Переключаясь между медленной и быстрой интеграцией информации, мозг может гибко модулировать временные рамки, в которых он работает. Это результат нового исследования международной группы исследователей, опубликованного в журнале Nature Communications. Их анализ экспериментальных данных зрительной коры и их компьютерное моделирование также дают объяснение тому, как могут возникать разные временные шкалы и как они могут меняться: структура нейронных сетей определяет, насколько быстро или медленно интегрируется информация.

Различные процессы в мозгу происходят в разное время: в то время как сенсорный ввод может быть обработан в течение десятков миллисекунд, принятие решений или другие сложные когнитивные процессы могут потребовать интеграции информации в течение нескольких минут. Соответственно, некоторые области мозга работают быстрее, чем другие.

Эти внутренние временные шкалы не являются жесткими и неизменными. Однако до сих пор мало было известно о том, как они могут приспосабливаться к разным ситуациям и задачам. Группа исследователей из Тюбингена, Принстона, Стэнфорда, Ньюкасла и Вашингтона исследовала, как временная шкала области мозга может меняться во время выполнения задачи. В частности, они задались вопросом: когда субъект фокусирует свое зрительное внимание или перенаправляет его на определенную точку в пространстве, как это меняет временную шкалу нейронной активности в соответствующей области мозга? Чтобы ответить на этот вопрос, исследователи проанализировали ранее опубликованные данные, записанные в зрительной коре V4 — области мозга, отвечающей за зрительное внимание — макак во время двух разных задач зрительного внимания.

В обеих задачах команда наблюдала, что нейронная активность разворачивалась не в одной временной шкале, а как минимум в двух разных: медленной и быстрой. Примечательно, что временная шкала медленного темпа также менялась во время выполнения задачи: всякий раз, когда внимание направлялось на область в поле зрения, медленная активность в соответствующих нейронных популяциях становилась еще медленнее. Более того, они заметили, что чем медленнее активность, тем короче время реакции.

«Это может показаться нелогичным, но на самом деле это вполне правдоподобно», — комментирует Роксана Зераати, исследователь из Тюбингенского университета и Института биологической кибернетики им. Макса Планка. «Медленная временная шкала означает, что существует более сильная корреляция между нынешним состоянием мозга и его состоянием мгновение назад. Когда нейроны обращают внимание на что-то, они лучше помнят свою прошлую деятельность, а это подразумевает более медленную временную шкалу».

Богатая сетевая структура обеспечивает гибкое поведение

Исследователи задались вопросом, как сеть нейронов может создавать такие разные временные шкалы. «Мы проверили три разные гипотезы с помощью компьютерного моделирования », — говорит Анна Левина, доцент в Тюбингене и доктор философии Зераати. советник. «Мы видим разные временные шкалы просто потому, что одни нейроны работают быстрее, а другие медленнее? Или, как второй вариант, могут быть ответственны их разные биофизические свойства? Только наша третья гипотеза подтвердилась: ответ не лежит в свойствах отдельных нейронов, а в структуре сети.»

В зависимости от того, как нейроны связаны друг с другом, возникают разные временные шкалы: например, так называемые кластерные сети генерируют медленные временные шкалы. «Вы можете сравнить кластерную сеть с европейской дорожной системой», — объясняет Левина, руководившая проектом вместе со своей коллегой Татьяной Энгель из Принстона. «Любые два места в Париже очень хорошо связаны друг с другом, но гораздо сложнее добраться из деревни в Бургундии на пляж в Португалии. В то же время сеть авиакомпаний может выглядеть почти случайной. чтобы добраться до близлежащего города, но вы можете отправиться практически куда угодно без большого количества стыковочных рейсов. Сети, которые больше похожи на авиалинии, не будут развиваться так долго, как дорожная сеть».

Команде удалось построить сети, которые воспроизводили в компьютерном моделировании временные масштабы экспериментальных данных . Модели также учитывают наблюдаемые модуляции временных масштабов во время выполнения задач: эффективность взаимодействия между нейронами немного увеличивается, а это, в свою очередь, изменяет темп нейронных событий.

Полученные данные могут изменить наш взгляд на мозг: «Наши экспериментальные наблюдения в сочетании с вычислительной моделью обеспечивают основу для изучения связи между сетевой структурой, функциональной динамикой мозга и гибким поведением», — заключает публикация.