Savanoriška atkuriamų, efektyvių laikinų modelių generacija
Jul 14, 2023
Santrauka:Viena iš ypatingų biologinių smegenų savybių yra mažos energijos sąnaudos, reikalingos įvairioms biologinėms funkcijoms ir intelektui įgyvendinti, palyginti su šiuolaikiniu dirbtiniu intelektu (DI). Smailiais pagrįsti energiją taupantys laiko kodai jau seniai buvo siūlomi kaip prisidedantys prie smegenų, naudojančių mažas energijos sąnaudas. Nepaisant to, kad apie šį kodą daugiausia buvo pranešta jutiminėje žievėje, ar šis kodas gali būti įgyvendintas kitose smegenų srityse, kad galėtų atlikti platesnes funkcijas, ir kaip jis vystosi mokymosi metu, liko neišspręstas. Šiame tyrime sukūrėme naują smegenų ir mašinos sąsajos (KMI) paradigmą. Dvi makakos gali savo noru sukurti atkuriamusenergiją taupančius laiko modeliuspirminėje motorinėje žievėje (M1), išmokus KMI paradigmą. Be to, dauguma neuronų, kurie nebuvo tiesiogiai priskirti KMI kontroliuoti, nepadidina jų jaudrumo, o atlikdami užduotį jie demonstravo bendrą energiją taupantį būdą. Mokymosi metu mes nustatėme, kad pasirinktų neuronų šaudymo greitis ir laikinasis tikslumas kartu vystėsi, kad sukurtųenergiją taupančius laiko modelius, o tai rodo, kad nuoseklus, o ne atskiriamas apdorojimas yra energiją taupančių laiko modelių tobulinimo pagrindas.
Raktiniai žodžiai:tikslūs laiko modeliai;energiją taupantis kodas;smegenų ir mašinos sąsajos; pirminė motorinė žievė
SPUSTELĖKITE ČIA, KAD SUŽINOTE CISTANCHE FOR BRAIN ENERGY
1. Įvadas
Nors žmogaus smegenys aktyviai išeikvoja 20 procentų kūno energijos, galiausiai jos sunaudoja tik 20 vatų energijos [1,2]. Be to, vienas iš naujausių tyrimų atskleidė, kad neuroniniam skaičiavimui sunaudojama galia užima mažiau nei vieną procentą viso biudžeto [3]. Palyginti su energija, kurią sunaudoja šiuolaikinis dirbtinis intelektas (DI), įdiegtas silicio aparatinėje įrangoje, smegenys sunaudoja nepaprastai mažai biologiniam intelektui įgyvendinti. Dešimtmečius mokslininkai ir inžinieriai bandė gauti įžvalgų iš neuroninio kodavimo schemų, kad sukurtų efektyvias intelektualias sistemas. Laikinasis kodavimas, kuriuo informacija perduodama ir apdorojama per laikiną spyglių koordinavimą, naudoja diskrečią spyglių prigimtį. Laikinasis kodas teoriškai gali turėti daugiau informacijos nei kurso kodas [4]. Todėl laikinas kodavimas patraukė dėmesį ir buvo naudojamas AI praktikoje [5–7]. Tačiau laikinųjų kodų įgyvendinimas nebūtinai sukelia retumą ar mažą energijos biudžetą visame pasaulyje biologinėse smegenyse (1A pav.). Pagal [8] kodo efektyvumas apibrėžiamas kaip vaizdavimo pajėgumo ir sunaudotos energijos santykis, apibūdinamas įtrauktų veikimo potencialų skaičiumi. Vienas neseniai atliktas tyrimas parodė, kad tikslių laiko modelių generavimą lydi padidėjęs sužadinimas [9]. Šiuo atveju, nors tikslūs laiko modeliai buvo sukurti tvirtai, jie nebuvo laikomi veiksmingais dėl didėjančių medžiagų apykaitos sąnaudų, kurias sukelia pertekliniai šuoliai. Todėl labai reikia gilesnio supratimo apie tai, kaip sukuriami veiksmingi laiko modeliai, ir apie neuronų skirtumus, kuriais grindžiami efektyvių ir neefektyvių modelių generavimas. Šis gilesnis supratimas yra raktas į funkcines pasekmes neurologijos srityje ir kuriant veiksmingą dirbtinį intelektą.
