Чи може біоміметична модель мозку вчитися, як жива? Відповідь і несподівані 20 відсотків

Зміст статті

У тихій кімнаті на екрані миготіли візерунки з крапок, ніби нічне небо, розкладене за невидимими правилами. Модель, що не має тіла і не бачила жодної тварини, вчилася читати цей візерунок – і робила це з дивною впевненістю та з таким самим «нерівним» поступом, як живі істоти. Коли дослідники порівняли її результати з експериментами на тваринах, збіг нейронної динаміки й поведінки був настільки відчутним, що змусив їх переглянути старі дані. І там, як з’ясувалося, ховалося ще одне відкриття.

Карта нейронного лісу

Дослідники з Dartmouth College, Массачусетського технологічного інституту та Державного університету Нью-Йорка в Стоуні-Брук побудували біоміметичну модель мозку, що поєднує мікрорівень і макрорівень організації нервової системи. У її серці – невеликі схеми з кількох клітин, названі «примітивами», які відтворюють електричні й хімічні зв’язки між нейронами та реалізують базові обчислювальні функції. У корі моделі збуджувальні нейрони отримують вхід із «зорової системи» через глутаматні синапси, а далі густо контактують з гальмівними нейронами, змагаючись у конфігурації winner-take-all, притаманній біологічним мережам. На верхньому рівні архітектури працюють чотири критичні вузли: кора, стовбур мозку, стріатум і структура тонічно активних нейронів (TAN), здатна вводити керований «шум». Команда заклала в модель фізіологічні обмеження, спостережувані в реальних мозках, зокрема синхронізацію популяцій нейронів у ширших ритмах. Такий дизайн дав змогу не втратити «дерева» через «ліс» і навпаки – зберегти деталь і ціле одночасно.

Створюючи модель, команда поетапно перевіряла, чи відповідає вона емпіричним закономірностям – від локальної конкуренції нейронів до міжрегіональних впливів нейромодуляторів на обмін сигналами. Ключовим завданням було не імітувати дані, а відтворити механізми: як клітини збуджують і гальмують одна одну, як ритми впорядковують інформаційні потоки, як хімічні «регулятори» змінюють хід обчислень у потрібний момент.

Навчання на крапках: коли машина діє по-людськи

Коли модель попросили виконати те саме завдання, що й тварин у лабораторії – категоризація візуальних шаблонів з точками у дві ширші групи – вона не просто дала правильні відповіді. Вона повторила і характер поведінкових траєкторій, і специфічні нейронні патерни, зокрема періоди нерівномірного прогресу, притаманні процесу навчання у тварин. Важливо, що ці результати створено без тренування на даних тварин: модель збирали з нуля на основі відомих фізіологічних правил, а порівняння з експериментами провели вже потім. Саме така послідовність – спершу механізм, потім верифікація – і зробила збіг настільки промовистим. Модель показала, що біологічно правдоподібні архітектури здатні самостійно «вивести» поведінку, схожу на живу, якщо правильно описати зв’язки та обмеження.

Цей підхід надає дослідникам інструмент не для підгонки параметрів під емпіричні криві, а для перевірки гіпотез про те, як загальні принципи породжують спостережувану динаміку. Фактична схожість нейронної активності та поведінки між моделлю і тваринами, зафіксована після виконання завдання, стала незалежним підтвердженням коректності механістичного задуму.

Перевірка без підгонки

Дослідники наголошують: модель спершу «намалювала» нові симульовані графіки активності, а тільки потім їх порівняли з реальними записами з лабораторії. Така двоетапна логіка дозволила уникнути змішування даних і гіпотези, посиливши валідність збігів.

Парадокс «неконгруентних» нейронів

Неочікуваним стало інше: приблизно 20 відсотків «неконгруентних» нейронів у моделі виявилися провісниками помилок. Коли їхній вплив зростав, рішення про належність візерунка до категорії частіше виявлялося хибним. Спершу це виглядало як артефакт симуляції, але повторний аналіз даних з експериментів на тваринах показав подібний мотив, який раніше залишався поза увагою. Виявлення таких клітин додає складності до уявлень про навчання: можливо, мозок цілеспрямовано зберігає «канал» альтернативної реакції, щоби час від часу випробовувати нові стратегії, особливо коли середовище змінюється. Це узгоджується з окремими спостереженнями про те, що люди й тварини періодично відхиляються від набутих правил у пошуках вигіднішої схеми дій.

Близько 20 відсотків нейронів у моделі демонстрували «неконгруентну» активність, яка корелювала з помилковими рішеннями, а повторний перегляд реальних записів підтвердив існування аналогічного патерну в даних з тварин.

Цей факт не суперечить ідеї оптимізації; радше йдеться про баланс між експлуатацією набутого досвіду й дослідженням можливих змін. У динамічних умовах «контрінтуїтивні» клітини можуть бути корисними, утримуючи систему від передчасної консервації єдиної стратегії. Вони стають свого роду «сенсорами» ситуацій, де варто перевірити інший шлях.

