя бы на макетной плате схему для ее тестирования, — это в том случае, если микросхема новая или уже выпаяна.

Вообще, если устройство микросхемы известно, то в некоторых ситуациях ее можно проверить даже не выпаивая с платы, на которой она установлена, просто измерив сигналы на ножках при помощи мультиметра или осциллографа. Тогда наличие или отсутствие сигнала либо искаженная форма импульса сразу покажут, что — к чему.

Внешний осмотр микросхемы

Допустим что микросхема все еще установлена на плате и выпаивать ее сразу нежелательно. Прежде чем подавать питание на плату, внимательно осмотрите микросхему со всех сторон. Быть может есть очевидные физические признаки ее неисправности: трещина на корпусе, обгоревший или отпавший вывод, короткое замыкание между ножками из-за попадания куска провда (и такое бывет), горелые обвесные компоненты и т. д. Если при осмотре никаких поврежднеий не выявлено, можно идти дальше.

Если к текущему моменту на плату подано питание, то можно аккуратно (с соблюдением техники безопасности!) приступать к дальнейшей проверке микросхемы.

Проверка выводов питания

Первым делом диагностируют цепи питания микросхемы. Это можно проделать при помощи вольтметра (мультиметра). Уточнить выводы питания известной микросхемы очень легко — достаточно заглянуть в документацию (datasheet) на нее. Плюс положительного питания обозначаетя в даташите как VCC+, отрицательное питание VCC-, общий провод имеет обозначение GND.

Итак, минусовой щуп мультиметра устанавливается на общий провод — упирается в минусовой вывод микросхемы, а плюсовой (красный) щуп мультиметра — на соответствующую ножку питания. Если напряжение соответствует норме для микросхемы, значит питание подается как надо, следовательно цепи питания всего устройства исправны.

Если же напряжение питания не в норме, значит необходимо далее проверить саму цепь питания, хотя бы предворительно отпаяв ее от микросхемы. Если цепи питания работают нормально без микросхемы, занчит проблема в микросхеме, и в худшем случае ее действительно придется менять. Если же проблема в цепях питания, значит скорее всего необходимо ремонтировать их (конденсатор, стабилизатор и т. д.).

Проверка источника опорного напряжения

Далее проверяют все известные выводы микросхемы. Например, можно начать с измерения напряжения на выводе встроенного в микросхему источника опорного напряжения Vref, нормальное значение которого указано в документации. На этом выводе должно быть постоянное напряжение определенного значения относительно общего провода. Если оно меньше или сильно больше, занчит внутри микросхемы или в обвесных компонентах что-то не так, и следует продолжить диагностику.

Проверка времязадающих цепей

Если на микросхеме есть какая-нибудь RC-цепь, то на ней, как правило, в рабочем режиме должны наблюдаться пилообразные колебания. На этом этапе опять же полезным будет обратиться к даташиту, чтобы понять где находится данная цепь если она предусмотрена, и на какой ножке должны быть колебания.

Проверка осуществляется осциллографом. Общий его щуп цепляется на минус питания, а измерительный — на соответствующий вывод микросхемы. Если колебания есть и их форма приемлема — все в порядке, можно идти дальше. Если колебаний нет, то скорее всего проблема в микросхеме или в обвесных времязадающих компонентах.

Проверка сигнальных выводов

Наконец, проверяют сигнальные выводы (выходы) микросхемы. Если микросхема управляет каким-то ключом или следующим блоком на схеме, то на соответствующих выходах (или хотя бы на одном выходе, если он единственный) микросхемы должны присутствовать правильные сигналы. Посмотрите в даташите, к каким выводам должны подходить управляемые цепи.

Проверьте осциллографом данные выводы тем же путем, как проверяли RC-цепь. Если сигнал нормальный и значительно не искажен по сравнению с нормальной формой, значит все в порядке. Если сигнал отсутствует или сильно искажен, скорее всего микросхема повреждена, и ее следует заменить, предварительно проверив управляемую цепь, ведь в действительности она может оказаться причиной выхода микросхемы из строя.

КАК ПРОВЕРИТЬ МИКРОСХЕМУ СТАБИЛИЗАТОР

Понадобилось собрать входные стабилизирующие цепи по питанию для устройства на основе микроконтроллера PIC16F628 стабильно работающего при напряжении от 5 вольт. Это не сложно. Взял интегральную микросхему PJ7805 и на её основе в соответствии со схемой из даташита сделал. Подал напряжение и на выходе получил 4,9 вольта. Всего скорей, что этого  вполне достаточно, но упрямство, замешанное на педантичности, взяло верх.

Достал коробушку с интегральными стабилизаторами и вознамерился перемерить все соответствующего достоинства. А чтобы вдруг не ошибиться даже соответствующую схемку выложил перед собой. Однако энтузиазм закончился уже на первом же компоненте. Этот «ёжик без ручек, без ножек» из соединительных проводов с крокодилами желал жить своей жизнью и воли радиолюбителя подчинялся с большим трудом. Да к тому же проверяемый стабилизатор на выходе показал 4,86 вольта, чем поверг мой оптимизм в уныние.

Нет тут нужно что-то более существенное, например какой-то пусть и простой но, тем не менее, пробник что ли. Забил в поисковик яндекса и получил то, что видите на фото «Комплекс контроля интегральных стабилизаторов напряжения». Ну, это не для средних радиолюбительских умов. Стало ясно, что велосипед придётся изобретать.

Схема испытателя КРЕН

Составленная схема явно уступает верхней картинке, ну тут уж ничего не поделаешь, что можем. Конденсатор С1 устраняет генерацию при скачкообразном включении входного напряжения, С2 служит для защиты от переходных помеховых импульсов. Их ёмкость решил взять 100 мкФ. Вольтаж в соответствии с напряжением проверяемого стабилизатора. Ставить конденсаторы как можно ближе к корпусу интегрального стабилизатора. Диод VD1 1N4148 не позволит конденсатору на выходе стабилизатора разрядится  через него после выключения (это чревато выходом стабилизатора из строя).  U Вх. интегрального стабилизатора должно быть выше U Вых. минимум на 2,5 вольта. Нагрузку подбирать так же в соответствии с возможностями тестируемого стабилизатора.

На роль корпуса был выбран самодельный вариант оборудованный контактными штырями для соединения с мультиметром (минус в гнездо «сom», плюс в «V»). В качестве соединительного элемента выводов проверяемого компонента со схемой можно приспособить вот такой тройной штыревой контакт. В мою задачу входит проверка трёхвыводных интегральных стабилизаторов рассчитанных на напряжение не более 12 вольт поэтому в схему поставлю два конденсатора 100 мкф х 16 В. Диод согласно схемы.

В просверленные точно в соответствии с диаметром штыревых контактов отверстия их и вставляем, с внутренней стороны надеваем на каждый штырь по соответствующей (махонькой) металлической шайбочке, смочив активным флюсом и плотно прижав припаиваем каждую шайбу к соответствующему штырю не допуская соединения пар штырь – шайба между собой. Для этого шайбы нужно подточить, центральную с обеих сторон, крайние с одной. Отверстия по месту установки нужно 
именно просверлить, если проколоть шилом образуется внутренняя неровность краёв отверстия и ровно + плотно установить шайбу не выйдет. Штыри, для прочности, также обязательно должны находится на общем твёрдом основании из диэлектрика.

Контактные площадки образованные местом пайки штырей и шайб становятся местом установки компонентов схемы. Получается компактно, также выполняется рекомендация минимального расстояния конденсаторов от выводов проверяемого интегрального стабилизатора. С соединительными проводами всё просто, главное взять их соответствующего цвета (для «+» красный, для «-» чёрный) и никакой путаницы не будет.

Подумав, установил кнопку включения нажимного действия, поставлена в разрыв плюсового (красного) провода на входе питания. Всё таки это удобство из разряда необходимых. Тройной штыревой контакт понадобилось «доработать» — немного согнуть, тут так, либо один раз подогнать контакты под выводы компонентов, либо перед каждым соединением ножки стабилизаторов гнуть под контакты. 

Пробник – приставка к мультиметру готов. Вставляю в соответствующие гнёзда мультиметра штыри пробника, предел измерения выставляю 20 вольт постоянного напряжения, провода подвода электрического тока подсоединяю к лабораторному блоку питания в соответствии с их расплюсовкой, устанавливаю для проверки стабилизатор (попался на 10 вольт), выставляю соответственно на БП напряжение 15 вольт и нажимаю кнопку включения на пробнике. Устройство сработало, на дисплее 9,91 В. Далее в течении   минуты разобрался со всеми трёхвыводными стабилизаторами на напряжение до 12 вольт включительно. Несколько, из числа бережно хранимых, оказались негодными.

Итого

Давно понятно, что вот такие простенькие пробники – приставки в радиолюбительском деле так же необходимы, как и весьма серьёзные измерительные приборы, но вот делать их (возиться с их изготовлением) попросту лень, а напрасно, и понимание этого приходит каждый раз когда это простенькое устройство всё же было собрано и оказало неоценимую помощь в творческих начинаниях. Автор — Babay iz Barnaula.

   Форум

   Форум по обсуждению материала КАК ПРОВЕРИТЬ МИКРОСХЕМУ СТАБИЛИЗАТОР

Проверка работоспособности шим-контроллера.

                Шим-контроллер считают «сердцем» источников питания, но предварительно нужно проверить и другие компоненты блока питания выполнив стандартную последовательность действий по ремонту блока питания (БП):

1) В выключен­ном состоянии источник внимательно осмотреть (особое внимание обра­тить на состояние всех электролитических конденсаторов — они не должны быть вздуты).

2) Проверить исправность предохранителя и элементов входного фильтра БП.

3) Прозвонить на короткое замыкание или обрыв диоды выпрями­тельного моста (эту операцию, как и многие другие, можно выполнить, не вы­паивая диоды из платы). При этом в остальных случаях надо быть уверен­ным, что проверяемая цепь не шунтируется обмотками трансформатора или резистором (в подозрительных случаях, элемент схемы необходимо выпаивать и проверять отдельно).

4) Проверить исправность выходных цепей: электролитических конденсаторов низкочастотных филь­тров, выпрямительных диодов и диодных сборок.

5) Проверить силовые транзисторы высокочастотного преобразователя и тран­зисторов каскада управления. Обязательно проверить возвратные диоды, включенные параллельно электродам коллектор-эмиттер силовых транзисторов.

Эти действия, дают положительный результат в обнаружении только следствия неработоспособности всего блока, но причина неисправности в большинстве случаев находится гораздо глубже. Например, неисправность силовых транзисторов может быть следствием: неисправности цепей схемы за­щиты и контроля, нарушения цепи обратной связи, неисправности ШИМ-преобразователя, выхода из строя демпфирующих RC-цепочек или, межвитковый пробой в силовом трансформаторе. Поэтому, если удается найти неисправный элемент, то желательно пройти все этапы проверок, перечисленные выше (т. к. предохранитель сам по себе ни­когда не сгорает, а пробитый диод в выходном выпрямителе становится причиной «смерти» ещё и силовых транзисторов высокочастотного преобразователя).

В качестве шим-контроллера («сердца» источников питания) долгое время использовали микросхему  TL494, а затем и ее аналоги (MB3759, KA7500B … KA3511, SG6105 и др.). Проверку работоспособности такой микросхемы, например, TL494 (рис. 1) можно произвести, не включая блок питания. При этом микросхему необходимо запитать от вне­шнего источника напряжением +9В..+20В. Напряжение подается на вывод 12 относительно выв. 7 — желательно через маломощный выпрямительный диод. Все измерения тоже должны проводиться относительно выв. 7. При подаче питания на микросхему контролируем напряжение на выв. 5. Оно должно быть +5В (±5%) и быть стабильным при изменении напряжения питания на выв. 12 В пределах   +9В..+20В. В противном случае не исправен внутренний стабилизатор напряжения микросхемы. Далее осциллогра­фом смотрим напряжение на выв. 5. Оно должно быть пилообразной формы амплитудой 3,2 В (рис. 2). Если сигнал отсутствует или иной формы, то проверить целостность конденсатора и резистора, подключенных к выв. 5 и выв. 6, соответственно. В случае исправности этих элементов микросхему необходимо заменить. После этого проверяем наличие управляющих сигна­лов на выходе микросхемы (выв. 8 и выв. 11). Они должны соответствовать осциллограммам, приведенным на рис. 2. Отсутствие этих сигналов так же говорит о неисправности микросхемы. В случае успешного прохождения ис­пытаний микросхема считается исправной.

Рис. 1

Рис. 2

Tl431 как проверить работоспособность — Вместе мастерим

А что еще нужно радиолюбителю, кроме хорошего паяльника и интересной схемы.

Заказал я себе немного тех самых TL431, а это не что иное как интегральная схема трёхвыводного регулируемого параллельного стабилизатора напряжения с улучшенной температурной стабильностью.

Как я уже не однократно писал, радиоэлементы полученные с Алика, даже с проверенных магазинов, желательно проверять по получению.
Для проверки этого элемента можно собрать простенькую схему:

Результат работы схемы должен быть следующий: при таком положении кнопки SB1 как на схеме, на выходе должно быть 5В, при нажатой кнопке — 2,5В, так как судя по Даташиту опорное напряжение равно именно те 2,5В.

Собираем на макетке схемку и проводим измерения:

На входе 12В:

В исходном положении положенные 5В:

Вместо кнопки у меня перемычка и опорное напряжение 2,5В:

Вывод: все соответствует требованиям, это конечно не все, можно было бы заморочиться и проверить все параметры, которые указаны в документации, но в данном случае я не вижу в этом никакого смысла.

Когда-то встречал статью о возможности проверить TL431 c помощью универсального тестера, не помню всего, но общий смысл такой, в разных положениях проверяем микросхемку, а это именно микросхемка(!) и запоминаем что нам показывают и сравниваем с эталоном.

но я думаю собрать такую схемку намного проще и информативнее, хотя каждый решает для себя сам))

И на последок для чего я все это дело заказал:

Схема будет такой:

Смысл схемы в отображении критического разряда батареи, куда применять — исходя из предыдущей статьи про перевод универсального тестера на литий, я вам не скажу)))

И первые тесты этой схемы:

Схема срабатывает очень четко(!), но есть одно НО, схема отказалась у меня работать с красным светодиодом, а вот с синим, который видно на картинках, работает отлично, пока не разобрался почему, но будем искать, синий мне не нравится. Так же еще потестирую в плане потребления тока, есть ли смысл ставить кнопку или приемлемо оставить постоянно включенным это устройство. Все это я расскажу в следующей статье)
Скажу одно есть в планах оснастить рад устройств таким индикатором и даже заказать платки у Китайских друзей, такого опыта у меня еще нет, если будет все подробно расскажу.

Добрый день, друзья!

Сегодня мы с вами познакомимся с еще одной «железкой», которая используется в компьютерной технике. Она применяется не так часто, как, скажем, транзистор или диод, но тоже достойна внимания.

Что это такое – источник опорного напряжения TL431?

В блоках питания персональных компьютеров можно встретить микросхему источника опорного напряжения (ИОН) TL431.

Можно рассматривать ее как регулируемый стабилитрон.

Но это именно микросхема, так как в ней помещено более десятка транзисторов, не считая других элементов.

Стабилитрон – это такая штуковина, которая поддерживает (стремится поддержать) постоянное напряжение на нагрузке. «А зачем это нужно?» – спросите вы.

Дело в том, что микросхемы, из которых состоит компьютер – и большие и малые – могут работать лишь в определенном (не очень большом) диапазоне питающих напряжений. При превышении диапазона весьма вероятен выход их из строя.

Поэтому в блоках питания (не только компьютерных) применяются схемы и компоненты для стабилизации напряжения.

При определенном диапазоне напряжений между анодом и катодом (и определенном диапазоне токов катода) микросхема обеспечивает на своем выходе ref опорное напряжение 2,5 В относительно анода.

Используя внешние цепи (резисторы) можно варьировать напряжение между анодом и катодом в достаточно широких пределах – от 2,5 до 36 В.

Таким образом, нам не нужно искать стабилитроны на определенное напряжение! Можно просто изменять номиналы резисторов и получить нужное нам уровень напряжения.

В компьютерных блоках питания существует источник дежурного напряжения + 5VSB.

Если вилка блока питания вставлена в сеть, оно присутствует на одном из контактов основного питающего разъема — даже если компьютер не включен.

При этом часть компонентов материнской платы компьютера находится под этим напряжением.

Именно с помощью него и происходит запуск основной части блока питания – сигналом с материнской платы. В формировании этого напряжения часто участвует и микросхема TL431.

При выходе ее из строя величина дежурного напряжения может отличаться — и довольно сильно — от номинальной величины.

Чем это может нам грозить?

Если напряжение +5VSB будет больше чем надо, компьютер может «зависать», так как часть микросхем материнской платы питается повышенным напряжением.

Иногда такое поведение компьютера вводит неопытного ремонтника в заблуждение. Ведь он измерил основные питающие напряжения блока питания +3,3 В, +5 В, +12 В – и увидел, что они находятся в пределах допуска.

Он начинает копать в другом месте и тратит массу времени на поиск неисправности. А надо было просто измерить и напряжение дежурного источника!

Напомним, что напряжение +5VSB должно находиться в пределах 5% допуска, т.е. лежать в диапазоне 4,75 – 5,25 В.

Если напряжение дежурного источника будет меньше необходимого, компьютер может вообще не запуститься.

Как проверить TL431?

«Прозвонить» эту микросхему как обычный стабилитрон нельзя.

Чтобы убедиться в ее исправности, нужно собрать небольшую схему для проверки.

При этом выходное напряжение в первом приближении описывается формулой

Vo = (1 + R2/R3) * Vref (см даташит*), где Vref — опорное напряжение, равное 2,5 В.

При замыкании кнопки S1 выходное напряжение будет иметь величину 2,5 В (опорное напряжение), при отпускании ее – величину 5 В.

Таким образом, нажимая и отжимая кнопку S1 и измеряя мультиметром сигнал на выходе схемы, можно убедиться в исправности (или неисправности) микросхемы.

Проверочную схему можно сделать в виде отдельного модуля, используя 16-контактный разъем для DIP-микросхемы с шагом выводов 2,5 мм. Питание и щупы тестера подключаются при этом к выходным клеммам модуля.

Для проверки микросхемы нужно вставить ее в разъем, понажимать кнопку и посмотреть на дисплей тестера.

Если микросхема не вставлена в разъем, выходное напряжение будет равным примерно 10 В.

Вот и все! Просто, не правда ли?

*Даташит – это справочные данные (data sheets) на электронные компоненты. Их можно найти поисковиком в Интернете.

С вами был Виктор Геронда. До встречи на блоге!

Обсуждение: 9 комментариев

Так как резисторы делителя одинаковые (напряжение источника делится пополам), то выходной транзистор усилителя (ТЛ-ки) откроется при напряжении, чуть превышающем 5 вольт. На входе R в этом случае с делителя R2-R3 будет сниматься чуть больше 2,5 вольт.

Привет, скажите, хочу переделать блок питания с 12в на 17в, тлка есть, но катод и управляющий по схеме спаяны,так что разрезать дорожку и впаять переменник или как увеличить напряжение,спасибо.

Виктор, если это компьютерный блок питания, то можно включить последовательно напряжения +12В и +5В, как раз и будет 17В. Без всяких переделок.

Здравствуйте, Виктор. Получить 17 В так, как это вы предлагаете, не получится. Дело в том, что 5В и 12В обмотки конструктивно уже соединены в трансформаторе через общую землю. То есть, соединив +12В на +5В вы просто устроите КЗ. 12 В цепь будет работать на 5 В цепь как на нагрузку с низким внутренним сопротивлением и блок питания сгорит. В простейшем случае получить + (-) 17 (или, например + (-) 24 В) можно путем подключения, например к — 5 В выходу и к +12 В выходу. Между ними как раз и будет 17 В, но при этом нужно будет не допускать соприкосновения корпуса БП с землей устройства, которое вы питаете. Аналогично можно получить 24 В, если подключить свое устройство между +12В и -12В. Подобные простые варианты использования БП с повышенным напряжением питания имеют недостатки. Во-первых, ток потребляемый от такого источника будет ограничиваться возможностями БП по току в цепях -12В и -5В. Предельный ток в этих цепях, как правило не больше 0,5 А. Для увеличения тока, нужно вместо штатных диодов типа RF102 (их ток 1 А) поставить диоды Шоттки с отрицательным выходным напряжением или, в крайнем случае, в параллель штатным диодам, можно впаять несколько аналогичных на требуемый ток. При этом также необходимо увеличить емкость электролитических конденсаторов с 100-470 мкФ до 1000-2000 мкФ. Есть и другие способы. Например можно изменить величину резистора в цепи обратной связи (с выхода +5В на первую ножку, например микросхемы DBL494), который определяет постоянный уровень напряжения (+5В). Но в этом случае не во всех блоках питания удается «обмануть» схему стабилизации напряжения и существенно изменить напряжение, более чем на 1,5-2 В без нарушения работы БП (может срабатывать защита или появляться в момент питания выбросы напряжения). Такой фокус проходит в простых, древних схемах. Удавалось, таким образом регулировать напряжение с +/- 12 В до +/-20 В (требуется перепайка электролитов на напряжение не менее 25 В). Есть и другие варианты с доработкой конструкции трансформатора. Обмотки 5 В и 12 В, в большинстве трансформаторов, конструктивно, выполнены в виде нескольких параллельно включенных обмоток. Если их разъединить и включить в качестве дополнительных обмоток, можно получить несколько вариантов более высоких выходных напряжений. К этим дополнительным можно подключить диоды Шоттки, рассчитанные на это напряжение и требуемый ток и получить из компьютерного блока питания мощный, высокостабильный источник питания для Hi-Fi усилителя большой мощности с напряжением от (+/-) 17 до 36 В. Если кому, интересно, то более подробно о этих вариантах я расскажу в ближайших выпусках на своем канале High-End в ФБ и Ютубе. Ссылка по запросу.

Добрый день. Подскажите как поднять напряжение с5,3 до 12 В на зарядном собрании на базе tl431. Что нужно поменять?

Сразу оговорюсь, что данная статья не панацея. У кого-то это может не пройти.