1 pav. Tikslių laiko kodų schema. (A) Schema, iliustruojanti dviejų tipų tikslius laiko kodus. Nuspalvinti stačiakampiai žymi tikslią sinchronizaciją be greičio svyravimų, kuri išsaugoma dviejų neuronų smailių grandinėse. Tačiau efektyvus tikslus laikinasis modelis, pavaizduotas dešinėje, turi mažiau spyglių nei kairėje, nors spygliuočių sutapimų skaičius dviem atvejais yra identiškas. (B) Schema, kaip efektyvūs kodai tiriami dirbtiniuose neuroniniuose tinkluose, aiškiai įtraukiant reguliavimo terminą į sąnaudų funkciją, kad būtų sumažintas didelis sudeginimo dažnis r(t). Čia c(t) žymi tikslinius signalus, kuriuos turi pavaizduoti tinklas. (C) Aiškaus informacijos talpos c (t) ir medžiagų apykaitos sąnaudų (neuronų šaudymo greičio r (t)) įtraukimo į smegenų ir mašinos sąsajos dekoderį schema, skirta efektyviems kodams in vivo tirti. NCS(t) yra iššifruotas kintamasis, apibrėžtas šiame tyrime
Per pastaruosius dešimtmečius mokslininkai dokumentavo efektyvius laiko modelius, daugiausia stimulų kodavimo kontekste [10, 11]. Tačiau, be dirgiklio atvaizdavimo, biologinėse smegenyse atliekami įvairūs skaičiavimai, siekiant gauti intelektą, pvz., darbinė atmintis, sudėtingų savarankiškų modelių generavimas ir rezultatų išdavimas. Nepaisant to, labai mažai žinoma apie tai, ar veiksmingi laiko modeliai gali būti atkuriami, kad būtų galima atlikti platesnį funkcijų spektrą. Kita prieštaringa tema, susijusi su veiksmingu kodu, yra jo išmokimas. Kadangi kiekvieno šuolio laikinasis poslinkis „skaičiuojamas“, o bet kokie pertekliniai spygliai būtų laikomi metaboliškai brangiais, apibrėžiant efektyvų kodą, šio kodo diegimas smaigaliu pagrįstame neuroniniame tinkle, siekiant palaikyti efektyvų skaičiavimą, yra daug žadantis. Tačiau palyginti nedaug tyrimų parodė, kad tinklus galima išmokyti sukurti efektyvius modelius [12–14]. Viena iš siūlomų strategijų buvo aiškiai apriboti šaudymo rodiklius sąnaudų funkcijoje ir mokyti tinklą taikant visuotinį klaidų atgalinį sklidimą, o tai buvo biologiškai neįtikėtina (1B pav.). Nepaisant to, nebuvo įrodyta, ar veiksmingus modelius galima išmokti biologiškai patikimu būdu, o tai gali būti sudėtinga tirti in vivo, nes negalima apibrėžti „tikslų“, kurie apribotų smailių emisiją atliekant tradicines elgesio užduotis, o taip ir yra. dirbtiniuose neuroniniuose tinkluose.
Norėdami išspręsti šiuos iššūkius, pasinaudojome smegenų ir mašinos sąsaja (KMI) [15]. Be didžiulės sėkmės atkuriant motorines [16–20], kalbos [21] ir psichologines funkcijas [22], KMI pastaruoju metu suaktyvino neuromokslą, pasiūlydamas tam tikrų nervų modelių elgesio pasekmių priežastinį ryšį. Tyrėjai gali apibrėžti neuroninės veiklos ir elgesio rezultatų, kurie buvo vadinami „dekoderiais“, sąsajas [23–26]. Taigi, KMI suteikė mums galimybę apibrėžti „tikslus“, būtent apriboti smailių emisiją, kad būtų galima ištirti, ar efektyvūs laiko modeliai gali būti atkuriami ir išmokti (1C pav.). [9] tyrime autoriai parodė, kad kai dekoderiai buvo santykinio smailės laiko funkcija, o ne dažniausiai naudojami deskriptoriai, pvz., šaudymo dažnis, siekiant kontroliuoti rezultatus, laike tiksliai nustatyti modeliai gali būti priežastiniu ryšiu susiję su elgesiu. Be to, žinomi tokio „laikinio neuroprotezavimo“ žemėlapiai leido autoriams stebėti, kaip smegenų grandinėse buvo išmokti ir patobulinti laiko modeliai. Tačiau šis tyrimas apėmė tik neveiksmingų laiko modelių atvejį, todėl efektyvūs laiko modeliai iš esmės nebuvo ištirti. Todėl šio darbo tikslas yra ištirti veiksmingų motorinės žievės laiko modelių generavimą ir mokymąsi, įvedant naują KMI, kuris riboja tikslų smaigalio laiką ir medžiagų apykaitos išlaidas, atsirandančias dėl smailių skaičiaus.
