Интересные новости и факты (психология, нейрофизиология)

[ArefievPV]

Что происходит в мозге за минуту до «эврики»? Новое исследование о том, как рождаются гениальные идеи
https://www.ixbt.com/live/science/chto-proishodit-v-mozge-za-minutu-do-evriki-novoe-issledovanie-o-tom-kak-rozhdayutsya-genialnye-idei.html

Каждому знакомо это чувство. Вспышка в сознании, внезапный щелчок, после которого все разрозненные кусочки сложной задачи вдруг встают на свои места. Мы называем это озарением, инсайтом или моментом «эврики». Эти мгновения кажутся нам чем-то магическим, неуловимым продуктом чистого вдохновения, который невозможно ни предсказать, ни вызвать по команде. Но что, если это не так?

Новое исследование, опубликованное в авторитетном журнале PNAS, бросает вызов этому мистическому ореолу. Группа учёных из Калифорнийского университета в Мерседе и Университета Индианы утверждает: у внезапного озарения есть свои предвестники. И, что самое интересное, их можно измерить.

Заглянуть в творческую лабораторию

Чтобы поймать неуловимую «эврику» за хвост, исследователи обратились к тем, кто по роду своей деятельности постоянно сталкивается с нерешаемыми на первый взгляд задачами, — к профессиональным математикам. Шестерым учёным с докторской степенью предложили поработать над головоломками с одного из сложнейших в мире математических соревнований — конкурса имени Уильяма Патнэма.

Эксперимент был организован максимально естественно: учёные работали в своих привычных кабинетах и аудиториях, с мелом у доски. Весь процесс их размышлений, который находил физическое воплощение в записях, чертежах, стираниях и жестах, тщательно фиксировался на видео. Исследователи анализировали не сами математические выкладки, а динамику работы — то, как учёные переключались между идеями, как долго задерживались на одной концепции и как часто возвращались к старым записям.


Изучение внезапных озарений математиков в их естественной среде обитания. (A) Иллюстрация типичной обстановки для математических рассуждений в нашем видео-корпусе. Математиков записывали на видео, когда они в одиночку работали над доказательствами на своих кафедрах (например, в личном кабинете или аудитории). Все математики стояли у доски, как правило, меловой. (B) Помоментная математическая активность разворачивалась в виде серии записей на доске и взаимодействий с ними. Верхний ряд (Top row) показывает стоп-кадры из репрезентативной одноминутной последовательности действий, в которой математик создал четыре записи (цветные круги) и взаимодействовал с ними. На основе жестов, взгляда и речи мы определяли, когда математик явно переключал внимание с одной записи на другую. Эти переключения можно визуализировать в виде направленной сети (Нижний ряд / Bottom row), где узлы представляют собой записи, а рёбра — переключения внимания с одной записи на следующую. Эмпирические вероятности этих переходов могут быть использованы для предсказания будущего поведения. (C) Временной ряд взаимодействий одного математика с записями во время работы над доказательством. Отдельные записи представлены вдоль вертикальной оси и различаются по цвету. Цветные точки указывают на каждый момент, когда математик переключал внимание на одну из записей. (D) Взаимодействия математиков с доской значительно варьировались. Здесь мы визуализируем взаимодействия одного математика с доской во время работы над двумя разными доказательствами. Узлы представляют собой записи, рёбра — переключения внимания с одной записи на следующую, ширина ребра отражает частоту каждого переключения, а заливка ребра указывает на его направление (от светлого к тёмному). Цитирование: S. Tabatabaeian, A. O'bi, D. Landy, & T. Marghetis, An information-theoretic foreshadowing of mathematicians' sudden insights, Proc. Natl. Acad. Sci. U.S.A. 122 (35) e2502791122, https://doi.org/10.1073/pnas.2502791122 (2025).
Автор: S. Tabatabaeian, A. O'bi, D. Landy, & T. Marghetis Источник: www.pnas.org

Сигнал в шуме: предсказуемая непредсказуемость

Проанализировав тысячи таких микро-взаимодействий, команда обнаружила поразительную закономерность. За несколько минут до того, как математик произносил заветное «Ага!» или «Я понял!», его поведение у доски кардинально менялось.

Привычные, устоявшиеся паттерны мышления — когда учёный последовательно проверяет одну гипотезу за другой — внезапно сменялись периодом, который можно описать как «интеллектуальный хаос». Движения становились менее упорядоченными, внимание хаотично перескакивало с одной части доски на другую, а на смену логичным шагам приходили неожиданные, нетривиальные связи между, казалось бы, не связанными идеями. Проще говоря, поведение становилось измеримо менее предсказуемым.

Это и был тот самый сигнал. Мозг, исчерпав стандартные подходы, переходит в режим свободного поиска, лихорадочно перебирая самые дикие комбинации в надежде нащупать верный путь. И именно этот всплеск творческой неупорядоченности предшествует прорыву.

Чтобы превратить это наблюдение в научный факт, исследователи применили инструменты из теории информации — области, которая позволяет математически измерить степень неопределённости или «сюрприза» в потоке данных. Расчёты подтвердили: уровень непредсказуемости в действиях математиков стабильно возрастал прямо перед моментом озарения.


Сложность определения устойчивости скрытого понимания на основе наблюдаемого поведения. (A) Графическая иллюстрация минимальной модели того, как наблюдаемые, дискретные действия (например, указывание на диаграмму, написание уравнения) отражают скрытое, непрерывное понимание. Помоментное понимание не наблюдается напрямую и представляет собой непрерывную траекторию в пространстве идей (иллюстрируемую серыми шарами в потенциальных ландшафтах внутри «облаков мыслей»). Скрытое понимание управляет наблюдаемыми действиями, при этом текущее состояние понимания определяет вероятность перехода от взаимодействия с одной записью к следующей (что иллюстрируется сетями переходов на досках). Единый управляющий параметр, γ, определяет относительное влияние новаторства (innovation) и функциональной фиксированности (functional fixedness). При меньших значениях γ в динамике понимания преобладают заблуждения; при больших значениях γ, показанных в обоих «облаках мыслей», доминирует правильный аттрактор. Переход от замешательства (Слева / Left) к просветлению (Справа / Right) может быть внезапным, когда понимание «перескакивает» из одной области притяжения в другую. Мы реализовали эту модель как минимальную математическую структуру, в которой динамика скрытого понимания управляется стохастическим дифференциальным уравнением, а скрытое понимание определяет вероятности переходов Марковского процесса, который генерирует дискретные, наблюдаемые взаимодействия с записями (см. Материалы и методы для деталей). (B) Динамика скрытого понимания из репрезентативного прогона минимальной модели, в котором управляющий параметр γ линейно возрастает со временем. Когда γ проходит критическое значение (γ_t = 0.26, вертикальная пунктирная линия), «запутанный» аттрактор исчезает. В каждой симуляции работы над доказательством скрытое понимание остаётся на низком уровне, но затем претерпевает критический переход с быстрым ростом от замешательства (U < 0.5) к просветлению (U ≈ 1). (C) Взаимодействия с записями в том же прогоне минимальной модели, что показан в (B). Скрытое понимание определяет вероятности перехода от каждой записи к другой. Отдельные записи представлены вдоль вертикальной оси и различаются по цвету. Цветные точки указывают на каждый момент, когда симулируемый математик переключал внимание на одну из записей. Предвидение внезапного озарения на основе математического поведения включает в себя определение динамики лежащего в его основе понимания (показано на панели B) на основе динамики наблюдаемого поведения (показано на панели C). Цитирование: S. Tabatabaeian, A. O'bi, D. Landy, & T. Marghetis, An information-theoretic foreshadowing of mathematicians' sudden insights, Proc. Natl. Acad. Sci. U.S.A. 122 (35) e2502791122, https://doi.org/10.1073/pnas.2502791122 (2025).
Автор: S. Tabatabaeian, A. O'bi, D. Landy, & T. Marghetis Источник: www.pnas.org

Рецепт открытия: физика, экология и психология

Что делает это исследование по-настоящему элегантным, так это его междисциплинарный подход. «Это одно из тех открытий, которые стали возможны лишь потому, что мы соединили очень разные научные дисциплины», — отмечает старший автор работы Тайлер Маргетис.