Для начала я расскажу о TL431, и для чего она служит. TL431 это управляемый стабилитрон с помощью которого можно получить стабилизированное напряжения в широких пределах от 2,5 вольта до 36 вольт. Применяя эту микросхему можно сделать источник опорного напряжения для блоков питания, а также для различных измерительных схем.

Рисунок взят из даташита компании ON Semiconductor

Ниже приведены два варианта даташит для этой микросхемы

Цоколевка этой микросхемы наилучшим образом отображена в даташите компании ON Semiconductor

В даташите Texas Instruments обнаружена одна небольшая деталь

На всех рисунках есть одна надпись «top view» это переводится как «вид сверху» при невнимательном просмотре даташит, не зная, что это может обозначать, можно неправильно распаять на плате.

В одной из своих схем я применил микросхему TL431, и она оказалась неисправной. Поискав по форумам я нашел способ проверки этой микросхемы. А в некоторых местах я видел как вызванивают эту микросхему с помощью мультиметра но, увы, все это не то. Я тоже сначала попытался проверить мультиметром но сразу отложил в сторону это мероприятие. И решил попробовать проверить с помощью универсального тестера компонентов, который был ранее приобретен на алиэкспресс.

Во время проверки составил таблицу. Сначала проверил в режиме двухполюсника (если в таблице указаны два вывода, просто необходимо объединить оба вывода вместе).

Как прозвонить микросхему в домашних условиях?

Повышающий импульсный стабилизатор напряжения XL6009 регулируемый аналог LM2577, 3-35V, 3A — входное напряжение 3 — 32V, выходное напряжение регулируемое 5-35V, выходной ток 3A, встроенная защита от короткого замыкания, от перегрева.

Микросхема XL6009, это аналог всем известной, но уже устаревшей LM2577.

Преобразователь XL6009 имеет ряд преимуществ и достоинств по сравнению с LM2577.

Более подробную информацию Вы сможете получить из документации к микросхеме XL6009.

Импульсный повышающий регулируемый преобразователь напряжения на микросхеме XL6009 собран по топологии boost.

Универсальный повышающий преобразователь напряжения будет полезен для радиолюбителей, при конструировании различных электронных устройств.

Импульсный повышающий регулируемый преобразователь напряжения можно использовать в комплексе с солнечной батареей для получения различных напряжений.

Повышающий преобразователь напряжения можно использовать как:

зарядное устройство

повышающий преобразователь напряжения

повышающий источник стабильного тока

мобильный блок питания, работающий от одного Li-ion или двух AA, AAA аккумуляторов

При испытаниях данный импульсный повышающий регулируемый преобразователь напряжения показал следующие характеристики:

Input 3V Output 12V 0.4A 4.8W

Input 5V Output 12V 0.8A 9.6W

Input 7.4V Output 12V 1.5A 18W

Input 12V Output 15V 2A 30W

Input 12V Output 16V 2A 32W

Input 12V Output 18V 1.6A 28.8W

Input 12V Output 19V 1.5A 28.5W

Input 12V Output 24V 1 A 24W

Характеристики регулируемого повышающего преобразователя для автомобиля XL6009 аналог LM2577, 3-35V 3A от производителя:

Входное напряжение: 3 — 32V

Выходное напряжение регулируемое: 5 — 35V

Выходной ток: 3 A (MAX).

Входной ток: 4 A (MAX).

Микросхема преобразователя: XL6009 аналог LM2577

Топология: boost

Встроенная защита:

от короткого замыкания

от перегрева

Размер платы: 43х21х14мм

Антистатическая упаковка

Архитектура микросхемы для сеточного модуля. (a) Три кольцевых генератора …

Контекст 1

… в предыдущих моделях колебательной интерференции [10] [11] [12] [13] [14] [15] [16] [17] [ 18] [19] [20], смоделированные ячейки сетки демонстрируют гексагональные запускающие поля, а также временную модуляцию их цепочек пиков тета-колебаниями. Мембранные напряжения отдельных ячеек сетки были качественно подобны внутриклеточным записям ячеек сетки от поведения грызунов [57] [58] [59], в том смысле, что они модулировались подпороговыми тета-колебаниями, когда животное находилось вне поля сетки, а затем возникали спайки. генерируется при прохождении через поля сетки (рисунок 4d).Кривые напряжения на рисунке 4d не демонстрируют «скачков» мембранного напряжения, которые предшествуют скачкам в ячейках сетки грызунов, но было показано, что такое линейное изменение возникает, когда между ячейками сетки присутствует латеральное торможение [58], которые не были включены в смоделированную реализацию. здесь. …

Context 2

… напряжения отдельных ячеек сетки были качественно похожи на внутриклеточные записи ячеек сетки от поведения грызунов [57] [58] [59], в том, что они модулировались подпороговыми тета-колебаниями когда животное находилось за пределами поля сетки, а затем возникали шипы во время прохождения через поля сетки (рисунок 4d).Кривые напряжения на рисунке 4d не демонстрируют «скачков» мембранного напряжения, которые предшествуют скачкам в ячейках сетки грызунов, но было показано, что такое линейное изменение возникает, когда между ячейками сетки присутствует латеральное торможение [58], которые не были включены в смоделированную реализацию. здесь. …

Контекст 3

… нам не известны проверенные решения этой проблемы связи эталонного осциллятора для произвольно большого N. Другой подход состоял бы в игнорировании временной фазы F (t) и вместо этого сосредоточьтесь на пространственных фазах ячеек сетки.Если каждый модуль сетки содержит три кольцевых генератора (как на рисунке 4a), то сеть, составленная из модулей сетки Z (предположительно с разными ориентациями и расстояниями), будет содержать N ¼ 3Z кольцевых генераторов. Предотвращение движения осцилляторов по необратимым фазовым траекториям становится идентичным проблеме запрета ячеек сетки через модули кодировать траектории, которые отклоняются друг от друга. …

Введение в нейроны и нейронные сети | Раздел 1, Вступительная глава | Neuroscience Online: Электронный учебник для неврологии | Кафедра нейробиологии и анатомии

Три фунта желеобразного материала, обнаруженные в наших черепах, — это самая сложная машина на Земле и, возможно, во Вселенной.Его феноменальные свойства были бы невозможны без сотен миллиардов нейронов, из которых он состоит, и, что важно, без связей между этими нейронами. К счастью, многое известно о свойствах отдельных нейронов и простых нейронных сетей, и аспекты сложных нейронных сетей начинают разгадываться. Эта глава начнется с обсуждения нейрона, элементарного узла или элемента мозга, а затем перейдет к обсуждению способов, которыми отдельные нейроны общаются друг с другом.Что делает нервную систему таким фантастическим устройством и отличает мозг от других органов тела, так это не то, что в ней есть 100 миллиардов нейронов, а то, что нервные клетки способны взаимодействовать друг с другом таким высокоструктурированным образом, что формируют нейронные сети. . Чтобы понять нейронные сети, необходимо понять способы, которыми один нейрон взаимодействует с другим через синаптические связи, и процесс, называемый синаптической передачей. Синаптическая передача бывает двух основных видов: возбуждение и торможение.Всего несколько взаимосвязанных нейронов (микросхема ) могут выполнять сложные задачи, такие как опосредовать рефлексы, обрабатывать сенсорную информацию, генерировать движения и опосредовать обучение и память. Более сложные сети ( макросхемы, ) состоят из множества встроенных микросхем. Макросхемы опосредуют высшие функции мозга, такие как распознавание объектов и познание. Итак, в нервной системе повсеместно встречаются сети нескольких уровней. Сети также преобладают в пределах нейронов.Эти наноцепи составляют лежащий в основе биохимический механизм, обеспечивающий ключевые нейронные свойства, такие как обучение и память, а также генезис нейрональной ритмичности.

Нейрон

Основные морфологические особенности нейронов
100 миллиардов нейронов в головном мозге имеют ряд общих черт (рис. 1). Нейроны отличаются от большинства других клеток тела тем, что они поляризованы и имеют различные морфологические области, каждая из которых выполняет определенные функции. Дендриты — это область, где один нейрон получает связи от других нейронов. Тело клетки или soma содержит ядро ​​и другие органеллы, необходимые для клеточной функции. Аксон , — ключевой компонент нервных клеток, по которому информация передается от одной части нейрона (например, тела клетки) к его концевым областям. Аксоны могут быть довольно длинными, достигая метра или около того в некоторых сенсорных и двигательных нервных клетках человека.Синапс является конечной областью аксона, и именно здесь один нейрон образует соединение с другим и передает информацию посредством процесса синаптической передачи . Нейрон цвета морской волны на рисунке 1 (щелкните «Нейрон, связанный с постсинаптическим нейроном») называется постсинаптическим нейроном. Терминал коричневого цвета слева, следовательно, называется пресинаптическим нейроном. Один нейрон может получать контакты от множества разных нейронов.На рисунке 1 (щелкните «Нейрон, получающий синаптический ввод») показан пример трех пресинаптических нейронов, контактирующих с одним постсинаптическим нейроном коричневого цвета, но было подсчитано, что один нейрон может получать контакты до 10 000 других клеток. Следовательно, потенциальная сложность сетей огромна. Точно так же любой нейрон может контактировать до 10 000 постсинаптических клеток. (Обратите внимание, что нейрон коричневого цвета, который был пресинаптическим по отношению к нейрону цвета морской волны, является постсинаптическим по отношению к розовым, зеленым и синим нейронам.Таким образом, большинство «пресинаптических» нейронов являются «постсинаптическими» по отношению к некоторым другим нейронам.

Рисунок 1 (щелкните «Синапс») также показывает расширенный вид синапса. Обратите внимание, что пресинаптическая клетка не связана напрямую с постсинаптической клеткой. Они разделены промежутком, известным как синаптическая щель . Следовательно, чтобы общаться с постсинаптической клеткой, пресинаптический нейрон должен выпускать химический мессенджер. Этот посланник находится в везикулах , содержащих нейротрансмиттер, (синие точки обозначают нейромедиатор).Потенциал действия, который проникает в пресинаптический терминал, заставляет эти везикулы сливаться с внутренней поверхностью пресинаптической мембраны и высвобождать их содержимое посредством процесса, называемого экзоцитоз . Освободившийся передатчик диффундирует через промежуток между пре- и постсинаптической клеткой и очень быстро достигает постсинаптической стороны синапса, где связывается со специализированными рецепторами, которые «распознают» передатчик. Связывание с рецепторами приводит к изменению проницаемости ионных каналов в мембране и, в свою очередь, к изменению мембранного потенциала постсинаптического нейрона, известного как постсинаптический синаптический потенциал (PSP) .Таким образом, передача сигналов между нейронами связана с изменениями электрических свойств нейронов. Чтобы понять нейроны и нейронные цепи, необходимо понимать электрические свойства нервных клеток.

Потенциал покоя и потенциал действия

Потенциалы покоя. На рис. 2 показан пример идеализированной нервной клетки. Во внеклеточную среду помещен микроэлектрод. Микроэлектрод — это не что иное, как небольшой кусок стеклянной капиллярной трубки, который растягивается под действием тепла, образуя очень тонкий наконечник, порядка 1 микрона в диаметре.Микроэлектрод заполняется проводящим раствором и затем подключается к подходящему записывающему устройству, например, осциллографу или самописцу. Когда электрод находится вне клетки во внеклеточной среде, регистрируется нулевой потенциал, поскольку внеклеточная среда является изопотенциальной. Однако, если электрод проникает в ячейку так, что кончик электрода теперь находится внутри ячейки, на записывающем устройстве наблюдается резкое отклонение. Регистрируется потенциал около -60 милливольт внутри отрицательного по отношению к внешней стороне.Этот потенциал называется потенциалом покоя и остается постоянным в течение неопределенных периодов времени при отсутствии какой-либо стимуляции. Если электрод вынуть, снова регистрируется нулевой потенциал. Потенциалы покоя — это не просто характеристики нервных клеток; все клетки тела обладают потенциалом покоя. Что отличает нервные клетки и другие возбудимые мембраны (например, мышечные клетки), так это то, что они способны изменять свой потенциал покоя. В случае нервных клеток для интеграции информации и передачи информации, а в случае мышечных клеток — для производства мышечных сокращений.

Потенциалы действия. На рис. 3 показан еще один эскиз идеализированного нейрона. Этот нейрон был пронзен одним электродом для измерения потенциала покоя и вторым электродом, называемым стимулирующим электродом. Стимулирующий электрод подключается к батарее через переключатель. Если батарея ориентирована так, что положительный полюс подсоединен к переключателю, замыкание переключателя сделает внутреннюю часть элемента несколько более положительной в зависимости от размера батареи.(Такое уменьшение поляризованного состояния мембраны называется деполяризацией , ). На рис. 3 показана анимация, в которой переключатель многократно открывается и закрывается, и каждый раз, когда он замыкается, в схему подключается батарея большего размера. Первоначально замыкание переключателя вызывает только небольшие деполяризации. Однако потенциалы становятся больше, и в конечном итоге деполяризация становится достаточно большой, чтобы вызвать потенциал действия , также известный как импульс или импульс .Потенциал действия связан с очень быстрой деполяризацией, позволяющей достичь пикового значения около +40 мВ всего за 0,5 миллисекунды (мс). За пиком следует столь же быстрая фаза реполяризации .

Напряжение, при котором деполяризация становится достаточной для запуска потенциала действия, называется порогом . Если батарея большего размера используется для генерации надпороговой деполяризации, единичный потенциал действия по-прежнему генерируется, и амплитуда этого потенциала действия такая же, как потенциал действия, запускаемый только пороговым стимулом.Простая запись на рисунке 3 иллюстрирует две очень важные особенности потенциалов действия. Во-первых, они вызываются методом по принципу «все или ничего». Либо потенциал действия вызывается стимулами на уровне порога или выше, либо потенциал действия не проявляется. Во-вторых, потенциалы действия — это очень короткие события продолжительностью всего несколько миллисекунд. Запуск потенциала действия в некоторой степени аналогичен подаче спички на предохранитель. Определенная температура необходима для воспламенения предохранителя (т.е.е., предохранитель имеет порог). Спичка, выделяющая большее количество тепла, чем пороговая температура, не приведет к тому, что предохранитель будет гореть ярче или быстрее. Так же, как потенциалы действия вызываются по принципу «все или ничего», они также передаются по принципу «все или ничего». Как только потенциал действия инициируется в одной области нейрона, такой как тело клетки, этот потенциал действия будет распространяться по аксону (как горящий предохранитель) и в конечном итоге проникнет в синапс, где он может инициировать процесс синаптической передачи.

В примере на рисунке 3 был сгенерирован только один потенциал действия, потому что продолжительность каждого из двух надпороговых стимулов была настолько короткой, что было достаточно времени только для инициирования одного потенциала действия (т. Е. Стимул закончился раньше, чем потенциал действия завершил свой цикл деполяризации-реполяризации). Но, как показано в анимации на Рисунке 4, более продолжительные стимулы могут привести к инициированию множественных потенциалов действия, частота которых зависит от интенсивности стимула.Таким образом, очевидно, что нервная система кодирует информацию не в терминах изменения амплитуды потенциалов действия, а скорее в их частоте. Это очень универсальное свойство. Чем выше интенсивность механического стимула к сенсорному рецептору, тем больше количество потенциалов действия; чем сильнее растягивается рецептор растяжения мышцы, тем больше количество потенциалов действия; чем больше интенсивность света, тем большее количество потенциалов действия передается в центральную нервную систему.Точно так же в двигательной системе, чем больше количество потенциалов действия в двигательном нейроне, тем сильнее будет сокращение мышцы, которая получает синаптическую связь от этого двигательного нейрона. Инженеры называют этот тип кодирования информации частотно-импульсной модуляцией .

Синаптические потенциалы и синаптическая интеграция

На рисунке 5 показаны три нейрона. Зеленый цвет будет называться возбуждающим нейроном по причинам, которые вскоре станут ясны.Он соединяется с постсинаптическим нейроном синего цвета. Следы ниже (нажмите «Play») иллюстрируют последствия запуска потенциала действия в зеленом нейроне. Этот потенциал действия в пресинаптическом нейроне приводит к снижению мембранного потенциала постсинаптической клетки. Мембранный потенциал изменяется от значения покоя около -60 милливольт до более деполяризованного состояния. Этот потенциал называется возбуждающим постсинаптическим потенциалом (ВПСП) .Он является «возбуждающим», потому что перемещает мембранный потенциал к пороговому значению, и является «постсинаптическим», потому что это потенциал, зарегистрированный на постсинаптической стороне синапса. Обычно (и это важный момент) единичный потенциал действия в пресинаптической клетке не производит ВПСП, достаточно большого, чтобы достичь порога и запустить потенциал действия. Но если в пресинаптической клетке запускаются множественные потенциалы действия, соответствующие множественные возбуждающие потенциалы могут суммироваться посредством процесса, называемого временным суммированием , для достижения порога и запуска потенциала действия.ВПСП можно рассматривать как «сигнал движения» постсинаптическому нейрону для передачи информации по сетевому пути.

Нейрон красного цвета на рисунке 5 называется тормозным нейроном. Как и зеленый нейрон, он также устанавливает синаптический контакт с синим постсинаптическим нейроном. Он также высвобождает химический передатчик-мессенджер, но последствия связывания передатчика от голубой клетки с рецепторами на постсинаптической клетке противоположны последствиям передатчика, выпущенного зеленым нейроном.Следствием потенциала действия красного пресинаптического нейрона является увеличение мембранного потенциала синего постсинаптического нейрона. Мембранный потенциал более отрицательный, чем был раньше (гиперполяризация ), и поэтому мембранный потенциал дальше от порогового значения. Этот тип потенциала называется ингибирующим постсинаптическим потенциалом (IPSP) , потому что он имеет тенденцию предотвращать активацию постсинаптического нейрона потенциала действия. Это «стоп-сигнал» для постсинаптической клетки.Таким образом, зеленый нейрон говорит «вперед», а красный нейрон говорит «стоп». Что же делать постсинаптическому нейрону?

Нейроны похожи на счетные машины. Они постоянно складывают возбуждающий и тормозящий синаптический вход во времени (временное суммирование) и по площади дендритов, получающих синаптические контакты ( пространственное суммирование) , и если это суммирование находится на пороговом уровне или выше, они запускают потенциал действия. Если сумма ниже порога, потенциал действия не инициируется.Этот процесс называется синаптической интеграцией и проиллюстрирован на рисунке 5. Первоначально два потенциала действия в зеленом нейроне производили суммирующие ВПСП, которые запускали потенциал действия в синем нейроне. Но если IPSP от тормозного нейрона возникает непосредственно перед двумя потенциалами действия в возбуждающем нейроне, сумма одного IPSP и двух EPSP ниже порогового значения, и в постсинаптической клетке не возникает никакого потенциала действия. Тормозящий нейрон (и подавление в целом) — это способ стробирования или регулирования способности возбуждающего сигнала запускать постсинаптическую клетку.

Нейронные сети

Мотивы микросетей

Как указывалось ранее в этой главе, нейрон может получать контакты до 10 000 пресинаптических нейронов, и, в свою очередь, любой нейрон может контактировать до 10 000 постсинаптических нейронов. Комбинаторная возможность может привести к чрезвычайно сложным нейронным цепям или сетевым топологиям , которые могут быть очень трудными для понимания. Но, несмотря на потенциально огромную сложность, многое можно узнать о функционировании нейронных цепей, исследуя свойства подмножества простых конфигураций цепей.На рисунке 6 показаны некоторые из этих мотивов микросхем или микросетей. Несмотря на простоту, они могут делать многое из того, что должна делать нервная система.

Возбуждение с прямой связью . Позволяет одному нейрону передавать информацию своему соседу. Длинные их цепочки можно использовать для передачи информации через нервную систему.

Запрещение прямой связи .Пресинаптическая клетка возбуждает тормозящий интернейрон (интернейрон — это нейрон, расположенный между двумя нейронами), и этот тормозной интернейрон затем подавляет следующую клетку-последователь. Это способ отключения или ограничения возбуждения в нейроне, расположенном ниже по течению в нейронной цепи.

Схождение / расхождение . Одна постсинаптическая клетка получает конвергентный вход от ряда различных пресинаптических клеток, и любой отдельный нейрон может создавать дивергентные связи со многими разными постсинаптическими клетками.Дивергенция позволяет одному нейрону общаться со многими другими нейронами в сети. Конвергенция позволяет нейрону получать входные данные от многих нейронов в сети.

Боковое торможение . Пресинаптическая клетка возбуждает тормозящие интернейроны, и они подавляют соседние клетки в сети. Как подробно описано ниже в этой главе, этот тип схемы может использоваться в сенсорных системах для улучшения контуров.

Обратная связь / повторное запрещение .На панели E1 пресинаптическая клетка соединяется с постсинаптической клеткой, а постсинаптическая клетка, в свою очередь, соединяется с интернейроном, который затем подавляет пресинаптическую клетку. Этот контур может ограничивать возбуждение в пути. Некоторое начальное возбуждение будет отключено после того, как красный интернейрон станет активным. На панели E2 каждый нейрон в замкнутой цепи подавляет нейрон, с которым он связан. Казалось бы, эта схема ничего не делает, но, как будет показано далее в этой главе, она может привести к генерации сложных паттернов всплесковой активности.

Обратная связь / рекуррентное возбуждение . На панели F1 пресинаптический нейрон возбуждает постсинаптический нейрон, а этот постсинаптический нейрон возбуждает пресинаптический нейрон. Этот тип цепи может выполнять функцию переключателя, потому что, как только пресинаптическая клетка активируется, эта активация может сохраняться. Активация пресинаптического нейрона могла включить эту сеть, и она могла остаться. На панели F2 показаны варианты возбуждения обратной связи, при которых пресинаптический нейрон возбуждает постсинаптический нейрон, который может по обратной связи возбуждать сам себя (а, аутапс , ) или другие нейроны, которые в конечном итоге имеют обратную связь (b) с самим собой.

Эти простые мотивы являются вездесущими компонентами многих нейронных цепей. Давайте рассмотрим несколько примеров того, на что способны эти сети.