2. Medžiagos ir metodai
Visos chirurginės ir eksperimentinės procedūros atitiko Laboratorinių gyvūnų priežiūros ir naudojimo vadovą (Kinijos sveikatos ministerija) ir buvo patvirtintos Kinijos Džedziango universiteto Gyvūnų priežiūros komiteto. Chirurginė procedūra buvo išsamiai aprašyta [27]. Trumpai tariant, 96-kanalo mikroelektrodų matricos (Blackrock Neurotech) buvo chroniškai implantuotos į dviejų rezuso beždžionių (Macaca mulatta) (Monkey B11, Monkey C05) pirminę motorinę žievę. Beždžionėms atsigauti po operacijos prireikė maždaug savaitės, o po to nerviniai signalai buvo įrašyti per Cerebus daugiakanalę duomenų rinkimo sistemą (Blackrock Neurotech) 30 kHz dažniu. Smailių aktyvumas buvo aptiktas slenksčiu (šaknies kvadratinis daugiklis, B11: ×5,5; C05: ×7). Pirmoje mokymosi sesijoje ir po internetinio rankinio rūšiavimo priskyrėme du izoliuotus įrenginius, turinčius didžiausią signalo santykį (SNR) ir bangos formos stabilumą, remdamiesi ankstesnių savaičių įrašais, kad būtų atitinkamai paleidimo vienetas ir tikslinis vienetas. Šių dviejų vienetų internetiniai rūšiavimo šablonai nesikeitė mokymosi metu ir patvirtinti neprisijungus veikiančiu rūšiuotoju (Plexon, Dallas, TX, USA, Inc.), kad užtikrintų, jog tie patys neuronai buvo įrašyti ir naudojami treniruotėms per visas sesijas. S1A paveiksle parodyta, kad bangos formų kitimas seansų metu yra mažesnis nei vidutinė amplitudė. Kadangi šie du atrinkti vienetai buvo tiesiogiai atsakingi už rezultatą, jie buvo pažymėti kaip „tiesioginiai neuronai“. Likę vienetai buvo „netiesioginiai neuronai“, kurie buvo aptikti ir surūšiuoti neprisijungus, kad būtų galima atlikti tolesnę analizę šiame straipsnyje. Užregistruotų „netiesioginių neuronų“ skaičius per dienas buvo gana stabilus (B11: 54,3 ± 8,5; C05: 54,3 ± 9,1). Be to, tiesioginių masyvo neuronų erdvinis ryšys parodytas S1B paveiksle.
2.1. Elgesio užduotis
Atliekant šią užduotį, paleidimo vieneto ir tikslinio vieneto smailės 300 ms lange buvo perduodamos realiuoju laiku į pasirinktinai parašytus scenarijus sistemoje MATLAB (Mathworks Inc., Natick, MA, JAV), kad būtų galima apskaičiuoti kondicionavimo kintamąjį: normalizuotas sutapimo balas (NCS). Langas buvo stumdomas kas 150 ms su 150 ms persidengimu. Tada NCS buvo grąžinamas subjektui garsiniu ir vizualiniu būdu, taip pat kas 150 ms. Tiriamieji gautų atlygį už vandenį, jei jiems pavyktų moduliuoti nervinius modelius, kad per 15 sekundžių NCS būtų nukreipta iki slenksčio. Priešingu atveju tyrimas būtų nutrauktas, o tiriamieji turėtų palaukti dar 4 s, kad galėtų pradėti kitą tyrimą (2B pav.). NCS slenksčiai, norint gauti atlygį, buvo nustatyti kaip 99-asis NCS pasiskirstymo procentilis, kuris buvo įvertintas pagal pradinius duomenis per pirmą seansą (atrinkta kas 150 ms 5 min.). NCS slenksčiai (B11: 0,36; C05: 0,32) buvo fiksuoti per seansus. Pradiniu laikotarpiu tiriamieji sėdėjo suvaržę rankas. Vanduo buvo duodamas atsitiktinai, bet negausiai, tik tam, kad nuraminti tiriamąjį ir leisti jiems išlaikyti stacionarią būseną be didelių judesių. Šiuo laikotarpiu nebuvo suteikta jokių klausos ar regos dirgiklių.