Идея о том, что система становится хаотичной перед качественным скачком (так называемым фазовым переходом), пришла из статистической физики. Аналогии можно найти и в экологии, где животное, исчерпав привычные источники пищи, начинает исследовать территорию более хаотично и непредсказуемо. Объединив эти концепции с наработками психологии творчества и инструментами теории информации, учёные получили совершенно новый взгляд на знакомое всем явление.


Внезапным озарениям математиков предшествовала возросшая непредсказуемость их взаимодействий с доской. (A) Момент озарения одного математика, отмеченный вербальным выражением «ага!». (B и C) Взаимодействия с доской до и после момента озарения, показанного в (A). Узлы представляют собой записи на доске; ширина ребра указывает на частоту переключения внимания с одной записи на другую, направленного вдоль градиента (от светлого к тёмному). До озарения (B) некоторые записи никогда не связывались математиком. Во время озарения (C) активность математика связала записи, которые ранее никогда не были связаны (синие рёбра), и больше не связывала записи, которые были связаны ранее [например, толстое чёрное ребро, идущее горизонтально в (B), которое исчезает в (C)]. (D) У реальных математиков взаимодействия были значительно более непредсказуемыми вблизи момента озарения. Наблюдаемые взаимодействия с доской, происходившие непосредственно до и после внезапного озарения (бирюзовый цвет / teal), были более непредсказуемыми, чем взаимодействия, происходившие в другое время (красный цвет / red), во всех сессиях работы над доказательствами в корпусе данных. (Точки обозначают средние значения; планки погрешностей — стандартные ошибки (SE); * обозначает P < 0,01.) Сравните с результатами модели на Fig. 3D. (E) У реальных математиков во всех сессиях работы над доказательствами в корпусе данных взаимодействия с доской становились всё более непредсказуемыми по мере приближения к внезапному озарению. Шкала времени изменена таким образом, что 0 — это момент озарения (сплошная вертикальная линия). Толстая чёрная линия обозначает среднее значение «удивления» (surprisal) в скользящем окне; лента обозначает стандартную ошибку (SE); начальная серая линия обозначает ширину скользящего окна. Сравните с результатами модели на Fig. 3E. Цитирование: S. Tabatabaeian, A. O'bi, D. Landy, & T. Marghetis, An information-theoretic foreshadowing of mathematicians' sudden insights, Proc. Natl. Acad. Sci. U.S.A. 122 (35) e2502791122, https://doi.org/10.1073/pnas.2502791122 (2025).
Автор: S. Tabatabaeian, A. O'bi, D. Landy, & T. Marghetis Источник: www.pnas.org

От магии к механике: что дальше?

Хотя эксперимент проводился на математиках, его выводы потенциально применимы к любой творческой деятельности, где мыслительный процесс можно наблюдать со стороны. Представьте себе дизайнера, перебирающего прототипы, химика, рисующего на доске молекулярные структуры, или даже писателя, переставляющего абзацы в тексте. Во всех этих случаях, вероятно, можно зафиксировать похожий всплеск «полезного хаоса» перед нахождением удачного решения.

Конечно, речь не идёт о создании машины, которая будет предсказывать гениальные изобретения. Ценность этой работы в другом. Она помогает нам понять микродинамику творчества. Если мы знаем, что период хаотичного поиска — это не признак тупика, а предвестник прорыва, это может изменить наш подход к решению сложных задач. Возможно, в будущем появятся инструменты, которые смогут подсказать человеку: «Ты близок к решению, не сдавайся, продолжай искать нестандартные ходы!»

Это исследование — важный шаг на пути от мистического восприятия креативности к её научному пониманию. Озарение — это не божественный дар, а сложный, но вполне закономерный нейрокогнитивный процесс. И теперь у нас появился способ увидеть, как зажигается эта искра.

[ArefievPV]

Математическая модель памяти показала оптимальное количество органов чувств для ИИ и человека
https://naked-science.ru/article/column/sem-organov-chuvstv-okaza
Ученые из Сколтеха предложили математическую модель памяти и сделали на основании ее анализа выводы, которые могут пригодиться в области искусственного интеллекта, робототехники и в изучении человеческой памяти. В числе прочего исследование, указывает на то, что оптимальный набор чувств включает не пять, а семь отдельных чувств.

«Применительно к человеческим органам чувств наш вывод не стоит воспринимать слишком серьезно, хотя кто знает, возможно, в процессе долгой эволюции разовьются, скажем, чувство уровня радиации или магнитного поля. Так или иначе, в робототехнике и теории искусственного интеллекта он может быть полезен, — заявил один из авторов работы, профессор Центра искусственного интеллекта Сколтеха Николай Бриллиантов. — Похоже, что число удерживаемых в памяти отдельных концепций максимально в том случае, если каждой из них отвечает семь, а не пять или, скажем, восемь признаков».

В соответствии с распространенным подходом, впервые сформулированным в начале XX века, представленная в работе модель строится на основе энграмм — базовых единиц памяти. Энграмму, как физическую запись в памяти, можно представить как рассредоточенную по разным отделам мозга группу нейронов, которые активируются совместно. Концептуальное содержание энграммы — это идеальный абстрактный объект, характеризуемый рядом признаков. В случае человеческой памяти признаки соответствуют каналам чувственного восприятия. Например, понятие «банан», оказывается, связано с соответствующим визуальным образом, запахом, вкусом и так далее. Получается пятимерный объект, который существует и эволюционирует  в пространстве с пятью измерениями, заполненном всеми остальными концепциями, сохраненными в памяти.

Эволюция энграмм подразумевает, что соответствующие концепции, со временем, могут становиться либо более отчетливыми, либо более размытыми. Это зависит от того, насколько часто энграмма активируется стимулом, который поступает через органы чувств из внешнего мира и вызывает воспоминание о связанном с ней объекте. Так моделируется обучение и забывание в условиях взаимодействия с внешним миром.

«Мы математически показали, что эволюция  энграмм в концептуальном пространстве приводит к некому устойчивому состоянию, то есть, через некоторое время образуется  „зрелое“ распределение энграмм, которое в дальнейшем сохраняется, — рассказал Бриллиантов. Рассмотрев итоговую емкость концептуального пространства с произвольным количеством измерений, мы увидели довольно неожиданную вещь: по достижении устойчивого состояния наибольшее число независимых энграмм помещается в памяти тогда, когда измерений семь. Отсюда и утверждение о семи чувствах».

Иными словами, во внешнем мире существуют объекты, и их можно описать конечным числом признаков, которые отвечают измерениям некоторого концептуального пространства. Емкость измеряется как количество независимых (уникальных) концепций, связанных с внешними объектами. Чем больше емкость памяти, тем глубже понимание мира. Оказывается, она максимальна для семимерного концептуального пространства. На этом основании ученые делают вывод об оптимальном количестве чувств.

По словам авторов исследования, число семь выводится независимо от особенностей модели концептуального пространства и внешних стимулов, формирующих чувственные впечатления. По-видимому, это число является надежной и устойчивой характеристикой энграмм памяти как таковых. Ученые делают оговорку, что считают синонимичными (не уникальными) несколько энграмм разного размера, существующих вокруг общего центра в пространстве концепций. Они представляют сходные понятия, поэтому учитываются как одна концепция при подсчете объема памяти.

Память людей и других живых существ — загадочное явление, связанное, в том числе, с сознанием. Развитие теоретических моделей в этой области потребуется и для более глубокого понимания психики, и для воспроизведения памяти, подобной человеческой, у разного рода ИИ-агентов.

Исследование опубликовано в журнале Scientific Reports.

P.S. Несколько замечаний.

Энграмма, это «запись» знаний, а воспоминание, это активированная «запись» знаний. Напомню: воспоминание формируется каждый раз заново на основе «записи» знаний. При этом, воспоминание также зависит от контекста, в котором происходит активация «записи» и от пути активации (с какого конкретно «шлюза» началась активация «записи»).

Кстати, думаю, что «записи» «пишутся» на разных уровнях – внутри нейрона (на уровне молекул и молекулярных комплексов), между нейронами (на уровне связей между нейронами), между нейронными ансамблями и т.д.

И, конечно, память, явление связанное с сознанием – поскольку знания в памяти (даже можно сказать, что сама память, это и есть знания), а любой акт/процесс осознания и заключается в сравнении/сопоставлении осознаваемого со знаниями с последующей генерацией сигнала о результате такового сравнения/сопоставления.