Возбуждение с прямой связью и подавление с прямой связью

Одна из наиболее изученных микросхем — это схема, которая обеспечивает простое рефлекторное поведение. На рисунке 7 показана схема так называемого рефлекса рефлекса коленного рефлекса или растяжения. Невролог ударяет резиновым молоточком по колену, в результате чего нога разгибается.Этот тест используется как простой способ проверить целостность некоторых сенсорных и моторных путей в спинном мозге. Удар молотка растягивает мышцу и приводит к инициированию потенциалов действия в сенсорных нейронах внутри мышцы, которые чувствительны к растяжению. (Потенциалы действия представлены маленькими яркими «огоньками» на анимации.) Потенциалы действия инициируются по принципу «все или ничего» и распространяются в спинной мозг, где аксон разделяется (раздваивается) на две ветви.

Давайте сначала обсудим ветвь слева, которая формирует синаптическую связь (зеленый треугольник) с Extensor (E) мотонейроном (окрашен в синий цвет). Потенциал действия сенсорного нейрона вторгается в синаптический терминал сенсорного нейрона, вызывая высвобождение медиатора и последующее возбуждение двигательного нейрона. Растяжение мышцы приводит к потенциалу действия в двигательном нейроне (МН), который затем распространяется по периферическому нерву и вторгается в синапс в мышце, вызывая высвобождение передатчика и потенциал действия в мышце.Потенциал действия в мышечной клетке приводит к сокращению мышцы и разгибанию конечности. Итак, здесь у нас есть простая схема возбуждения с прямой связью, которая опосредует поведение.

Теперь давайте рассмотрим правую ветвь аксона сенсорного нейрона на рисунке 7. Потенциал действия сенсорного нейрона вторгается в синаптический терминал сенсорного нейрона, вызывая высвобождение медиатора и последующее возбуждение постсинаптического интернейрона, окрашенного в черный цвет.Этот нейрон называется интернейроном , потому что он расположен между одним нейроном (здесь SN) и другим нейроном (здесь MN). Возбуждение интернейрона приводит к инициированию действия и последующему высвобождению передатчика из пресинаптического терминала интернейрона (черный треугольник), но для этой ветви цепи передатчик ведет к IPSP в постсинаптическом сгибателе (F ) мотонейрон (окрашен в красный цвет). Функциональные последствия этого подавления прямой связи заключаются в уменьшении вероятности того, что двигательный нейрон-сгибатель станет активным и вызовет несоответствующее сгибание ноги.

Сходимость и расхождение

Упрощенная схема, опосредующая рефлекс растяжения, представлена ​​на рисунке 8. Однако правильное функционирование схемы рефлекса растяжения также зависит от конвергенции и расхождения. Один сенсор имеет несколько ветвей, которые расходятся и образуют синаптические связи со многими отдельными моторными нейронами (щелкните «Дивергенция»). Следовательно, когда мышца сокращается в результате нажатия невролога, это происходит потому, что несколько мышечных волокон активируются одновременно несколькими двигательными нейронами.Кроме того, когда мышца растягивается, активируется не один, а несколько сенсорных нейронов, и все сенсорные нейроны проецируются в спинной мозг, где они сходятся к отдельным моторным нейронам-разгибателям (нажмите «Конвергенция»). Итак, рефлекс растяжения возникает из-за комбинированных эффектов активации нескольких сенсорных нейронов и моторных нейронов-разгибателей.

Боковое торможение

Улучшение края.Боковое торможение очень важно для обработки сенсорной информации. Одним из примеров является явление в зрительной системе, называемое усилением краев. На рисунке 9 показаны две полосы: темно-серая полоса слева и светло-серая полоса справа. Хотя темная полоса и светлая полоса имеют одинаковую яркость по всему полю, при внимательном рассмотрении обнаруживается, что светло-серая полоса кажется несколько светлее на границе темно-серой полосы, чем в других областях поля.Напротив, темно-серая полоса на границе выглядит несколько темнее, чем в других областях темного поля. Это явление улучшения границ, которое помогает визуальной системе извлекать важную информацию из визуальных сцен. Усиление краев опосредуется, по крайней мере частично, боковым торможением в сетчатке.

Давайте сначала рассмотрим схему без бокового торможения (Рисунок 10, щелкните «Без бокового торможения»). Свет падает на сетчатку (Часть A), а его интенсивность можно описать ступенчатым градиентом (Часть B).Для упрощения предположим, что темно-серая область имеет интенсивность пяти единиц, а светло-серая область — десять единиц. Градиент света активирует фоторецепторы, и фоторецепторы создают синаптические связи с нейронами второго порядка. Предположим, что интенсивность света 5 единиц приводит к 5 всплескам / с, а интенсивность света 10 единиц приводит к 10 всплескам / с (Часть C) в фоторецепторах, и что синаптическая сила достаточна (здесь обозначена как +1) так что интенсивность света 5 единиц приводит к 5 импульсам / с, а интенсивность света 10 единиц приводит к 10 импульсам / с (Часть C) соответственно в нейронах второго порядка.Если никакой дальнейшей обработки информации не происходит, воспринимаемый градиент будет точно таким же, как градиент интенсивности света (часть B, красный след). Но это не то, что воспринимается, и латеральное торможение объясняет разницу.

Теперь рассмотрим расширенную схему с боковым торможением (нажмите «С боковым торможением»). Каждый из фоторецепторов устанавливает тормозные синаптические связи со своим соседним нейроном второго порядка. Сила подавления (обозначается -0.2) меньше силы возбуждения (пожертвовано +1). Прежде чем смотреть на границу, рассмотрите выход схемы в однородных областях каждого поля. Далеко справа от границы все клетки получают одинаковое возбуждение и одинаковое торможение. Без бокового торможения интенсивность света в 10 единиц произвела бы 10 импульсов в секунду в нейроне второго порядка. Но из-за тормозящей связи от соседних нейронов справа и слева выходная мощность снижается до 6 импульсов в секунду.То же самое верно для клеток далеко левее границы, но величина возбуждения меньше и, соответственно, величина торможения меньше. Ключевая обработка происходит на границе или краю. Обратите внимание, что нейрон справа от границы получает такое же подавление от нейрона справа от нее, но получает меньшее подавление от нейрона слева от него на другой стороне границы. Следовательно, он получает больше чистого возбуждения и имеет выходной сигнал 7 пиков / с, а не 6 пиков / с его соседа справа.Теперь посмотрите на нейрон слева от границы. Он получает слабое торможение от своего соседа слева, но более сильное торможение от своего соседа справа по другую сторону границы. Следовательно, он получает меньше чистого возбуждения и имеет выходную мощность 2 пика / с, а не 3 пика / с его соседа слева. Таким образом, в результате бокового торможения информация, передаваемая нервной системе, и воспринимаемый градиент будут версией исходной с усиленной границей или краем (рис. 10B)!

диапазонов Маха.Простая схема сетчатки с боковым торможением может объяснить феномен усиления краев. Этим также можно объяснить визуальную иллюзию, известную как полосы Маха. На рисунке 11 показан градиент светлых и темных вертикальных полос, поперек которых проходит тонкая горизонтальная линия. Похоже, что горизонтальная линия имеет неравномерное распределение интенсивности: она темнее в области светлых вертикальных градиентов и светлее в области темных вертикальных градиентов. Это зрительная иллюзия .Иллюзию можно раскрыть, поместив маску поверх вертикального градиента. (Нажмите «Play», чтобы добавить маску.) Теперь вы можете видеть, что горизонтальная полоса имеет равномерную интенсивность. В некоторых областях он воспринимается более темным, потому что клетки сетчатки, которые реагируют на более темную область горизонтальной полосы, сильно подавляются клетками, реагирующими на яркую область вертикальной полосы. Напротив, полоса воспринимается ярче в некоторых областях, потому что клетки сетчатки, которые реагируют на более светлую область горизонтальной полосы, только слабо ингибируются клетками, реагирующими на темную область вертикальной полосы.

Обратная связь / запрет повторения

Запрет обратной связи в микросхемах. Подавление обратной связи играет общую роль в гашении возбуждения через нейронную цепь. Классическим примером является клетка Реншоу в спинном мозге. Аксон ветви спинномозгового мотонейрона. Одна ветвь иннервирует мышцу, как описано ранее (например, рис. 7), а другая ветвь создает возбуждающую синаптическую связь с интернейроном, называемым клеткой Реншоу.Интернейрон, в свою очередь, подавляет двигательный нейрон, замыкая петлю. Другой пример подавления обратной связи обнаружен в гиппокампе. Пирамидные клетки СА3-типа создают возбуждающие связи с клетками корзины и обратную связь с клетками корзины, чтобы ингибировать клетки СА3. Термин повторяющееся ингибирование применяется к простым схемам подавления обратной связи, таким как цепь Реншоу в спинном мозге и цепь корзиночных клеток в гиппокампе.

Подавление обратной связи в наноцепях.Подавление обратной связи распространено не только во многих нейронных цепях; это также распространено в биохимических цепях. Здесь он может служить подложкой для генерации колебаний. Они могут охватывать несколько временных масштабов от секунд до дней в зависимости от молекулярных компонентов схемы.

Рис. 12. Данные Byrne, Canavier, Lechner, Clark and Baxter, 1996.

  1. Эндогенное взрывное поведение в нейронах.Идеализированный нейрон, описанный ранее в этой главе, молчал в отсутствие стимуляции (например, рисунок 3). Однако некоторые нейроны активируют потенциалы действия в отсутствие стимуляции, и в некоторых случаях паттерны возбуждения могут демонстрировать взрывной паттерн, в котором последовательные высокочастотные всплески активности сменяются периодами покоя. Такие нейронные свойства могут быть важны для создания ритмического поведения, такого как дыхание. На рисунке 12 показан пример записи нейрона беспозвоночного, имеющего эндогенный импульсный ритм.Этот конкретный нейрон называется параболическим всплеском, потому что характер интервалов между всплесками является длинным в начале и в конце цикла всплеска, но очень коротким в середине цикла. Клетка запускает всплеск потенциалов действия, а затем замолкает, но вскоре происходит еще один всплеск, и этот процесс продолжается бесконечно каждые десять-пятнадцать секунд. Взрыв происходит, даже если нейрон хирургическим путем удален из ганглия и помещен в культуру, чтобы не было синаптических связей с другими нейронами.Таким образом, для этого ритма не требуется нейронная сеть — она ​​эндогенная. Но это действительно связано с наноконтролем внутри клетки. На рисунке 13A показана очень упрощенная версия этой сети, в которой подчеркивается ключевой принцип работы. Критическим для этой сетевой функции является канал в мембрана (обозначена g SI ), проницаемая для Ca 2+ . Поскольку концентрация Ca 2+ относительно высока во внеклеточной среде и низка внутри клетки, Ca 2+ будет двигаться вниз по градиенту концентрации и тем самым деполяризует клетку.В конце концов, деполяризация достигает порога, и клетка начинает срабатывать. Обжиг приводит к дополнительному притоку Ca 2+ (зеленая стрелка) и накоплению Ca 2+ внутри клетки. Ключевым этапом является то, что накопление Ca 2+ подавляет (красная стрелка) дальнейший приток кальция и прекращает всплеск. Всплеск остается прекращенным, пока уровни внутриклеточного Ca 2+ остаются повышенными. Но уровни Ca 2+ не остаются повышенными надолго.Они восстанавливаются внутриклеточными буферами и удаляются из клетки с помощью насосов (I NaCa и I CaP ). Когда внутриклеточные уровни Ca 2+ снижаются, ингибирование канала снимается (растормаживание , ), и нейрон снова начинает деполяризоваться, и начинается новый всплеск. По сути, то, что мы видим здесь на уровне наносети, является повторением сети, препятствующей обратной связи (рис. 13B). Начальный процесс возбуждения приводит к активации тормозного процесса, который отключается, чтобы отключить процесс возбуждения.В такой сети возникнут колебания, если возбуждающее побуждение будет непрерывным, но тормозящий процесс ослабевает по своей эффективности.

  2. Рис. 14. По материалам Hastings et al., Nature Rev. Neurosci. , 2003.

    Циркадные ритмы.Второй пример подавления обратной связи — это наноцепь регуляции генов, лежащих в основе циркадных ритмов. Циркадный ритм позвоночных обусловлен работой группы нейронов в области мозга, называемой супрахиазматическим ядром, которая расположена чуть выше зрительного нерва. Эти нейроны оказывают сильное влияние как на высвобождение гормонов, таких как мелатонин, кортизол, так и на вегетативные функции, такие как температура тела (рис. 14). Несмотря на огромное влияние этого генератора, его работа сводится к очень простой схеме, и действительно, не к нейронной схеме, а к другой наноконтуре.Похоже, что основной механизм сохраняется у всех видов животных, включая человека. На рисунке 15 представлена ​​упрощенная принципиальная схема основных компонентов. При этом задействовано несколько генов, но основной механизм включает ген под названием на , где на соответствует периоду. Этот ген был впервые идентифицирован у плодовой мухи Drosophila , но также присутствует у позвоночных. Ген на приводит к продукции на матричной РНК. на мРНК покидает ядро ​​и попадает в цитоплазму, где приводит к синтезу белка PER.PER диффундирует или транспортируется обратно в ядро, где он репрессирует дальнейшую транскрипцию гена на . Концептуально эта система очень похожа на механизм разрывного нейрона, рассмотренный выше. Ген активируется, он производит сообщение и белок, а белковая обратная связь подавляет экспрессию гена. Но как цикл повторяется? Ключевым механизмом является деградация PER. Белок PER разлагается и разлагается в течение 24 часов.Так как белок PER разрушается, подавление или репрессия снимается (растормаживание), позволяя этому гену снова начать создавать информационную РНК и белок. Итак, как только этот цикл начинается, он повторяется снова и снова через 24 часа. Это основной механизм, лежащий в основе циркадных ритмов и мощного воздействия, которое они оказывают на ряд различных физиологических систем. По сути, все наши циркадные ритмы начинаются с сети подавления молекулярной обратной связи.

Запрет обратной связи в кольцевых цепях.Повторяющееся торможение может, по крайней мере в принципе, объяснить генерацию сложных двигательных паттернов, примером которых является передвижение на четвероногих ногах. Четвероногие животные интересны тем, что четвероногие способны не только двигать своими четырьмя ногами, но и генерировать различные типы циклов активности, называемые походками. На рисунке 16 показаны четыре аллюра. Первая панель — это прогулка (тап по собаке). Последовательность начинается с разгибания левой передней конечности. Затем следуют разгибания правой задней конечности, правой передней конечности и левой задней конечности.На рыси (вторая панель рисунка 16) (постукивание по собаке) левая передняя и правая задние конечности находятся в фазе друг с другом и на 180 градусов не совпадают по фазе с правой передней и левой задней конечностями. В связке (третья панель) (постукивание по собаке) левая передняя и правая передние конечности находятся в фазе, но на 180 градусов не совпадают по фазе с левой задней и задней задними конечностями. Галоп (четвертая панель) (постукивание по собаке) — вариант скачек, в котором есть небольшая разница фаз между правой и левой передними и задними конечностями.

Как нервная система генерирует эти походки? И нужны ли для каждой отдельные нейронные цепи? К сожалению, нейробиологи не знают ответов на эти вопросы, но поучительно изучить некоторые возможности. Это подход в области нейробиологии под названием Вычислительная и теоретическая нейробиология . Один из способов создания походки проиллюстрирован на рисунке 17. Возьмите четыре отдельных нейрона, каждый с эндогенной импульсной активностью, подобной тому, который показан ранее на рисунке 12, и назначьте активность в каждом из этих нейронов контролю конкретной конечности.Нейроны могут быть «запущены» так, чтобы у них были соответствующие фазовые соотношения для генерации походки, такие как граница, показанная на рисунке 16. Трудность будет заключаться в том, чтобы запустить нейроны точно в точное время. Другой проблемой могут быть небольшие «дрейфы» в колебательных периодах четырех независимых нейронов, которые со временем приведут к тому, что паттерн станет несогласованным (рис. 18). Эта собака не выиграет ни одной гонки и, вероятно, не сможет ходить.

Итак, очевидно, что нейроны должны быть связаны.Один из способов сделать это — использовать повторяющуюся цепь ингибирования, состоящую из четырех связанных нейронов, чтобы сформировать так называемую «кольцевую» цепь, где каждый нейрон в цепи имеет эндогенную импульсную активность, и каждый нейрон соединен с другим с помощью тормозной синаптической связи ( Рисунок 19A).

Рис. 19. По материалам Canavier, Butera, Dror, Baxter, Clark and Byrne, 1997.

Чтобы получить правильные фазовые соотношения для походок, вместо того, чтобы назначать нейрон 3 правую переднюю конечность, он назначается для управления правой задней конечностью, а нейрон 4 назначается для управления правой передней конечностью (a простой поворот схемы) (Рисунок 19Б).При реализации с помощью компьютерного моделирования эта единственная схема способна генерировать четвероногие ворота. Более того, одна и та же схема с небольшими изменениями свойств отдельных нейронов может генерировать каждую из четырех походок, показанных на рисунке 17 (рисунок 20).

Этот результат указывает на важный момент, касающийся нейронных сетей.Чтобы понять их, необходимо понимать не только топологию сети, но и природу связей между нейронами (являются ли они возбуждающими или тормозящими), а также свойства отдельных узлов (т. Е. нейроны). Кроме того, это моделирование иллюстрирует явление, называемое динамической реконфигурацией . Для генерации этих четырех разных походок не обязательно иметь четыре разные сети — все это можно сделать с помощью одной схемы.Фактическая схема, генерирующая четырехпедальную походку, более сложна, чем схема на рис. 19. Заинтересованный читатель может отсылать к недавнему обзору Оле Кейна (см. Дополнительную литературу).

Обратная связь / рекуррентное возбуждение

Периодическое возбуждение в наноцепях и микросхемах имеет решающее значение для процессов обучения и памяти. Обучение включает в себя изменения биофизических свойств нейронов и изменения синаптической силы. Накапливающиеся данные указывают на то, что положительная обратная связь внутри биохимических каскадов и генных сетей является важным компонентом для индукции и поддержания этих изменений.Более того, периодическое возбуждение обнаруживается по крайней мере в некоторых микросхемах, участвующих в процессах памяти. Яркий пример находится в области CA3 гиппокампа.

Рисунок 21. Изменено из Byrne and Roberts, 2009.

На рисунке 21 показаны основные характеристики рекуррентной возбуждающей цепи CA3. Шесть различных пирамидных нейронов гиппокампа обозначены как U , V , W , X , Y и Z .Каждый из этих нейронов получает синаптическую связь от пресинаптических нейронов, обозначенных a , b , c , d , e и f. Эти пресинаптические нейроны могут быть активными или неактивными: 0 и черный цвет представляют неактивный нейрон, а 1 и зеленый цвет указывают на активный. Важным аспектом этой схемы является то, что синаптические связи входного пути достаточно сильны, чтобы активировать (активировать) пирамидный нейрон, с которым они связаны.Например, если нейрон a активирован, будет активирован нейрон Z , который представлен как 1 на панели вывода. Эта топология — не что иное, как возбуждение с прямой связью. Взаимное возбуждение делает эту схему особенной. Например, нейрон Z и другие пирамидные нейроны имеют коллатерали аксонов, которые посредством обратной связи соединяются друг с другом. Но они не только устанавливают связь между собой. Каждый нейрон устанавливает связь с каждым из четырех других пирамидных нейронов в цепи.Таким образом, каждая пирамида получает сходящуюся информацию от всех других ячеек в сети, и, в свою очередь, выход каждого пирамидального нейрона расходится, чтобы установить синаптические связи со всеми другими пирамидными нейронами в цепи. (Следовательно, этот повторяющийся мотив возбуждения вложил в себя мотивы конвергенции и расхождения.) Матрица связности состоит из 36 элементов.

Чтобы эта сеть могла чему-либо научиться, в схему необходимо встроить правило обучения синаптической пластичности.Один из широко распространенных правил известен как Правило обучения Хебба . По сути, он утверждает, что синапс изменит свою силу, если этот синапс активен (то есть высвобождает передатчик) и в то же время активна постсинаптическая клетка. Комбинация этого правила обучения и повторяющегося возбуждающего контура приводит к некоторым интересным эмерджентным свойствам. Например, если нейрон Z активирован входом a, , сила его связи с самим собой (синапс 1 ) изменится, как показано зеленым синапсом на рисунке 21 (анимация находится в 2-секундном цикле, чтобы иллюстрируют контрольные и модифицированные синапсы).Однако синапс 1 не будет единственным синапсом, который будет усилен. Например, синапс 13 также будет усилен, потому что нейрон Z был активен в то же время, когда нейрон X был активирован входом c . Напротив, синапс 7 не усиливается, потому что нейрон Y не был активен в то же время, что и нейрон Z . Чистый эффект этой конвергенции и расхождения и правила обучения состоит в том, что исходный входной шаблон активности будет сохранен как изменения в элементах матрицы связности.Поэтому эта схема была названа сетью с автоматическим объединением . Важная концепция здесь заключается в том, что «память» находится не в каком-то одном синапсе; это , распределенные в сети .

Сводка

Значительный прогресс был достигнут в понимании того, как разные простые нейронные сети участвуют в обработке информации и опосредованном поведении. Возбуждение с прямой связью и торможение с прямой связью опосредуют рефлекторное поведение.Боковое торможение важно для усиления краев. Повторяющееся возбуждение — важный механизм памяти. Повторяющееся торможение может иметь важное значение для формирования локомоторного поведения. В этих микросхемах заложены сходимость и расхождение. Одни и те же типы сетевых мотивов воспроизводятся в биохимических и генных сетях.

Следующий уровень понимания находится на уровне нейронных сетей, которые опосредуют более сложные, так называемые функции мозга высшего порядка.Их понимание становится возможным благодаря использованию электрофизиологических и оптических методов записи и современных методов визуализации, таких как функциональная магнитно-резонансная томография (фМРТ) и диффузионно-тензорная визуализация (DTI) . ФМРТ позволяет исследователям идентифицировать области мозга, которые заняты когнитивными задачами, тогда как DTI позволяет визуализировать пути, связывающие одну область мозга с другой. Рисунок 22 (любезно предоставлено Тимом Элмором, доктором философии, отдел.из нейрохирургии, Медицинская школа Техасского университета в Хьюстоне) — вид сбоку человеческого мозга, показывающий пути, соединяющие корковые области, выявленные с помощью DTI !.