Kondicionavimo kintamasis NCS apibrėžiamas taip:
kur M ir N yra bendras spuogų iš trigerio bloko ir tikslinio vieneto skaičius 300 ms laiko lange, S(∆ji) yra balo funkcija, priklausanti nuo atsilikimo ∆ji tarp i-ojo smailės spinduliavimo laiko. paleidimo vienetas ir j-asis tikslinio vieneto smaigalys. Konkrečiau, balo funkcija įgauna eksponentinę formą, panašią į tai, kaip sinapsinis efektyvumas kinta nuo smailės laiko priklausomo plastiškumo (STDP) [28], kai trigeris, vedantis į tikslą, lemia teigiamą rezultatą ir atvirkščiai:
Mūsų eksperimente τ buvo nustatytas 17 ms, kad atitiktų kritinį langą, stebėtą STDP eksperimentuose [29]. Todėl NCS skaitiklis padėjo apdovanoti ne tik laiko tikslumą, bet ir teisingą laiko tvarką. Patogumo sumetimais šį skaitiklį pavadinome sutapimo balu (CS). Normalizavimas pagal geometrinį dviejų vienetų smailių skaičių buvo nubaustas už pernelyg didelius šuolius už energijos sąnaudas. Teoriškai NCS reikšmė turėtų būti nuo –1 iki 1.
NCS susiejome su garso žymeklio dažniu, kuris svyruoja nuo 1 kHz iki 24 kHz ketvirčio oktavos žingsniais. Be to, mes pritaikėme panašią vizualinio grįžtamojo ryšio aplinką atlikdami centre esančias užduotis, nes visi dalykai buvo mokomi atlikti centre esančias užduotis. NCS [−0.5, 0.5] buvo susietas su vertikalia mėlyno apskritimo padėtimi ekrane (2A pav.), o geltonas apskritimas rodo atlygio slenkstį. Vaizdinis grįžtamasis ryšys buvo įgyvendintas naudojant „Psychtoolbox“ ir susietas su pagal užsakymą parašyta pagrindine programa.
Dalykai buvo apriboti vandeniu ir turėjo mokytis užduočių iš eilės, kiekvieną dieną surengiant dvi sesijas: vieną ryte ir kitą po pietų.
Taip pat atlikome kontrolinį eksperimentą, siekdami ištirti, kaip šaudymo dažnių normalizavimas paveikė efektyvių laikinųjų nervų modelių susidarymą. Šiame kontroliniame eksperimente C05 turėjo moduliuoti sutapimo balą, o ne normalizuotą sutapimo balą, naudodamas kitą tiesioginių vienetų porą (vadinamą „CS moduliavimo“ užduotimi). Kitos užduočių konfigūracijos buvo identiškos užduotyje „NCS moduliavimas“.
2 pav. KMI pagrįsta užduočių paradigma. (A) Užduotis buvo vykdoma uždaro ciklo būdu. Neuroninis aktyvumas iš tiriamojo M1 buvo automatiškai nuskaitytas ir išgautas. Visi laidai ir atsilikimai tarp spuogų iš trigerio ir tikslinių vienetų buvo naudojami NCS apskaičiuoti, kuris buvo toliau grąžinamas susiejant jį su garso žymeklio dažniu ir vertikalia vaizdo žymeklio padėtimi. Šiame pavyzdiniame bandyme NCS atlygio slenkstis buvo 0.32. Atlygio už vandenį slenkstis buvo nustatytas remiantis NCS pasiskirstymu, apskaičiuotu pirmojoje sesijoje. (B) Vienos tipinės sesijos užduoties struktūra. Sesija prasidėjo 5-min baziniu bloku, po kurio buvo galima įvertinti NCS pasiskirstymą. Vienas bandymas gali trukti daugiausia 15 s, o po to seka 4 s ilgio tarpbandinis intervalas (ITI). NCS buvo apskaičiuotas naudojant nervinį aktyvumą 300 ms slankiojančiame lange.