[ArefievPV]

Циклы активности коры мозга
https://neuronovosti.ru/tsikly-aktivnosti-kory-mozga/
Ученые из Оксфорда обнаружили, что активность крупномасштабных функциональных сетей мозга организована в виде устойчивых, циклических паттернов. Это означает, что когнитивные функции – внимание, память, сенсорная обработка – не активируются хаотично, а следуют строго упорядоченной, повторяющейся последовательности, завершающейся каждые 300-1000 миллисекунд. Исследование опубликовано в журнале Nature Neuroscience.

Циклическая структура активности групп нейронных сетей. Credit: van Es, M.W.J., et al. / Nature Neuroscience 2025

Исследование началось с анализа данных магнитоэнцефалографии здоровых людей в состоянии покоя. Авторы выделили 12 состояний мозга, каждое из которых представляет собой уникальную пространственно-спектральную конфигурацию активности и синхронизации в коре. Эти состояния соответствуют известным функциональным сетям: например, сеть пассивного режима работы мозга, связанная с безусловной активностью (пассивное бодрствование), и дорзальная сеть внимания, отвечающая за внешнюю фокусировку.

Для изучения динамики переходов между этими состояниями авторы разработали новый метод под названием TINDA. В отличие от традиционных подходов, при которых анализируют только непосредственные переходы или предполагают фиксированные временные запаздывания обработки сигнала, TINDA работает с переменными интервалами между повторными активациями одного и того же состояния. Метод разбивает каждый такой интервал на две половины и сравнивает вероятность появления других состояний в первой и второй половине – тем самым получается выявить асимметрии во времени, которые остаются невидимыми при стандартном анализе.

Анализ этих асимметрий для всех пар состояний показал, что они не случайны, а формируют глобальную, направленную циклическую структуру. Визуализация в виде направленного графа проявила единый устойчивый круговой паттерн активации всех 12 сетей. Для количественной оценки этой цикличности авторы ввели метрику «сила цикла»  – меру, измеряющую степень систематического движения в одном направлении (по часовой стрелке). Значение этой метрики было значительно выше, чем в контрольных перестановках данных, что подтвердило статистическую значимость циклической организации.

Ключевым открытием стало то, что эта цикличность проявляется не на уровне отдельных переходов, а на более долгих временных масштабах. Когда интервалы между повторными активациями одного и того же состояния были разделены на группы по длительности, «сила цикла» оказалась близка к нулю для самых коротких интервалов, менее 100 мс, и резко возрастала для интервалов продолжительностью 2-3 секунды и более. Это объясняет, почему цикличность не была обнаружена ранее: традиционные методы не способны уловить эти долгосрочные зависимости.
 
Дальнейший анализ показал, что цикл имеет четкую структуру, группирующую сети по их функциональным и спектральным свойствам. На «верхней» части цикла расположены состояния с высокой общей мощностью и межрегиональной синхронизацией, включая сеть пассивного режима работы мозга. На «нижней» части цикла – состояния с низкой мощностью, преимущественно связанные с сенсомоторной обработкой. При этом на левой стороне цикла преобладают состояния с активностью в высоких частотах, а на правой – в низких частотах, соответствующих фронтотемпоральным и языковым областям.

С возрастом «сила цикла» увеличивается, а «скорость цикла» снижается – что согласуется с известным когнитивным замедлением у пожилых людей. «Скорость цикла» различается у мужчин и женщин – у женщин она выше.

Интересно, что 73% вариативности «скорости цикла» объясняется генетическими факторами, тогда как «сила цикла» не оказалась наследуемой. Это указывает на то, что динамика цикла, его скорость – это наследственные биологические признаки, тогда как его устойчивость может зависеть от опыта и обучения.
 
Наконец, исследователи проверили, сохраняются ли циклы во время выполнения задач и связаны ли они с поведением. В тех задачах, где участники распознавали лица, циклическую структуру также удалось обнаружить. Более того, вероятность активации определенных состояний за 500 мс до нажатия кнопки коррелировала со временем реакции: активация «низкомощных» состояний замедляла реакцию, а «высокомощных»  – ускоряла. В другом эксперименте, связанном со спонтанным воспроизведением памяти, состояния, положительно коррелирующие с этим процессом, также группировались в определенной фазе цикла – на «верхней» его части.
 
Это доказывает, что циклическая организация мозга – не артефакт состояния покоя, а фундаментальный механизм, обеспечивающим периодическую, адаптивную активацию всех необходимых когнитивных функций. Цикличность позволяет мозгу эффективно проходить через все необходимые функциональные состояния, обеспечивая как стабильность, так и гибкость через стохастичность отдельных переходов.

[ArefievPV]

Полная карта мозга не поможет понять его механизмы. Почему схема нейронных связей не соответствует реальной работе?
https://www.ixbt.com/live/science/polnaya-karta-mozga-ne-pomozhet-ponyat-ego-mehanizmy-pochemu-shema-neyronnyh-svyazey-ne-sootvetstvuet-realnoy-rabote.html

В нейронауке существует фундаментальное допущение: структура нейронной сети должна определять ее функцию. Создание коннектома — полной карты синаптических связей — поможет понять все принципы работы мозга. Идеальной моделью для такой задачи является нематода Caenorhabditis elegans, чья нервная система из 302 нейронов полностью картирована.

Однако недавнее исследование проводит прямое сопоставление анатомической структуры с реальной сигнальной активностью и приходит к выводу, что это допущение требует серьезной корректировки.

Два представления одной сети: анатомия и сигнал

В основе работы лежит сравнение двух различных, но взаимодополняющих карт нервной системы червя.

• Анатомическая сеть (коннектом) — это подробная карта всех физических контактов между нейронами. Она показывает, какие нейроны соединены друг с другом синапсами. По сути — какие нейроны потенциально могут обмениваться информацией напрямую.
• Сигнальная сеть (функциональная) — это динамическая карта, которая показывает, какие нейроны на самом деле активируют друг друга в процессе работы. Эту карту получают, стимулируя один нейрон и наблюдая, какие другие нейроны на это реагируют. Это называют каузальными (причинными) связями.

Ожидалось, что эти две карты будут очень сильно, если не полностью, совпадать. Однако результаты исследования показали глубокие расхождения в их организации.



a) Левая панель: матрица, показывающая анатомическую сеть. Каждый пиксель обозначает наличие или отсутствие синаптических контактов от одного нейрона мозга к другому, по данным. Нейроны отсортированы по их принадлежности к сообществам первого иерархического уровня: сначала — наименьшее сообщество, затем — последующие сообщества в порядке возрастания их размера. Правая панель: круговая дендрограмма, показывающая принадлежность к сообществам на разных иерархических уровнях; цвета соответствуют первому уровню.

(b) Левая панель: матрица сигнальной сети. Каждый пиксель показывает, демонстрирует ли нисходящий нейрон устойчивую кальциевую активность в ответ на оптогенетическую стимуляцию восходящего нейрона. Организовано аналогично (a). Правая панель: то же, что и в (a), для сети распространения сигнала.
Автор: DVALI, SEGUIN, BETZEL, AND LEIFER. PRX Life Источник: journals.aps.org

Группы нейронов организованы по-разному

Сложные сети, включая мозг, организованы по модульному принципу. Нейроны формируют группы, внутри которых связи значительно плотнее, чем с остальной сетью. Эти модули, как правило, соотносятся со специализированными функциональными блоками.

Сравнение модульной структуры выявило принципиальные различия:

• Анатомическая сеть была разделена на 20 небольших, четко очерченных групп.
• Сигнальная сеть, напротив, состояла всего из 6 крупных, более рассредоточенных модулей.

Ключевой вывод заключается в том, что границы этих модулей практически не совпадали. Нейроны, которые согласно анатомической карте принадлежали к одному сообществу, в функциональной сети могли быть частью разных систем.

Единственное совпадение — нейроны, отвечающие за глотку. Эта часть нервной системы физически почти полностью отделена от остального мозга, поэтому ее структура и функция совпадают. Во всех остальных случаях такого прямого соответствия нет.


Различие сообществ по типу и роли нейронов.

(a) Долевое распределение нейронов в сигнальных сообществах по типам клеток: сенсорные, промежуточные (интер-) и моторные (зеленый, фиолетовый и желтый, соответственно).

(b) Обогащение (z score) сигнальных сообществ сенсорными, промежуточными (интер-) и моторными нейронами (* p < 0.05, ** p < 0.01, p values FDR-adjusted).

(c) Обогащение сигнальных сообществ по роли нейронов (* p < 0.05, ** p < 0.01, p values FDR-adjusted).