Рисунок 22. Предоставлено Тимом Элмором, доктором философии.

Распознавание объектов — это пример прогресса в понимании макросхем.Как показано на рисунке 23, обработка визуальной информации начинается в сетчатке, а затем затрагивает несколько областей коры, таких как затылочная кора и височная кора. Внутри этой макросхемы находятся модули, извлекающие информацию более высокого порядка. Предположительно, каждый модуль включает в себя сотни, если не тысячи отдельных микросхем. Задача на будущее — определить, как эти модули работают и как они взаимодействуют с другими модулями. Хотя соединения с прямой связью присутствуют, соединения с обратной связью и боковые соединения широко распространены.Задача огромна, но, возможно, достижению цели будет способствовать использование преимуществ того, что было изучено о принципах работы наносхем и микросхем. Чтобы понять макросхемы, необходимо знать больше, чем топологию сетевых соединений. Необходимо будет знать, как работает каждый модуль, и о динамике межмодульных соединений.

Рисунок 23.Из Феллемана и Ван Эссена, 1991.

Проверьте свои знания

Общие мотивы контуров, которые опосредуют рефлекс растяжения позвоночника, включают все следующие, ЗА ИСКЛЮЧЕНИЕМ:

A. Возбуждение с прямой связью

B. Ингибирование с прямой связью

C. Подавление обратной связи

D. Боковое ингибирование

E.Дивергенция

Общие мотивы контуров, которые опосредуют рефлекс растяжения позвоночника, включают все следующие, ЗА ИСКЛЮЧЕНИЕМ:

A. Возбуждение с прямой связью. Этот ответ НЕПРАВИЛЬНЫЙ.

B. Ингибирование с прямой связью

C. Подавление обратной связи

D. Боковое ингибирование

E. Дивергенция

Общие мотивы контуров, которые опосредуют рефлекс растяжения позвоночника, включают все следующие, ЗА ИСКЛЮЧЕНИЕМ:

А.Прямое возбуждение

B. Запрещение прямой связи. Этот ответ НЕПРАВИЛЬНЫЙ.

C. Подавление обратной связи

D. Боковое ингибирование

E. Дивергенция

Общие мотивы контуров, которые опосредуют рефлекс растяжения позвоночника, включают все следующие, ЗА ИСКЛЮЧЕНИЕМ:

A. Возбуждение с прямой связью

B. Ингибирование с прямой связью

С.Подавление обратной связи. Этот ответ НЕПРАВИЛЬНЫЙ.

D. Боковое ингибирование

E. Дивергенция

Общие мотивы контуров, которые опосредуют рефлекс растяжения позвоночника, включают все следующие, ЗА ИСКЛЮЧЕНИЕМ:

A. Возбуждение с прямой связью

B. Ингибирование с прямой связью

C. Подавление обратной связи

D. Боковое торможение. Ответ ПРАВИЛЬНЫЙ!

E.Дивергенция

Общие мотивы контуров, которые опосредуют рефлекс растяжения позвоночника, включают все следующие, ЗА ИСКЛЮЧЕНИЕМ:

A. Возбуждение с прямой связью

B. Ингибирование с прямой связью

C. Подавление обратной связи

D. Боковое ингибирование

E. Расхождение. Этот ответ НЕПРАВИЛЬНЫЙ.

Процесс, посредством которого нейрон суммирует синаптическое возбуждение и торможение, называется:

А.Пластичность

B. Интеграция

C. Конвергенция

D. Частотно-импульсная модуляция

E. Растормаживание

Процесс, посредством которого нейрон суммирует синаптическое возбуждение и торможение, называется:

A. Пластичность. Этот ответ НЕПРАВИЛЬНЫЙ.

B. Интеграция

C. Конвергенция

Д.Частотно-импульсная модуляция

E. Растормаживание

Процесс, посредством которого нейрон суммирует синаптическое возбуждение и торможение, называется:

А. Пластичность

B. Интеграция. Этот ответ ПРАВИЛЬНЫЙ!

C. Конвергенция

D. Частотно-импульсная модуляция

E. Растормаживание

Процесс, посредством которого нейрон суммирует синаптическое возбуждение и торможение, называется:

А.Пластичность

B. Интеграция

C. Конвергенция Этот ответ НЕПРАВИЛЬНЫЙ.

D. Частотно-импульсная модуляция

E. Растормаживание

Процесс, посредством которого нейрон суммирует синаптическое возбуждение и торможение, называется:

А. Пластичность

B. Интеграция

C. Конвергенция

Д.Частотно-импульсная модуляция. Этот ответ НЕПРАВИЛЬНЫЙ.

E. Растормаживание

Процесс, посредством которого нейрон суммирует синаптическое возбуждение и торможение, называется:

А. Пластичность

B. Интеграция

C. Конвергенция

D. Частотно-импульсная модуляция

E. Растормаживание Этот ответ НЕПРАВИЛЬНЫЙ.

Сетевой мотив, лежащий в основе циркадных ритмов:

А.Временное суммирование

B. Пространственное суммирование

C. Подавление обратной связи

D. Возбуждение обратной связи

E. Боковое торможение

Сетевой мотив, лежащий в основе циркадных ритмов:

A. Временное суммирование. Этот ответ НЕПРАВИЛЬНЫЙ.

B. Пространственное суммирование

C. Подавление обратной связи

Д.Возбуждение обратной связи

E. Боковое торможение

Сетевой мотив, лежащий в основе циркадных ритмов:

A. Временное суммирование

B. Пространственное суммирование. Этот ответ НЕПРАВИЛЬНЫЙ.

C. Подавление обратной связи

D. Возбуждение обратной связи

E. Боковое торможение

Сетевой мотив, лежащий в основе циркадных ритмов:

А.Временное суммирование

B. Пространственное суммирование

C. Запрет обратной связи. Ответ ПРАВИЛЬНЫЙ!

D. Возбуждение обратной связи

E. Боковое торможение

Сетевой мотив, лежащий в основе циркадных ритмов:

A. Временное суммирование

B. Пространственное суммирование

C. Подавление обратной связи

Д.Возбуждение обратной связи. Этот ответ НЕПРАВИЛЬНЫЙ.

E. Боковое торможение

Сетевой мотив, лежащий в основе циркадных ритмов:

A. Временное суммирование

B. Пространственное суммирование

C. Подавление обратной связи

D. Возбуждение обратной связи

E. Боковое торможение. Ответ НЕПРАВИЛЬНЫЙ.

Сеть с автоматической ассоциацией важна для:

А.Рефлексы

B. Улучшение кромки

C. Память

D. Передвижение

E. Нейронные колебания

Сеть с автоматической ассоциацией важна для:

A. Рефлексы. Этот ответ НЕПРАВИЛЬНЫЙ.

B. Улучшение кромки

C. Память

D. Передвижение

E. Нейронные колебания

Сеть с автоматической ассоциацией важна для:

А.Рефлексы

B. Улучшение кромки Этот ответ НЕПРАВИЛЬНЫЙ.

C. Память

D. Передвижение

E. Нейронные колебания

Сеть с автоматической ассоциацией важна для:

А. Рефлексы

B. Улучшение кромки

C. Память Этот ответ ПРАВИЛЬНЫЙ!

D. Передвижение

E.Нейронные колебания

Сеть с автоматической ассоциацией важна для:

А. Рефлексы

B. Улучшение кромки

C. Память

D. Передвижение. Этот ответ НЕПРАВИЛЬНЫЙ.

E. Нейронные колебания

Сеть с автоматической ассоциацией важна для:

А. Рефлексы

Б.Улучшение края

C. Память

D. Передвижение

E. Нейрональные колебания. Этот ответ НЕПРАВИЛЬНЫЙ.

Пожертвования Neuroscience Online помогут профинансировать разработку новых функций и контента.

Автоматическое обнаружение типов клеток и микросхем на основе нейронной коннектомики

Эрик Джонас

1 Департамент электротехники и компьютерных наук, Калифорнийский университет, Беркли, Беркли, США

Конрад Кординг

2 Департамент физики Медицина и реабилитация, Северо-Западный университет, Чикаго, США

3 Кафедра физической медицины и реабилитации Чикагского института реабилитации, Чикаго, США

4 Кафедра физиологии Северо-Западного университета, Чикаго, США

Frances К. Скиннер, редактор-рецензент

Фрэнсис К. Скиннер, Университетская сеть здравоохранения и Университет Торонто, Канада;

1 Кафедра электротехники и информатики, Калифорнийский университет, Беркли, Беркли, США

2 Кафедра физической медицины и реабилитации, Северо-Западный университет, Чикаго, США

3 Кафедра физической Медицина и реабилитация, Реабилитационный институт Чикаго, Чикаго, США

4 Кафедра физиологии Северо-Западного университета, Чикаго, США

Поступила в редакцию 5 августа 2014 г .; Принята в печать 24 марта 2015 г.

Эта статья распространяется в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование и распространение при условии указания автора и источника. Эта статья цитируется в других статьях PMC.

Abstract

Нейронная коннектомика начала производить огромные объемы данных, что требует новых методов анализа для обнаружения биологической и вычислительной структуры. Долгое время считалось, что открытие типов нейронов и их связи с микросхемами имеет решающее значение для понимания нейронной функции.Здесь мы разработали непараметрический байесовский метод, который определяет типы нейронов и паттерны микросхем в данных коннектомики. Он объединяет информацию, традиционно используемую биологами, принципиальным и вероятностно связным образом, включая связь, расположение тела клетки и пространственное распределение синапсов. Мы показываем, что этот подход восстанавливает известные типы нейронов в сетчатке глаза и позволяет предсказывать связность лучше, чем более простые алгоритмы. Он также может выявить интересную структуру нервной системы Caenorhabditis elegans и старого рукотворного микропроцессора.Наш подход извлекает структурное значение из коннектомики, позволяя использовать новые подходы к автоматическому извлечению анатомической информации из этих новых наборов данных.

DOI: http://dx.doi.org/10.7554/eLife.04250.001

Исследовательский организм: C. elegans , мышь

eLife digest

Человеческий мозг состоит из миллиардов нейронов, которые организованы в сети через триллионы подключений. Изучение природы этих связей будет иметь ключевое значение для понимания того, как работает мозг.В последние годы ряд новых методов визуализации мозга позволил визуализировать и сопоставить эти связи, генерировать поразительные изображения и создать дополнительную область нейробиологии, известную как «коннектомика».

Однако огромный объем данных, генерируемых коннектомикой, сейчас начинает превышать возможности исследователей по их анализу. Подобно тому, как появление секвенирования генома потребовало разработки статистических методов для анализа полученных данных, появление коннектомики создало потребность в столь же мощных математических моделях в нейробиологии.

Джонас и Кординг разработали один такой алгоритм, который может классифицировать составные части схем, как биологических, так и искусственных, и определять связи между ними. Применительно к данным коннектомики 950 нейронов сетчатки глаза мышей алгоритм генерировал прогнозы относительно типов клеток и паттернов связности. Предсказанные типы клеток полностью совпадали с теми, которые были идентифицированы нейроанатомами. Результаты были столь же убедительными, когда алгоритм был применен к нервной системе нематодного червя и генетической модели организма Caenorhabditis elegans , и даже когда его попросили классифицировать электронные компоненты и схемы связи в созданном человеком микропроцессоре.

Алгоритмы, подобные алгоритму, разработанному Джонасом и Кордингом, скоро станут важными для понимания огромных объемов данных, полученных в результате коннектомных исследований человеческого мозга. В настоящее время для анализа 950 нейронов требуется несколько часов, поэтому перед анализом более крупных наборов данных от людей, вероятно, потребуются уточнения, которые сделают процесс быстрее. Такие алгоритмы откроют ряд возможностей для изучения структуры здорового мозга, а также изменений, вызванных аномалиями развития и заболеваниями.

DOI: http://dx.doi.org/10.7554/eLife.04250.002

Введение

Новые методы коннектомики (Zador et al., 2012; Morgan and Lichtman, 2013) обещают количественно определить местоположение и связность каждого нейрона в ткани. объем. Эти массивные наборы данных намного превзойдут возможности нейроанатомов по отслеживанию небольших цепей вручную, что потребует вычислительных, количественных и автоматических методов для понимания структуры нейронных цепей.Влияние такого рода перехода с высокой пропускной способностью было замечено и раньше — развитие методов секвенирования потребовало разработки новых вычислительных методов для понимания геномной структуры, что сделало биоинформатику независимой дисциплиной (Koboldt et al., 2013).

Мозг состоит из нескольких типов нейронов, каждый из которых, как предполагается, играет определенную роль в общих вычислениях. Типы нейронов различаются по многим параметрам, например химическим или морфологическим, но они также различаются по способу соединения друг с другом (Seung and Sümbül, 2014).Фактически, идея четко определенных, зависящих от типа моделей локальной связи (микросхем) имеет долгую историю (Passingham, 2002) и заметна во многих областях, от сенсорной (например, сетчатки; Masland, 2001) до обработки (например, , neocortex; Mountcastle, 1997) на движение (например, спинной мозг; Grillner et al., 2005). Эти типы повторяющихся вычислительных шаблонов являются общей чертой вычислительных систем, даже встречающейся в искусственных вычислительных схемах. По-прежнему важной проблемой остается разработка алгоритмов для использования анатомических данных на основе связности (коннектомики) для автоматического отката лежащих в основе микросхем.

Открытие структуры — важный аспект сетевой науки. Ранние подходы были сосредоточены на глобальных свойствах графа, таких как типы масштабирования, присутствующие в сети (Watts and Strogatz, 1998). Хотя этот подход ведет к пониманию глобальной сети, более поздние работы направлены на идентификацию очень мелкомасштабных повторяющихся паттернов или мотивов в сетях (Milo et al., 2002). Эти мотивы определяются не между разными типами узлов, а скорее представляют собой повторяющиеся образцы топологии.

Обнаружение структуры в вероятностных графах — хорошо известная проблема в машинном обучении. Обычно используемые алгоритмы включают методы обнаружения на уровне сообщества (Girvan and Newman, 2002) и стохастические блочные модели (Nowicki and Snijders, 2001). Хотя эти подходы могут включать вероятностную природу нейронных связей (Hill et al., 2012), они не включают дополнительную более богатую структуру, присутствующую в данных коннектомики — расположение тел клеток, пространственное распределение синапсов и расстояния между нейронами. .Особенно важно то, что вероятность связей имеет сильный пространственный компонент, фактор, который трудно согласовать со многими другими методами. Модель, пытающаяся полностью уловить изменения в нервной системе, должна учитывать широкий набор доступных функций.

Когда дело доходит до нейробиологии и других компьютерных систем, мы ожидаем, что паттерны связи намного сложнее традиционных мотивов, демонстрируя сильную пространственную зависимость, возникающую из сложных генетических, химических и основанных на деятельности процессов нейронного развития.

Чтобы решить эти проблемы, здесь мы описываем байесовскую непараметрическую модель, которая может автоматически обнаруживать структуру схемы из данных коннектомики: типы клеток, их пространственные паттерны взаимосвязи, а также расположение сомат и синапсов. Мы показываем, что, включив эту дополнительную информацию, наша модель точно предсказывает связь, а также согласуется с человеческими нейроанатомами в отношении идентификации типов клеток. Мы вдохновляемся предыдущей работой по автоматическому определению типов клеток по морфологии (Guerra et al., 2011) и электрофизиологии (Druckmann et al., 2013).

Мы в первую очередь сосредотачиваемся на недавно выпущенном коннектоме сетчатки мышей (Helmstaedter et al., 2013), но дополнительно исследуем коннектом Caenorhabditis elegans (White et al., 1986). Сравнение типов клеток, обнаруженных алгоритмами, с типами клеток, полученными вручную анатомами-людьми, показывает высокую степень согласия. Таким образом, мы представляем масштабируемый вероятностный подход к выводу микросхем на основе данных коннектомики, доступных сегодня и в будущем.

Модель

Мы строим структурированную вероятностную модель, которая начинается с общего представления о клетке, являющейся членом одного типа, и эти типы влияют на глубину сомы, распределение синапсов, а также на тип клетки и связь, зависящую от расстояния. вероятность. Например, ганглиозные клетки сетчатки могут синапсировать с соседними, но не очень далекими амакриновыми клетками, при этом биполярные клетки четко тесселируют пространство и синапсируют оба. Говоря языком машинного обучения, наш метод является неконтролируемым — он стремится обнаруживать структуру данных и делать прогнозы в отсутствие обучающих данных.Вместо того, чтобы брать примеры типов, аннотированных человеческими нейроанатомами, мы вместо этого начинаем с самого слабого из возможных предположений в попытке алгоритмически обнаружить эту структуру. Мы сравниваем это с контролируемыми подходами, принятыми в Guerra et al. (2011), где существует высокая степень уверенности в (морфологически определенных) типах, а затем создается контролируемый классификатор, поскольку нашей целью здесь является явное обнаружение типов.

На основе этих предположений (априорных значений) мы разрабатываем генеративную байесовскую модель, которая оценивает основные типы клеток и то, как они соединяются.Мы берем в качестве входных данных () матрицу связности ячеек (), матрицу расстояния между ячейками (), глубину сомы для каждой ячейки () и профиль глубины синапсов ячейки (). Мы выполняем совместный вероятностный вывод, чтобы автоматически узнать количество типов ячеек, какие ячейки к какому типу принадлежат, их связность, зависящую от типа, и то, как связи между типами меняются с расстоянием. Мы также одновременно изучаем глубину сомы, связанную с каждым типом, и типичный профиль синаптической плотности ().

Получение схем и типов ячеек из данных коннектомики.

( A ) В качестве входных данных мы берем связь между ячейками ( B ), расстояние между ними ( C ), глубину тел клеток ( D ) и профиль глубины синапсов. ( E ). ( F ) Наш алгоритм обнаруживает скрытые типы ячеек в этих данных о подключении, предполагая, что все ячейки одного типа имеют общий профиль взаимосвязи, зависящий от расстояния, аналогичную глубину и аналогичный профиль синаптической плотности с ячейками других типов.Это приводит к кластеризации ячеек по этим скрытым типам. ( F ) Показывает матрицу связности ячеек с ячейками одного типа, сгруппированными вместе. ( G ) Показывает изученную вероятность соединения (p (conn)) между нашими разными типами на разных расстояниях — в этом случае ячейки, вероятно, соединятся, когда они находятся рядом. ( H ) Показывает вероятность соединения (p (conn)) между двумя типами ячеек, которые очень редко соединяются — существует фоновая «базовая» скорость соединения для учета ошибок в данных, но вероятность очень мала.( I ) Показывает, что мы также восстанавливаем ожидаемую ламинарность типов и зависящую от глубины ( J ) синаптическую связность. ( K ) Затем мы строим график, как связь между этими типами изменяется в зависимости от расстояния между телами клеток, чтобы лучше понять паттерны связи на ближнем и дальнем расстоянии.

DOI: http://dx.doi.org/10.7554/eLife.04250.010

Мы начнем с модели подключения, iSBM (Kemp et al., 2006; Xu et al., 2006), что было показано для осмысленных графов соединений кластеров при изучении количества скрытых групп или типов. Мы расширяем этот подход, добавляя зависимость от расстояния для моделирования основных аспектов микросхем с помощью логистических и экспоненциальных функций связи расстояния. Мы формируем унимодиальную модель глубины тела клетки и мультимодальную модель профиля плотности синапсов (математические подробности см. В разделе «Материалы и методы»).

В качестве наглядного примера рассмотрим сеть только с тремя типами ячеек, обозначенными A, B и C.Предположим, что эти ячейки равномерно распределены в пространстве и что вероятность соединения между любыми двумя ячейками, c i и c j , зависит только от их типа и расстояния, согласно логистическая (сигмоидальная) функция. Пусть A соединяется только с соседними ячейками B и C, но B соединяется с любой C независимо от расстояния. Это предварительная интуиция, которую призвана уловить наша модель.

Для базовой модели расстояния связи мы берем в качестве входных данных матрицу связности R , определяющую связи между ячейкой e i и e j , а также функцию расстояния d ( e i , e j ), представляющее (физическое) расстояние между соседними ячейками.См. Дополнительные материалы для расширения нескольких матриц связности. Мы предполагаем, что существует неизвестное число K латентных (ненаблюдаемых) типов ячеек, k ∈ {1, 2, 3,…, K }, и что каждая ячейка e i принадлежит одиночный тип клетки. Мы указываем, что ячейка e i имеет тип k , используя вектор присваивания ( c ), поэтому c i = k .Наблюдаемая связь между двумя ячейками R ( e i , e j ) в таком случае зависит только от их скрытого типа и их расстояния через функцию связи f (⋅, d ( e i , e j )). Мы предполагаем, что f параметризовано на основе скрытого типа, c i = m и c j = n , через параметр η mn , а также набор глобальных гиперпараметров θ , так что функция связи имеет вид f ( d ( e i , e j ) | η мин , θ ).

Затем мы совместно выводим апостериорное распределение вектора присвоения классов ( c ) = { c i }, матрицу параметров η mn и гиперпараметры глобальной модели θ :

p (c, η, θ | R) ∝∏i, jp (R (ei, ej) | f (d (ei, ej) | ηcicj), θ) ∏m, np (ηmn | θ) p (θ) p (c | α) p (α) p (θ).

(1)

В нашем последующем анализе используется как полное апостериорное распределение по этим параметрам, так и наиболее вероятная или максимальная апостериорная (MAP) оценка.

Затем для данных сетчатки мы расширяем модель указанными дополнительными функциями. Глубина сомы моделируется как гауссово распределение, зависящее от типа клеток, с латентным (неизвестным) средним и дисперсией по типам. Точно так же каждая ячейка имеет некоторое количество N i синапсов, каждый из которых извлекается из профиля плотности, зависящего от типа ячейки, с максимум тремя режимами.

Логический вывод выполняется через MCMC через три составляющих ядра перехода — одно для структурных, одно для параметров каждого типа и одно для глобальных параметров и гиперпараметров.Подробную информацию о предварительной обработке данных, параметрах вывода и времени выполнения можно найти в разделе «Методы».

