Hjärnan är ett extremt komplext organ vars exakta funktion fortfarande är svår att förstå. I genomsnitt innehåller den mänskliga hjärnan 100 miljarder neuroner som avfyras när de tar emot insignaler från flera sensoriska organ. Men det som verkligen är anmärkningsvärt med vår hjärna är synkroniseringen av denna neurala avfyring när den utlöses av en gemensam ingång. Enkelt uttryckt kan gemensamma input generera ett kollektivt svar i neuroner som inte bara är rumsligt separerade utan också har olika skjutegenskaper.

Den neurala synkroniseringen har observerats tidigare i experiment och påvisas vanligtvis under vila och aktiviteter som involverar uppgifter. De vanliga indata som producerar detta är dock vanligtvis okända i verkliga situationer. Detta väcker en intressant fråga:är det möjligt att rekonstruera denna ingång genom att titta på utsignalen från neuronerna?

I en ny studie publicerad i Physical Review E den 12 september 2022 gav sig ett team av forskare från Japan, ledda av professor Tohru Ikeguchi från Tokyo University of Science (TUS), ut för att svara på denna fråga. Teamet, inklusive docent Ryota Nomura vid Waseda University (tidigare TUS), och docent Kantaro Fujiwara vid University of Tokyo, tittade på skotthastigheten för neuroner och lyckades rekonstruera insignalen med en metod som kallas "överlagd återfallsplot" (SRP).

"Vi utvecklade en metod som använder en återkommande plot (RP). RP introducerades ursprungligen för att karakterisera icke-linjära dynamiska system eftersom de innehåller flerdimensionell information, trots att de endast tillhandahåller tvådimensionell visualisering", förklarar prof. Ikeguchi. "Eftersom neuroner är olinjära dynamiska system kan vi hypotetiskt få information om en gemensam ingång om vi balanserar ut effekterna av neurala dynamik."

SRP-metoden som används av teamet i deras arbete är helt enkelt en RP där ett pixelvärde summeras över motsvarande pixlar av flera RP och sedan tilldelas ett binärt värde på 0 eller 1 baserat på om summan är lika med eller större än 1.

Teamet använde standardmodellen Izhikevich för att studera avfyringar av okopplade neuroner. De övervägde tre distinkta fall av neuronavfyrningsmönster. I det första fallet rekonstruerade de den gemensamma ingången för lokaliserade neuroner med liknande avfyrningshastigheter. I det andra fallet gjorde de det för en blandning av neuroner med olika baslinjeavfyrningshastigheter. Slutligen, i det tredje fallet, undersökte de om SRP-metoden kunde rekonstruera en gemensam input för ett kaotiskt svar av Izhikevich-modellen.

Visst fann de att de kunde rekonstruera insignalen med hjälp av SRP-metoden för kaotiska neuroner. "När vi väljer en lämplig tidsperiod för att beräkna avfyringshastigheten för neuroner, kan vi rekonstruera insignalen med ganska hög noggrannhet", säger prof. Ikeguchi. Detta representerar ett stort genombrott, inte bara i studiet av hjärnan och neuralvetenskap utan även andra dynamiska system som visar kaotiskt beteende.

De potentiella konsekvenserna av deras fynd är enorma för artificiell intelligens, som Prof. Ikeguchi konstaterar, "Nuvarande artificiell intelligensmodeller kan inte riktigt reproducera vår hjärnas informationsbearbetningskraft. Detta beror på att neuronmodellerna som används är alltför förenklade och långt ifrån representativa för faktiska neuroner i våra hjärnor. Vår forskning tar oss ett steg närmare att förstå hur informationsprocessen sker i våra hjärnor. Detta kan bana väg för nya neuromorfa datorenheter."

Dessutom kan det hjälpa oss att bättre förstå uppkomsten av psykiska störningar och utveckla behandlingar för dem. Sammantaget kan studien vara en ögonöppnare om hur väl (eller lite) vi förstår vår hjärna. + Utforska vidare

Studie visar att en enkel, beräkningsmässigt lätt modell kan simulera komplexa hjärncellsvar