(d) Обогащение (z score) анатомических сообществ сенсорными, промежуточными (интер-) и моторными нейронами (* p < 0.05, ** p < 0.01, p values FDR-adjusted).

(e) Обогащение анатомических сообществ по роли нейронов (* p < 0.05, ** p < 0.01, p values FDR-adjusted).
Автор: DVALI, SEGUIN, BETZEL, AND LEIFER. PRX Life Источник: journals.aps.org

Ключевые нейроны в картах не совпадают

Другим важным свойством сетей является наличие узлов с максимальным числом соединений. Считается, что они играют центральную роль в управлении информацией.

Анализ показал, что состав этих групп в анатомической и сигнальной сетях практически не пересекается. Те нейроны, которые выглядят главными по количеству физических соединений, не обязательно являются главными в реальной передаче сигналов.

И здесь также нашлось исключение: пара нейронов AVEL/R оказалась центральными в обеих сетях. Этот факт подкрепляет общую тенденцию: только самые ярко выраженные черты анатомической структуры сохраняют свой статус при переходе к реальной работе.



Центральные узлы в сигнальной сети.

(a) Нормализованный коэффициент центральных узлов для сигнальной сети (фиолетовый), коэффициенты центральных узлов для эмпирической сигнальной сети (голубой) и для 100 рандомизированных нулевых сетей (темно-синий; планки погрешностей обозначают стандартное отклонение). Режимы центральных узлов отмечены зеленой (k > 25) и синей (k > 40) заливкой.

(b) Степень связности в сигнальной сети в сравнении с анатомической степенью связности для каждого нейрона (корреляция Пирсона r = 0.22).

(c) Диаграмма Венна для нейронов, входящих в группу анатомических центральных узлов (красный), группу сигнальных центральных узлов с k > 25 (зеленый) и группу сигнальных центральных узлов с k > 40.

(d) Обогащение (z score) сигнальных сообществ нейронами, являющимися центральными узлами (* p < 0.05, ** p < 0.01, p values FDR-adjusted).

(e) Обогащение (z score) нейронов, принадлежащих к группе сигнальных центральных узлов (слева) и группе анатомических центральных узлов (справа), во взаимодействиях ассортативного, дисассортативного и типа «ядро-периферия» в их соответствующих сетях.
Автор: DVALI, SEGUIN, BETZEL, AND LEIFER. PRX Life Источник: journals.aps.org

Почему строение и работа так отличаются?

Есть несколько причин, по которым схема соединений не может точно описать работу мозга:

• Полисинаптические пути. Анатомическая карта показывает только прямые, одношаговые связи. Но в реальности сигнал может передаваться от одного нейрона к другому через нескольких посредников.
• Внесинаптическая передача. Коммуникация в мозге не ограничивается синапсами. Нейроны выделяют химические вещества, которые действуют на другие клетки на расстоянии. Эти связи на схеме строения не видны.
• Динамическая природа синапсов. Синаптическая связь не является статичным элементом. Наличие физического контакта между нейронами не означает, что он всегда активен. Сила и даже сама возможность передачи сигнала может меняться.

Это исследование показало, что полная карта соединений всё равно не позволит точно понять работу мозга. Она показывает лишь возможные пути для сигналов, но не то, как они будут использоваться. Чтобы понять мозг, необходимо наблюдать за его активностью в реальном времени.

[ArefievPV]

«Эффект страуса»: ученые выяснили, в каком возрасте дети начинают избегать информации
https://naked-science.ru/community/1120799
Взрослея, люди начинают избегать информации, даже если знания могут принести пользу. Исследователи выяснили, в каком возрасте человек начинает делать выбор в пользу комфорта, а не неопределенности.

Ученые из Чикагского университета (University of Chicago) определили возраст, в котором люди начинают избегать информации. Оказалось, «эффект страуса» проявляется еще в детском возрасте. Исследование опубликовано в журнале Psychological Science.

Исследователи проанализировали, как происходит процесс избегания информации у 320 американских детей в возрасте от пяти до 10 лет. Они обнаружили, что дети младшего возраста активно искали знания. К семи годам они начинали избегать информации, если ответы потенциально могли вызвать негативные эмоции.

В первом эксперименте ученые рассмотрели пять возможных причин, по которым люди могут проявлять «поведение страуса».

Одна из причин — желание избежать негативных эмоций, таких как тревога или разочарование.

Также человек может хотеть избежать негативной информации о собственной привлекательности или компетентности.

Поводами могут быть нежелание подвергать сомнению свои убеждения и попытка защитить свои предпочтения.

Кроме того, человек может действовать в собственных интересах.

Затем авторы эксперимента разработали разные сценарии, чтобы проверить, существует ли взаимосвязь между причинами и избеганием информации. В одном из тестов детям предложили вспомнить свои любимые и нелюбимые конфеты. Потом им дали возможность посмотреть видео, почему употребление каждой из этих конфет вредно для зубов.

Исследователи пришли к выводу, что маленькие дети хотели узнавать информацию, но с годами они начинали проявлять склонность к избеганию. По словам научного сотрудника Чикагского университета Радхики Сантанагопалан (Radhika Santhanagopalan), дети не хотели знать, почему их любимые конфеты вредны. При этом они были не против узнать, почему вредны их наименее любимые конфеты.

Ученые проанализировали еще одно явление, которое называется «моральным пространством для маневра». В этом случае человек избегает информации в собственных интересах, стараясь не казаться эгоистичным в глазах других.

Чтобы проверить этот эффект, исследователи вручили детям-партнерам два ведра с наклейками — для себя и партнера. В одном из ведер было больше наклеек, а в другом их количество скрыли. Прежде чем участники делали выбор, их спрашивали, хотят ли они знать, сколько стикеров получит их партнер.

Хотя понимание, сколько наклеек достанется партнеру в закрытом ведре не влияло на количество наклеек у самого ребенка, с возрастом дети все чаще отказывались узнать, сколько их получит другой человек. Получается, выбирая ведро с неизвестным количеством стикеров для партнера, они не испытывали чувства вины.

Авторы пришли к выводу, что по мере взросления дети начинали чаще отказываться от информации, чтобы избежать негативных эмоций, связанных со знаниями. Исследователи подтвердили четыре причины из пяти. Исключением стали знания, связанные с компетентностью. Дети без колебаний интересовались, как они справились с тестом. По мнению ученых, это может быть связано с тенденцией в школах: плохой результат — это шаг на пути к хорошему результату.

Во взрослом возрасте избегание информации становится обычным явлением. Знания становятся слишком тяжелыми для восприятия, могут угрожать давним убеждениям или вызывать страх перед неопределенностью. По мнению ученых, избегание может приводить как к личным, так и общественным последствиям. К примеру, это способствует «углублению политической поляризации или идеологической жесткости».

[ArefievPV]

Нейроны общаются по трубкам
https://www.nkj.ru/news/55166/
Между нейронами мозга есть соединения в виде коротких нанотрубок, по которым от одного нейрона к другому могут перетекать ионы, белки и целые клеточные органеллы.

Когда мы слышим о межнейронных соединениях, то обычно сразу представляем себе синапс – специальный контакт между нейронными отростками, через который один нейрон передаёт другим электрохимический импульс. В передаче сигнала задействованы разные рецепторы и ионные каналы, его регулируют разные белки, влияющие на динамику нейромедиаторов, и вообще межнейронный синапс устроен сложно. Но, по-видимому, одними синапсами межнейронные связи не ограничиваются.

Сотрудники Институт Джонса Хопкинса, анализируя чужие электронные микрофотографии срезов мозга человека и мыши, обратили внимание на тонкие трубочки, соединяющие дендриты разных нейронов. Трубочки были длиной всего 3 микрометра, и чтобы достоверно их увидеть, исследователям пришлось уже в собственных экспериментах использовать особые методы микроскопии, позволяющие получать сверхдетальные изображения. Потом сверхдетальные микрофотографии нужно было ещё прогнать через машинный алгоритм, который должен был определить, действительно перед нами какая-то новая структура, соединяющая нейроны друг с другом, или это просто какие-то выступы на мембранах.

