Исследователи из Окинавского института наук и технологий (OIST) и Научного центра мозга RIKEN создали искусственную сеть для симуляции мозга, демонстрируя, что работа с тормозными цепями ведет к расширению памяти. Результаты исследования опубликованы в научном журнале Physical Review Letters.
Актуальность проблемы
Мозг — это большая сеть переплетающихся цепей. Некоторые пути стимулируют активность, а другие подавляют ее. В то время как более ранние исследования были сосредоточены больше на возбуждающих контурах, теперь считается, что тормозные контуры играют одинаково важную роль в функционировании мозга. Ассоциативная память — это способность соединять несвязанные предметы и сохранять их в памяти — связывать встречающиеся предметы как один эпизод.
Материалы и методы обследования
В этом исследовании ученые использовали последовательно упорядоченные шаблоны для имитации памяти. Модель, созданная учеными, включала множество возбуждающих цепей, распределенных по сети.
Результаты научной работы
Ученые обнаружили, что компьютер способен запоминать шаблоны, охватывающие более длинный эпизод, когда модель учитывает запрещающие схемы. Ученые продолжают объяснять, как этот вывод может быть применен для объяснения нашего собственного мозга.
«Эта простая модель обработки показывает нам, как мозг обрабатывает фрагменты информации, передаваемые в последовательном порядке», — объясняет автор исследования Томоки Фукай (Tomoki Fukai). «Моделируя нейроны с помощью компьютеров, мы можем начать понимать обработку памяти в мозге».
Размышление о мозге с точки зрения физических, небиологических явлений в настоящее время является общепринятым подходом в нейробиологии — и многие идеи, взятые из физики, теперь были подтверждены в исследованиях на животных. Одной из таких идей является понимание системы памяти в мозге как сети аттракторов, группы связанных узлов, которые отображают модели активности и стремятся к определенным состояниям. Эта идея аттракторных сетей легла в основу данного исследования. Принцип нейробиологии состоит в том, что «клетки, которые срабатывают вместе, соединяются вместе» — нейроны, которые активны в одно и то же время, становятся синхронизированными, что частично объясняет, как меняется наш мозг с течением времени.
Что еще более важно, ученые внедрили в модель тормозные схемы. Различные тормозные цепи действуют локально в определенной цепи или глобально по всей сети. Цепи блокируют нежелательные сигналы от помех от возбуждающих цепей, которые затем могут лучше срабатывать и соединяться друг с другом. Эти тормозные схемы позволяли возбуждающим схемам запоминать паттерн, представляющий более длинный эпизод.
Находка соответствует тому, что в настоящее время известно о гиппокампе, области мозга, вовлеченной в ассоциативную память. Считается, что баланс возбуждающей и ингибирующей активности — это то, что позволяет формировать новые ассоциации. Ингибирующая активность может регулироваться химическим веществом под названием ацетилхолин, который, как известно, играет роль в памяти в гиппокампе. Эта модель является цифровым представлением этих процессов.
Однако проблемой этого метода является использование случайной выборки. Огромное количество возможных выходов или состояний аттрактора в сети переполняет объем памяти компьютера. Вместо этого ученые должны полагаться на выбор результатов, а не на систематический анализ каждой возможной комбинации. Это позволило им преодолеть технические трудности, не ставя под угрозу предсказания модели.
В целом, исследование позволило сделать всеобъемлющие выводы — тормозные нейроны играют важную роль в ассоциативной памяти, и это соответствует тому, что мы можем ожидать в нашем собственном мозге. Биологические исследования необходимо будет завершить, чтобы определить точную достоверность этой вычислительной работы. Затем можно будет сопоставить компоненты моделирования с их биологическими аналогами, создав более полную картину гиппокампа и ассоциативной памяти.
Авторы другого исследования утверждают, что витамин D может улучшить память, но большое его количество может замедлить время реакции.
