Идеальные девушки едут в Швейцарию
В последний день февраля вышел материал про Надю Несповитую. Она биохимик, сейчас в Швейцарии. Она ясноглазая, добрая и легкая. Она настоящая "отличница" в жизни, и вызывает у меня невероятную нежность и восторг:
http://theoryandpractice.ru/posts/4041-molodye-uchenye-biokhimik-nadezhda-nespovitaya
А в первый день февраля вышел материал про Катю Ломакину. Она математик и программист, пишет программы для исследования мозга, сейчас в Швейцарии. Она сильная, резкая и красивая, с твердым рукопожатием. Она вызывает у меня невероятное уважение и восторг:
http://theoryandpractice.ru/posts/3920-molodye-uchenye-matematik-ekaterina-lomakina
Из итогового текста вырезали множества всего интересного: и про проблему интеграции российской науки в мировую и об изучении стран Востока, и про спорт, и про правильную научную карьеру. Так что я с разрешения Кати, выкладываю полную версию здесь. А еще тут есть дополнительная литература - почитать по теме.
Итак....Кто не боится большого количества умных слов, добро пожаловать:
Молодые ученые: математик Екатерина Ломакина
Где училась: факультет вычислительной математики и кибернетики МГУ (2005 год), кафедра ММП (математических методов прогнозирования), стажировка в Швейцарии, аспирантура.
Что исследует: математические методы для исследования головного мозга человека; по-английски это звучит более емко - computational neuroscience.
Особые приметы: в качестве хобби учит японский, увозит из Москвы стопки книг на русском, занимается теннисом и айкидо, печет пироги, тратит аспирантскую стипендию на путешествия и смотрит старое кино на языке оригинала.
Когда я была в Цюрихе на каникулах, мой знакомый, когда-то тоже закончивший ВМК, пригласил меня на семинар своей лаборатории. Моя кафедра в МГУ занимается, в основном, машинным обучением, и мне было очень интересно послушать, чем и как занимаются в этом направлении в Швейцарии. На семинарах участник группы или
приглашенный докладчик рассказывает о своей работе, а поскольку машинное обучение применяется в самых разных областях, то и введение в предметную зачастую занимает довольно много времени. И от того слушать было еще интересней. На втором или третьем из посещенных семинаров, я услышала про такую отрасль как computational neuroscience, про ее задачи и про то, какое к этому имеет отношение машинное обучение.
У меня моментально загорелись глаза: человеческий мозг, психика, мышление - все это безумно меня интересовало. Если честно, то и на ВМК, выбирая кафедру математических методов прогнозирования, я надеялась, что от машинного обучения можно будет перейти к искусственному интеллекту, а оттуда вроде как и до науки о мозге недалеко. И вдруг я увидела перед собой живого человека, не статью в журнале, не видеолекцию, а живого аспиранта, который занимается тем, чем я мечтала заниматься последние пять лет. В общем, я схватила его за воротник, повела пить кофе, расспрашивать о нем и о его работе, рассказывать о себе, о том, как мне нравится эта тема, и что я скоро заканчиваю университет и… как-то все завертелось. В итоге у меня получилось уговорить профессора взять меня на трехмесячную стажировку, а после нее я осталась уже в аспирантуре.
Сложность попадания на стажировку напрямую зависит от того, кто берет на себя финансовую сторону вопроса. У меня, к счастью, была возможность съездить на стажировку за свой счет, и это все существенно упростило. Если человек готов потратить определенное количество денег на дорогу и проживание, то в любом вузе практически
любой профессор будет очень рад его видеть, потому что свежие заинтересованные люди, еще и бесплатно - это однозначно хорошо. Так что если есть такая возможность, и очень хочется куда-то попасть, то можно рассмотреть и такой вариант. Хотя это и не обязательно - можно найти варианты с финансовой поддержкой принимающей стороны,
но это можеть занять больше времени, сил, а главное, не факт, что получится попасть именно туда, куда хочется.
Я в аспирантуре уже год с лишним, осталось еще два, два с половиной года. Основное место моей аспирантуры - ETH Zurich, факультет computer science, группа по машинному обучению. Моя вторая аспирантура, точнее группа, в которой я занимаюсь наукой о мозге до недавнего времени относилась к экономическому факультету университета Цюриха, а теперь является самостоятельной лабораторий на базе института биомедицинских технологий, который в свою очередь является совместным проектом медицинского факультета универсетита Цюриха и инженерного факультета ETH Zurich. Такое разнообразие в предметных областях вполне соответствует самой группе, там собраны
люди с очень разным образованием: и физики, и программисты, и психологи. А сам профессор медик, закончивший аспирантуру по нейроинформатике. То есть группа представляет собой отличный пример модной сейчас синергии и мультидисциплинарных исследований.
Образования в нейронауках, психологии или психиатрии у меня не было никакого, я закончила ВМК и поначалу представлялась в Швейцарии как computer scientist. А потом выяснилось, что согласно местной системе координат, я скорее математик. На ВМК есть три потока: физико-математический, “финансовая математика” (там все подряд: и
исследование операций, и кибернетика, и мы с нашим машинным обучением), и третий поток - программистский, то, что на Западе называют computer science. А то, что делаем мы и первый поток - это прикладная математика. Так что теперь, рассказывая о себе, говорю, что я математик, опять же эксплуатируя стереотип о Русских Математиках.
Я считаю, что получила очень хорошее образование. Главное, чему меня научил ВМК - это усваивать огромные объемы сколь угодно сложной информации в предельно сжатые сроки. ВМК научил быстро учиться чему угодно: от уравнений в частных производных до биохимических процессов в синапсах. С точки зрения самого материала,
то единственное, чего мне не хватало, это математической статистики. Причем, судя по всему, не у одной меня из российских выпускников это проблемный момент. В итоге я брала дополнительный курс по статистике в Швейцарии, так что сейчас ситуация более менее выправилась.
Мне кажется, у нас несколько другой подход к образованию. Мы гораздо меньше времени тратили на презентацию результатов, на их интерпретацию и анализ практического значения, но при этом все результаты выводились от самого начала: определяли, что такое число, что такое функция, что такое поле, и от этого уже выводили весь
матанализ, функциональный анализ и так далее. В Швейцарии все чуть более нацелено на использование, прикладные примеры, идеи, концепции. Правда, я не преподавала на математическом факультете, была семинаристом только на факультете computer science.