Метрики

Чтобы оценить качество соответствия модели, нам необходимо использовать информацию, которая количественно определяет аспекты данных, для которых у нас есть достоверная информация. Мы сосредоточены на двух аспектах производительности. Во-первых, если модель работает хорошо, то вероятность того, что пара нейронов одного типа, должна быть высокой, если на самом деле нейроны одного типа. Во-вторых, модель должна назначать высокую вероятность соединения между двумя ячейками, если у них есть связь в базовых данных.Мы называем эти два фактора точностью кластеризации и точностью предсказания канала.

Чтобы оценить точность кластеризации по сравнению с точностью, определенной нейроанатомами, мы используем три показателя — однородность кластеризации, полноту кластеризации и ARI. Все показатели равны 1.0, когда две кластеризации полностью совпадают. Однородность отражает степень, в которой найденный кластер или тип содержит только один истинный тип. Полнота измеряет, сколько истинного типа содержится в одном идентифицированном типе — полнота 1.0 означает, что ни один истинный тип не разбивается на несколько подтипов. ARI — это показатель, отражающий оба показателя (дополнительную информацию см. В дополнительном материале).

Чтобы оценить точность модели для соединений, мы используем точность прогнозирования ссылок. Если наша модель точно отражает истинную структуру данных, она должна хорошо предсказывать наличие ссылки. Таким образом, мы обучаем модель на данных с подмножеством ссылок, отмеченных как ненаблюдаемые, и таким образом вычисляем нашу точность прогнозов. Мы выполняем 10-этапную перекрестную проверку на заданном наборе данных (Guerra et al., 2011), изучите полученную модель и используйте ее для прогнозирования отсутствующих синапсов. Каждой потенциальной связи между ячейками назначается вероятность, и мы вычисляем AUC для результирующей кривой ROC. AUC 1,0 означает, что мы идеально предсказываем наличие и отсутствие отсутствующих синапсов. Мы используем точность прогнозирования ссылок, чтобы количественно оценить, насколько хорошо модель обнаруживает базовые возможности подключения.

Результаты

Сначала мы установим, что наш алгоритм работает правильно, и попытаемся понять его свойства, используя смоделированные данные.В дальнейшем мы подробно разберем датасет по сетчатке. Наконец, мы кратко обсудим анализ данных от червя C. elegans и от старого рукотворного микропроцессора.

Проверка на смоделированных данных, достоверность которых известна

Для проверки нашей модели мы выполнили серию симуляций, чтобы проверить, может ли модель точно восстановить истинную базовую структуру сети и идентичность типа ячеек. Таким образом, мы моделируем данные, для которых нам известна правильная структура, и сравниваем расчетную структуру на основе алгоритма (см. «Материалы и методы») с тем, который мы использовали для моделирования.Мы обнаружили, что модель хорошо справляется с восстановлением правильного количества типов ячеек (), идентификаторов ячеек () и пространственной протяженности каждого типа (). Для сравнения мы показываем результаты, используя вместо нее бесконечную стохастическую блочную модель (iSBM) ​​(, черная линия), которая предполагает, что имеет значение только тип ячейки, и, таким образом, находит небольшие окрестности связанных узлов (вместо глобальных шаблонов связности). Этот контраст показывает, что, хотя обычная блочная модель не может правильно работать с зависимостью от расстояния, наша модель может.Наша модель относительно быстро сходится (см. «Смешивание цепей Маркова») к оценке наиболее вероятных значений для типов ячеек, что обеспечивается за счет использования комбинации моделирования отжига и распараллеливания цепей Маркова методом Монте-Карло (MCMC) (см. Материалы и методы »подробнее). Таким образом, наша модель, по крайней мере, является многообещающей для применения в наборах биологических данных.

Правильное восстановление истинного количества скрытых типов в синтетических данных при включении пространственной информации.

( A ) Бесконечная стохастическая блочная модель (которая использует только информацию о связности) переоценивает количество классов, поскольку не принимает во внимание расстояние, тогда как наше моделирование комбинации расстояния и связности находит близкое к истинному количество классов.Conn: возможность подключения; dist: расстояние. ( B ) По мере того, как мы увеличиваем истинное количество типов, наш метод продолжает находить правильную кластеризацию (измеряемую скорректированным индексом Рэнда, ARI), тогда как бесконечная стохастическая блочная модель (iSBM) ​​перекрывает кластеры и, таким образом, плохо соответствует истине. ( C ) Мы исследуем пространственную протяженность (размер) обнаруженных типов (кластеров), измеряя двумерное стандартное отклонение местоположения ячеек. Ось ординат показывает, какая часть обнаруженных типов имела данную пространственную протяженность.Без учета расстояния мы идентифицируем большое количество небольших пространственно-локализованных типов. С расстоянием мы видим правильное восстановление пространственной протяженности каждого типа.

DOI: http://dx.doi.org/10.7554/eLife.04250.003

Несоответствие модели

Далее мы проанализируем, как наша модель работает в случаях, когда данные генерируются с предположениями, отличными от наших. Чтобы понять свойства нашей модели, мы попытаемся сделать вывод о связности на четырех наборах синтетических данных.Это помогает нам понять, что будет делать наша модель, если данные не соответствуют нашим предположениям.

Таким образом, мы генерируем 10 наборов синтетических данных из каждой из четырех существующих моделей. Стохастическая блочная модель, зависящая от расстояния, предполагает, что тип зависит от расстояния, традиционная стохастическая блочная модель не имеет понятия расстояния, смешанная блочная модель членства предполагает, что тип является комбинаторным, а кластерная модель со скрытой позицией предполагает, что тип кластеризован, но непрерывен.

Если данные взяты из нашей модели, то логический вывод в соответствии с нашей моделью, что неудивительно, хорош по всем параметрам.Он правильно оценивает количество типов клеток, хорошо предсказывает связность (большая площадь под кривой, AUC), согласуется с человеческой классификацией (индекс Рэнда), обнаруживает все типы и приводит к однородным оценкам (, первая строка) . Если данные поступают из блочной модели без зависимости от расстояния, мы видим, что она по-прежнему хорошо работает по всем значимым показателям (, вторая строка). Это неудивительно, поскольку наша модель учитывает зависимость от расстояния, даже ее отсутствие. Для модели смешанного членства (третья строка) модель сильно переоценивает количество типов, в основном выделяя тип для каждой комбинации членства.В остальном он по-прежнему работает относительно хорошо. Наконец, для модели кластеризации скрытых позиций (, четвертая строка) модель работает плохо. Если тип является непрерывным, а не дискретным, то наша модель в основном пытается охватить непрерывный набор дискретным сценарием, приводящим к довольно низкой производительности. Однако, поскольку мы действительно ожидаем, что типы клеток будут иметь дискретную биологическую основу, мы можем ожидать, что наша модель будет хорошо работать с реальными данными.

Модельные выводы, когда истинная генерирующая модель отличается от нашей предыдущей дистанционно-блочной модели.

Горизонтальные столбцы показывают результаты с синтетическими данными, сгенерированными согласно зависимой от расстояния стохастической блочной модели, не зависящей от расстояния стохастической блочной модели, смешанной блочной модели членства и кластерной модели скрытого положения. Во всех случаях гистограммы представляют собой апостериорное распределение по указанной метрике. ( A ) Количество типов, найденных моделью; вертикальная пунктирная линия указывает «истинный» номер типа (не применимо к модели смешанного членства).( B ) Площадь под кривой рабочей характеристики приемника (ROC), указывающая на точность прогнозирования линии связи. ( C , D , E ) Метрики кластеризации, количественно определяющие степень соответствия типа с известной достоверностью.

DOI: http://dx.doi.org/10.7554/eLife.04250.004

Чувствительность к краевым эффектам

Коннектомные усилия до сих пор реконструировали только небольшие участки нервной ткани. Следовательно, многие связи с клетками за пределами этого объема ткани будут потеряны.Мы обеспокоены тем, что это избирательное исключение возможности соединения вдоль границы может создать видимость связи, зависящей от расстояния, когда ее нет. Таким образом, мы выполнили моделирование, чтобы проверить, могут ли краевые эффекты разрушить пространственную структуру и могут ли краевые эффекты создать искусственную ложную пространственную структуру. Мы измеряем степень, в которой эффекты, зависящие от расстояния, могут возникать при выборе регионов, размер которых меньше «масштаба» связи (). Мы делаем это, создавая две коллекции синтетических наборов данных — одну с возможностью подключения, зависящей от расстояния, и одну без нее.Затем в каждом наборе данных мы случайным образом исследуем смежные круглые области с площадью, изменяющейся от нуля до всего объема, и эмпирически вычисляем пространственную дисперсию в зависимости от типа связности. Мы обнаружили, что при отсутствии зависимости от расстояния краевые эффекты не вводят искусственно зависимость от расстояния. Однако, если исследуемый участок слишком мал, наша модель может пропустить зависимость от расстояния. Таким образом, в отношении вывода о связности, зависящей от расстояния, наша модель проявляет осторожность.Но мы также обнаружили, что для пространственного экстента, аналогичного доступным в настоящее время наборам данных, влияние этого весьма ограничено.

Два набора сгенерированных синтетических данных, один с пространственно-зависимой связью, а другой без.

Мы измеряем дисперсию на графике связности-расстояния для случайно выбранных регионов каждого набора данных, от отдельных ячеек до всего объема. Мы видим, что, хотя выбор слишком маленького региона может разрушить видимость связи, зависящей от расстояния, он не создает ее в непространственных данных.

DOI: http://dx.doi.org/10.7554/eLife.04250.005

Типы обучения и схемы в сетчатке

Сетчатка мыши (Masland, 2001) — это нейронная цепь, которая, как мы ожидаем, будет иметь шаблоны связи, которые хорошо аппроксимируются наша генеративная модель. Известно, что существует несколько классов клеток, которые можно в общих чертах сгруппировать в: ганглиозные клетки, передающие информацию остальной части мозга; биполярные клетки, соединяющие разные клетки; и амакриновые клетки, которые питаются ганглиозными клетками.Недавнее исследование (Helmstaedter et al., 2013) произвело большой набор данных, содержащий как типы ячеек из ортогональных подходов, так и матрицу связности между всеми реконструированными ячейками ().

Обнаружение классов клеток в коннектоме сетчатки глаза мыши.

Здесь мы показываем максимальную апостериорную оценку (MAP) для типов в данных сетчатки мыши. ( A ) Введите данные о связности для 950 клеток, для которых были известны положения сомы. ( B ) Матрица кластерной связи; каждый произвольный цвет соответствует одному типу и будет использоваться для идентификации этого типа в оставшейся части графика.( C ) Пространственное распределение наших типов ячеек — каждый тип ячеек тесселяет пространство. Цвета соответствуют цветам в ( B ). ( D ) Связность между нашими кластерами как функция расстояния — кластер, состоящий в основном из ганглиозных клеток сетчатки (коричневые узлы на графике), демонстрирует ожидаемые ближние и дальние связи. Conn prob: вероятность подключения.

DOI: http://dx.doi.org/10.7554/eLife.04250.006

Алгоритму потребовалось 8 часов, чтобы выполнить вывод, разделив нейроны на набор типов клеток, которые отражают известные нейроанатомические различия (показан результат MAP).Для каждой пары нейронов существует определенная зависящая от расстояния вероятность соединения (), которая хорошо аппроксимируется подгонкой модели. Более того, каждый тип клетки довольно изотропно распределен в пространстве (), как и следовало ожидать для истинных типов клеток.

Сравнение результатов алгоритма с другими источниками информации позволяет оценить качество определения типа. Наши типы точно отражают (определенную анатомом) сегментацию клеток на ганглии сетчатки, узкие амакриновые, средние / широкие амакриновые и биполярные клетки ().Мы обнаружили, что типы, которые мы находим, имеют тенденцию отражать известное ламинарное распределение в сетчатке (), а также известные профили синаптической плотности.

Визуализация неопределенности вывода типа.

Наша полностью байесовская модель дает достоверную оценку (апостериорную вероятность) того, что любые две заданные клетки относятся к одному и тому же типу. В ( A ) мы визуализируем эту матрицу совмещения ячеек, показывающую вероятность того, что ячейка i имеет тот же тип, что и ячейка j, в диапазоне от 0,0 до 1,0. В блочной структуре показаны подмножества ячеек, которые, как считается, принадлежат к одному типу.Для сравнения ( B ) показывает определенный анатомом тип для каждой клетки, сгруппированный по грубым типам, указанным на предыдущей панели. ( C ) Связь с точностью кластера. ( D ) Кривые апостериорного распределения рабочих характеристик приемника (ROC) из 10-кратной перекрестной проверки при прогнозировании возможности подключения, а также ( E ) площадь под кривой (AUC) и ( F ) типовые соглашения с известными типами нейроанатомов. ARI: скорректированный индекс Rand.Сравнение моделей, показывающее использование типов, обнаруженных человеком, с информацией о расстоянии и без нее, а также наша модель, включающая только связность, связь и расстояние или связность, расстояние и синаптическую глубину (а также альтернативную модель кластера скрытого положения, см. Текст) . ( G ) Сравнение точности прогноза (AUC) анатомических данных, помеченных вручную, с включением дополнительных источников информации, а также точности кластеризации. Обратите внимание, что наша модель приносит в жертву очень небольшую точность прогнозов ради дополнительной точности кластеризации.Для сравнения, обычные методы терпят неудачу в одном или обоих. ARI: скорректированный индекс Rand. ( H ) Пространственная протяженность (по глубине и площади) типов, идентифицированных людьми, и наших различных алгоритмических подходов.

DOI: http://dx.doi.org/10.7554/eLife.04250.007

Алгоритм дает разделение нейронов на меньшее количество типов, чем полностью детализированный список 71 типа, найденный первоначальными авторами статьи (Helmstaedter et al. ., 2013), хотя он все еще сильно коррелирует с этими более тонкими различиями типов (см. Раздел «Сетчатка мыши»).Мы ожидаем, что с более крупными наборами данных будет найдено еще более тесное согласие.

Наша полностью байесовская модель дает распределение по вероятным кластерам. показывает это апостериорное распределение как матрицу совмещения ячеек, отсортированную для нахождения максимальной блочной структуры. Каждый большой темный блок представляет собой набор клеток, которые, как считается, с большой вероятностью принадлежат к одному типу. Когда мы наносим на график () типы клеток, полученные от анатомов, слева, мы видим, что каждый блок состоит из примерно однородного набора типов.

Мы оцениваем нашу модель по трем наборам параметров (): насколько близко наша кластеризация согласуется со знаниями нейроанатомов? Учитывая две ячейки, насколько точно наша модель может предсказать связь между ними? И насколько близко пространственная протяженность (внутри слоя) идентифицированных нами типов согласуется с пространственной протяженностью типов, идентифицированных нейроанатомами?

Для нашей модели мы показываем кривую рабочей характеристики приемника (ROC) (), которая показывает, как соотносятся истинные и ложные положительные результаты.Построим апостериорное распределение площади под этой кривой в. Затем мы строим апостериорное распределение для показателей согласованности кластеров — полноты, однородности и скорректированного индекса Рэнда (ARI) (). Мы видим, что наша модель имеет тенденцию к чрезмерному кластеризации — клетки, которые относятся к определенному типу (с максимальной степенью детализации типа, идентифицированного нейроанатомом), сгруппированы нашей моделью как один тип.

Мы сравниваем точность предсказания ссылок между методами, включая наш собственный (, AUC, красный). Мы обнаружили, что с учетом набора данных многие методы обеспечивают хорошую точность прогнозирования ссылок.Все методы позволяют прилично предсказывать ссылки с AUC в диапазоне 0,9. Однако наш алгоритм явно превосходит простые статистические модели, в которых используется только возможность подключения.

В качестве второй меры мы сравниваем точность прогнозирования ссылок между методами (, ARI, синий). Мы обнаружили, что наш алгоритм намного превосходит элементы управления. Мы также обнаружили, что, когда он основан на большей части той же информации, используемой анатомами, тогда он лучше соглашается с этими анатомами. В частности, использование связности, расстояния, распределения синапсов и глубины сомы приводит к самому высокому ARI.При использовании доступной информации алгоритм хорошо согласуется с суждениями анатомов-людей.

Наконец, мы смотрим на пространственную протяженность обнаруженных типов как внутри слоя, так и между слоями (). Мы видим, что в отсутствие информации о расстоянии простая информация о связности приводит к типам, которые охватывают только небольшую область пространства — по сути, локальные клики. Включение информации о расстоянии приводит к появлению типов, охватывающих весь экстент слоя. Разброс по глубине для всех моделей по-прежнему значительно больше, чем предсказывали анатомы-люди — будущие направления работы включают попытки более строго кодировать это априорное убеждение в ламинарности.

Восстановление пространственной связности в нескольких графах одновременно

Продемонстрировав, как наша модель работает с повторяющейся мозаичной ламинарной структурой сетчатки млекопитающих, мы затем применяем нашу модель к очень разному по структуре коннектому — всему телу небольшого круглого червя: C. elegans представляет собой модельную систему в нейробиологии развития (White et al., 1986), в которой расположение и связь каждого из 302 нейронов определены в процессе развития, что приводит к раннему измерению коннектома.В отличие от сетчатки, только двигательные нейроны в C. elegans обнаруживают регулярное распределение в пространстве — вдоль оси тела. Большинство интернейронов сосредоточено в различных ганглиях, которые проецируются по всему животному, а сенсорные нейроны в основном расположены в небольшом количестве передних ганглиев. C. elegans также отличается от сетчатки тем, что измеренный коннектом на самом деле представляет собой два отдельных графика: один — направленных химических синапсов, а другой — неориентированных электрических синапсов.Поскольку это совершенно другой коннектом, он позволяет провести интересный обобщающий тест: насколько хорошо наша модель будет работать с таким отдельным набором данных?

Используя химическую и электрическую связь (см. «Материалы и методы»), мы определили основные типы клеток, которые объясняются связностью и расстоянием (). Поверхностный анализ результатов показывает кластеризацию в группы, примерно однородно состоящие из мотонейронов, сенсорных нейронов и интернейронов. При более внимательном рассмотрении обнаруживается согласие с классификациями, первоначально изложенными Уайтом в 1986 г. (White et al., 1986).

Обнаружение возможности подключения и введите C . elegans .

( A ) Апостериорное распределение связности клеток в зависимости от обнаруженного типа, аналогично. В ( B ) мы наносим на график типы, полученные от нейроанатомов, вместе с их метками. Наша модель показывает высокую вероятность того, что мотонейроны, сенсорные нейроны и различные классы интернейронов относятся к одному типу. Положения сомы вдоль оси тела нанесены на график ( C ), где мы видим, что мы группируем пространственно распределенные двигательные нейроны вместе, тогда как сенсорные нейроны головы, скорее всего, также будут сгруппированы вместе.( D ) Кривые рабочих характеристик приемника (ROC) для вероятности удержания связи как для электрических синапсов (щелевые соединения), так и для химических синапсов в C. elegans . ( E ) Апостериорное распределение площади под кривой ROC (AUC) для кривых в ( D ). ( F ) Измерения соответствия идентифицированных нами типов клеток по сравнению с нейроанатомами. Высокая полнота, но низкая однородность (и соответствующий низкий скорректированный индекс Рэнда, ARI) отражает тенденцию нашей модели группировать несколько типов в один тип.

DOI: http://dx.doi.org/10.7554/eLife.04250.008

Обратите внимание, что наша кластеризация не полностью отражает известные подразделения — объединены несколько комбинаций головных и сенсорных нейронов, и сложная для объяснения группа, состоящая в основном из VB и DB. Типы мотонейронов с разделением ВК между различными группами. Таким образом, идентифицированные нами типы клеток отражают «огрубление» известных типов, полностью основанное на информации о связности и расстоянии, даже когда организм демонстрирует значительно меньшую пространственную регулярность, чем сетчатка.

Типы и связность в искусственных структурах

Чтобы показать применимость нашего метода к другим наборам данных в стиле коннектома, мы получили пространственное расположение и взаимосвязь транзисторов в классическом микропроцессоре MOS Technology 6502 (используется в Apple II) (Джеймс и др., 2010). Компьютерные архитекторы используют общие шаблоны транзисторов при проектировании схем, причем каждый транзистор имеет «тип» в схеме. Мы идентифицировали область процессора со сложной, но известной структурой, содержащую первичные 8-битные регистры X, Y и S ().

Обнаружение возможности подключения и ввода микропроцессора MOS 6502.

( A ) Микрофотография исходного микропроцессора с выделенной областью, содержащей исследуемые регистры. ( B ) Наш график состоит из соединений полевых МОП-транзисторов с тремя выводами, затвором, C1 и C2. Методика реконструкции не позволила разделить C1 и C2 на исток и сток. ( C ) Пространственное распределение транзисторов в каждом кластере демонстрирует четкую картину.( D ) Кластеры и связность в зависимости от расстояния для соединений между затвором и клеммами C1, затвором и C2, а также клеммами C1 и C2 на транзисторе. Фиолетовый и желтый типы имеют клемму, заземленную, и в основном работают как инверторы. Синие типы синхронизируются, транзисторы с отслеживанием состояния, зеленый управляют ALU, а оранжевый — специальной шиной данных (SDB).

DOI: http://dx.doi.org/10.7554/eLife.04250.009

Наш алгоритм определяет области пространственной однородности, которые отражают известную структуру в базовой архитектуре схемы, сегментируя типы транзисторов, распознаваемые компьютерными архитекторами.Используя исходную схему, мы видим, что один идентифицированный тип содержит «синхронизированные» транзисторы, которые сохраняют цифровое состояние. Два других типа содержат транзисторы с контактами C1 или C2, подключенными к земле, в основном они служат инверторами. Дополнительный идентифицированный тип управляет поведением трех интересующих регистров (X, Y и S) по отношению к шине данных SB, позволяя им либо фиксировать, либо передавать данные с шины. На нем видны повторяющиеся шаблоны пространственной связи, демонстрирующие искусственную горизонтальную и вертикальную компоновку транзисторов одного и того же типа.

