В 2014 году доктор Эрл Миллер, профессор нейробиологии Пикауэра в MIT, вместе с командой нейробиологов провел фундаментальное исследование на макаках. Обезьяны выполняли задачу по категоризации визуальных узоров из точек, распределяя их по двум группам, в то время как ученые записывали активность их мозга для понимания изменений нейронных связей в процессе обучения. Спустя почти десятилетие доктор Миллер объединил усилия с исследователями из Дартмута, включая доктора Ананда Патака и профессора Ричарда Грейнджера, чтобы воспроизвести этот эксперимент в цифровой среде. На этот раз субъектом исследования стала вычислительная модель, запрограммированная имитировать реальные цепи головного мозга и выполняющая ту же задачу визуальной категоризации.
Результаты нового исследования, опубликованные в журнале Nature Communications, выявили неожиданную аномалию в работе модели. Была обнаружена группа нейронов, которые последовательно предсказывали неправильный ответ. Вопреки ожиданиям, что ошибочные сигналы должны исчезать по мере обучения, эти нейроны не только не затухали, но и становились сильнее, сохраняя своеобразный «резерв» неверных прогнозов. Исследователи назвали эти сигналы инконгруэнтными нейронами (ICNs). Чтобы проверить открытие, команда заново изучила биологические данные 2014 года, полученные от макак, и обнаружила тот же самый сигнал, который все это время «прятался на самом видном месте».
Выявленные инконгруэнтные нейроны играют критически важную роль в когнитивной гибкости. Их функция заключается в удержании в памяти альтернативных вариантов на случай, если правила изменятся или ответы, считавшиеся «неправильными», станут верными. Этот механизм предотвращает жесткую привязку мозга к единственному решению. Ученые сравнили работу ICNs с запоминанием альтернативных маршрутов вождения: даже если вы обычно едете одной дорогой, знание объездных путей необходимо на случай, если привычная дорога окажется перекрыта.
Основой открытия стала платформа Neuroblox, которая позволяет создавать модели, использующие математические уравнения для выражения электрической и химической активности нейронов. В данном случае симулировалась кортико-стриарная цепь — петля, соединяющая кору головного мозга, отвечающую за восприятие, планирование и память, со стриатумом, который регулирует выбор действий и обучение на основе обратной связи. Ключевой особенностью модели стала методология «нулевого обучения» (zero-trained): систему никогда не подгоняли под нейрофизиологические данные, и наблюдаемое поведение возникло исключительно из биологической структуры самой модели.
Разработка Neuroblox заполнила существенный пробел в нейробиологии. Ранее большинство моделей делились на два типа: биологически детализированные, которые были физиологически точны, но не могли выполнять задачи, и когнитивные модели (ИИ), выполняющие задачи, но лишенные реальной биологической архитектуры. Новая модель объединила эти подходы, будучи построенной как мозг и способной к выполнению когнитивных задач. При сравнении результатов выяснилось, что модель и обезьяны улучшали свои показатели с одинаковой скоростью, а всплески и волны нейронной активности выглядели идентично.
В ходе симуляции естественным образом, без специального проектирования, возникли синхронизированные мозговые волны. Этот феномен подтверждает давнюю теорию доктора Миллера о том, что ритмы мозга занимают центральное место в когнитивных процессах и сознании. Исследование доказало, что биологически обоснованные симуляции могут действовать как «свежий взгляд», выявляя инсайты, которые исследователи упускают при анализе экспериментальных данных, поскольку модель ограничена теми же правилами, что и живой мозг.
Открытие имеет значительные перспективы для медицины, особенно в контексте лечения нервно-психических расстройств и трудностей в обучении. Кортико-стриарная цепь, смоделированная в исследовании, напрямую связана с такими заболеваниями, как болезнь Паркинсона и шизофрения. Понимание того, как мозг поддерживает «неправильные» опции для обеспечения гибкости, открывает новые пути для терапевтического вмешательства и объясняет, как когнитивные функции возникают из биологических схем.