А еще больное место нашего образования это английский. В меня в свое время родители вложили много «пинков», сил и денег, чтобы я сносно выучила английский, за что им огромное спасибо, это очень помогает. Но у многих язык - это огромная проблема, мешающая полноценно работать, учиться, рассказывать о собственной работе. Одна из особенностей преподавания языка в России в школе - это то, что ошибки делать ни в коем случае нельзя, «не знаешь точно - лучше молчи» и прочее. И в итоге все боятся открыть рот, чтобы не сделать ошибку, и бьются о языковой барьер. Помню, что сама очень расстраивалась, особенно в начале, если прорезался сильный акцент, или я допускала много ошибок. У меня много коллег из разных стран, и никто, кроме выросших в бывшем СССР, не переживает так за уровень своего английского. Итальянцы зачастую говорят с чудовищным акцентом, французы регулярно мешают английские и французские слова, у индусов бывает очень специфический английский, но никто на этом не зацикливается, если его при этом понимают. Но основная проблема даже не в переживаниях и в эмоциях, а в том, что это, действительно, мешает работать. В российских научных кругах английский пока не является частью научной жизни, инструментом работы, в итоге студенты и ученые мало читают западных книжек, пишут статей на английском или участвуют в англоговорящих конференциях. Впрочем, со временем это меняется.
Моего профессора недавно на семинаре спросили, пробовал ли кто-либо провести один из обсуждаемых экспериментов. Он рассмеялся и ответил, что “русские - наверняка, но мы все равно об этом не узнаем”. Он рассказал, что был на конференции в России в 90х годах, где они представляли какие-то результаты своих исследований с использованием ЭЭГ, электроэнцефалограммы, и почти на каждый результат русские отвечали, что
они это еще с 60х/70х/80х годов знают. Причем по комментариям было понятно, что эти “новые” результаты для них уже давно пройденный этап. В итоге была проделана колоссальная работа, но поскольку о ней никто не узнал, она была проведена повторно. Проиграли в результате все. Может быть, в каких-то областях российская наука идет
сейчас и в более правильном направлении, чем западная, но мало кто про это знает в силу плохо налаженной коммуникации. Образование, особенно в новых областях, таких как computer science, безусловно, страдает от того, что мало кто работает с оригиналами, а переводы доходят годами. К слову, курсы, где я являюсь семинаристом, проходят исключительно на английском, и все задания к ним, и вся литература на английском, при том, что большинство студентов немецкоговорящие. Это общее правило для всех курсов магистратуры.
Почему российская наука слабо интегрирована в мировую? Мне кажется, что это в первую очередь язык и нежелание интегрироваться в мировую науку. Там другая система правил, ценностей, авторитетов, ценятся совсем другие заслуги. Конечно, я не говорю обо всех ученых, которые работают в России; безусловно, есть и те, которые и хотят, и, как результат, интегрируются. Однако ряд интервью с теми, кто считается столпами нашей сегодняшней науки, показали мне, что сама система пока еще предпочитает продолжать жить в изоляции. Вообще, вопрос национальной науки, столь часто и остро поднимаемый в дискуссиях, сам по себе странный. Согласно Чехову, “национальной науки нет так же, как и национальной таблицы умножения”.
Мой профессор Клаас Энно Штефан по образованию медик, а докторскую степень получил по computer science и по neuroscience. У него есть миссия, некое общее виденье проблемы - что он вместе со своей командой, то есть вместе с нами, должен сделать в науке. Основная идея в том, чтобы научиться находить внутреннюю структуру спектральных психиатрических заболеваний и научиться точнее из диагностировать.Подозреваю, что медицински это не совсем корректно, но в рамках моего понимания, спектральные заболевания это те, которые описываются как совокупность разного рода симптомов без понимания исходной причины. Таким заболеванием является, например,
шизофрения. Более того, согласно сегодняшним представлениям, под этим названием скрывается несколько различных заболеваний, объединенных схожими симптомами: в части из них удается выявить генетический фактор, в части - нет; часть реагирует на определенные лекарства, часть - нет и так далее. Когда-то спектральным заболеванием можно было назвать высокое давление, которое, как мы теперь знаем, является симптомом десятка двух различных процессов и заболеваний внутренних органов: от мозга до печени. Подобное разложение “спектра” шизофрении с помощью современных методов измерений мозга и математических методов анализа и хочет провести мой профессор.
Как самый первый шаг, еще до измерений и настройки моделей, психологи в нашей команде должны придумать и разработать тесты, эксперименты и задачи, которые наиболее показательны в контексте интересующей проблемы. Под тестами и задачами я имею в виду то, что делает человек, когда его помещают в сканер: слушать текст, читать,
делать ставки, оценивать площадь объектов и так далее.
Дальше, когда тесты готовы и протестированы на нас же, мы приступаем к измерениям на добровольцах. Сейчас существует ряд способов анализа и измерения активности мозга, начиная от ЭЭГ и заканчивая магнитно-резонансной томографией (МРТ). У всех у них есть определенные достоинства и недостатки, возможности и ограничения, идеального метода на данный момент нет. Но при этом каждый новый метод позволяет сделать нам огромный шаг вперед в диагностике и понимании различных нервных и психиатрических заболеваний. ЭЭГ стал таким методом для эпилепсии, переведя ее из разряда психиатрических заболеваний в область заболеваний нервных. МРТ позволил намного точнее диагностировать и отслеживать ход дегенеративных заболеваний мозга таких как синдром Паркинсона или Альцгеймера. Однако в случае с шизофренией сегодняшних методов измерений и обработки этих измерений пока не достаточно - что-то увидеть получается, но далеко не все; общей картинки пока нет. Один из самых новых методов, который мы активно используем в своей работе - функциональная МРТ.
Функциональная МРТ позволяет смотреть не на структуру мозга, а на его активность в динамике. Увы, у полученного видео довольно плохое временное разрешение и качество изображения уступает структурной МРТ, но это плата за динамику. ФМРТ уже позволила нам многое узнать и подтвердить уже полученные наблюдения. Например, если поместить в сканер человека и показывать ему изображения домов и людей, а потом сравнить усредненную активность по обоим условиям, то можно увидеть две различные зоны в зрительной коре, из которых одна отвечает за восприятие домов, а другая - людей. Подобный эксперимент можно провести и с двигательной активностью,
например, попросить человека нажимать на кнопку либо правой рукой, либо левой рукой. Тогда при анализе четко «вспыхивает» двигательная зона, как раз там, где руки, пальцы. Анализ разницы в активации позволил обнаружить довольно много всего, но совершенство недостижимо. Далеко не все процессы (и самые интересные как раз не)
кодируются на уровне Вкл/Выкл. К тому же, фМРТ - это десятки тысяч точек, это очень большие, очень сложные данные с очень высоким уровнем шума - от измерительного и до “экспериментального”. Человек, лежа в сканере, думает одновременно о миллионе разных вещей: он видит домик из эксперимента, еще ему неудобно лежать, он забыл дома выключить утюг, он хочет есть и тому подобное.