В статье в Science говорится, что микротрубочки оказались действительно микротрубочками; более того, их появление и распад удалось понаблюдать вживую на лабораторных культурах нейронов. Тут нужно сказать, что «трубопроводы» между клетками изучают с 2000-х, но до сих пор это были другие трубочки – более длинные, в 10 микрометров и больше. Их назвали туннелирующими нанотрубками (TNT). Считается, что такие межклеточные контакты важны при восстановлении тканей и при развитии органов, что по туннелирующим нанотрубкам путешествуют самые разные субстанции, от испорченных белков до целых клеточных органелл. Например, летом мы рассказывали о том, как раковые клетки крадут у нейронов их митохондрии, а в прошлом году в журнале Neuron была опубликована статья о том, что нейроны по нанотрубкам отдают вспомогательным глиальным клеткам опасные белки, а глиальные клетки передавали нейронам здоровые митохондрии.

А вот между нейронами трубочек до сих пор не видели. Как было сказано, новые трубочки оказались заметно меньше; их назвали дендритными нанотрубками – DNT. Формируются они с помощью цитоскелетного белка актина, и так же, как длинные TNT, они проводят митохондрии, белки и ионы кальция. Проводя от нейрона к нейрону ионы, нанотрубки тем самым меняют электрическое состояние клеток, а значит, они должны влиять на возбудимость и проведение сигнала. Что до белков, то исследователи продемонстрировали, что по этим нанотрубкам могут путешествовать молекулы бета-амилоида, который при болезни Альцгеймера образует опасные комплексы. Когда человеческий бета-амилоид вводили в один мышиный нейрон, он по трубкам переходил в соседний. У мышей с моделью болезни Альцгеймера плотность нанотрубок возрастала перед тем, как у них в мозге начинали появляться амилоидные бляшки – те самые токсичные скопления бета-амилоида. Компьютерные модели также говорят о том, что DNT могут играть роль в накоплении альцгеймерических белков в нейронах.

Однако компьютерные модели и мыши со смоделированным «альцгеймером» (которого у них от природы не бывает) – это одно, а человеческий мозг – это другое. Строго говоря, пока что удалось установить, что между нейронами, помимо синапсов, есть и вот такие соединения в виде нанотрубок. Они могут влиять и на электрическую активность нейронов, и на развитие заболеваний, но насколько они влияют и влияют ли вообще, станет ясно только после дальнейших исследований.

[ArefievPV]

Движение жидкости в мозге предложили считать основой сознания
https://naked-science.ru/article/biology/dvizhenie-zhidkosti-v-moz
Согласно новой гипотезе, сознание возникает не только из-за активности нейронов, но и благодаря физическим процессам — электромагнитным полям от движения жидкости в мозге. Эта модель, как и ее предшественники, пока носит теоретический характер, но предлагает нестандартный взгляд на проблему синхронизации работы разных отделов мозга.

Происхождение сознания — субъективного опыта, мыслей и ощущений — остается одной из главных загадок науки. Десятки лет исследований не привели к появлению теории, которая могла бы полностью охватить этот феномен. Распространенные концепции предлагают разные, порой противоречивые объяснения и сталкиваются с трудностями при экспериментальной проверке.

Одна из ведущих теорий, теория интегрированной информации, предполагает, что сознание — это свойство любой системы, способной сложным образом объединять информацию. Согласно ей, эпицентр сознания расположен в так называемой горячей зоне в задних отделах коры головного мозга. Недавние масштабные эксперименты по проверке теории не смогли подтвердить ее ключевое предсказание о непрерывной синхронизации активности в этой зоне во время осознанного восприятия.

Другой влиятельный подход — теория глобального нейронального рабочего пространства. Она сравнивает сознание со сценой, на которую попадает лишь самая важная информация. Когда информация достигает нейронных сетей в лобных и теменных долях, она становится «глобально доступной» для всего мозга — и в этот момент осознается. Эта теория также столкнулась с противоречиями. Эксперименты показали, что предсказанная ею мощная «вспышка» активности в лобных долях в момент осознания далеко не так универсальна, как предполагалось.

На фоне этих трудностей студент-медик Шалин Бхатт вместе с коллегами из Джорджтаунского университета предложил альтернативный взгляд. Научная работа опубликована в журнале Medical Hypotheses, который как раз специализируется на рассмотрении новых и спекулятивных идей.

Новая гипотеза получила название «теория глиовазомоторного поля» (GlymphoVasomotor Field). Она смещает фокус с чистой нейробиологии на биофизику и берет за основу работу глимфатической системы — сети каналов вокруг сосудов, по которым в мозге движется спинномозговая жидкость (ликвор), выполняя функцию очистки.
 
Авторы идеи выстроили следующую цепочку событий. Ритмичные выбросы норадреналина из отдела в стволе мозга под названием «голубое пятно» заставляют стенки сосудов ритмично пульсировать. Эта пульсация, в свою очередь, приводит в движение ликвор. Поскольку он содержит заряженные частицы — ионы, — их ускоренное движение, согласно законам электродинамики, создает слабое, но структурированное электромагнитное поле.

Именно это поле, по мнению авторов исследования, и играет роль невидимого каркаса или «дирижера» для нейронов. Если представить нейроны как музыкантов в оркестре, каждый из которых исполняет свою партию, то глиовазомоторное поле задает общий ритм, объединяя их разрозненную активность в единую и слаженную «симфонию» сознания. Такой подход позволяет объяснить, как отдаленные друг от друга отделы мозга — например, задние и передние — могут работать синхронно даже без прямых нейронных связей между ними. Их координирует общее физическое поле.

В качестве косвенного подтверждения ученые привели эффект от некоторых препаратов. Например, снотворное золпидем, которое изменяет сознание, также подавляет пульсацию сосудов и ток ликвора. В то же время у некоторых пациентов с тяжелыми нарушениями сознания золпидем парадоксальным образом вызывает «пробуждение». Теория глиовазомоторного поля предлагает этому возможное объяснение, связывая изменения сознания с модуляцией сосудистой динамики и потоков жидкости.

Впрочем, эта гипотеза поднимает серьезные вопросы. Ключевой — достаточно ли сильны эти предполагаемые электромагнитные поля, чтобы оказывать значимое влияние на активность миллиардов нейронов. Современные представления о биофизике мозга предполагают, что такие поля скорее должны быть исчезающе малы.

Другой фундаментальный аспект — проблема корреляции и причинности. Наблюдаемое совпадение между изменениями кровотока и состояния сознания не доказывает, что первое — причина второго. Оба этих явления, например, могут быть следствием другого нейронного процесса, который гипотеза не учитывает.

Тем не менее ценность теории глиовазомоторного поля в том, что она заставляет посмотреть на проблему сознания под новым углом и объединить знания из разных областей — нейробиологии, гидродинамики и физики. Она подчеркивает, что сознание может быть не просто продуктом нейронной активности, а сложным эмерджентным свойством всей экосистемы мозга, включая его сосудистую сеть и потоки жидкости. Будущие эксперименты, направленные на измерение этих сверхслабых полей и их связи с нейронной активностью, покажут, насколько состоятельной окажется эта смелая идея.

P.S. В дополнение к этой гипотезе несколько цитат:

Нейронауки в Science и Nature. Выпуск 266: геометрия мозга против коннектома
http://neuronovosti.ru/nejronauki-v-science-i-nature-vypusk-266-geometriya-mozga-protiv-konnektoma/
Классическая нейробиологическая теория о влиянии коннектома на функции мозга предполагает, что динамика нейронов зависит от взаимодействия между специализированными нейронными пулами, связанными сложной сетью аксонов. Однако другая теория – теория нейронного поля, которая используется в моделировании активности целого мозга – предполагает, что геометрия мозга может иметь более фундаментальное значение. Результаты нового исследования, опубликованного в журнале Nature, бросают вызов преобладающим взглядам и выявляют недооцененную роль геометрии в формировании функций мозга.

Мозг хранит память в электрическом поле
https://www.nkj.ru/news/43568/
Постоянство памяти сохраняется постоянством электрического поля, которое возникает от меняющегося ансамбля работающих нейронов.
...
Авторы работы полагают, что постоянство памяти поддерживается как раз благодаря постоянству поля: какие именно нейроны будут задействованы, не так уж важно, один и тот же результат в смысле электрического поля можно достичь разными ансамблями клеток.

