Различните решения зависят от едни и същи неврони

Вземаното от нас решение се определя от това как едни и същи неврони филтрират получените данни – в зависимост от външното условие невронът ще отдава предпочитание на един или друг поток от сигнали с информация за признака, който ни интересува.

Представете си, че около вас, докато вие сте заети да се храните, започва да кръжи някакво насекомо. Вашата реакция зависи от това какви признаци ще бъдат за вас най-важни – цветът или, да речем, движението.

Ако насекомото е украсено в жълто-черни ивици, то вие бързо ще познаете в него оса и вероятно ще се опитате да се спасите с бягство. Но ако особено ви подразни жуженето и досаждането на насекомото, то ще се опитате да замахнете с ръка и да го прогоните, без да обърнете внимание на окраската му.

В такива случаи става дума за контекстуално решение, когато някое от условията се оказва по-важно за предстоящите действия. Как мозъкът взема такива решения, дълго време оставаше загадка. Смяташе се, че тук работят две групи нервни клетки – едните определят какъв именно признак е критичен за дадената ситуация, а другите отговарят за приема на сензорна информация, която най-много е необходима за вземането на решения.

Но както пишат в Nature Уилям Нюсъм и колегите му от Станфордския университет, във вземането на решение от такъв род е задействана цяла област от префронталния кортекс и в експериментите изследователите най-много се учудили на това, че двата сигнала – и необходимият, и ненужният, се приемат и обработват едновременно. Учените очаквали обратното и смятали, че ненужният сигнал (звуков или цветови) просто ще се окаже отхвърлен, че няма да се възприема.

В опити с маймуни изследователите успели да видят, че дори на ниво един неврон двата сигнала „миксират”, тоест ако продължим сравнението с осата, то и звукът от полета, и окраската на насекомото преминават през една невронна мрежа.

За да разберат какво се случва, учените построили математически модел на „неврона на решението” – с този модел им било по-лесно, отколкото да събират огромен брой сигнали от жива клетка. Виртуалната невронна мрежа получавала някакви сигнали, въз основата на които било необходимо да се вземе решение, но виртуалният модел не обяснил на изследователите как именно става това.

В този виртуален модел били качени данните, получени в опитите с маймуните. Макаците трябвало да следят на екран движещи се разноцветни точки и в един случай трябвало да определят кои точки са повече – червените или зелените, а в друг – накъде се движат те (надясно или наляво). Междувременно изследователите следили движението на очите и активността на невроните.

Учените направили над 1400 такива изчисления, опитвайки се да опишат състоянието на мозъка в момента, когато маймуната видела признака, който бил необходим за вземането на решението, и кога това решение сработвало в мозъка. Целият масив от данни след това се проверявал на виртуалния модел, за да се изчисти нужната последователност от импулси от множеството други.

В резултат била построена следната схема на работа на „невроните на решението”. Едни и същи неврони реагират на най-различни признаци, но подборът протича тогава, когато постъпи условието, формиращо контекста – на кой признак следва да се отдели повече внимание.

След това този или друг признак става, според изследователите, линеен атрактор, тоест спрямо него се увеличава потокът информация. Невронът престава да следи например движенията и реагира само на цвета. Ако условието е обратното – да се определи посоката на движение, то същият този неврон превключва на информацията за движението. След няколко секунди невроните дават отговор на въпроса за цвета или посоката на движение.

С други думи, едни и същи неврони вземат различни решения и това се случва, защото те са заинтересувани за най-различни неща (най-различни признаци), но в различни степен, в зависимост от контекста.

Това може да се потвърди от специфичната стимулация на невроните, за да се подбудят те към едно или друго решение. Опит от такъв род, при цялото му остроумие, обаче се опира на виртуални невронни мрежи, така че получените данни изискват „жив” експеримент.

Източник: Stanford University