Получив измерения, нужно сделать следующий шаг, попытаться понять, что за процессы происходят на уровень глубже. Взять, например, восприятие речи, дажеболее специфично - чтение. Это достаточно сложный процесс и в него вовлечены несколько зон мозга, которые неким образом передают информацию друг другу, связаны между собой: непосредственно зрительная кора активизируется через глазной нерв, а дальше информация, то есть возбуждение, передается в другие зоны и отделы. И мы с некоторым приближением описываем процесс восприятия письменной речи как динамическую модель, состояющую из зон и связей между ними. Есть гипотеза, что эти динамические модели и их параметры (наличие тех или иных связей и их «сила», пропускная способность) различных у больных и у здоровых людей. В качестве проверки этого предположения мы анализировали данные больных после инсульта, у которых развилась афазия - трудности с речью. Для чистоты эсперимента мы анализировали только ту часть мозга, которая не была повреждена при инсульте, и при этом, вовлечена в процесс восприятия речи. Больные и здоровые люди слушали запись речи - нормальной и инвертированной (задом наперед). А дальше мы настроили динамические модели для больных и для здоровых и взяли параметры этих моделей как признаки для классификации. Наш классификатор научился определять болезнь с 98,6% точностью, в то время как точность стандартных методов, построенных на прямых измерениях активности и структуры, в лучшем случае достигала 75%.
Подобные модели позволяют увидеть и найти в больших, сложных и шумных данных ключевые признаки и особенности человека с болезнью или, например, находящегося под воздействием определенных веществ, наркотических или лекарственных. Еще так можно увидеть разницу между двумя немного разными процессами, например, между прослушиванием нормальной речи и инвертированной речи (регионы вовлечены те же самые, но процессы идут по-разному). Такие модели - это система дифференциальных уравнений, плюс достаточно сложная биологически мотивированная схема того, как система дифференциальных уравнений генерирует сигнал, который мы измеряем. Настройка топологии и поиск параметров таких моделей достаточно сложная оптимизационная задача, даже совокупность задач, и это как раз то, чем я и занимаюсь.
Практическое применение наших исследований - диагностика. Но чтобы добраться до диагностики непосредственно шизофрении, нам нужно сделать много мелких шагов и доказать и показаться множество промежуточных результатов. Диагностика и, желательно, разложение шизофрении на ряд более однородных заболеваний - это некое
общее видение нашей миссии, то, к чему, как мы надеемся, мы придем в итоге. Пока мы можем отделить больных с афазией от здоровых или, например, различные типы обучения у здоровых людей. Сейчас готовим эсперимент по социальному обучению - то, как разные люди при обучении воспринимают советы. В этом эксперименте испытуемые должны оценить площадь двух объектов, и при этом им получают советы от некоего «оратора». Со временем они начинают понимать, что некоторые советчики дают хорошие советы, а некоторые - плохие. И тогда люди выбирают разные стратегии: некоторые всегда слушают советы, некоторые всегда поступают наоброт, некоторые вообще их игнорируют. И мы будем пытаться понять, где это стратегии «кодируются», в чем разница между приверженцами разных стратегий. Мы сейчас закончиваем измерения и начинаем обработку данных - будем пытаться найти, где это на уровне наших моделей и как-то интерпретировать с точки зрения наших знаний о мозге.
Вторая лаборатория, в которой я работаю, занимаетcя непосредственно машинным обучением. Основные темы исследования сейчас - это валидация моделей при unsupervised learning, обучении без учителя. Многие задачи, которые считаются типичными задачами машинного обучения, относятся к задачам обучения с учителем, в первую очередь, это любые задачи классификации. Предполагается, что есть обучающая выборка, для которой мы знаем ответ. Тогда мы можем проверить наш классификатор на этой обучающей выборке, насколько он хорош, насколько его ответы совпадают с реальными. В общем случае и в оценке качества классификатора тоже есть свои нюансы, но, в целом, понятно, какова наша цель. Как говорил кто-то из футболистов: «Гол - это когда мяч пересекает линию ворот».
Существует еще целый класс задач - обучение без учителя, по-английски unsupervised learning, где как такового правильного ответа нет, то есть он есть, конечно, но его невозможно формализовать. Типичный пример - задачи кластеризации. Мы видим, что у данных есть какая-то структура, и нам по ряду причин может быть очень важно ее
найти. Но когда мы получаем эту структуру довольно трудно определить, насколько она верна, поскольку настоящей структуры, мы, естетсвенно, не знаем. В такого рода задачах, основной и пока толком не решенный вопрос - это определение качества работы алгоритма. Вот у нас есть 2 алгоритма кластеризации, и они выдали нам два разных набора кластеров, две разные структуры. Какой из алгоритмов лучше? У моего профессора с факультета Computer Science, Йоахима Буманна, есть своя гипотеза на этот счет, и это основной фокус текущей работы в группе. Если вкратце и очень общо, то наилучшая кластеризация - это та, которая наилучшим образом сохраняет структуры при небольших флуктуациях в данных.
Для чего нужна задача кластеризации в целом? Например, в психиатрии есть такая задача - среди пациентов определить однородные группы. Собственно, в моей первой лаборатории нам нужно будет в какой-то момент решать задачи кластеризации. У нас, конечно, будет сопутствующая информация: ход лечения, симптоматика, семейная
история, генетические данные. Но мы бы хотели понять внутреннюю структуру - отдельные группы, их количество, свойства, возможную иерархию. Особая задача - определить количество кластеров - понять, сколько есть групп здоровых и больных людей на основании объективной меры.