Мозг обрабатывает информацию с помощью волн
https://www.nkj.ru/news/43782/
Реакция нейрона на стимул зависит от того, под какую электрическую микроволну он попал.
...
Речь не о тех альфа-, бета-, гамма-волнах, которые мы измеряем с помощью электроэнцефалографии – они показывают общую картину работы мозга. Волны, возникающие в небольших нейронных сетях – это микроволны, они одновременно возникают в разных областях мозга и распространяются по нейронным сетям. Встречаясь, такие микроволны взаимодействуют друг с другом, и от того, как они провзаимодействуют, зависит активность отдельной клетки. Грубо говоря, если волны погасят друг друга, клетка промолчит в ответ на стимул, если волны усилят друг друга, клетка на тот же стимул отреагирует импульсом. Волновой подход даёт другой инструмент для анализа того, как мозг работает с информацией: нужно работать не с отдельными межнейронными контактами, а с волнами активности; соответственно, такой метод предполагает несколько иной математический аппарат.

Волны памяти, которые перемещаются
http://neuronovosti.ru/volny-pamyati-kotorye-peremeshhayutsya/
Ученые из MIT провели эксперимент, в котором оценивали нейрональную активность мозга обезьян при решении задачи на рабочую память. Ученые выяснили, что паттерн, или рисунок активности не стоит на месте. Он перемещается по мозгу, словно волны на воде. При этом направление, ротация и скорость перемещения зависят от типа нагрузки на рабочую память. Об этом – статья в журнале PLOS Computational Biology.
...
Но помимо того, что волна распространяется с течением времени, она еще и крутится в пространстве. Интересно, что крутящихся волн было значительно больше среди всех динамических. При этом, как оказалось, у каждой волны можно наблюдать предпочтительное направление движения. В ходе выполнения задачи на определенной ее стадии вероятность распространения волн в этих направлениях уменьшалась или увеличивалась.
...
Ориентация таких волн изменяется во время выполнения теста на рабочую память, сперва распространяется в две противоположные стороны, но организуясь в одном направлении при тестировании.

Ученые сделали предположение, что динамические волны могут быть связаны с поддержанием активности в нейрональных сетях рабочей памяти, позволяя им постоянно оставаться во включенном состоянии.

[ArefievPV]

Ученые открыли способ эффективного управления сложными сетевыми структурами
https://naked-science.ru/article/column/uchenye-otkryli-sposob-ef
Сложные сети, состоящие из множества взаимодействующих элементов, лежат в основе работы мозга, социальных сообществ и многих технологических систем. Одно из самых необычных и трудноуловимых феноменов в таких сетях — химерное состояние. Это режим, при котором в одной системе одновременно сосуществуют порядок и хаос, т.е. часть элементов ведет себя синхронно, а другая часть остается в состоянии десинхронизации. Исследователи Научно-исследовательского института прикладного искусственного интеллекта и цифровых решений РЭУ имени Г.В. Плеханова в сотрудничестве с зарубежными коллегами из Индийского статистического института предложили новый подход к контролю над сложными динамическими системами.

Схема сети с адаптивными связями высоких порядков / © Пресс-служба РЭУ им. Г.В. Плеханова

Коллектив Научно-исследовательского института прикладного искусственного интеллекта и цифровых решений РЭУ имени Г.В. Плеханова под руководством директора Центра, члена-корреспондента РАН Александра Храмова доказал теоретически и экспериментально, что этими состояниями можно эффективно управлять, используя адаптивные связи высоких порядков. В отличие от традиционных моделей, где учитываются только попарные взаимодействия, связи высоких порядков описывают групповое влияние, когда на элемент сети одновременно воздействуют три и более других элемента. Именно такие взаимодействия часто встречаются в реальности — от принятия групповых решений в социуме до кооперативных процессов в биологических нейронных ансамблях.

Результаты работы, посвященной управлению химерными (неоднородными) состояниями в сетях с адаптивными связями высоких порядков, опубликованы в международном научном журнале Chaos. An Interdisciplinary Journal of Nonlinear Science.

Адаптивность означает, что сила связей в сети может динамически меняться в зависимости от текущего состояния всей системы. Это приближает модель к реальным биологическим и технологическим процессам.

Проведя масштабное компьютерное моделирование сети осцилляторов (индикаторов) Курамото (математической модели, которая описывает поведение большого набора связанных осцилляторов), исследователи выявили, что адаптация связей позволяет гибко переключать режимы работы сети:

• Индуцировать химерное состояние из полностью синхронного.
• Полностью синхронизировать сеть, подавив химерное состояние.
• Формировать устойчивые двухкластерные режимы с противофазной синхронизацией.

Особенно перспективной для практического применения оказалась архитектура сети типа «мир тесен» (small-world), в которой химерные состояния наблюдаются в более широком диапазоне параметров, что повышает устойчивость управления.

Фундаментальное открытие открывает пути к созданию новых технологий в различных областях:

• Нейротехнологии: понимание механизмов контроля синхронизации может помочь в разработке методов лечения нейродегенеративных заболеваний и эпилепсии;
• Искусственный интеллект: принципы адаптивных сетей могут быть использованы для создания новых архитектур нейросетей и более эффективных систем резервуарных вычислений;
• Киберфизические системы: полученные результаты могут быть применены для повышения отказоустойчивости и гибкого управления в распределенных системах, таких как «умные» города, роевой интеллект или сети датчиков.

«Мы продемонстрировали, что адаптация связей высоких порядков служит мощным инструментом для целенаправленного конструирования динамических режимов в сложных сетях. Это открывает возможность не просто предсказывать, а активно формировать коллективное поведение сложных многокомпонентных систем», — отмечает один из авторов работы, ведущий научный сотрудник Научно-исследовательского института прикладного искусственного интеллекта и цифровых решений РЭУ имени Г.В. Плеханова Андрей Андреев.

[ArefievPV]

Нейроны навигации подстраиваются под окружающую среду
https://www.nkj.ru/news/55220/
Шестиугольная сетка, которую мозг использует для ориентации в пространстве, меняется в зависимости от жизненного контекста.

Для ориентации в пространстве мозг использует два типа нейронов. Первые – нейроны-картографы, или нейроны места. Они сидят в гиппокампе и запоминают характерные особенности окружающего ландшафта. Нейроны места реагируют и запоминают не какое-то одно-единственное место, а много мест, и один и тот же нейрон кодирует не просто разные места, но места разного масштаба. Другие клетки, сидящие в энторинальной коре, по очереди активируются, пока индивидуум передвигается в пространстве – то есть они отмечают участки территории. Их особенность в том, что они срабатывают по особой схеме, разбивая пространство на шестиугольные фрагменты и делая его похожим на огромную решётку. Отсюда и их название – grid-нейроны, или нейроны решётки, или, как их ещё называют GPS-нейроны. Они задают систему координат, в которой мозгу удобно описывать конкретный ландшафт и собственные перемещения в пространстве. За открытие обоих типов нейронов навигации в 2014 году дали Нобелевскую премию по физиологии и медицине.

Постоянна ли пространственная решётка, которую создают нейроны решётки? Раньше считалось, что постоянна, что ни от каких особенностей окружающего ландшафта работа этих нейронов не зависит; в конце концов, для особенностей ландшафта есть нейроны места. Однако активность нейронов решётки обычно исследовали в экспериментах, когда животные перемещались, имея в виду определённую цель и видя вокруг себя из раза в раз одни и те же объекты. Сотрудники Гейдельбергского университета и Немецкого центра исследования рака сделали иначе: у них мыши сначала бегали по пустой экспериментальной площадке, а потом на той же площадке появлялось устройство с рычагом. Нажав на рычаг, мышь получала угощение, но чтобы его получить, нужно было вернуться от рычага обратно в домашнюю нору. Смысл был в том, чтобы проверить, как будут вести себя нейроны решётки, когда окружающие приметы непостоянны, а твои перемещения из случайного блуждания переключаются в целенаправленное движение к угощению.

От исследователей требовалось одновременно фиксировать активность сразу большого набора нейронов решётки, а потом эту активность анализировать методами искусственного интеллекта. «Решёточность» нейронов видна не в том, как они расположены физически в мозге, а в том, как они работают. Их активность вписывают в тороидальную систему координат, из которой с помощью математических преобразований получают перемещения индивидуума в более привычной нам прямоугольной системе координат.

