11.11.2013

Как разные решения зависят от одних и тех же нейронов

Принимаемое нами решение определяется тем, как одни и те же нервные клетки фильтруют получаемые данные: в зависимости от внешнего условия нейрон будет отдавать предпочтение тому или иному потоку сигналов с информацией о признаке, который нас интересует.

Представьте, что вокруг вас, пока вы заняты едой, начинает кружить какое-то насекомое. Ваша реакция зависит от того, какие признаки будут для вас самыми важными — окраска или, скажем, движение. Если насекомое окрашено в жёлто-чёрные полосы, то вы быстро узнаете в нём осу и, вероятно, попытаетесь спастись бегством. Но если вас особенно раздражает жужжание и мельтешение насекомого, то вы попытаетесь отмахнуться или прогнать его, не обращая внимания на окраску.

В таких случаях говорят о контекстуальном решении, когда какое-то одно из условий оказывается более важным для дальнейших действий. Как мозг принимает такие решения, долгое время оставалось загадкой. Предполагалось, что тут работают две группы нервных клеток: одни определяют, какой именно признак критичен для данной ситуации, а другие отвечают за приём сенсорной информации, которая более всего нужна для принятия решения.

Однако, как пишут в Nature Уильям Ньюсом (William Newsome) и его коллеги по Стэнфордскому университету (США), в принятии решений такого рода задействована целая область префронтальной коры, и более всего исследователей в их экспериментах удивило то, что оба сигнала — и нужный, и ненужный — принимаются и обрабатываются одновременно. Хотя ожидали они обратного, полагая, что ненужный сигнал (звуковой или цветовой) окажется просто отброшен, что он не будет восприниматься.

В опытах на обезьянах удалось увидеть, что даже на уровне одного нейрона оба сигнала «микшируются», то есть если продолжать сравнение с осой, то и звук полёта, и раскраска насекомого проходят по одной нервной цепи. Чтобы понять, что происходит, учёным пришлось построить математическую модель «нейрона решения»: с такой моделью обращаться было проще, чем собирать огромное число сигналов с живой клетки. Виртуальная нейронная сеть получала некие сигналы, на основании которых нужно было принять решение, при этом как именно это делать, исследователи виртуальной модели не объясняли.

В эту виртуальную модель загрузили данные, полученные в опытах с обезьянами. Макаки должны были следить за экраном с движущимися разноцветными точками, и в одном случае нужно было определить, каких точек больше, красных или зелёных, а в другом — куда они преимущественно движутся, вправо или влево. Попутно у животных отслеживали движения глаз и активность нейронов коры.

Исследователи сделали более 1 400 таких измерений, пытаясь описать состояние мозга в тот момент, когда обезьяна видела признак, который был нужен для принятия решения, и когда это решение срабатывало в мозге. Весь массив данных потом проверялся на виртуальной модели, дабы очистить нужные последовательности импульсов от множества других.

В результате была построена следующая схема работы «нейронов решения». Одни и те же нейроны реагируют на самые разные признаки, но отбор происходит тогда, когда поступает условие, формирующее контекст, — какому признаку следует уделить больше внимания. После этого тот или иной признак становится, по словам исследователей, линейным аттрактором, то есть относительно него увеличивается поток информации. Нейрон перестаёт следить, например, за движением и реагирует теперь только на цвет. Если условие будет обратным — определить направление движения, — то тот же самый нейрон переключится на информацию о движении. Спустя пару секунд нейроны давали ответ на вопрос о цвете или направлении движения.

Иными словами, одни и те же нейроны принимают разные решения, и происходит это потому, что они заинтересованы в самых разных вещах (в самых разных признаках), но — в разной степени, в зависимости от контекста.

Это можно было бы подтвердить специфической стимуляцией нейронов, чтобы побудить их к тому или иному решению. Опыт такого рода, надо думать, исследователи постараются поставить, так как их модель контекстных решений, при всём её остроумии, опирается во многом на виртуальные нейронные сети, так что полученные результаты требуют «живого» эксперимента.

Кирилл Стасевич

Источники:

1. compulenta.computerra.ru