В университете есть замечательная штука - computer science коллоквиум, туда приезжают такие гранды из индустрии или из научного мира и рассказывают о своей работе. Очень интересно, когда люди из крупной индустрии рассказывают, какие научные задачи встают в рамках реального производства. Приезжали из DreamWorks, которые
сделали мультфильм “Мегамозг” - рассказывали, как решали в этом мультфильме проблему визуализации пыли и осколков. Человек из Microsoft рассказывал про кинект и технологию определения позы с помошью камеры глубины. Приезжали, из Google и рассказывали, как они делают Google карты и панорамы. Google эту технологию, кстати, отдают бесплатно, у них есть партнеры в других странах, которые развивают ее и адаптирует для местных проблем. Первыми, кого они вспомнили сходу, что приятно, был Яндекс.
Что касается России, то насколько я знаю, как раз в области информационных технологий тоже есть примеры наукоемкого бизнеса. У меня есть знакомые в том же Яндексе, в Касперском, в ряде компаний поменьше, которые делают много исследовательской работы. Мне кажется очень логичным, что много исследований ведется именно
в машинном обучении - как раз та область науки, которую легко стимулировать непосредственно из бизнеса. Ученые вообще - люди увлекающиеся, и могут тратить свое время, силы и деньги налогоплательщиков на самые разнообразные проекты, иногда самые невероятные, но на мой взгляд какая-то связь с реальными задачами и проблемами должна сохранятся. В этом смысле наукоемкий бизнес - это с моей точки зрения очень правильно.
То, что мне лично очень интересно, это brain computer interfaces, нейропротезирование, когда с помощью компьютер можно помочь людям компенсировать несовершенства их физического тела. Brain computer interfaces - довольно впечатляющая штука, к человеку цепляют датчики, подсоединяют их к компьютеру, и в итоге полностью парализованный больной может управлять, например, курсором на компьютере или механическим манипулятором. В этой области много математических задач, там есть, безусловно, чем заняться. И мне лично хочется работать в области, связанной с медициной, чтобы то, что я делала, помогало конкретным людям.
Что касается возвращения, то немца, если он работает в Англии, никто не спрашивает, собирается ли он возвращаться в Германию или нет. Он даже не поймет, почему этот вопрос возник. В том, что ученые уезжают из России, в самом по себе, ничего плохого нет. Плохо, что они не возвращаются обратно и плохо, что мало кто приезжает из других стран. Не нужно блокировать поток из России, нужно сделать так, чтобы поток был одинаков в обе стороны. К примеру, в Болонской системе ученый после PhD делает один или два постдока, а потом уже ищет постоянную позицию. И считается правильной научной карьерой прохождение постдока не просто в другом вузе, а желательно в другой стране, лучше в англоязычной стране. Например, если PhD в Швейцарии, то на постдок нужно ехать в Великобританию, в Штаты, в Канаду. Общая идея состоит в том, что человек в рамках своего обучения и научной работы должен посмотреть и поработать в разных научных школах, с разными подходами, познакомиться с как можно большим количеством людей. Очень сложно это сделать, если ты как поступил в МГУ, так там до академика и дослужился. И можно быть супероткрытым и адекватным, но все равно окажешься в рамках одного научного коллектива и одной научной школы.
Я когда приехала в Швейцарию, считала себя по московским меркам довольно спортивным человеком - каждую неделю играла в теннис, периодически ездила заниматься конным спортом и даже иногда вспоминала, что в Москве есть бассейн. Под конец моей стажировки из-за изврежения вулкана отменили мой рейс, и я осталась в Швейцарии еще на неделю. И кто-то из коллег подошел ко мне и говорит: «О, ты как раз попадаешь на марафон. В Цюрихе каждый год проходит популярное командное мероприятие - 500 команд бегут эстафету. Суммарная длина 200 км. Нам не хватает участника, давай ты присоединишься? Мы дадим тебе новичковый этап - всего 8 км». А я понимаю, что после трех километров я умру. И что значит: новичковый этап восемь километров? То есть его что, все и каждый может пробежать? А они при этом тоже аспиранты, научные сотрудники... Вообще к тому моменту я уже обратила внимание на то, что Швейцария очень спортивная страна, и из научных мира спортом там занимается гораздо больше людей, чем в Москве, но это все равно было очень неожиданно. И мне стало очень стыдно, тогда я начала делать зарядку, ходить в бассейн, на теннис, недавно еще стала заниматься айкидо. В итоге сейчас по швейцарским меркам я уже могу, надеюсь, считаться спортивным человеком. Спорт стал занимать большое место в моей жизни, и мне это нравится, я могу долго ходить, не уставая, лучше высыпаюсь, у меня стала лучше реакция - я, конечно, продолжаю ронять стаканы, но теперь я их еще и ловлю. Что очень помогает это то, что в Цюрихе потрясающая спортивная инфраструктура, и практически весь спорт для студентов или бесплатный или с огромными скидками, включая всякие секции вроде йоги или танцев. Сам Цюрих находится на берегу озера, недалеко от гор, их даже видно в хорошую погоду. Так что летом все либо купаются в озере, либо часами гуляют по горам, а зимой - горные лыжи и прогулки уже по горам заснеженным.
Второе мое увлечение - это путешествия, на них уходит почти вся вполне достойная цюрихская стипендия. Последнее, где мы были, это Индия. Летом лечу в Китай, правда на конференцию, но заодно будет еще неделя попутешествовать. В Европе много где удалось побывать, благо все очень близко. Опять же мне интересно изучать другие культуры, иностранные языки. Нам в школе очень подробно преподается история Европы, и при этом, наверное, два-три урока отводится на Китай, Индию и Японию вместе взятых. А это же древнейшие и интереснейшие цивилизации, и хочется восполнить недостаток знаний о них. Пока поездку в Японию организовать не получается, так что в качестве хобби учу японский.
Муж образовывает меня в смысле кино. Выяснилось, что я не смотрела большую часть из классики мирового кинематографа, теперь, если вдруг остается свободное время, стараюсь компенсировать этот пробел. Начали смотреть с «Броненосца Потемкина» и «Чапаева». Кино стараюсь по возможности смотреть с субтитрами на языке оригинала, а в идеале, конечно, и без субтитров. Тоже можно сказать, что это мое хобби.
Что почитать по теме:
1. Christopher Bishop, «Pattern Recognition and Machine Learning»
2. Marc Bear, Barry Connors, Michael Paradiso, «Neuroscience: exploring the brain»
3. Константин Воронцов, конспекты лекций на ВМК по курсу ММРО.
4. Оливер Сакс, «Человек, который принял жену за шляпу».
