آخرین مطالب

مدل واقعی هیپوکامپ موش مکانیسم جدیدی را برای جداسازی الگوها کشف می کند —


گربه سیاه جدا از اندازه اش به طرز فریبنده ای شبیه پلنگ است. ایجاد این تمایز زمانی که دنبال می‌شود بسیار مهم است و چیزی که انسان‌ها به لطف جداسازی الگو به آن دست می‌یابند، فرآیندی که در آن مغز الگوهای بسیار مشابه را تشخیص می‌دهد و رفتارهای بسیار متفاوتی را به‌عنوان پاسخ ایجاد می‌کند: نوازش گربه یا فرار از پلنگ. این فرآیند با یادگیری نیز مرتبط است. پیتر جوناس می گوید: “ما نه تنها باید الگوهای مشابه را از هم جدا کنیم، بلکه باید آنها را نیز به طور دقیق ذخیره و بازیابی کنیم، به عنوان مثال برای ملاقات بعدی با یک پلنگ. بنابراین، ما بررسی کردیم که چگونه جداسازی الگو در هیپوکامپ، یک مدار حافظه کلیدی رخ می دهد.” استاد IST اتریش و نویسنده اصلی این مطالعه.

500000 نورون در یک مدل

در تحقیقات قبلی، جوناس و تیمش پارامترهای مهم سیناپس‌ها، نقاط اتصال نورون‌ها و قوانین اتصال را که برای درک پردازش اطلاعات در شبکه هیپوکامپ در موش‌ها و موش‌ها مورد نیاز است، اندازه‌گیری کردند. اکنون، جوناس از این پارامترهای واقعی برای ساختن یک مدل دقیق از شبکه استفاده کرد – یک چالش، همانطور که معمولاً، مدل‌های مدارهای مغزی تنها با 10 تا 1000 نورون ساخته می‌شوند. شکنج دندانه دار موش صحرایی حاوی 500000 نورون تحریک کننده است که سلول های گرانول نامیده می شوند. در مدل‌های کوچک‌شده، ما نمی‌توانیم پارامترهای سیناپسی اندازه‌گیری شده مدار عصبی را وصل کنیم. اما همانطور که می‌خواستیم از آنچه در مغز اتفاق می‌افتد تقلید کنیم و از اندازه‌گیری‌های سیناپسی که قبلاً به‌دست‌آمده‌ایم استفاده کنیم، شبکه‌ای را در اندازه کامل آن با ۵۰۰ اجرا کردیم. 000 سلول گرانول.”

بازداری الگوها را از هم جدا می کند

جوناس با استفاده از این مدل کامپیوتری، فرضیه های مختلفی را در مورد نحوه عملکرد جداسازی الگوها آزمایش کرد. با این مدل نمی‌توانیم فقط زیست‌شناسی را کپی کنیم، بلکه به طور سیستماتیک پارامترها را تغییر می‌دهیم و عوامل را از هم جدا می‌کنیم.

از نظر تاریخی، بر اساس داده‌های مخچه، دانشمندان علوم اعصاب فکر می‌کردند که جداسازی الگو بر اساس بسط است: الگویی از تعداد کمتری نورون به تعداد زیادی نورون در لایه بعدی پردازش پیش‌بینی می‌شود. این الگو را گسترش می دهد و تشخیص تفاوت ها را آسان تر می کند. در حالی که انبساط یک مکانیسم بالقوه در مخچه است، احتمال کمتری وجود دارد که در هیپوکامپ کار کند، جایی که سلول‌های گرانول روی تعداد کمتری از نورون‌های CA3 در لایه بعدی همگرا می‌شوند.

جوناس می‌گوید: واضح است که انبساط نمی‌تواند تنها مکانیسم در هیپوکامپ باشد. شواهد مدل واقع‌گرایانه ما نشان می‌دهد که مهار – نورون‌های فعالی که دیگر نورون‌ها را از شلیک باز می‌دارند – نقش مهمی ایفا می‌کند. از نظر ریاضی، نشان داده شده است که کاهش فعالیت در یک شبکه، تشخیص تفاوت‌های بین الگوها را آسان‌تر می‌کند. جوناس با استفاده از مدل هیپوکامپ، نقش بازدارندگی را مورد بررسی قرار داد. “وقتی بازداری بخشی از مدل است، الگوها به شدت از هم جدا می شوند. اما وقتی بازداری را حذف می کنیم، دیگر اینطور نیست. این داده های مدل سازی دیدگاه تاریخی را از گسترش کد به مکانیزمی مبتنی بر بازداری تغییر می دهد.”

داده های جدید همچنین نتیجه تحقیقات قبلی را توضیح می دهد که جوناس را متحیر کرده است. “پیش از این، ما دریافتیم که مهار در شکنج دندانه‌دار به صورت موضعی محدود می‌شود. نورون‌های فعال شده فقط سلول‌های دیگر را در شعاع 300 میکرومتری مهار می‌کنند. ما مدت‌ها پرسیده‌ایم که نقش عملکردی چنین مهار کانونی چیست.” مدل شبکه نشان می‌دهد که چنین بازداری کانونی می‌تواند الگوها را بهتر از بازداری سراسری جدا کند، که در آن کل فعالیت شبکه کاهش می‌یابد. سرعت در جداسازی الگو ضروری است و مهار کانونی تأخیرها را کاهش می‌دهد: نورون‌ها در یک الگو روشن می‌شوند و به سرعت سلول‌های اطراف را مهار می‌کنند و از روشن نشدن الگوهای دیگر اطمینان می‌دهند. جوناس خاطرنشان می‌کند: «این یک راه‌حل جالب است، اما خیلی شهودی نیست، و ما فقط با استفاده از مدل می‌توانیم این را بفهمیم». به عنوان گام بعدی، جوناس قصد دارد نتایج را به سیستم بیولوژیکی بازگرداند و آزمایش‌های رفتاری انجام دهد و بیشتر بررسی کند که چگونه مهار به جداسازی الگو کمک می‌کند.

منبع داستان:

مواد ارائه شده توسط موسسه علم و فناوری اتریش. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.