Обсуждение

Мы представили метод машинного обучения, который позволяет обнаруживать типы ячеек и микросхемы на основе данных коннектомики. Мы показали его применимость к регулярно структурированным ламинарным нейронным цепям, таким как сетчатка, а также к менее структурированному целому нейронному организму ( C. elegans ) и классическому процессору. По сравнению с существующими методами мы показываем, как включение всех этих данных дает результаты, которые сочетают в себе высокую точность предсказания связей и высокую степень согласия с анатомами-людьми.Мы обнаружили, что объединение доступных типов данных позволяет нам обнаруживать типы ячеек и микросхемы, которые, как известно, существуют в системах, на основе десятилетий предыдущих исследований, и позволяет хорошо прогнозировать возможность подключения.

Для наших вероятностных моделей не существует известного решения, позволяющего точно найти наиболее вероятный анализ нейронов на типы клеток и паттерны связности. Мы используем набор методов MCMC (см. «Материалы и методы»), но, хотя разные инициализации сходятся к одинаковым конечным значениям, мы никогда не сможем реально получить глобальный оптимум.Существует широкий спектр методов, которые могут дать хорошее приближение к глобальному оптимуму, и будущая работа может адаптировать их для поиска более точных решений нашей проблемы.

Для нашей вероятностной модели вывод становится медленнее по мере увеличения количества данных. Нашему алгоритму потребовалось несколько часов на 1000 нейронов. Масштабирование этого класса вероятностных моделей является активной областью исследований, и недавние результаты как вариационных методов (Hoffman et al., 2013), так и спектрального обучения (Anandkumar et al., 2012), и будущая работа могла бы адаптировать их, чтобы найти более быстрые приблизительные решения нашей проблемы.

Большие наборы данных позволят алгоритмам различать более различные типы, и мы ожидаем более тесного совпадения с существующими анатомическими знаниями по мере появления большего количества данных. Более того, как правило, для таких задач точность возрастает с увеличением размера набора данных, а имеющихся у нас клеток недостаточно для статистического различения всех типов клеток, известных в анатомии (например, ∼70 в сетчатке).Тем не менее, используя только связность и расстояние, можно осмысленно разделить нейроны на типы.

Наша небольшая коллекция отобранных вручную зависимых от расстояния функций правдоподобия явно не является исчерпывающей и предполагает монотонность вероятности соединения — для данного класса вероятность соединения более близких ячеек никогда не снижается. Как известно, для различных нейронных систем этого недостаточно. Будущие модели могут включать более широкий спектр функций правдоподобия или даже изучать глобальную функциональную форму на основе данных.

Существует ряд предшествующих подходов к открытию нейронных микросхем (Mountcastle, 1957; Douglas and Martin, 1991; Freund and Buzsáki, 1998; Barthó et al., 2004). Как правило, это требует большого количества ручного труда и специального определения того, что представляет собой тип клетки — до сих пор в литературе существуют разногласия относительно истинных типов в сетчатке млекопитающих. Подобно тому, как филогеномика изменила наше понимание онтологий животных, современные крупномасштабные данные позволят эффективно и беспристрастно открывать типы и цепи клеток.Огромный объем доступных данных требует внедрения алгоритмических подходов.

Развитие автоматической идентификации и количественной оценки типа клеток может также обеспечить новый вычислительный фенотип для количественной оценки эффекта болезни, генетических вмешательств и нервной активности, возникающей в процессе развития. Наш метод может в принципе идентифицировать типы нейронов в несвязанных графах, например, у животных. Например, типы нейронов у одного животного могут быть связаны с типами нейронов у другого животного точно так же, как это уже возможно с помощью молекулярных маркеров (Brown and Hestrin, 2009).Это может быть особенно важно, если появляются типы клеток, которые обусловлены свойствами стимулов и опыта, а не просто молекулярными свойствами клеток, такими как селективные типы цвета и ориентации в первичной зрительной коре (Lennie and Movshon, 2005; Sincich and Horton). , 2005). Это позволило бы провести сравнительную количественную анатомию у животных и помочь в поиске основных причин взаимосвязи.

Наша модель сочетает в себе возможности подключения, сотовые и синаптические свойства и предлагает путь к объединению еще более обширных данных.Отдельные типы клеток различаются по морфологии, связности, транскриптомике, отношению к поведению или стимулам и многим другим параметрам. Алгоритмы, объединяющие эти данные и информацию о типах, могут позволить нам синтезировать всю доступную информацию из одного эксперимента или даже из нескольких экспериментов в общую модель структуры и функций мозга.

Наша работа показывает, как богатые вероятностные модели могут способствовать вычислительной нейроанатомии. В конце концов, алгоритмы должны стать центральным инструментом для анатомов, так как люди будут постепенно лишены возможности анализировать огромные наборы данных.Этот переход может последовать аналогичному переходу в молекулярной биологии (с алгоритмами поиска генов) и эволюционной биологии (с вычислительной филогенетикой). В конечном итоге вычислительные подходы могут помочь разрешить значительные разногласия между анатомами-людьми.

Методы

Вероятностная модель

Наша модель является расширением iSBM (Kemp et al., 2006; Xu et al., 2006), чтобы включить пространственные отношения между объектами, вдохновленные попытками расширить эти модели с помощью произвольных дискриминационных функций (Мерфи, 2012).

Мы берем на вход матрицу связности R , определяющую связи между ячейкой e i и e j , а также функцию расстояния d ( e i , e j ), представляющие (физическое) расстояние между соседними ячейками. См. Дополнительные материалы для расширения нескольких матриц связности. Мы предполагаем, что существует неизвестное число K латентных (ненаблюдаемых) типов ячеек, k ∈ {1, 2, 3,…, K }, и что каждая ячейка e i принадлежит одиночный тип клетки.Мы указываем, что ячейка e i имеет тип k , используя вектор присваивания ( c ), поэтому c i = k . Наблюдаемая связь между двумя ячейками R ( e i , e j ) в таком случае зависит только от их скрытого типа и их расстояния через функцию связи f (⋅, d ( e i , e j )).Мы предполагаем, что f параметризовано на основе скрытого типа, c i = m и c j = n , через параметр η mn , а также набор глобальных гиперпараметров θ , так что функция связи имеет вид f ( d ( e i , e j ) | η мин , θ ).

Затем мы совместно выводим оценку MAP вектора присвоения классов ( c ) = { c i }, матрицу параметров η mn и гиперпараметры глобальной модели θ :

p (c, η, θ | R) ∝∏i, jp (R (ei, ej) | f (d (ei, ej) | ηcicj), θ) ∏m, np (ηmn | θ) p (θ) p (c | α) p (α) p (θ).

(2)

Мы описываем пространственную функцию Бернулли «логистическое расстояние» здесь и другие в дополнительном материале.

Пространственная модель «логистическое расстояние Бернулли» предполагает, что если ячейка e i имеет тип m , а ячейка e j имеет тип n , то η mn = ( μ mn , λ mn ), и вероятность того, что две ячейки e i и e j связаны соотношением

p * = 1.01 + expd (ei, ej) −μmnλmn,

(3)

p = p * ⋅ ( p m a x p m i n ) + p m i n ,

(4)

где p max и p min — глобальные параметры для каждого графика.

Ставим экспоненциальные априоры на скрытые параметры:

μ m n ∼ exp ( μ | μ h p ),

(5)

λ m n ∼ exp ( λ | λ h p ),

(6)

с использованием λ hp и μ hp в качестве глобальных гиперпараметров для каждого графика.

Мы используем процесс Дирихле перед назначением классов, который позволяет автоматически определять количество классов. Вкратце, для всех ячеек N вероятность принадлежности ячейки к классу пропорциональна количеству точек данных, уже находящихся в этом классе, N k , так что p (ci = k) ∝ mkN + α, а вероятность принадлежности ячейки к новому классу k ′ равна p (ci = k ′) ∝αN + α. α — параметр глобальной концентрации — большие значения α повышают вероятность того, что модель предложит новые классы.Мы сетим параметр α и позволяем узнать наилучшее значение из данных.

При моделировании глубины ячеек мы предполагаем, что каждый тип ячеек имеет типичную глубину и, следовательно, гауссово распределение s i . Мы предполагаем, что si∼N (μk (s), σk2 (s)), где верхний индекс ( s ) указывает, что эти параметры модели связаны с частью нашей модели с глубиной сомы. Мы используем априорное сопряжение для (μk (s), σk2 (s)) с μk (s) ∼N (μhp (s), σk2 (s) / κhp (s)) и σk2 (s) ∼χ − 1 ( σhp2 (s), νhp (s).Использование сопряженности упрощает вывод, позволяя каждому типу ячеек иметь собственное среднее значение глубины и распределение.

Мы моделируем профиль глубины синапса, согласно которому каждый тип ячейки имеет характерное распределение по глубине точек синаптического контакта, а смесь гауссовых распределений по ячейке составляет N i точек контакта, g i . Мы делаем это, предполагая, что gji взяты из трехкомпонентной смеси гауссиан M = 3.Таким образом, с каждым типом ячейки k связан вектор M гауссовских средних (μk, 1g, ⋯, μk, Mg) и вектор смеси π k . Это представление может, таким образом, моделировать распределение по глубине точек контакта, которые имеют до трех режимов, предположение, которое хорошо согласуется в большинстве анатомических исследований связности, зависящей от типа клетки.

Логический вывод

Мы выполняем апостериорный вывод через MCMC, отжигая глобальную вероятность во время традиционной фазы приработки.Ядра перехода MCMC для различных частей пространства состояний могут быть объединены в цепочку, чтобы построить ядро, эргодическое распределение которого является целевым эргодическим распределением по всему пространству состояний.

Наше первое переходное ядро ​​(«структурное») выполняет выборку Гиббса вектора присваивания p ( c | η , θ , α ). Отсутствие сопряженности в нашей модели правдоподобия делает невозможной явную оценку вероятностей условного присвоения, мотивируя нас использовать метод вспомогательных переменных (Neal, 2000), в котором набор эфемерных классов явно представлен на время сканирования Гиббса.

Затем мы используем ядро ​​перехода для обновления значений параметров компонентов η mn . При условии, что вектор назначения c и гиперпараметры модели θ , α , индивидуальные η mn независимы. Мы нарезаем образец (Neal, 2003) по параметрам каждого компонента, выбирая ширину среза как функцию глобального диапазона гиперпараметров.

Глобальные гиперпараметры, как α , так и θ , могут принимать дискретный набор возможных значений.Поскольку θ часто представляет собой набор возможных значений, мы исследуем декартово произведение всех возможных значений. Затем мы выбираем Гиббса (наше последнее ядро ​​перехода), которое всегда возможно в небольшом конечном дискретном пространстве состояний.

Мы связываем эти три ядра вместе, а затем глобально отжигаем по вероятности от температуры T = 64 до T = 1 за 900 итераций, если не указано иное, а затем запускаем цепочку для еще 100 итераций. Затем мы генерируем не менее 20 выборок, каждая из которых берется с конца одной цепи Маркова, инициализированной из разных случайных начальных точек в пространстве состояний.Для визуализации мы выбираем цепочку с наибольшим логарифмическим правдоподобием, но для всех численных сравнений (включая вероятность связи и точность кластера) мы используем этот полный набор выборок из апостериорного распределения для оценки итоговой статистики.

Предсказание связи

Для вычисления точности прогнозирования связи мы вычисляем вероятность связи между двумя ячейками с использованием каждой модели, обученной с помощью 10-кратной перекрестной проверки. Мы используем полный набор апостериорных выборок при вычислении вероятности связи, а затем вычисляем площадь под кривой ROC для каждой.

Мы сравниваем нашу модель со стандартной моделью сетевой кластеризации, моделью кластеризации со скрытой позицией. Эта модель предполагает, что каждая ячейка принадлежит одному из кластеров K , и каждый кластер связан с гауссовским распределением размером d . Тогда вероятность связи является функцией расстояния между точками данных в этом непрерывном пространстве. Мы используем вариационную реализацию, представленную в R (Salter-Townshend and Murphy, 2013), параметрически изменяя количество скрытых измерений и количество запрошенных групп.Хотя эта модель обеспечивает разумную точность прогнозирования связей, кластеризация резко расходится с данными анатомов-людей.

Параметры

Иерархические генеративные модели могут быть чувствительны к настройкам гиперпараметров, поэтому для большинства гиперпараметров мы выполняем вывод. В тех случаях, когда это невозможно, мы запускаем отдельные коллекции цепей Маркова с отдельными настройками и показываем результаты по всем параметрам пула. Для случая данных сетчатки мыши мы рассматриваем максимальную вероятность связи p m a x ∈ {0.95, 0,9, 0,7}, шкалы дисперсии для профиля плотности синапсов σ 2 ∈ {0,01, 0,1, 1,0} (нормализованная глубина) и K ∈ {2, 3} возможная смесь профиля плотности синапсов. компоненты. Для модели «только расстояние подключения» мы фактически выполняем вывод как по p max , так и по p min .

Смешивание наших цепей Маркова

Оценка того, дают ли приближенные методы вывода, такие как MCMC, выборки, которые являются действительными приближениями апостериорного распределения, является постоянной областью исследований в сообществе вычислительной статистики.Здесь мы используем приблизительный показатель — синтетическую оценку правдоподобия. Для синтетических наборов данных размеров, сопоставимых с нашим реальным размером данных, восстанавливаем ли мы известную достоверную информацию после запуска наших цепей Маркова в течение соответствующего периода времени?

и покажите точность кластера (ARI) и общую оценку журнала как функцию времени выполнения. Сначала мы видим драматические изменения в логарифмической шкале по мере того, как мы меняем температуру, стабилизирующуюся по мере выполнения, для каждой цепочки. Затем мы видим характерные скачки между соседними режимами к концу цикла, как в журнале оценки, так и в ARI.Важно отметить, что независимо от того, переоценивает или недооценивает наша модель точную апостериорную дисперсию сети, мы находим точки в пространстве скрытых переменных, которые являются предсказательными и скупыми, в значительной степени согласуясь с человеческими анатомами и предсказывая существующие связи.

Детали набора данных

Сетчатка мыши

Плотная серийная электронная микроскопия области 114 мкм × 80 мкм в сетчатке мыши, проведенная Helmstaedter et al. (2013) составили список мест, где нейроны контактируют.Первоначально было более 1000 клеток, и мы выбрали 950, для которых местоположение сомы можно было реконструировать из предоставленных участков (расположение сомы не было предоставлено авторами исследования в машиночитаемой форме). Результатом была матрица общей синапсоподобной контактной области между всеми парами из 950 клеток. Для площади был установлен порог 0,1 мкм, определяемый вручную, чтобы получить входную матрицу 950 × 950, которая служила входными данными для нашего алгоритма. Мы измерили расстояние между клетками, используя реконструированные центры сомы, и использовали пространственное отношение логистического расстояния.Сетки Hyperprior показаны в разделе «Hyperprior grids and hyperprior inference».

C. elegans

Мы получили коннектом C. elegans из данных, опубликованных ранее (Varshney et al., 2011), и выделили 279 нефарингеальных нейронов, всего 6393 химических синапса и 890 щелевых контактов. первоначально очищено в Chen et al. (2006). Положение клетки — это расстояние вдоль передне-задней оси, нормированное между 0 и 1. Мы использовали обе сети, химическую сеть как ориентированный граф и электрическую сеть как неориентированный граф.Мы используем счетчики синапсов с вероятностью Пуассона логистического расстояния, масштабируя счетчики на 4,0, чтобы компенсировать чрезмерную дисперсию Пуассона.

Микропроцессор

Мы извлекли граф подключения транзисторов в МОП 6502 (Джеймс и др., 2010). Каждый транзистор имеет три вывода (затвор, исток, сток), но методы исходного набора данных не смогли последовательно определить, какие из выводов C1 и C2 были истоком и стоком, что привело к неоднозначности в нашем кодировании.С помощью визуального осмотра мы определили область, состоящую из трех регистров X, Y и S, и сосредоточили на ней свои усилия. Мы создали в общей сложности шесть матриц подключения, изучив возможные пары терминалов. Например, один график кодирует связь между контактами g и c 1 . Тогда имеем R g c 1 ( e i , e j ) = 1, если транзистор e j и e j соединены через контакты g и c 1 .

Другие вероятности

Мы повторно параметризовали вероятность логистической дистанции Бернулли, чтобы лучше охватить структуру данных микропроцессора. Мы явно устанавливаем максимальную вероятность p логистической функции для каждого компонента, исходя из глобального p ∼ Beta ( α h p , β h p ). Затем λ устанавливается для каждого компонента в качестве глобального гиперпараметра, λ .

Пространственная модель «логистического расстояния Пуассона» используется для явного моделирования количества синапсов, c , между двумя нейронами. Вероятность c синапсов между двумя нейронами распределена c ∼ Пуассона ( c | r ), где r (« скорость ») генерируется масштабированной логистической функцией (логистическая функция имеет диапазон [0, 1]). Для каждого компонента η mn мы узнаем как порог μ mn , так и коэффициент масштабирования скорости r mn .Таким образом, если клетки m и n могут иметь в среднем 20 синапсов, если они расположены ближе 5 мкм, то μ mn = 5 и r mn = 20.

Таким образом, вероятность R ( e i , e j ) = c синапсов между двумя ячейками e i и e j определяется по формуле:

r * = 1.01 + expd (ei, ej) −μmnλ,

(7)

r = r * ⋅ ( r m n r m i n ) + r m i n ,

(8)

R ( e i , e j ) ∼ Пуассона ( c | r ),

(9)

, где λ и r min — это параметры на графике, а у нас есть параметры для каждого компонента μ m n ∼ Exp ( μ | μ h p ) и rmn∼Exp (rmn | rscalehp).

Исходный код и данные

Весь исходный код и материалы для проведения экспериментов можно получить на веб-сайте проекта http://ericmjonas.github.io/connectodiscovery/.

Все предварительно обработанные данные также стали общедоступными.

Расширение на несколько графов

Модель может обрабатывать несколько графов R q одновременно с общей кластеризацией, расширяя вероятность включения продукта вероятностей отдельных графов.

p (c, ηq, θq | Rq) ∝∏q (∏i, jp (Rq (ei, ej) | f (d (ei, ej) | ηcicjq, θq) ∏m, np (ηmnq | θq) p (θq)) p (c | α) p (α).

(10)

Гиперприорные сетки и гиперприорный вывод

Для модели Бернулли с логистическим расстоянием сетчатки мыши мы использовали сетку μ hp и λ л. и λ в 20 log 10 точек с интервалом между 0.2 и 2.0, а параметр шкалы л.с. в 20 log 10 точек с интервалом между 2.0 и 20.0. Мы глобально устанавливаем ставку мин = 0,01.

Для микропроцессора с логистическим расстоянием с фиксированным лямбда-параметром и вероятностью Бернулли мы разместили mu л. л.с. /10. p m i n ∈ {0,001, 0,01, 0,02} и оба p α и p β ∈ {0,1, 1,0, 2,0}.

Измерение сходства кластеризации

Мы сравниваем обнаруженные типы с известными типами с помощью показателей сравнения кластеров: однородности кластера, полноты кластера и ARI. Однородность измеряет, сколько истинных типов находится в данном найденном типе. Если каждый тип ячеек разделен на два типа, каждый подтип остается полностью однородным.Полнота измеряет, сколько членов данного истинного типа разделено между найденными типами.

ARI учитывает оба эффекта (Hubert and Arabie, 1985) — две идентичные кластеры имеют ARI 1,0, в то время как прогрессивно более разнородные кластеры имеют более низкие ARI, становясь слегка отрицательными по мере того, как кластеризация становится антикоррелированной.

показывает результат взятия 20 различных кластеров и перемещения точек данных между ними в соответствии со следующими операциями.

  • распределить : взять класс и равномерно распределить его элементы среди остальных типов.

  • объединить : взять тип и объединить его с другим существующим типом.

  • разделить : взять тип и разделить его на два разных типа.

Мы можем увидеть влияние на ARI, полноту и однородность, когда мы выполняем эти операции на большем количестве из первоначальных 20 типов. Во всех случаях «распределение» одного типа среди других наносит ущерб метрике. Разделение влияет на полноту, но не на однородность, а слияние влияет на однородность, но не на полноту.

Выражение признательности

Мы благодарим Джоша Фогельштейна за обсуждения и чтение рукописи, Финале Доши-Велеса за раннее обсуждение модели, Эрику Петерсон, Джонатана Глиддена и Ярдена Каца за обширный обзор рукописи. Финансирование вычислительного времени было предоставлено за счет грантов Amazon Web Services «AWS in Education».

Заявление о финансировании

Финансирующие организации не играли никакой роли в дизайне исследования, сборе и интерпретации данных или в принятии решения о представлении работы для публикации.

Информация о финансировании

Эта статья была поддержана следующими грантами:

  • Калифорнийский университет в Беркли (Калифорнийский университет в Беркли) Грант AWS в сфере образования Эрику Джонасу.

  • Национальный научный фонд Награда NSF CISE Expeditions CCF-1139158.

  • Национальная лаборатория Лоуренса Беркли Премия 7076018.

  • Агентство перспективных оборонных исследовательских проектов XData Award FA8750-12-2-0331.

  • Национальные институты здравоохранения R01NS074044 Конраду Кордингу.

  • Национальные институты здравоохранения R01NS063399 Конраду Кордингу.

Дополнительная информация

Конкурирующие интересы

Авторы заявляют об отсутствии конкурирующих интересов.

Вклад авторов

EJ, Концепция и дизайн, Анализ и интерпретация данных, Составление или исправление статьи.

KK, Концепция и дизайн, Анализ и интерпретация данных, Составление или редактирование статьи.