5. John-Dylan Haynes, Geraint Rees, «Decoding mental states from brain activity in
humans», Nature Reviews Neuroscience 7, 523-534 (July 2006).
http://theoryandpractice.ru/posts/4041-molodye-uchenye-biokhimik-nadezhda-nespovitaya
А в первый день февраля вышел материал про Катю Ломакину. Она математик и программист, пишет программы для исследования мозга, сейчас в Швейцарии. Она сильная, резкая и красивая, с твердым рукопожатием. Она вызывает у меня невероятное уважение и восторг:
http://theoryandpractice.ru/posts/3920-molodye-uchenye-matematik-ekaterina-lomakina
Из итогового текста вырезали множества всего интересного: и про проблему интеграции российской науки в мировую и об изучении стран Востока, и про спорт, и про правильную научную карьеру. Так что я с разрешения Кати, выкладываю полную версию здесь. А еще тут есть дополнительная литература - почитать по теме.
Итак....Кто не боится большого количества умных слов, добро пожаловать:
Молодые ученые: математик Екатерина Ломакина
Где училась: факультет вычислительной математики и кибернетики МГУ (2005 год), кафедра ММП (математических методов прогнозирования), стажировка в Швейцарии, аспирантура.
Что исследует: математические методы для исследования головного мозга человека; по-английски это звучит более емко - computational neuroscience.
Особые приметы: в качестве хобби учит японский, увозит из Москвы стопки книг на русском, занимается теннисом и айкидо, печет пироги, тратит аспирантскую стипендию на путешествия и смотрит старое кино на языке оригинала.
Когда я была в Цюрихе на каникулах, мой знакомый, когда-то тоже закончивший ВМК, пригласил меня на семинар своей лаборатории. Моя кафедра в МГУ занимается, в основном, машинным обучением, и мне было очень интересно послушать, чем и как занимаются в этом направлении в Швейцарии. На семинарах участник группы или
приглашенный докладчик рассказывает о своей работе, а поскольку машинное обучение применяется в самых разных областях, то и введение в предметную зачастую занимает довольно много времени. И от того слушать было еще интересней. На втором или третьем из посещенных семинаров, я услышала про такую отрасль как computational neuroscience, про ее задачи и про то, какое к этому имеет отношение машинное обучение.
У меня моментально загорелись глаза: человеческий мозг, психика, мышление - все это безумно меня интересовало. Если честно, то и на ВМК, выбирая кафедру математических методов прогнозирования, я надеялась, что от машинного обучения можно будет перейти к искусственному интеллекту, а оттуда вроде как и до науки о мозге недалеко. И вдруг я увидела перед собой живого человека, не статью в журнале, не видеолекцию, а живого аспиранта, который занимается тем, чем я мечтала заниматься последние пять лет. В общем, я схватила его за воротник, повела пить кофе, расспрашивать о нем и о его работе, рассказывать о себе, о том, как мне нравится эта тема, и что я скоро заканчиваю университет и… как-то все завертелось. В итоге у меня получилось уговорить профессора взять меня на трехмесячную стажировку, а после нее я осталась уже в аспирантуре.
Сложность попадания на стажировку напрямую зависит от того, кто берет на себя финансовую сторону вопроса. У меня, к счастью, была возможность съездить на стажировку за свой счет, и это все существенно упростило. Если человек готов потратить определенное количество денег на дорогу и проживание, то в любом вузе практически
любой профессор будет очень рад его видеть, потому что свежие заинтересованные люди, еще и бесплатно - это однозначно хорошо. Так что если есть такая возможность, и очень хочется куда-то попасть, то можно рассмотреть и такой вариант. Хотя это и не обязательно - можно найти варианты с финансовой поддержкой принимающей стороны,
но это можеть занять больше времени, сил, а главное, не факт, что получится попасть именно туда, куда хочется.
Я в аспирантуре уже год с лишним, осталось еще два, два с половиной года. Основное место моей аспирантуры - ETH Zurich, факультет computer science, группа по машинному обучению. Моя вторая аспирантура, точнее группа, в которой я занимаюсь наукой о мозге до недавнего времени относилась к экономическому факультету университета Цюриха, а теперь является самостоятельной лабораторий на базе института биомедицинских технологий, который в свою очередь является совместным проектом медицинского факультета универсетита Цюриха и инженерного факультета ETH Zurich. Такое разнообразие в предметных областях вполне соответствует самой группе, там собраны
люди с очень разным образованием: и физики, и программисты, и психологи. А сам профессор медик, закончивший аспирантуру по нейроинформатике. То есть группа представляет собой отличный пример модной сейчас синергии и мультидисциплинарных исследований.
Образования в нейронауках, психологии или психиатрии у меня не было никакого, я закончила ВМК и поначалу представлялась в Швейцарии как computer scientist. А потом выяснилось, что согласно местной системе координат, я скорее математик. На ВМК есть три потока: физико-математический, “финансовая математика” (там все подряд: и
исследование операций, и кибернетика, и мы с нашим машинным обучением), и третий поток - программистский, то, что на Западе называют computer science. А то, что делаем мы и первый поток - это прикладная математика. Так что теперь, рассказывая о себе, говорю, что я математик, опять же эксплуатируя стереотип о Русских Математиках.
Я считаю, что получила очень хорошее образование. Главное, чему меня научил ВМК - это усваивать огромные объемы сколь угодно сложной информации в предельно сжатые сроки. ВМК научил быстро учиться чему угодно: от уравнений в частных производных до биохимических процессов в синапсах. С точки зрения самого материала,
то единственное, чего мне не хватало, это математической статистики. Причем, судя по всему, не у одной меня из российских выпускников это проблемный момент. В итоге я брала дополнительный курс по статистике в Швейцарии, так что сейчас ситуация более менее выправилась.
Мне кажется, у нас несколько другой подход к образованию. Мы гораздо меньше времени тратили на презентацию результатов, на их интерпретацию и анализ практического значения, но при этом все результаты выводились от самого начала: определяли, что такое число, что такое функция, что такое поле, и от этого уже выводили весь
матанализ, функциональный анализ и так далее. В Швейцарии все чуть более нацелено на использование, прикладные примеры, идеи, концепции. Правда, я не преподавала на математическом факультете, была семинаристом только на факультете computer science.