2.2. Duomenų analizė Elgsenos metrika.
Norėdami įvertinti elgseną atliekant užduotį, taikėme dvi metrikas – sėkmės rodiklį ir bandymo trukmę. Sėkmės rodiklis buvo apibrėžtas kaip santykis tarp sėkmingų bandymų skaičiaus ir bendro bandymų skaičiaus per vieną sesiją. Santykinai toks pat bendras bandymų skaičius buvo atliktas per seansus kiekvienam tiriamajam (B11: 105,3 ± 12,8; C05: 215 ± 20,0) ir buvo naudojamas tolesnei analizei. Bandymų skaičius buvo nustatytas tiek, kiek tiriamieji galėjo atlikti visapusiškai įsitraukę. Kita metrika, įvertinanti elgseną, ty bandymo trukmė, buvo apibrėžta kaip laikas nuo bandymo pradžios iki atlygio suteikimo.
Kita metrika, kuria vertinamas elgsenos efektyvumas, bandomojo laikotarpio trukmė, buvo apibrėžta kaip laikas nuo bandymo pradžios iki atlygio suteikimo.
CCH. Naudojome virpesių pataisytą kryžminės koreliacijos histogramą (CCH), kad pavaizduotų laiko ryšį tarp trigerio ir tikslinių vienetų ribotoje laiko skalėje [30]. Atsitiktinai pakeitėme kiekvieno tikslinio įrenginio smaigalio emisijos laiką, kad būtų pateiktas surogatinis CCH (sCCH). Ši pakartotinio atrankos procedūra buvo atlikta 1000 kartų [31]. Drebėjimo kitimas priklausė nuo CCH laiko skiriamosios gebos. Pavyzdžiui, jei CCH bin buvo 15 ms, kaip parodyta 5A paveiksle, tada standartinis atsitiktinio virpėjimo nuokrypis („drebėjimo langas“) taip pat turėtų būti nustatytas 15 ms. Mes atėmėme šį sCCH iš neapdoroto CCH, kad gautume pataisytą CCH. Tokiu būdu garantavome, kad bus pašalinti struktūriniai šaudymo modeliai arba laiko intervalų svyravimai, panašūs į CCH laiko skiriamąją gebą. Iš esmės kiekviena tam tikros dėžės juosta CCH reiškia trigerinių neuronų smaigalio galimybę sukurti sutapimą su tiksliniu neuronu. Todėl mes galėtume naudoti juostą, esančią šalia nulinio atsilikimo, kad išmatuotų dviejų neuronų laiko tikslumą. Kadangi mūsų tyrimas buvo sutelktas į laiko tikslumą su laiko tvarka, analizei naudojome tik [0, 15] ms arba [0, 5] ms sutapimą. Be to, priėmimo juostoms sudaryti buvo naudojama sCCH uodegos tikimybė. Klaidos juosta ištaisytame CCH nubrėžė standartinį sCCH nuokrypį
Tikslių laiko modelių spyglių skaičiaus palyginimas. Norėdami patikrinti hipotezę, kad sugeneruoti tikslūs laiko modeliai yra efektyvūs energiją, palyginome tikslių laiko modelių, surinktų iš užduočių bloko, skaičių su pradinio bloko duomenimis, kontroliuodami sutapimo balą. Tiksliau, mes atrinkome 300 ms ilgio neuronų modelius iš pradinio bloko (judindami langą 150 ms žingsniais), kurių sutapimo balas buvo sutapimo balų diapazone iš naudingų nervų modelių.
Be to, mes taip pat palyginome tikslių laiko modelių, surinktų atliekant šią užduotį, skaičių su CS moduliavimo užduoties naudingų nervų modelių skaičiais. Panašiai mes atrinkome neuroninius modelius iš šių dviejų rinkinių, kad sutapimo balų diapazonas atitiktų. Moduliacijos indeksas.