В статье в Nature Neuroscience говорится, что нейроны решётки строят не одну, а много решёток: система шестиугольников зависит от цели, а также от меняющейся точки отсчёта во внешнем мире. У мыши, которая просто блуждает по экспериментальной площадке, нейроны решётки работают по одной схеме, но если та же мышь вдруг натыкается на рычаг, который, как она помнит по опыту, даёт ей угощение, то навигационная решётка перестраивается так, чтобы мышь от очень важного элемента ландшафта, то есть от этого самого рычага, как можно быстрее добралась до норы, где её ждёт что-то вкусное. Сами исследователи предлагают представить, что вы вошли в абсолютно тёмную комнату и пытаетесь по ней передвигаться. До поры до времени для вас точкой отсчёта будет входная дверь, но как только вы наткнётесь в темноте на диван или стул, окружающие координаты изменятся – дверь никуда не денется, но система навигации свяжет её с новым элементом окружающего пространства.

Несколько лет назад мы уже писали о том, что решётка нейронов навигации может изменяться, но тогда речь шла о том, что узлы этой решётки отдаляются друг от друга или сближаются, искажая шестиугольники нейронной активности. Однако и сами узлы тоже способны меняться, и вся решётка способна перестраиваться, как это видно по новым данным. Поэтому сравнивать нейроны решётки с системой GPS не совсем корректно; в то же время, учитывая разнообразие жизненного опыта, жизненных целей, жизненных ситуаций и т. д., можно было ожидать, что правила работы нейронов решётки не такие жёсткие, как было принято считать.

[ArefievPV]

Шмели научились понимать азбуку Морзе
https://naked-science.ru/article/biology/shmeli-nauchilis-ponimat
Шмели научились различать короткие и длинные вспышки света, чтобы находить еду. Это умение, напоминающее понимание азбуки Морзе, ранее считалось присущим только позвоночным животным.

Способность обрабатывать временную информацию важна для выживания животных. Она помогает планировать поиск пищи, общаться с сородичами и избегать хищников. Например, колибри запоминают, как быстро в определенных цветах восполняется нектар, чтобы прилетать к ним в нужный момент. У медоносных пчел существует сложный «танец», в котором длительность движений указывает на расстояние до источника пищи.

Механизмы восприятия времени у животных работают в разных масштабах: от многолетних сезонных циклов до долей секунды. Длинные циклы, такие как смена дня и ночи, регулируют внутренние биологические часы, основанные на синтезе белков. Но эти механизмы слишком медленные, чтобы объяснять способность различать короткие интервалы, измеряемые в секундах. До недавнего времени считалось, что это доступно только позвоночным с более развитым мозгом: обезьянам, крысам или голубям.

Вопрос о том, как с подобными задачами справляются насекомые с их миниатюрной нервной системой, оставался открытым. Их мозг меньше одного кубического миллиметра, но при этом они демонстрируют сложное поведение. Поэтому понимание их способностей помогает раскрыть фундаментальные принципы работы нервной системы.

Биологи решили проверить, могут ли шмели Bombus terrestris различать длительность визуальных сигналов, чтобы принимать решения. Результаты опубликованы в журнале Biology Letters.

Исследователи построили специальный лабиринт из трех отсеков. В каждом отсеке находился монитор, на котором шмелям показывали два мигающих желтых круга. Один круг мигал с короткими интервалами, условно «точка», а другой — с длинными, условно «тире».


Фото экспериментальной модели. Справа — деревянный ящик, где живут шмели. Он соединен акриловыми туннелями с камерой наблюдения в верхней части изображения (там шмели кормились) и тремя экспериментальными отсеками слева (там им предъявляли стимулы и растворы). / © ph: Alex Davidson, Queen Mary University of London

В процессе обучения один из сигналов связывали с наградой — каплей сахарного раствора, а другой — с наказанием в виде капли горького раствора хинина. Чтобы шмели не запоминали местоположение награды, а ориентировались именно на сигнал, позиции «точки» и «тире» постоянно меняли.

Обучение продолжалось до тех пор, пока шмель не начинал делать 15 правильных выборов из 20 попыток. После этого начиналась фаза тестирования. В ней капли с сахаром и хинином заменяли на капли с обычной водой. Это позволяло убедиться, что насекомые реагируют именно на длительность вспышек, а не на запах или другие побочные признаки награды.

Работа проходила в два этапа. В первом эксперименте общая продолжительность свечения у «длинного» и «короткого» сигналов различалась. Например, в одном из вариантов «длинный» сигнал светился пять секунд, а «короткий» — одну секунду.

Во втором эксперименте задачу усложнили. Общую продолжительность свечения для обоих сигналов сделали одинаковой. За пятисекундный цикл и «длинный», и «короткий» сигналы суммарно светились 2,5 секунды, но с разной частотой и длительностью отдельных вспышек.

Шмели успешно справились с задачей в обоих экспериментах. Они научились безошибочно находить нужный сигнал, связанный с наградой, даже когда общее количество света от двух кругов было одинаковым. В первом эксперименте 16 из 20 шмелей, а во втором — 17 из 21 показали результат выше случайного. Это доказало, что насекомые принимали решение, основываясь именно на длительности отдельных вспышек, а не на общей яркости или частоте миганий.

Исследование доказало, что шмели обладают сложными способностями к обработке временной информации, которые ранее считались недоступными для насекомых. Эти умения не связаны с какими-то врожденными стратегиями поиска пищи, поскольку в природе шмели не сталкиваются с мигающими сигналами. Вероятно, они используют более общие механизмы обучения.

Ученые предположили, что похожие нейронные цепи могут отвечать как за восприятие времени, так и за ориентацию в пространстве, например, при оценке скорости полета. Изучение таких эффективных «вычислительных» систем у насекомых может помочь лучше разобраться в том, как работает мозг на самом базовом уровне.

[ArefievPV]

Синтетические леса для выращивания мозга
https://habr.com/ru/articles/969866/

Есть разные способы понять, что именно происходит в нашем мозге. Можно наблюдать за мозгом через сканы МРТ или посредством вскрытия. Можно выращивать органоиды – небольшие пласты нейронов, которые коммуницируют друг с другом. И даже использовать эти органоиды как процессор на биореакторе. Можно еще имитировать процессы мозга, используя вычислительные мощности и создавая 3D модели… Но можно ли вырастить мозг в лаборатории? Да, можно. Если использовать адекватные строительные леса.



Искусственный мозг. Имитация и координация

Создание нейронных тканей направлено на имитацию сложной среды мозга. В её входят не только сами нейроны, но и внеклеточный матрикс, который поддерживает рост, развитие и правильное взаимодействие нервных клеток. Эта среда тщательно структурирована и способна передавать сигналы, синхронизируя поведение и взаимодействие клеток.

Ценность трёхмерных моделей, созданных методом тканевой инженерии, в огромном потенциале имитации сложной структуры и функций мозга. Однако пока ещё сложно воспроизвести тонкие особенности строения мозга в лабораторных условиях. Суть в том, что наши инструменты все еще слишком грубы, чтобы задавать мельчайшие детали, влияющие на поведение клеток.

Учёные из Калифорнийского университета в Риверсайде впервые разработали функциональную искусственную ткань, которая упорядочивает и поддерживает нейроны, как это происходит в мозге. Это дает возможность обходиться без использования материалов животного происхождения. Их инновационная разработка, получившая название Bijel-Integrated PORous Engineered System (BIPORES) – это новая полностью синтетическая платформа для инженерии нейронных тканей.

Цель и потенциал каркаса для взращивания искусственных нейронов

Первоочередная цель исследования – отойти от необходимости использования мозга животных в исследованиях и экспериментах. Это сходится с текущей инициативой Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) по поэтапному отказу от испытаний на животных при разработке лекарственных препаратов.

В основе синтетического мозга лежит полиэтиленгликоль (ПЭГ), химически нейтральный полимер. Сам по себе ПЭГ очень плохо вступает во взаимодействие с клетками. Они буквально соскальзывают с ПЭГ-структур. И обычно используются вспомогательные белки, такие как ламинин или фибрин, которые и предотвращают отслоение клеток.

Ранее учёные разработали технологию STrIPS для непрерывного производства мельчайших частиц, волокон и плёнок с губчатой внутренней структурой. Однако до сих пор минимальная толщина таких материалов могла достигать лишь около 200 микрометров. И эта толщина ограничивается особенностями движения молекул в процессе формирования материала.