А еще больное место нашего образования это английский. В меня в свое время родители вложили много «пинков», сил и денег, чтобы я сносно выучила английский, за что им огромное спасибо, это очень помогает. Но у многих язык - это огромная проблема, мешающая полноценно работать, учиться, рассказывать о собственной работе. Одна из особенностей преподавания языка в России в школе - это то, что ошибки делать ни в коем случае нельзя, «не знаешь точно - лучше молчи» и прочее. И в итоге все боятся открыть рот, чтобы не сделать ошибку, и бьются о языковой барьер. Помню, что сама очень расстраивалась, особенно в начале, если прорезался сильный акцент, или я допускала много ошибок. У меня много коллег из разных стран, и никто, кроме выросших в бывшем СССР, не переживает так за уровень своего английского. Итальянцы зачастую говорят с чудовищным акцентом, французы регулярно мешают английские и французские слова, у индусов бывает очень специфический английский, но никто на этом не зацикливается, если его при этом понимают. Но основная проблема даже не в переживаниях и в эмоциях, а в том, что это, действительно, мешает работать. В российских научных кругах английский пока не является частью научной жизни, инструментом работы, в итоге студенты и ученые мало читают западных книжек, пишут статей на английском или участвуют в англоговорящих конференциях. Впрочем, со временем это меняется.
Моего профессора недавно на семинаре спросили, пробовал ли кто-либо провести один из обсуждаемых экспериментов. Он рассмеялся и ответил, что “русские - наверняка, но мы все равно об этом не узнаем”. Он рассказал, что был на конференции в России в 90х годах, где они представляли какие-то результаты своих исследований с использованием ЭЭГ, электроэнцефалограммы, и почти на каждый результат русские отвечали, что
они это еще с 60х/70х/80х годов знают. Причем по комментариям было понятно, что эти “новые” результаты для них уже давно пройденный этап. В итоге была проделана колоссальная работа, но поскольку о ней никто не узнал, она была проведена повторно. Проиграли в результате все. Может быть, в каких-то областях российская наука идет
сейчас и в более правильном направлении, чем западная, но мало кто про это знает в силу плохо налаженной коммуникации. Образование, особенно в новых областях, таких как computer science, безусловно, страдает от того, что мало кто работает с оригиналами, а переводы доходят годами. К слову, курсы, где я являюсь семинаристом, проходят исключительно на английском, и все задания к ним, и вся литература на английском, при том, что большинство студентов немецкоговорящие. Это общее правило для всех курсов магистратуры.
Почему российская наука слабо интегрирована в мировую? Мне кажется, что это в первую очередь язык и нежелание интегрироваться в мировую науку. Там другая система правил, ценностей, авторитетов, ценятся совсем другие заслуги. Конечно, я не говорю обо всех ученых, которые работают в России; безусловно, есть и те, которые и хотят, и, как результат, интегрируются. Однако ряд интервью с теми, кто считается столпами нашей сегодняшней науки, показали мне, что сама система пока еще предпочитает продолжать жить в изоляции. Вообще, вопрос национальной науки, столь часто и остро поднимаемый в дискуссиях, сам по себе странный. Согласно Чехову, “национальной науки нет так же, как и национальной таблицы умножения”.
Мой профессор Клаас Энно Штефан по образованию медик, а докторскую степень получил по computer science и по neuroscience. У него есть миссия, некое общее виденье проблемы - что он вместе со своей командой, то есть вместе с нами, должен сделать в науке. Основная идея в том, чтобы научиться находить внутреннюю структуру спектральных психиатрических заболеваний и научиться точнее из диагностировать.Подозреваю, что медицински это не совсем корректно, но в рамках моего понимания, спектральные заболевания это те, которые описываются как совокупность разного рода симптомов без понимания исходной причины. Таким заболеванием является, например,
шизофрения. Более того, согласно сегодняшним представлениям, под этим названием скрывается несколько различных заболеваний, объединенных схожими симптомами: в части из них удается выявить генетический фактор, в части - нет; часть реагирует на определенные лекарства, часть - нет и так далее. Когда-то спектральным заболеванием можно было назвать высокое давление, которое, как мы теперь знаем, является симптомом десятка двух различных процессов и заболеваний внутренних органов: от мозга до печени. Подобное разложение “спектра” шизофрении с помощью современных методов измерений мозга и математических методов анализа и хочет провести мой профессор.
Как самый первый шаг, еще до измерений и настройки моделей, психологи в нашей команде должны придумать и разработать тесты, эксперименты и задачи, которые наиболее показательны в контексте интересующей проблемы. Под тестами и задачами я имею в виду то, что делает человек, когда его помещают в сканер: слушать текст, читать,
делать ставки, оценивать площадь объектов и так далее.
Дальше, когда тесты готовы и протестированы на нас же, мы приступаем к измерениям на добровольцах. Сейчас существует ряд способов анализа и измерения активности мозга, начиная от ЭЭГ и заканчивая магнитно-резонансной томографией (МРТ). У всех у них есть определенные достоинства и недостатки, возможности и ограничения, идеального метода на данный момент нет. Но при этом каждый новый метод позволяет сделать нам огромный шаг вперед в диагностике и понимании различных нервных и психиатрических заболеваний. ЭЭГ стал таким методом для эпилепсии, переведя ее из разряда психиатрических заболеваний в область заболеваний нервных. МРТ позволил намного точнее диагностировать и отслеживать ход дегенеративных заболеваний мозга таких как синдром Паркинсона или Альцгеймера. Однако в случае с шизофренией сегодняшних методов измерений и обработки этих измерений пока не достаточно - что-то увидеть получается, но далеко не все; общей картинки пока нет. Один из самых новых методов, который мы активно используем в своей работе - функциональная МРТ.
Функциональная МРТ позволяет смотреть не на структуру мозга, а на его активность в динамике. Увы, у полученного видео довольно плохое временное разрешение и качество изображения уступает структурной МРТ, но это плата за динамику. ФМРТ уже позволила нам многое узнать и подтвердить уже полученные наблюдения. Например, если поместить в сканер человека и показывать ему изображения домов и людей, а потом сравнить усредненную активность по обоим условиям, то можно увидеть две различные зоны в зрительной коре, из которых одна отвечает за восприятие домов, а другая - людей. Подобный эксперимент можно провести и с двигательной активностью,
например, попросить человека нажимать на кнопку либо правой рукой, либо левой рукой. Тогда при анализе четко «вспыхивает» двигательная зона, как раз там, где руки, пальцы. Анализ разницы в активации позволил обнаружить довольно много всего, но совершенство недостижимо. Далеко не все процессы (и самые интересные как раз не)
кодируются на уровне Вкл/Выкл. К тому же, фМРТ - это десятки тысяч точек, это очень большие, очень сложные данные с очень высоким уровнем шума - от измерительного и до “экспериментального”. Человек, лежа в сканере, думает одновременно о миллионе разных вещей: он видит домик из эксперимента, еще ему неудобно лежать, он забыл дома выключить утюг, он хочет есть и тому подобное.