Ссылки

  • Анандкумар А., Ге Р., Хсу Д., Какаде С. М., Телгарский М. Тензорные разложения для изучения моделей со скрытыми переменными. Журнал исследований в области машинного обучения. 2012; 15: 1–55. [Google Scholar]
  • Barthó P, Hirase H, Monconduit L, Zugaro M, Harris KD, Buzsáki G. Характеристика основных клеток и интернейронов неокортекса с помощью сетевых взаимодействий и внеклеточных функций.Журнал нейрофизиологии. 2004. 92: 600–608. DOI: 10.1152 / jn.01170.2003. [PubMed] [CrossRef] [Google Scholar]
  • Brown SP, Hestrin S. Идентификация клеточного типа: ключ к разблокировке функции неокортикальных цепей. Текущее мнение в нейробиологии. 2009; 19: 415–421. DOI: 10.1016 / j.conb.2009.07.011. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
  • Чен Б.Л., Холл Д.Х., Чкловский Д.Б. Оптимизация разводки может связывать структуру и функцию нейронов. Труды Национальной академии наук США.2006; 103: 4723–4728. DOI: 10.1073 / pnas.0506806103. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
  • Дуглас Р., Мартин К. Функциональная микросхема для зрительной коры головного мозга кошек. Журнал физиологии. 1991; 440: 735–769. DOI: 10.1113 / jphysiol.1991.sp018733. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
  • Druckmann S, Hill S, Schürmann F, Markram H, Segev I. Иерархическая структура электрического разнообразия корковых интернейронов, выявленная с помощью автоматизированного статистического анализа.Кора головного мозга. 2013; 23: 2994–3006. DOI: 10,1093 / cercor / bhs290. [PubMed] [CrossRef] [Google Scholar]
  • Фройнд Т., Бужаки Г. Интернейроны гиппокампа. Гиппокамп. 1998. 6: 347–470. DOI: 10.1002 / (SICI) 1098-1063 (1996) 6: 4 <347 :: AID-HIPO1> 3.0.CO; 2-I. [PubMed] [CrossRef] [Google Scholar]
  • Гирван М., Ньюман МЭ. Структура сообщества в социальных и биологических сетях. Труды Национальной академии наук США. 2002; 99: 7821–7826. DOI: 10.1073 / pnas.122653799. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
  • Grillner S, Markram H, De Schutter E, Silberberg G, LeBeau FE.Микросхемы в действии от CPG до неокортекса. Тенденции в неврологии. 2005. 28: 525–533. DOI: 10.1016 / j.tins.2005.08.003. [PubMed] [CrossRef] [Google Scholar]
  • Герра Л., МакГарри Л. М., Роблес В., Бьельза С., Ларраньяга П., Юсте Р. Сравнение контролируемых и неконтролируемых классификаций типов нервных клеток: тематическое исследование. Нейробиология развития. 2011; 71: 71–82. DOI: 10.1002 / dneu.20809. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
  • Helmstaedter M, Briggman KL, Turaga SC, Jain V, Seung HS, Denk W.Коннектомическая реконструкция внутреннего плексиформного слоя сетчатки мыши. Природа. 2013; 500: 168–174. DOI: 10,1038 / природа12346. [PubMed] [CrossRef] [Google Scholar]
  • Hill SL, Wang Y, Riachi I., Schürmann F, Markram H. Статистическая связь обеспечивает достаточную основу для специфической функциональной связи в неокортикальных нейронных микросхемах. Труды Национальной академии наук США. 2012; 109: E2885 – E2894. DOI: 10.1073 / pnas.1202128109. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
  • Hoffman MD, Blei DM, Wang C, Paisley J.Стохастический вариационный вывод. Журнал исследований в области машинного обучения. 2013. 14: 1303–1347. [Google Scholar]
  • Хуберт Л., Араби П. Сравнение разделов. Журнал классификации. 1985; 2: 193–218. DOI: 10.1007 / BF01

    5. [CrossRef] [Google Scholar]
  • Джеймс Дж., Сильверман Б., Сильверман Б. ACM SIGGRAPH 2010 Talks. Нью-Йорк, США: ACM Press; 2010. Визуализация классического процессора в действии; п. 1. [CrossRef] [Google Scholar]
  • Кемп К., Тененбаум Дж., Гриффитс Т. Труды 21-й Национальной конференции по искусственному интеллекту.том 1. Пало-Альто, Калифорния: AAAI Press; 2006. Изучение систем понятий с бесконечной реляционной моделью; С. 381–388. [CrossRef] [Google Scholar]
  • Koboldt DC, Steinberg KM, Larson DE, Wilson RK, Mardis ER. Революция секвенирования нового поколения и ее влияние на геномику. Клетка. 2013; 155: 27–38. DOI: 10.1016 / j.cell.2013.09.006. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
  • Lennie P, Movshon JA. Кодирование цвета и формы в зрительном пути коленчатого вала (приглашенный обзор) Журнал Оптического общества Америки.A, Оптика, наука о изображениях и зрение. 2005; 22: 2013–2033. DOI: 10.1364 / JOSAA.22.002013. [PubMed] [CrossRef] [Google Scholar]
  • Masland RH. Фундаментальный план сетчатки. Природа Неврологии. 2001; 4: 877–886. DOI: 10,1038 / NN0901-877. [PubMed] [CrossRef] [Google Scholar]
  • Майло Р., Шен-Орр С., Ицковиц С., Каштан Н., Чкловский Д., Алон У. Сетевые мотивы: простые строительные блоки сложных сетей. Наука. 2002; 298: 824–827. DOI: 10.1126 / science.298.5594.824. [PubMed] [CrossRef] [Google Scholar]
  • Morgan JL, Lichtman JW.Почему не коннектомика? Природные методы. 2013; 10: 494–500. DOI: 10,1038 / Nmeth.2480. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
  • Mountcastle VB. Модальность и топографические свойства одиночных нейронов соматической сенсорной коры кошек. Журнал нейрофизиологии. 1957; 20: 408–434. [PubMed] [Google Scholar]
  • Mountcastle VB. Столбчатая организация неокортекса. Головной мозг. 1997; 120: 701–722. [PubMed] [Google Scholar]
  • Мерфи К.П. Машинное обучение: вероятностная перспектива.Кембридж: MIT Press; 2012. [Google Scholar]
  • Neal RM. Методы выборки цепей Маркова для моделей технологических смесей Дирихле. Журнал вычислительной и графической статистики. 2000; 9: 249. [Google Scholar]
  • Нил Р. Выборка срезов. Анналы статистики. 2003. 31: 705–741. DOI: 10.1214 / aos / 1056562461. [CrossRef] [Google Scholar]
  • Nowicki K, Snijders TA. Оценка и прогноз для стохастических блочных структур. Журнал Американской статистической ассоциации. 2001; 96: 1077–1087.DOI: 10.1198 / 016214501753208735. [CrossRef] [Google Scholar]
  • Passingham RE. Фронтальная кора: имеет ли значение размер? Природа Неврологии. 2002; 5: 190–192. DOI: 10,1038 / NN0302-190. [PubMed] [CrossRef] [Google Scholar]
  • Salter-Townshend M, Murphy TB. Вариационный байесовский вывод для модели кластера латентного положения для сетевых данных. Вычислительная статистика и анализ данных. 2013; 57: 661–671. DOI: 10.1016 / j.csda.2012.08.004. [CrossRef] [Google Scholar]
  • Seung HS, Sümbül U.Типы нейронных клеток и связность: уроки сетчатки. Нейрон. 2014; 83: 1262–1272. DOI: 10.1016 / j.neuron.2014.08.054. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
  • Sincich LC, Horton JC. Схема V1 и V2: интеграция цвета, формы и движения. Ежегодный обзор неврологии. 2005. 28: 303–326. DOI: 10.1146 / annurev.neuro.28.061604.135731. [PubMed] [CrossRef] [Google Scholar]
  • Варшней Л.Р., Чен Б.Л., Паниагуа Э., Холл Д.Х., Чкловский Д.Б. Структурные свойства нейронной сети Caenorhabditis elegans .PLOS вычислительная биология. 2011; 7: e1001066. DOI: 10.1371 / journal.pcbi.1001066. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
  • Watts DJ, Strogatz SH. Коллективная динамика сетей «маленького мира». Природа. 1998; 393: 440–442. DOI: 10,1038 / 30918. [PubMed] [CrossRef] [Google Scholar]
  • Уайт Дж., Саутгейт Э., Томсон Дж., Бреннер С. Строение нервной системы нематоды Caenorhabditis elegans . Философские труды Лондонского королевского общества.Серия B, Биологические науки. 1986; 314: 1–340. DOI: 10.1098 / rstb.1986.0056. [PubMed] [CrossRef] [Google Scholar]
  • Xu Z, Tresp V, Yu K, Kriegel HP. Труды двадцать второй конференции по неопределенности в искусственном интеллекте. Арлингтон, Вирджиния: AUAI Press; 2006. Бесконечные скрытые реляционные модели. [Google Scholar]
  • Zador AM, Dubnau J, Oyibo HK, Zhan H, Cao G, Peikon ID. Секвенирование коннектома. PLOS Биология. 2012; 10: e1001411. DOI: 10.1371 / journal.pbio.1001411.[Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

Сохранение ингибирования с помощью растормаживающей микросхемы в сетчатке

Почему блокада тормозных входов в SAC ослабляет вызванное движением торможение DSGC с шумным фоном? Мы сформулировали рабочую гипотезу, основанную на следующих двух наблюдениях, описанных в предыдущем разделе: (1) SAC у мышей Gabra2 cKO демонстрируют повышенную активацию, вызванную мерцанием, в течение временного окна непосредственно перед их реакциями, вызванными движением, и (2) движение- вызванная деполяризация SAC не нарушается у мышей Gabra2 cKO.Наша гипотеза состоит в том, что постоянный мерцательный ответ SAC перед его деполяризацией, вызванной движением, у мышей Gabra2 cKO вызывает кратковременную синаптическую депрессию в синапсах GABAergic SAC-DSGC и тем самым ослабляет подавление DSGC, вызванное движущейся полосой. Кратковременная депрессия ГАМКергического синапса SAC-DSGC была продемонстрирована у животных P7-14 во время развития с использованием парной импульсной стимуляции (Morrie and Feller, 2015). Чтобы проверить, возникает ли эта синаптическая депрессия также в зрелой сетчатке, мы выполнили парные записи фиксации напряжения из пар SAC-DSGC у взрослых контрольных мышей.SAC деполяризовались с коротким шагом напряжения, что приводило к открытию потенциалозависимых кальциевых каналов (VGCC), показанных в виде внутреннего пика, который был синхронизирован по времени с постсинаптическим ответом DSGC и блокировался антагонистами VGCC (Lee et al. , 2010; Корен и др., 2017). IPSC DSGC показали выраженную кратковременную депрессию в протоколе парных импульсов (Рисунок 3), что указывает на то, что синапс SAC-DSGC склонен к депрессии при повторной активации SAC.

ГАМКергические синапсы SAC-DSGC у взрослых мышей обнаруживают парную депрессию пульса.

( a ) Верхний: схема парных записей фиксаторов напряжения между DSGC и SAC на нулевой стороне DSGC. Предпочтительное направление DSGC показано черной стрелкой. Нижний: командный потенциал SAC (верхний график), ток удержания SAC (средний график) и DSGC IPSC, вызванный деполяризацией SAC (нижний график). Пунктирная линия указывает начало IPSC, которое совпадает с входящим кальциевым током, активированным в SAC (Koren et al., 2017). ( b ) Пример трассировки записей SAC и DSGC с разными интервалами между импульсами (200, 400, 1600 мс). ( c ) Сводный график отношения парных импульсов (2-я / 1-я пиковые амплитуды) как функции межимпульсного интервала. Ось X в логарифмическом масштабе. N = 17 пар от трех мышей.

Затем мы спросили, может ли вызванная мерцанием деполяризация мембраны SAC в Gabra2 cKO, которая сохраняется во временном окне подавления объемного звука, может вызвать кратковременную синаптическую депрессию и уменьшить последующее высвобождение ГАМК из SAC, вызванное движущейся полосой.Чтобы ответить на этот вопрос, мы выполнили парные соматические записи SAC-DSGC у контрольных мышей, во время которых пресинаптический SAC был зафиксирован напряжением в соответствии с формами волны, которые имитируют паттерны активации контрольных и cKO SAC во время стимулов движущихся столбиков. Поскольку сайты высвобождения нейротрансмиттеров безаксонного SAC расположены в дистальных дендритах, мы сначала использовали компьютерное моделирование для оценки V m на дистальных дендритах SAC на основе соматических записей SAC V m во время визуальной стимуляции.Биофизическая модель SAC была построена на основе оцифрованной морфологии типичного SAC мыши, входов биполярных клеток, картированных с помощью коннектомного анализа (Ding et al., 2016), и экспериментально измеренных свойств мембраны SAC (Stincic et al., 2016; Рисунок 4a. см. Материалы и методы). Моделирование активации SAC во время движения полосы по мерцающей шахматной доске показало, что пиковые амплитуды соматического и дистального дендритных V m сопоставимы (рис. 4b). Затем мы смоделировали степень ослабления между соматическими и дистальными дендритными компартментами во время наших экспериментов с фиксацией напряжения, используя параметры, которые приблизительно соответствуют условиям фиксации напряжения в отсутствие проводимости натрия и калия.Из-за электротонической изоляции дистальных дендритов SAC от сомы (Euler et al., 2002; Koren et al., 2017; Tukker et al., 2004), мы оценили деполяризацию мембраны на концах дендритов SAC с помощью компьютерного моделирования примерно как 25% соматической деполяризации в цельноклеточной конфигурации с фиксацией напряжения, использованной в нашем исследовании (рис. 4c). Поэтому мы масштабировали соматические трассы V m , полученные во время регистрации токовых клещей, в 4 раза. Масштабированные формы сигналов затем использовались в качестве командных потенциалов SAC в экспериментах по парной записи с фиксацией напряжения, так что V m в дистальном направлении. Дендриты SAC могут быть деполяризованы до уровня, сопоставимого с таковым при визуальной стимуляции.IPSC DSGC в каждой паре SAC-DSGC были записаны для измерения выпуска SAC GABA.

Вычислительное моделирование световых откликов SAC на концах сомы и дендритов во время стимула движущегося стержня на шумном фоне.

( a ) Оцифрованный SAC (синий) и расположение сом биполярных клеток (желтые точки), используемые для моделирования.( b ) Верхняя кривая: смоделированная Vm биполярной клетки во время стимула движущегося стержня на шумном фоне. Средние следы: смоделированная возбуждающая проводимость (Ge) SAC, вызванная шестью примерами входов биполярных клеток. Цветные следы — это SAC Ge, вызванные отдельными биполярными клетками. Нижние следы: моделирование соматической Vm SAC на соме и на дистальном конце дендрита. ( c ) Моделирование затухания от сомы к кончику дендрита в SAC во время записи с фиксацией напряжения. Черная кривая: масштабированная форма соматической волны Vm (черная кривая) SAC, основанная на записи текущих зажимов SAC Vm во время стимула движущейся полосы на шумном фоне.Красный график: смоделированный Vm на дистальном конце дендрита SAC в конфигурации фиксации напряжения.

Для каждой пары SAC-DSGC SAC деполяризовался в соответствии с двумя формами сигнала в случайных последовательностях. Один из них представлял собой масштабированную форму волны репрезентативной соматической V m , записанной от SAC Gabra2 cKO во время стимула движущейся полоски над случайно мерцающей шахматной доской (обозначенной «паттерн cKO», рис. 5a, верхняя красная кривая). Другая форма волны была идентична вышеуказанному шаблону cKO, за исключением временного окна, предшествующего реакции, вызванной движением (Рисунок 5a, временное окно 2), чтобы включать период подавления объемного звука.В течение этого временного окна зашумленный шаблон V m SAC cKO был заменен средним шаблоном V m SAC в контрольной группе. Вторая форма волны называется «контрольной диаграммой» (рис. 5а, верхняя черная кривая). Для каждой пары SAC-DSGC случайным образом были выбраны формы волны cKO и контрольный V m для фиксации напряжения соматического SAC V m , в то время как DSGC IPSC регистрировались одновременно (рис. 5a). Поскольку флуктуации мембран, вызванные мерцанием, в течение базового периода идентичны для cKO и контрольных паттернов, DSGC IPSC в течение этого базового периода (рис. 5a, временное окно 1) служили внутренним контролем для каждой пары для обеспечения стабильных записей и мониторинга потенциального прогона. -низка записей целых клеток.Как и ожидалось, амплитуды DSGC IPSC в течение базового периода для паттернов cKO и контроля были аналогичными (рис. 5a и b, временное окно 1). Однако DSGC IPSC, запускаемые сигналами SAC, вызванными движением (рис. 5a и b, временное окно 3), значительно различались между cKO и контрольными паттернами. Несмотря на то, что SAC был активирован той же моделью деполяризации, вызванной движением в течение временного окна 3, более активный V m непосредственно перед вызванной движением деполяризации (рис. 5a и b, временное окно 2) в форме волны cKO привел к меньшему DSGC. Пиковые амплитуды IPSC, вызванные формой волны движения (рис. 5a – d, временное окно 3).Мы сравнили IPSC в этом парном протоколе записи с таковыми во время визуальной стимуляции с шумной полосой. Пиковая амплитуда и перенос заряда IPSC в парных записях находятся в нижней части диапазона для DSGC IPSC, вызванных шумным стимулом (перенос заряда: вызванный светом: предпочтительное направление: 95,1+ / — 8,6 пА * с; нулевое направление , 198,6 + / — 22,5 пА * с, 16 клеток; парные записи: 100+ 12,1 пА * с, 22 ячейки; амплитуда: вызванная светом: предпочтительное направление: 284,2 + / — 23,2 пА; нулевое направление, 570.3 + / — 52,7 пА; парные записи: 174,5 + / — 17,9 пА), подтверждая, что измеренные токи подавления DSGC в парных записях находятся в пределах физиологического диапазона. Кроме того, синаптическое подавление, наблюдаемое в группе cKO, было устойчивым, когда мы тестировали дополнительные масштабные коэффициенты 3 и 5 для командных сигналов SAC (рис. 5d).

Паттерн активации SAC
Gabra2 cKO во время движения на шумном фоне вызывает депрессию синапсов между SAC и DSGC у контрольных мышей.

( a ) Верхние кривые: масштабированный контрольный (черный) и Gabra2 cKO (красный) кривые во время шумного столбчатого стимула, используемого для ограничения напряжения SAC соматического Vm у контрольных мышей. Средние кривые: удерживающие токи SAC во время парных записей фиксации напряжения SAC-DSGC. Отклонения вниз представляют собой кальциевые токи SAC, активируемые деполяризацией мембраны. Нижние кривые: DSGC IPSC, вызванные управляющими сигналами и сигналами cKO. Схема поверх графиков указывает временные окна, соответствующие базовому периоду, вызванному полосой подавлению объемного звучания и вызванной полосой деполяризации во время экспериментов по фиксации тока на Рисунке 2.Зеленые прямоугольники с номерами 1, 2 и 3 представляют собой области в базовом, окружающем и центральном временных окнах, выбранных для последующей количественной оценки. ( b ) Попарное сравнение амплитуды DSGC IPSC, вызванной масштабированным (4x) контрольным сигналом, и сигналами cKO во временных окнах 1 и 3. Для каждой пары ячеек пиковая амплитуда IPSC, вызванная формой сигнала cKO, нормализуется к амплитуде сигнала cKO. форма сигнала управления для каждого временного окна. N = 17 пар от семи мышей. ( c ) То же, что a, но с другой репрезентативной формой волны cKO.( d ) То же, что и b, но с другими масштабными коэффициентами для сигналов команд SAC в c. ( e ) Пример контрольных кривых SAC Vm во время движущихся полосок стимулов на сером фоне с различной скоростью. ( f ) Продолжительность окна гиперполяризации во время бесшумного движения стержня в зависимости от скорости стержня. 110 мкм / с: 11 клеток, 4 мыши, 440 мкм / с: 15 клеток, 4 мыши, 1320 мкм / с: 21 клетка, 6 мышей. Данные представлены как среднее значение ± стандартная ошибка среднего. ( g ) То же, что и a, но с масштабированными формами волны cKO SAC Vm при 110 мкм / с (верхний) и 1320 мкм / с (нижний).Для сигналов управления средний мембранный потенциал сигналов управления заменяет кривые cKO во временном окне подавления объемного звука. ( h ) Краткое изложение синаптического подавления синапса SAC-DSGC, индуцированного сигналом Gabra2 cKO, относительно реакции, вызванной сигналом управления для различных скоростей движения. Экспрессия, вызванная шумом, рассчитывается как процентное уменьшение вызванной движением реакции cKO по сравнению с контролем. 110 мкм / с: 11 пар от трех мышей; 440 мкм / с: 17 пар от семи мышей; 1320 мкм / с: 11 пар от трех мышей.Данные представлены как среднее значение ± стандартная ошибка среднего. См. Также рисунок 5 — дополнение к рисунку 1.

Затем мы записали SAC Vm во время стимулов движущегося стержня с разной скоростью и исследовали продолжительность подавления объемного звука в зависимости от скорости. Мы протестировали три скорости: 4 ° (110 мкм) / с — на нижнем конце кривой настройки скорости DSGC мыши (Ding et al., 2016; Hoggarth et al., 2015), 15 ° (440 мкм) / s — около оптимальной скорости кривой настройки скорости DSGC и 44 ° (1320 мкм) / с — на верхнем конце кривой настройки.Как и ожидалось, мы наблюдали зависящую от скорости продолжительность подавления объемного звука SAC в субмиллисекундном диапазоне на этих скоростях (рис. 5e и f). В шумных условиях cKO SAC демонстрируют повышенный шумовой отклик во время окна подавления объемного звука на всех скоростях (рисунок 5 — приложение к рисунку 1). Затем мы выполнили парные записи SAC-DSGC у контрольных мышей, используя репрезентативные формы волны cKO Vm от SAC во время шумных штриховых стимулов с разной скоростью. Мы обнаружили, что для всех трех скоростей, когда случайное мерцание, вызванное шахматной доской, активация SAC попадает во временное окно подавления объемного звука SAC, это может привести к уменьшению вызванных движением IPSC DSGC (рис. 5g и h).Эти результаты согласуются с экспериментом с парными импульсами записей SAC-DSGC, который показывает, что кратковременная депрессия происходит в сопоставимом масштабе времени (рис. 3). В совокупности эти результаты убедительно подтверждают гипотезу о том, что у мышей Gabra2 cKO вызванная мерцанием деполяризация SAC, непосредственно предшествующая вызванной движением деполяризации, вызывает кратковременную депрессию в ГАМКергическом синапсе SAC-DSGC и, таким образом, приводит к снижению ингибирования DSGC, вызываемого движущийся бар.