Кроме того, технология Neuroblox предлагает решение одной из главных проблем фармакологии: многие неврологические препараты, работающие на мышах, оказываются неэффективными для людей. Использование таких моделей создает промежуточный этап, позволяя тестировать лекарства на сложных, подобных мозгу цепях, прежде чем переходить к испытаниям на животных или людях. Это дает возможность исследователям симулировать воздействие препаратов на конкретные нейронные цепи и наблюдать за реальными изменениями в их производительности.
Изображение носит иллюстративный характер
Результаты нового исследования, опубликованные в журнале Nature Communications, выявили неожиданную аномалию в работе модели. Была обнаружена группа нейронов, которые последовательно предсказывали неправильный ответ. Вопреки ожиданиям, что ошибочные сигналы должны исчезать по мере обучения, эти нейроны не только не затухали, но и становились сильнее, сохраняя своеобразный «резерв» неверных прогнозов. Исследователи назвали эти сигналы инконгруэнтными нейронами (ICNs). Чтобы проверить открытие, команда заново изучила биологические данные 2014 года, полученные от макак, и обнаружила тот же самый сигнал, который все это время «прятался на самом видном месте».
Выявленные инконгруэнтные нейроны играют критически важную роль в когнитивной гибкости. Их функция заключается в удержании в памяти альтернативных вариантов на случай, если правила изменятся или ответы, считавшиеся «неправильными», станут верными. Этот механизм предотвращает жесткую привязку мозга к единственному решению. Ученые сравнили работу ICNs с запоминанием альтернативных маршрутов вождения: даже если вы обычно едете одной дорогой, знание объездных путей необходимо на случай, если привычная дорога окажется перекрыта.
Основой открытия стала платформа Neuroblox, которая позволяет создавать модели, использующие математические уравнения для выражения электрической и химической активности нейронов. В данном случае симулировалась кортико-стриарная цепь — петля, соединяющая кору головного мозга, отвечающую за восприятие, планирование и память, со стриатумом, который регулирует выбор действий и обучение на основе обратной связи. Ключевой особенностью модели стала методология «нулевого обучения» (zero-trained): систему никогда не подгоняли под нейрофизиологические данные, и наблюдаемое поведение возникло исключительно из биологической структуры самой модели.
Разработка Neuroblox заполнила существенный пробел в нейробиологии. Ранее большинство моделей делились на два типа: биологически детализированные, которые были физиологически точны, но не могли выполнять задачи, и когнитивные модели (ИИ), выполняющие задачи, но лишенные реальной биологической архитектуры. Новая модель объединила эти подходы, будучи построенной как мозг и способной к выполнению когнитивных задач. При сравнении результатов выяснилось, что модель и обезьяны улучшали свои показатели с одинаковой скоростью, а всплески и волны нейронной активности выглядели идентично.
В ходе симуляции естественным образом, без специального проектирования, возникли синхронизированные мозговые волны. Этот феномен подтверждает давнюю теорию доктора Миллера о том, что ритмы мозга занимают центральное место в когнитивных процессах и сознании. Исследование доказало, что биологически обоснованные симуляции могут действовать как «свежий взгляд», выявляя инсайты, которые исследователи упускают при анализе экспериментальных данных, поскольку модель ограничена теми же правилами, что и живой мозг.
Открытие имеет значительные перспективы для медицины, особенно в контексте лечения нервно-психических расстройств и трудностей в обучении. Кортико-стриарная цепь, смоделированная в исследовании, напрямую связана с такими заболеваниями, как болезнь Паркинсона и шизофрения. Понимание того, как мозг поддерживает «неправильные» опции для обеспечения гибкости, открывает новые пути для терапевтического вмешательства и объясняет, как когнитивные функции возникают из биологических схем.
Кроме того, технология Neuroblox предлагает решение одной из главных проблем фармакологии: многие неврологические препараты, работающие на мышах, оказываются неэффективными для людей. Использование таких моделей создает промежуточный этап, позволяя тестировать лекарства на сложных, подобных мозгу цепях, прежде чем переходить к испытаниям на животных или людях. Это дает возможность исследователям симулировать воздействие препаратов на конкретные нейронные цепи и наблюдать за реальными изменениями в их производительности.