Получив измерения, нужно сделать следующий шаг, попытаться понять, что за процессы происходят на уровень глубже. Взять, например, восприятие речи, дажеболее специфично - чтение. Это достаточно сложный процесс и в него вовлечены несколько зон мозга, которые неким образом передают информацию друг другу, связаны между собой: непосредственно зрительная кора активизируется через глазной нерв, а дальше информация, то есть возбуждение, передается в другие зоны и отделы. И мы с некоторым приближением описываем процесс восприятия письменной речи как динамическую модель, состояющую из зон и связей между ними. Есть гипотеза, что эти динамические модели и их параметры (наличие тех или иных связей и их «сила», пропускная способность) различных у больных и у здоровых людей. В качестве проверки этого предположения мы анализировали данные больных после инсульта, у которых развилась афазия - трудности с речью. Для чистоты эсперимента мы анализировали только ту часть мозга, которая не была повреждена при инсульте, и при этом, вовлечена в процесс восприятия речи. Больные и здоровые люди слушали запись речи - нормальной и инвертированной (задом наперед). А дальше мы настроили динамические модели для больных и для здоровых и взяли параметры этих моделей как признаки для классификации. Наш классификатор научился определять болезнь с 98,6% точностью, в то время как точность стандартных методов, построенных на прямых измерениях активности и структуры, в лучшем случае достигала 75%.
Подобные модели позволяют увидеть и найти в больших, сложных и шумных данных ключевые признаки и особенности человека с болезнью или, например, находящегося под воздействием определенных веществ, наркотических или лекарственных. Еще так можно увидеть разницу между двумя немного разными процессами, например, между прослушиванием нормальной речи и инвертированной речи (регионы вовлечены те же самые, но процессы идут по-разному). Такие модели - это система дифференциальных уравнений, плюс достаточно сложная биологически мотивированная схема того, как система дифференциальных уравнений генерирует сигнал, который мы измеряем. Настройка топологии и поиск параметров таких моделей достаточно сложная оптимизационная задача, даже совокупность задач, и это как раз то, чем я и занимаюсь.
Практическое применение наших исследований - диагностика. Но чтобы добраться до диагностики непосредственно шизофрении, нам нужно сделать много мелких шагов и доказать и показаться множество промежуточных результатов. Диагностика и, желательно, разложение шизофрении на ряд более однородных заболеваний - это некое
общее видение нашей миссии, то, к чему, как мы надеемся, мы придем в итоге. Пока мы можем отделить больных с афазией от здоровых или, например, различные типы обучения у здоровых людей. Сейчас готовим эсперимент по социальному обучению - то, как разные люди при обучении воспринимают советы. В этом эксперименте испытуемые должны оценить площадь двух объектов, и при этом им получают советы от некоего «оратора». Со временем они начинают понимать, что некоторые советчики дают хорошие советы, а некоторые - плохие. И тогда люди выбирают разные стратегии: некоторые всегда слушают советы, некоторые всегда поступают наоброт, некоторые вообще их игнорируют. И мы будем пытаться понять, где это стратегии «кодируются», в чем разница между приверженцами разных стратегий. Мы сейчас закончиваем измерения и начинаем обработку данных - будем пытаться найти, где это на уровне наших моделей и как-то интерпретировать с точки зрения наших знаний о мозге.
Вторая лаборатория, в которой я работаю, занимаетcя непосредственно машинным обучением. Основные темы исследования сейчас - это валидация моделей при unsupervised learning, обучении без учителя. Многие задачи, которые считаются типичными задачами машинного обучения, относятся к задачам обучения с учителем, в первую очередь, это любые задачи классификации. Предполагается, что есть обучающая выборка, для которой мы знаем ответ. Тогда мы можем проверить наш классификатор на этой обучающей выборке, насколько он хорош, насколько его ответы совпадают с реальными. В общем случае и в оценке качества классификатора тоже есть свои нюансы, но, в целом, понятно, какова наша цель. Как говорил кто-то из футболистов: «Гол - это когда мяч пересекает линию ворот».
Существует еще целый класс задач - обучение без учителя, по-английски unsupervised learning, где как такового правильного ответа нет, то есть он есть, конечно, но его невозможно формализовать. Типичный пример - задачи кластеризации. Мы видим, что у данных есть какая-то структура, и нам по ряду причин может быть очень важно ее
найти. Но когда мы получаем эту структуру довольно трудно определить, насколько она верна, поскольку настоящей структуры, мы, естетсвенно, не знаем. В такого рода задачах, основной и пока толком не решенный вопрос - это определение качества работы алгоритма. Вот у нас есть 2 алгоритма кластеризации, и они выдали нам два разных набора кластеров, две разные структуры. Какой из алгоритмов лучше? У моего профессора с факультета Computer Science, Йоахима Буманна, есть своя гипотеза на этот счет, и это основной фокус текущей работы в группе. Если вкратце и очень общо, то наилучшая кластеризация - это та, которая наилучшим образом сохраняет структуры при небольших флуктуациях в данных.
Для чего нужна задача кластеризации в целом? Например, в психиатрии есть такая задача - среди пациентов определить однородные группы. Собственно, в моей первой лаборатории нам нужно будет в какой-то момент решать задачи кластеризации. У нас, конечно, будет сопутствующая информация: ход лечения, симптоматика, семейная
история, генетические данные. Но мы бы хотели понять внутреннюю структуру - отдельные группы, их количество, свойства, возможную иерархию. Особая задача - определить количество кластеров - понять, сколько есть групп здоровых и больных людей на основании объективной меры.