Хімія рішень: ритми, шум і порядок

Модель включає роль ацетилхоліну і TAN, що задають керовану варіативність на ранніх етапах навчання. На старті тонічно активні нейрони вприскують «шум», дозволяючи системі спробувати різні дії та оцінити наслідки. У міру навчання зв’язки між корою та стріатумом посилюються і поступово приглушують TAN, переводячи поведінку з пошукового режиму на стабільніше виконання правил. Паралельно зростає бета-синхронізація кори та стріатума – показник, який дослідники раніше неодноразово фіксували у тварин, і який у моделі також корелює з правильними рішеннями. Таким чином, хімічні модулі та ритмічна координація виступають двома сторонами одного процесу: від випадкового дослідження – до впорядкованої дії.

Читайте також наші статті:

• Міністерство культури України зібрало понад 500 учасників: які кроки реформ узгоджено
• Як врятували дві родини з дітьми з прифронтових сіл Херсонщини: деталі евакуації та безпеки

Роль шуму в навчанні

Випадковість у правильній дозі допомагає уникати пастки локальних мінімумів поведінки. Саме тому керований «шум» TAN на початку є не вадою, а ресурсом: він розширює простір пошуку, поки мережа не знайде стійкі закономірності й не зафіксує їх у зв’язках.

Від моделі до ліків: нова платформа досліджень

Один із ключових мотивів роботи – створити платформу для нейротерапевтики, де гіпотези про патологічні зміни та потенційні втручання можна перевіряти раніше й дешевше. Співавтори, серед яких професор MIT (Picower Institute for Learning and Memory) Міллер і Грейнджер, разом із колегами заснували компанію для розвитку таких біотехнологічних застосувань; Ліліанна Р. Муджіка-Пароді зі Stony Brook, головна дослідниця проєкту Neuroblox, очолює цю компанію як генеральна директорка. Ідея проста: симулювати, як ті чи інші препарати впливають на мережеву динаміку, перш ніж переходити до дорогих клінічних випробувань. Це може скоротити цикл відкриття, надати чіткіші біомаркери-цілі та зменшити ризики на ранніх етапах. Команда вже розширює модель, додаючи нові ділянки мозку та інші нейромодулятори, а також тестує вплив фармакологічних втручань на роботу мереж.

Якщо платформа відтворює і нормальні, і патологічні патерни на основі механізмів, вона здатна прогнозувати, які комбінації впливів дадуть бажані зміни активності. Це відкриває шлях до точнішої, механістично обґрунтованої розробки терапій.

Світовий контекст і наступні кроки

Дослідження опубліковано в журналі Nature Communications; старший автор – професор відділу психологічних і мозкових наук Дармутського коледжу, а першим автором є постдок Ананд Патхак. Серед співавторів – Скотт Брінкат, Харіс Органтзідис, Гельмут Стрей, Сейдженн Сеннефф і Еван Анцулатос, що підкреслює міжінституційний характер проєкту. Підтримку надали фонди Baszucki Brain Research Fund (Сполучені Штати), Office of Naval Research та Freedom Together Foundation. Команда повідомляє про роботу над наступними ітераціями моделі – з ширшим набором завдань і умов, де можна випробувати нові гіпотези та втручання.

Деталізація: від «примітивів» до системної поведінки

Важливий аспект – спосіб, яким локальні обчислювальні примітиви вибудовуються у глобальну поведінку, не втрачаючи біологічної правдоподібності. Саме дотримання фізіологічних обмежень – ритмогенезу, балансу збудження/гальмування, впливу нейромодуляторів – забезпечило узгодженість між симульованими й емпіричними патернами.

Мозок як сценарій: що далі?

Робота натякає на обережний, але чіткий вектор: поєднання механістичних моделей і емпірії може прискорити відкриття у неврології та психіатрії. Дослідницькі команди планують збільшити число задіяних регіонів, включити нові форми навчання і випробувати різні режими впливу – від фармакологічних до ритмічної модуляції. Водночас залишаються питання про межі узагальнення: як зміниться модель у задачах з пам’яттю, увагою чи плануванням; які ролі відіграють інші нейромедіатори; як масштабування відіб’ється на стабільності мереж. Обережність необхідна, та інструмент у руках дослідників уже працює, даючи відтворювані й перевірювані результати.

• Надійні механістичні моделі можуть слугувати полігоном для гіпотез до початку дорогих випробувань.
• Виявлення 20 відсотків «неконгруентних» нейронів відкриває нову лінію аналізу помилок і адаптації.
• Бета-синхронізація та роль ацетилхоліну дають маркери для моніторингу ефективності втручань.

Фінальна ремарка: коли симуляція стає дзеркалом

Ця історія – про модель, яка нікого не наслідувала, але відтворила живий мозок настільки близько, що допомогла побачити в реальних даних те, чого там не помічали. Від «шуму» TAN до строгих ритмів бета – у ній знайшлися і пошук, і порядок. У поєднанні з біологічною правдоподібністю це дає шанс перетворити моделювання на інструмент відкриттів, а не лише підтверджень. І якщо симуляція вже може підказувати, де ховається помилка, то, можливо, наступним кроком стане відповідь на запитання: як її виправити там, де це найбільше потрібно – у клініці.