Учитывая обширную сеть взаимосвязанных SAC (Ding et al., 2016; Lee and Zhou, 2006), можно спросить, ослабляет ли синаптическая депрессия гиперполяризацию SAC соседними SAC в присутствии движения объекта с фоновым шумом. В соответствии с этой гипотезой, мы наблюдали ослабленную гиперполяризацию SAC с шумным фоном по сравнению с фоном без шума (Рисунок 2e по сравнению с 2 часами). Однако даже при том, что высвобождение ГАМК из SAC подавлено шумным фоном, движение объекта в поле зрения по-прежнему вызывает достаточное высвобождение ГАМК из многих соседних варикозных расширений SAC, чтобы подавить шумовые реакции в постсинаптическом SAC прямо перед движущимся объектом.

Патент США на способ и устройство для уменьшения высоты корпуса для корпусов микросхем. Патент (Патент № 4547624, выдан 15 октября 1985 г.)

ОБЛАСТЬ ИЗОБРЕТЕНИЯ

Это изобретение относится к корпусам микросхем и, в частности, к способу и устройству для минимизации высоты корпуса.

Уровень техники

Корпус интегральной схемы разработан до такой степени, что интегральные схемы или микросхемы могут быть герметично запечатаны в корпус, называемый «плоская упаковка», который содержит основание, прикрепленное к прямоугольному кольцу, с микросхемой, расположенной на основании внутри кольца.Стороны кольца снабжены стеклянными проходными отверстиями, которые используются для изоляции и уплотнения проводов, проходящих через них внутрь кольца. В некоторых случаях внутренние концы выводов образуют контактные площадки, которые прикреплены к соответствующим площадкам на микросхемах, так что электрическое соединение может быть выполнено с микросхемой и от нее. В других случаях используется обычное соединение проводов.

Высота или профиль так называемых плоских упаковок в основном определяется расстоянием между самой верхней частью стеклянного проходного отверстия и крышкой или крышкой для плоской упаковки.Как правило, для кольца с толщиной стенки 40 мил крышка, если она должна быть приварена к кольцу, должна находиться на расстоянии не менее 40 тысячных дюйма от верха проходного отверстия для стекла, чтобы предотвратить повреждение проходного канала из-за нагрева. образуются во время сварки. Для более тонких стен, таких как, например, 30 тысячных дюйма, успешная сварка без повреждений требует, чтобы крышка находилась на расстоянии не менее 50 тысячных дюйма от отверстия для стекла. Следовательно, будет понятно, что высота упаковки зависит от требуемого расстояния, когда для прикрепления крышки к упаковке используются методы сварки.

Сварка желательна как потому, что она недорогая, так и потому, что герметичность, достигаемая с помощью сварных крышек, намного превосходит герметичность систем на основе припоя. Кроме того, производительность при сварке значительно выше, чем при пайке.

В то время как несвариваемые корпуса могут иметь соответствующую высоту или профиль, уменьшенные за счет использования крышек, припаянных к соответствующим кольцам, пайка является дорогостоящей как с точки зрения времени процесса, так и с точки зрения материалов покрытия, необходимых для процесса пайки.Например, чтобы получить герметичное уплотнение с помощью стандартных технологий обработки, и упаковка, и крышка должны быть покрыты золотом, что, очевидно, является дорогим металлом. С другой стороны, никель значительно дешевле, но не подходит для паяных плоских пакетов.

В то время как Патент США №№ 4 331 258; 4,331,253; 4 262 300; 4,227,036; 4,192,433; 4,149,910; 4,135,038; 3,945,557; 3,874,549; 3,848,077; 3,823,468; 3,774,232; 3768144; 3,676,569; 3,669,715; 3,663,868; 3648357; 3,548,076; 3,538,597; 3,435,516; 3 423 638; и 3 349 481 все иллюстрируют способы и устройство для запечатывания плоских упаковок, ни один из вышеупомянутых патентов не описывает ограничение высоты плоской упаковки с приваренной крышкой, а также средства предотвращения повреждения сквозных отверстий для стекла при использовании традиционной сварки.

Ссылка сделана на патент США No. US 3539704, в котором показано использование кольцевой кромки кольцевой боковой стенки, к которой приварено дно или крышка. Однако этот патент направлен на проходные узлы, имеющие множество проходов в проходной панели, которые проходят под углом 45 °. под углом к ​​плоскости кожуха, при этом проходная панель дополнительно снабжена зоной снятия напряжений вокруг фланцевой части. Следует понимать, что фланец является неотъемлемой частью кольца упаковки и является гибким на изгибе для снятия напряжений.Из-за 45 ° С. под углом, под которым выводы входят в корпус, этот патент не касается ни минимизации высоты корпуса, ни отвода тепла от области прохода. 45 ° С. Угол наклона выводов в основном используется для уменьшения нагрузок на проходной узел за счет уменьшения величины изгиба, требуемого на проводниках для их соединения с прилегающей схемой. Таким образом, можно видеть, что снятие механического напряжения — это то, что покрывается вышеуказанным патентом. Кроме того, снятие напряжений предусмотрено специально для снятия напряжений, обычно сопровождающих процесс «холодной сварки».«Холодная сварка» не обеспечивает разрушительного тепла, как при обычном процессе сварки. Он также не обеспечивает требуемой герметичности или текучести плоских упаковок.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Чтобы минимизировать высоту упаковки и получить низкопрофильную упаковку, прямоугольная рама или кольцо снабжены, как правило, прямоугольным кольцом вокруг своей верхней поверхности, которое обеспечивает выступающий наружу фланец, к которому приваривается крышка с помощью обычного процесса сварки. Сварной шов делается как можно дальше на фланце, чтобы тепло, выделяемое во время процесса сварки, рассеивалось до того, как оно окажет какое-либо влияние на стеклянные проходные отверстия, которые проходят через прямоугольную раму или кольцо.Это, в свою очередь, позволяет значительно уменьшить расстояние между самой верхней частью проходного отверстия для стекла и крышкой, в то же время обеспечивая сварную упаковку. Кольцо со смещенным сварным швом сначала припаивается или припаивается к верхней поверхности корпуса или кольца корпуса, а затем крышка приваривается по периферии сварочного кольца. В одном варианте осуществления с рамой из сплава никель-железо-кобальт Kovar-ASTM-F15, с рамой или кольцевой стенкой толщиной 40 мил и со смещенным кольцом из Kovar, имеющим толщину кромки 10 мил и ширину фланца 50 мил, тогда расстояние между верхней частью стеклянного проходного отверстия и крышкой может быть уменьшено с вышеупомянутых 40 тысячных долей дюйма до всего лишь 15 тысячных долей дюйма.Это обеспечивает общую высоту плоского пакета, которая значительно уменьшается по сравнению с другими плоскими пакетами, которые герметизируются обычными методами сварки.

Обратите внимание, приварное кольцо не должно выходить за пределы стенок рамы на сторонах, не снабженных выводами.

Использование традиционной техники сварки не только обеспечивает более высокий выход продукции и более низкую стоимость, но также устраняет необходимость обеспечения системы припоя, в которой должны использоваться золочение или золотые эвтектики.

В одном варианте осуществления высота упаковки дополнительно уменьшена за счет обеспечения ступенчатой ​​крышки с периферийной кромкой уменьшенной толщины, тогда как в другом варианте выполнения кольцевой выступ для сварки предусмотрен по периферии кольцевого сварного кольца со смещением.

Было обнаружено, что чем шире смещенная часть сварного кольца, тем ближе может быть расстояние между сварным кольцом и проходным отверстием для стекла. Для фланцев шириной 50 тысячных дюйма можно расположить нижнюю поверхность сварного кольца практически поверх стеклянного проходного отверстия, не нарушая целостность проходного отверстия.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Эти и другие особенности настоящего изобретения будут лучше поняты в связи с подробным описанием, взятым вместе с чертежами, на которых:

РИС.1 представляет собой покомпонентное изображение предмета изобретения, иллюстрирующее плоскую упаковку с промежуточным кольцом увеличенного размера, расположенным между верхней поверхностью рамы плоской упаковки и ее крышкой;

РИС. 2 — вид в разрезе плоской упаковки предшествующего уровня техники, показывающий необходимое расстояние между проходным отверстием и крышкой, когда крышка приварена к раме плоской упаковки;

РИС. 3 представляет собой вид в разрезе предмета изобретения, иллюстрирующий уменьшение расстояния между верхом проходного канала и крышкой для плоской упаковки за счет использования смещенного кольца;

РИС.4 — вид в поперечном разрезе места сварки смещенного кольца и крышки, показанных на фиг. 3;

РИС. 5 — схематическая иллюстрация расстояния смещения фланца для зоны сварного шва для смещенного кольца согласно настоящему изобретению;

РИС. 6 — вид в разрезе смещенного кольца, снабженного сварным выступом для использования при приваривании к нему крышки;

РИС. 7 — изометрический вид части плоской упаковки, в которой смещенное кольцо служит фланцем, полностью охватывающим раму;

РИС.8 — изометрический вид части плоской упаковки, показывающий боковую поверхность смещенного кольца заподлицо по отношению к раме для областей, в которых нет проходных отверстий;

РИС. 9 — вид сверху плоской упаковки, использующей предметное кольцо, в котором предметное кольцо образует фланец только над теми частями рамы, которые имеют проходные отверстия; и

РИС. 10 — вид в разрезе плоской упаковки, показанной на фиг. 9, показывающий участок заподлицо по отношению к боковой стенке рамы для участков плоской упаковки, в которых нет проходных отверстий.

ПОДРОБНОЕ ОПИСАНИЕ

Как описано, сварное кольцо со смещением припаяно к верхней поверхности рамы плоского блока, чтобы обеспечить поверхность сварного шва со смещением для приваривания крышки к плоскому пакету, так что тепло, прикладываемое во время процесса сварки, отводится от стеклянных проходных отверстий. в плоской упаковке. Это позволяет расположить крышку ближе к отверстию для стекла для минимизации общей высоты упаковки и получения низкопрофильной упаковки.

Теперь обратимся к фиг. 1 плоский пакет 10 показан как обычно включающий прямоугольное основание 12 и соответствующую рамку или кольцо 14, имеющее выводы 16, проходящие через противоположные боковые стенки 18 и 20 через проходные отверстия 22, которые обычно выполнены из стекла или керамики.Выводы служат не только для электрической изоляции выводов от рамы корпуса, но и для герметизации выводов от рамы. В обычном варианте осуществления основной материал может быть изготовлен из множества различных металлов или сплавов, таких как холоднокатаная сталь, нержавеющая сталь или сплав 42, сплав никеля и железа, тогда как в предпочтительном варианте каркас выполнен из так называется Ковар (сплав ASTMF-15), который представляет собой сплав никеля и кобальта, содержащий 17% кобальта, 54% железа и 29% никеля. Рама 14 имеет кольцевую верхнюю поверхность 24, к которой припаяно, как правило, прямоугольное смещенное кольцо 26, при этом материалы припоя выбираются на основе сплава, используемого для рамы и материала крышки.В предпочтительном варианте осуществления, когда Kovar является предпочтительным для рамы, смещенное кольцо 26 также изготовлено из Kovar и припаивается к раме Kovar посредством использования меди или другой пайки или высокотемпературной пайки. Следует понимать, что материалы крышки рамы и уплотнительного кольца могут быть из разнородных металлов.

После припаивания смещенного кольца к раме крышка, обычно обозначенная цифрой 28, приваривается к кольцу 26 на его периферии с помощью обычного процесса сварки. В такой системе используется сварной шов для герметизации крышки плоской упаковки.Это достигается одновременным выполнением серии точечных сварных швов внахлест на противоположных сторонах крышки за счет использования противоположных роликовых электродов, которые проходят по периферии крышки. Электроды сварщика остаются в постоянном контакте с крышкой и более непрерывно, в то время как источник питания быстро пульсирует. В одном варианте осуществления ролики наклонены внутрь для получения скошенной сварочной головки.

Чтобы минимизировать высоту упаковки, толщина края 30 крышки 28 может быть уменьшена за счет создания окружной выемки 32, так что крышка, когда она расположена над смещенным кольцом, имеет внутреннюю часть 34, которая выступает вниз в отверстие 36 смещенного кольца. 26.

Хотя общая высота упаковки в первую очередь определяется размером компонентов, находящихся внутри упаковки, и, следовательно, высотой проходного отверстия от основания, а также толщиной основания, для герметичных упаковок, которые должны быть сварены, есть — минимальное расстояние, показанное на фиг. 2 стрелкой 40 с двойным концом, которая составляет промежуток между проходным отверстием 42 и крышкой 44, так что нижняя поверхность крышки 44 расположена над самой верхней частью 48 проходного канала 42 на расстояние 40.Традиционные методы сварки включают использование тепла без рассеивания тепла. На герметичность стеклянного проходного отверстия, а также на структурную целостность влияет тепло, прикладываемое во время сварки. Например, температура сварки может составлять 1500 ° С. Этого достаточно, чтобы расплавить герметизирующее стекло, которое размягчается примерно при 700 ° C. С.

Как упоминалось выше, если толщина 50 стенки 52 рамы составляет 40 тысячных долей дюйма, то расстояние, указанное двусторонней стрелкой 40, также должно быть порядка 40 тысячных долей дюйма.Таким образом, хотя расстояние вывода 54 от основания 56 обычной упаковки обычно определяется компонентами внутри упаковки, количество металла в боковой стенке 52 между верхней частью стеклянного проходного отверстия и нижней частью крышки значительно способствует упаковке рост.

Теперь обратимся к фиг. 3, на котором одинаковые элементы имеют одинаковые ссылочные позиции по сравнению с фиг. 1 видно, что толщина боковой стенки, обозначенная двусторонними стрелками 60, в целом одинакова для боковой стенки, показанной на фиг.2. Расстояние, обозначенное двусторонними стрелками 62, значительно уменьшено из-за наличия смещенного кольца 26, которое в некоторых случаях может уменьшить толщину металла боковой стенки 18 до толщины, показанной двусторонней стрелкой 64, в одном варианте осуществления 15. тысячных долей дюйма по сравнению с 40 тысячными долями дюйма в предшествующем уровне техники.

Ссылаясь на фиг. 4 и 5 видно, что для крышки 28 и смещенного кольца 26 область, обозначенная пунктирным кружком 70, смещена, как показано на фиг.5 по стрелке 72 от внешней боковины 74 рамы 18.

В целом, чем дальше от боковой стенки находится зона сварки, тем меньше материала 74 рамы 18 необходимо обеспечить над проходным отверстием. Для практичных корпусов удлинение или смещение фланца на 50 тысячных дюйма достаточно для большинства сварочных процессов и не мешает установке корпуса на подходящую печатную плату или другой тип подложки.

Ссылаясь на фиг.6, смещающее кольцо 26 может быть снабжено сварным выступом или выступом 76, который используется для обеспечения дополнительного материала, необходимого при приваривании к нему крышки 18.

Независимо от того, используется ли сварной выступ, полученная упаковка или, по крайней мере, ее часть показана на фиг. 7, на котором объединенная периферия крышки 28 и сварного кольца 26 со смещением проходит за боковые стенки 80 и 82 упаковки 10. Однако, как упоминалось выше, кольцо 26 не обязательно должно выходить за боковую стенку 80 упаковки 10 или в тех областях, в которых сквозных соединений нет.Таким образом, как показано на фиг. 8 и 9, боковые стенки 84 и 86, примыкающие к боковой стенке 80, находятся на одном уровне с ними, тогда как кромки 88 и 90 выходят из боковой стенки 82. Как показано на фиг. На фиг.9 часть удлинения или ширины фланца, обозначенная позицией 94, продолжается от соответствующих боковых стенок 96, показанных пунктирным контуром под ними. Обращаясь к фиг. 10 четко проиллюстрирована гладкая поверхность боковой стенки 80 и края 86 кольца 26.

Хотя настоящее изобретение было описано в терминах плоских упаковок, в которых используются рамы Ковара, кольца и крышки, настоящее изобретение не ограничивается этим, поскольку смещенное кольцо обеспечивает отвод тепла для любого обычного процесса сварки, в котором крышка должна быть герметичной. герметично приваривается к плоской упаковке, имеющей сквозные проходы из керамических или стеклянных материалов.В то время как уменьшение высоты зависит в первую очередь от того, насколько близко крышка может быть расположена к вершинам вводов, количество металла или сплава над вводом, конечно, определяется материалом рамы и материалом вводов. Однако важно отметить, что, по крайней мере, некоторый металл или сплав должен находиться над проходным отверстием для обеспечения герметичности.

После обозначения предпочтительного варианта осуществления настоящего изобретения специалистам в данной области техники должно быть понятно, что модификации и альтернативы могут быть реализованы в рамках сущности изобретения.Соответственно, предполагается, что объем изобретения определяется только, как указано в следующей формуле изобретения.

General Microcircuits Inc. | Восток Запад Производство

Все началось с простой идеи: предоставить клиентам доступ к самым качественным и надежным продуктам по минимально возможной цене.

Это было целью в 1980 году, когда Руффус Далтон, Стэйтон Уильямс и Джо Веддингтон основали General Microcircuits, Inc. (GMI) в Мурсвилле, Северная Каролина. С тех пор эта передовая компания по производству электроники превратилась из простых решений для электронных плат в помощь компаниям на самых разных рынках в доработке существующих продуктов и внедрении новых идей с практической поддержкой на протяжении всего процесса — от концепции и далее.

Семейный бизнес продолжился, когда сын Руфуса Далтона, Дэйв Далтон, взял на себя управление в 1990 году. Хотя GMI с самого начала работала исключительно на своем предприятии площадью 95 000 квадратных футов в Северной Каролине, в 2011 году Дейв увидел возможность предоставить клиентам нуждаются в больших объемах с альтернативным местоположением и обеспечивают такое же высокое качество работы в более дешевой географии. После долгих размышлений Сан-Хосе, Коста-Рика, в конечном итоге стал домом для предприятия GMI площадью 14000 квадратных футов благодаря доступной и технически квалифицированной рабочей силе, уникально обширной зоне свободной торговли и значительно более короткому U.S. время доставки.

Несколько лет спустя East West Manufacturing начала поиски расширения своих возможностей EMS в США и инвестирования в прибрежные операции. К счастью, Дэйв сам искал стратегического партнера, который помог бы GMI развиваться. Обе компании смогли найти близость и комфорт в своей схожей культуре, возможностях и общей приверженности ставить клиентов на первое место. Таким образом, в 2019 году компании объединились, а вскоре после этого GMI стали называть подразделениями East West в Шарлотте и Коста-Рике.

Эти два новых подразделения оказались очень ценными для роста East West, и основной бизнес, который когда-то привел к успеху GMI, продолжает преобладать как внутри страны, так и за ее пределами. Объединенная организация предлагает клиентам доступ к глобальной цепочке поставок мирового класса от прототипов печатных плат, высокопроизводительных малых объемов, крупных объемов и проектов сборки коробок под ключ.

Восточно-западная Шарлотта и Восточно-Западная Коста-Рика. Основные направления деятельности:

  • Возможности сложных печатных плат
  • Box Build Assembly Services
  • Представление нового продукта

Обслуживаемых отраслей:

  • Автоматическое считывание показаний счетчика (MESH)
  • Сетевая инфраструктура
  • Производство электроэнергии
  • Промышленное управление
  • Лабораторное оборудование
  • Медицинский
  • Оборона / Национальная безопасность
  • Радиочастотные системы
  • Системы безопасности
  • Автомобильные системы

Узнайте больше о нашей специализации:

Лаборатория нейронной микросхемотехники — EPFL

Лаборатория нейронных микросхем (LNMC), возглавляемая профессором Генри Маркрамом, занимается изучением структуры, функций и пластичности нейронных микросхем с упором на неокортекс.

Лаборатория нейронных микросхем (LNMC), возглавляемая профессором Генри Маркрамом, занимается изучением структуры, функций и пластичности нейронных микросхем с упором на неокортекс.

Неокортекс составляет почти 80% человеческого мозга и состоит из повторяющихся стереотипных микросхем, состоящих из разных подтипов нейронов. Микросхема неокортекса обладает огромными вычислительными возможностями и способна принимать участие в ряде различных задач.Неокортекс можно разделить на несколько перекрывающихся вертикальных столбцов (диаметром 0,3-0,5 мм), каждый из которых выполняет свою функцию, тем самым формируя основу функциональной компартментализации неокортекса. Мы считаем, что неокортикальные микросхемы внутри таких функциональных кортикальных столбов представляют собой фундаментальную единицу вычислений, составляющую сущность вычислений неокортекса. Другими словами, нейронная микросхема лежит в основе способности неокортекса к обработке информации.

Таким образом, получение чертежа корковой микросхемы необходимо для всестороннего понимания высших когнитивных функций. Для достижения этой цели мы систематически характеризуем электрофизиологические, структурные и молекулярные свойства отдельных нейронов, а также локальные правила связности и синаптические свойства взаимосвязанных нейронов. Недавно мы также начали исследовать нейромодуляцию динамики микросхем. Функциональные свойства микросхемы в конечном итоге определяются динамическим репертуаром составляющих ее нейронов и синапсов, и поэтому мы прилагаем значительные усилия для раскрытия молекулярных основ этих динамических свойств.Эти усилия включают разработку высокопроизводительных протоколов для характеристики и картирования ионных каналов и получения транскриптома одной клетки.

Подробная информация о микросхеме также важна для всестороннего понимания неврологических и психических расстройств, возникающих в результате дисфункции неокортекса. Это могло бы стать основой для разработки вмешательств, устраняющих такие отклонения микросхем. В LNMC мы исследуем роль изменений микросхем в отношении аутизма.Один из наших основных вкладов до сих пор включает предложение теории интенсивного мира для аутизма.

Экспериментальные данные, сгенерированные LNMC, используются проектом Blue Brain Project (BBP) для создания реалистичных моделей in silico многих областей мозга с целью получить представление об обработке сигналов нейронных цепей с помощью детального компьютерного моделирования.

Добавить комментарий

Ваш адрес email не будет опубликован.