В университете есть замечательная штука - computer science коллоквиум, туда приезжают такие гранды из индустрии или из научного мира и рассказывают о своей работе. Очень интересно, когда люди из крупной индустрии рассказывают, какие научные задачи встают в рамках реального производства. Приезжали из DreamWorks, которые
сделали мультфильм “Мегамозг” - рассказывали, как решали в этом мультфильме проблему визуализации пыли и осколков. Человек из Microsoft рассказывал про кинект и технологию определения позы с помошью камеры глубины. Приезжали, из Google и рассказывали, как они делают Google карты и панорамы. Google эту технологию, кстати, отдают бесплатно, у них есть партнеры в других странах, которые развивают ее и адаптирует для местных проблем. Первыми, кого они вспомнили сходу, что приятно, был Яндекс.
Что касается России, то насколько я знаю, как раз в области информационных технологий тоже есть примеры наукоемкого бизнеса. У меня есть знакомые в том же Яндексе, в Касперском, в ряде компаний поменьше, которые делают много исследовательской работы. Мне кажется очень логичным, что много исследований ведется именно
в машинном обучении - как раз та область науки, которую легко стимулировать непосредственно из бизнеса. Ученые вообще - люди увлекающиеся, и могут тратить свое время, силы и деньги налогоплательщиков на самые разнообразные проекты, иногда самые невероятные, но на мой взгляд какая-то связь с реальными задачами и проблемами должна сохранятся. В этом смысле наукоемкий бизнес - это с моей точки зрения очень правильно.
То, что мне лично очень интересно, это brain computer interfaces, нейропротезирование, когда с помощью компьютер можно помочь людям компенсировать несовершенства их физического тела. Brain computer interfaces - довольно впечатляющая штука, к человеку цепляют датчики, подсоединяют их к компьютеру, и в итоге полностью парализованный больной может управлять, например, курсором на компьютере или механическим манипулятором. В этой области много математических задач, там есть, безусловно, чем заняться. И мне лично хочется работать в области, связанной с медициной, чтобы то, что я делала, помогало конкретным людям.
Что касается возвращения, то немца, если он работает в Англии, никто не спрашивает, собирается ли он возвращаться в Германию или нет. Он даже не поймет, почему этот вопрос возник. В том, что ученые уезжают из России, в самом по себе, ничего плохого нет. Плохо, что они не возвращаются обратно и плохо, что мало кто приезжает из других стран. Не нужно блокировать поток из России, нужно сделать так, чтобы поток был одинаков в обе стороны. К примеру, в Болонской системе ученый после PhD делает один или два постдока, а потом уже ищет постоянную позицию. И считается правильной научной карьерой прохождение постдока не просто в другом вузе, а желательно в другой стране, лучше в англоязычной стране. Например, если PhD в Швейцарии, то на постдок нужно ехать в Великобританию, в Штаты, в Канаду. Общая идея состоит в том, что человек в рамках своего обучения и научной работы должен посмотреть и поработать в разных научных школах, с разными подходами, познакомиться с как можно большим количеством людей. Очень сложно это сделать, если ты как поступил в МГУ, так там до академика и дослужился. И можно быть супероткрытым и адекватным, но все равно окажешься в рамках одного научного коллектива и одной научной школы.
Я когда приехала в Швейцарию, считала себя по московским меркам довольно спортивным человеком - каждую неделю играла в теннис, периодически ездила заниматься конным спортом и даже иногда вспоминала, что в Москве есть бассейн. Под конец моей стажировки из-за изврежения вулкана отменили мой рейс, и я осталась в Швейцарии еще на неделю. И кто-то из коллег подошел ко мне и говорит: «О, ты как раз попадаешь на марафон. В Цюрихе каждый год проходит популярное командное мероприятие - 500 команд бегут эстафету. Суммарная длина 200 км. Нам не хватает участника, давай ты присоединишься? Мы дадим тебе новичковый этап - всего 8 км». А я понимаю, что после трех километров я умру. И что значит: новичковый этап восемь километров? То есть его что, все и каждый может пробежать? А они при этом тоже аспиранты, научные сотрудники... Вообще к тому моменту я уже обратила внимание на то, что Швейцария очень спортивная страна, и из научных мира спортом там занимается гораздо больше людей, чем в Москве, но это все равно было очень неожиданно. И мне стало очень стыдно, тогда я начала делать зарядку, ходить в бассейн, на теннис, недавно еще стала заниматься айкидо. В итоге сейчас по швейцарским меркам я уже могу, надеюсь, считаться спортивным человеком. Спорт стал занимать большое место в моей жизни, и мне это нравится, я могу долго ходить, не уставая, лучше высыпаюсь, у меня стала лучше реакция - я, конечно, продолжаю ронять стаканы, но теперь я их еще и ловлю. Что очень помогает это то, что в Цюрихе потрясающая спортивная инфраструктура, и практически весь спорт для студентов или бесплатный или с огромными скидками, включая всякие секции вроде йоги или танцев. Сам Цюрих находится на берегу озера, недалеко от гор, их даже видно в хорошую погоду. Так что летом все либо купаются в озере, либо часами гуляют по горам, а зимой - горные лыжи и прогулки уже по горам заснеженным.
Второе мое увлечение - это путешествия, на них уходит почти вся вполне достойная цюрихская стипендия. Последнее, где мы были, это Индия. Летом лечу в Китай, правда на конференцию, но заодно будет еще неделя попутешествовать. В Европе много где удалось побывать, благо все очень близко. Опять же мне интересно изучать другие культуры, иностранные языки. Нам в школе очень подробно преподается история Европы, и при этом, наверное, два-три урока отводится на Китай, Индию и Японию вместе взятых. А это же древнейшие и интереснейшие цивилизации, и хочется восполнить недостаток знаний о них. Пока поездку в Японию организовать не получается, так что в качестве хобби учу японский.
Муж образовывает меня в смысле кино. Выяснилось, что я не смотрела большую часть из классики мирового кинематографа, теперь, если вдруг остается свободное время, стараюсь компенсировать этот пробел. Начали смотреть с «Броненосца Потемкина» и «Чапаева». Кино стараюсь по возможности смотреть с субтитрами на языке оригинала, а в идеале, конечно, и без субтитров. Тоже можно сказать, что это мое хобби.
Что почитать по теме:
1. Christopher Bishop, «Pattern Recognition and Machine Learning»
2. Marc Bear, Barry Connors, Michael Paradiso, «Neuroscience: exploring the brain»
3. Константин Воронцов, конспекты лекций на ВМК по курсу ММРО.
4. Оливер Сакс, «Человек, который принял жену за шляпу».
5. John-Dylan Haynes, Geraint Rees, «Decoding mental states from brain activity in
humans», Nature Reviews Neuroscience 7, 523-534 (July 2006).