Moduliavimo indeksas buvo naudojamas apibūdinti atskirų neuronų moduliacijos gylį užduočių bloke, pagrįstą jo sudegimu baziniame bloke FRbaseline:
Tiksliau, FRtask buvo įvertintas naudojant sėkmingus bandymus užduočių bloke. Stabilios sesijos. Norėdami išsiaiškinti stabilias seansus (arba mokymosi plynaukštę) iš viso n įrašymo seansų, kartotinai apskaičiavome santykį rk tarp paskutinių k seansų sėkmės rodiklio dispersijos σ 2 ({Si |i=n − k plius 1, ..., n}) ir nuo pirmojo σ 2 ({Si |i=1, ..., n − k}) taip:
kur Si reiškia sėkmės rodiklį sesijoje i. k buvo kartojamas nuo 2 iki n − 1, o iteracija buvo nutraukta, kai rk buvo didesnis nei rk−1. Paskutinė k–1 sesija būtų grąžinta kaip stabili seansai. Kitaip tariant, k-osios sesijos pridėjimas prie paskutinių k-1 seansų padidintų elgsenos skirtumus, todėl jo nereikėtų laikyti stabilia sesija. Remiantis šiuo kriterijumi, B11 seansas nuo 6 iki 10 sesijos ir nuo 9 iki 10 C05 sesijos buvo laikomos stabiliomis.
NCS viršijimas. NCS, viršijusi atlygio slenkstį, buvo apibrėžta kaip viršijanti NCS. Norėdami neutralizuoti dviejų tiriamųjų slenkstinių verčių skirtumus, iš visų B11 viršijusių NCS atėmėme slenksčių skirtumą ({{0}}.36 − 0.32=0.04). kad būtų pateiktas ištaisytas viršijimas NCS.
2.3. Statistinės analizės sėkmės rodiklis.
Pirmiausia buvo atliktas tiesinis pritaikymas, siekiant patikrinti kiekvieno dalyko didėjimo tendenciją. Vienpusis Mann-Whitney testas buvo toliau naudojamas siekiant palyginti sėkmės rodiklį ankstyvoje fazėje ir vėlyvoje fazėje. Kiekviena grupė sujungė keturis dviejų tiriamųjų užsiėmimus (n=8) [32].
Bandymo trukmė. Norėdami palyginti tyrimo trukmę ankstyvoje fazėje su vėlyvojo etapo trukme, sujungėme skirtingų seansų ir tiriamųjų bandymo trukmės pavyzdžius. Atsižvelgiant į šią įdėtą struktūrą, buvo naudojama dvipusė ANOVA (F(DFn, DFd)), siekiant atskleisti „fazės“ faktoriaus kitimą ir skirtingų veiksnių sąveiką. Reikšmingo sutapimo testas. Standartinis pakeisto CCH nuokrypis po pakartotinio mėginių ėmimo buvo naudojamas kiekvienos juostos pasikliovimo intervalo viršutinei ribai apskaičiuoti esant skirtingoms alfa vertėms (pvz., 0.05, kai patikimumas yra 95 proc.). Taigi mes išbandėme reikšmingą kiekvienos dėžės sutapimą, lygindami virpesių koreguotą CCH su tomis viršutinėmis ribomis. Efektyvus šaudymas su šaudymo greičio normalizavimu.
Atsižvelgiant į tai, kad 300 ms ilgio nervinio modelio smailių skaičius buvo atskiras kintamasis, Mack–Skillings testas (neparametrinis dvipusis ANOVA) buvo naudojamas siekiant patikrinti nulinę hipotezę, kad tikslaus smailių skaičiaus padidėjimas. laiko modeliai iš užduočių bloko ir iš pradinio bloko (arba CS moduliavimo užduoties) neturėjo skirtumo. Naudojant sutapimo balą kaip antrąjį veiksnį, jis buvo suskirstytas į penkis blokus nuo 0,9 iki 2,9 (trys blokai nuo 1,8 iki 3,2, palyginti su CS moduliavimo užduotimi). Tinklo moduliacijos indeksas. Visų reikšmingai moduliuotų netiesioginių neuronų moduliavimo indeksai per seansus (keturios sesijos kiekvienai būklei) buvo sujungti ir buvo naudojamas vienos imties t testas, siekiant ištirti, ar vidutinis moduliacijos indeksas statistiškai skiriasi nuo nulio. Suvienodintas pataisyto viršijimo NCS pasiskirstymas. Dviejų imčių Kolmogorovo – Smirnov testas buvo naudojamas siekiant patikrinti, ar nėra hipotezės, kad dviejų tiriamųjų koreguotas viršijimas NCS buvo iš to paties pasiskirstymo.
Paprašyk daugiau:
El. paštas:wallence.suen@wecistanche.com
WhatsApp / Tel: plius 86 15292862950
PARDUOTUVĖ:
https://www.xjcistanche.com/cistanche-shop