Искусственный мозг и технология BIPORES

Чтобы преодолеть проблему с толщиной каркаса, исследователи разработали систему BIPORES. Технология позволяет создавать крупномасштабные волокнистые структуры со сложной структурой пор. Разработчики вдохновлялись биконтинуальными межфазными эмульсионными гелями (биджелами). Это мягкие материалы с гладкой седловидной внутренней поверхностью. Сами же волокна BIPORES изготовлены из гелеобразного раствора ПЭГ, который преобразуется в пористую сеть и стабилизируется с помощью наночастиц диоксида кремния. Это особенно интересно на фоне того, что у нас уже есть как гибридные нейроны так и искусственные нейроны. И те, и другие теперь можно будет интегрировать с этой технологией возведения структур! Но обо всём по порядку.

Используя специальную микрофлюидную установку и биопринтер, команда создала трёхмерные структуры, в которые слоями вплетены взаимосвязанные поры. Это позволяет питательным веществам и отходам свободно перемещаться, что и способствует росту клеток не толкьо «на поверхности» но и «вглубь». Испытания на стволовых клетках нейронов показали, что материал способствует прочному прикреплению клеток к каркасу, их росту и даже формированию активных нейронных связей.

Поскольку созданный каркас стабилен, он позволяет проводить долгосрочные исследования. Это особенно важно, поскольку зрелые клетки мозга лучше отражают реальную функцию тканей при исследовании соответствующих заболеваний или травм.

Принс Дэвид Окоро, ведущий автор исследования.

Каркас для мозга

Для создания каркаса команда использовала специальную жидкую смесь из ПЭГ, этанола и воды. ПЭГ плохо смешивается с водой, поэтому ведёт себя как масло, а этанол способствует равномерному перемешиванию компонентов. Полученную смесь пропускали через сверхтонкие стеклянные трубки.

Направленный поток приводит к тому, что ингредиенты специфически разделяются. В этот момент стоит подать питание, чтобы кристаллизовать смесь. Так и получается губчатая структура, полная мельчайших пор. Эти поры позволяют кислороду и питательным веществам свободно перемещаться в растущем органоиде, способствуя питанию находящихся внутри стволовых клеток.

Этот материал обеспечивает клеткам всё необходимое для роста, организации и взаимодействия друг с другом в кластерах, подобных мозгу. Поскольку структура более точно имитирует биологию, мы можем разрабатывать модели тканей с куда более точным контролем поведения клеток.

Иман Ношади, доцент кафедры биоинженерии Калифорнийского университета в Риверсайде.

На данный момент диаметр каркаса можно нарастить всего на два миллиметра, но команда работает над его масштабированием и даже представила новую статью, в которой исследуется, как тот же подход можно применить к тканям уже не мозга, а печени.

Собирая тело по кусочкам?

Актуальная цель – создать сеть выращенных в лаборатории мини-органов, которые взаимодействуют друг с другом, подобно реальным системам в организме человека. Исследователи стремятся создать модели, которые будут не только стабильными и долговечными, но и столь же функциональными, как и прорыв в области мозговой ткани.

Взаимосвязанная система позволит нам увидеть, как разные ткани реагируют на одно и то же лечение и как проблема в одном органе может повлиять на другой. Это шаг к более комплексному пониманию биологии человека и болезней.

Иман Ношади, доцент кафедры биоинженерии Калифорнийского университета в Риверсайде.

С точки зрения биомимикрии, этот подход послойного производства гораздо лучше имитирует поведение настоящей мозговой ткани. Это делает его мощным инструментом для изучения заболеваний, тестирования новых лекарств и даже разработки будущих методов лечения, направленных на восстановление или замену повреждённой нервной ткани.

[ArefievPV]

Когда стирается грань между нервной и иммунной системами
https://neuronovosti.ru/kogda-stiraetsya-gran-mezhdu-nervnoj-i-immunnoj-sistemami/
Долгое время нервная и иммунная системы рассматривались как независимые иерархии, каждая со своими функциями и механизмами. Однако накопленные за последние годы данные заставляют пересмотреть эту картину: оказывается, нейроны и иммунные клетки ведут постоянный диалог, обмениваясь цитокинами, нейромедиаторами, нейропептидами и факторами роста. В журнале Signal Transduction and Targeted Therapy недавно появился мини-обзор южнокорейских ученых, в котором они систематизируют современные представления о двунаправленном взаимодействии нервной и врожденной иммунной систем. Сам этот обзор небольшой, но мы посчитали важным рассказать о нем читателям в нашем пересказе.

Двунаправленная конвергенция нервной и врожденной иммунной систем. Credit: Sang Wha Kim & Seung Hyeok Seok / Signal Transduction and Targeted Therapy 2025

Поводом для мини-обзора стала летняя публикация в Nature группы исследователей, которые обнаружили, что микроглия – постоянно «обитающие» в мозге иммунные клетки – регулирует ГАМКергический нейрогенез в мозге развивающегося плода с помощью инсулиноподобного фактора роста 1 (IGF1). Это открытие переопределяет роль микроглии: из простых «иммунных часовых» они превращаются в «архитекторов развития», направляющих формирование тормозных нейронных цепей. Авторы обзора подчеркивают, что это исследование не только раскрывает ранее неизвестный нейроиммунный механизм формирования человеческого мозга, но и создает концептуальную связь между иммунной сигнализацией и сборкой нейронных контуров, что может иметь значение для понимания того, как нарушается развитие нервной систем и развиваются, например, расстройства аутистического спектра или эпилепсия.

Нейроиммунные синапс и коннектом

Для описания взаимодействий между нервной и иммунной системами авторы обращаются к концепции, предложенной Майклом Уилером и Франциско Кинтаной. Согласно этой модели, существуют два уровня организации.

Нейроиммунный синапс представляет собой фундаментальную клеточную единицу коммуникации – специализированный поляризованный контакт между клетками с пространственно организованной экспрессией сигнальных молекул и соответствующих рецепторов. Нейроиммунный же коннектом в свою очередь охватывает всю совокупность нейроиммунных взаимодействий, формирующих сеть системного уровня, которая объединяет синаптические единицы между клетками, тканями и органами.

Ранние исследования фокусировались преимущественно на взаимодействиях Т-клеток и нейронов в контексте адаптивного иммунитета. Однако появляющиеся данные демонстрируют, что клетки врожденного иммунитета напрямую «общаются» с нейронами.

Нейроны перепрограммируют макрофаги

Особенно ярко этот процесс проявляется в кишечнике, где энтеральная нервная система непосредственно модулирует кишечные макрофаги, согласовывая иммунный тонус с физиологическими потребностями. Исследователи показали, что определенный тип нейронов высвобождает нейромедиаторы, которые активируют рецепторы на макрофагах кишечника. Это запускает тканезащитную транскрипционную программу с экспрессией разных маркеров. Нейрогенные сигналы определяют фенотипы макрофагов: провоспалительный при инфекции или поддерживающий равновесие в условиях гомеостаза.

Авторы обзора подчеркивают, что нейрональное перепрограммирование макрофагов меняет вообще саму парадигму врожденного иммунитета. Макрофаги не пассивно реагируют на цитокины, а динамически отвечают на нейромедиаторы – ацетилхолин, норэпинефрин, вазоактивный интестинальный пептид (VIP). В ответ они изменяют нейрональную возбудимость через простагландины и АТФ, формируя локальный регуляторный контур на тканевом уровне.

Если кишечные макрофаги подвергаются периферическому перепрограммированию со стороны нейронов, то микроглия действует по аналогичному принципу в центральной нервной системе. Помимо роли «строителей синапсов», координирующих сборку контуров, при патологических состояниях микроглия выступает «скульптором синапсов». Ученые сообщают, что ГАМК-зависимое, опосредованное микроглией удаление тормозных синапсов лежит в основе нейрональной гипервозбудимости при эпилепсии. Гиперактивные ГАМКергические нейроны активируют ГАМК-рецепторы микроглии, запуская направленный фагоцитоз («пожирание») тормозных синапсов. Такое целенаправленное удаление нарушает баланс возбуждения и торможения и способствует судорогам. Кроме того, этот процесс можно обратить блокадой ГАМК-сигнализации.

Такая двойственность – содействие формированию синапсов в развитии и их устранение при патологическом стрессе – подчеркивает динамическую «разносторонность» нейроиммунного синапса, где нейрональная активность направляет поведение микроглии, а микроглиальная сигнализация активно перестраивает коннектом мозга.

Нейроны как сенсоры врожденного иммунитета

Финальный элемент этой картины – признание того, что сами нейроны функционируют как сенсоры врожденного иммунитета. В одном из обзоров сенсорные нейроны описаны как встроенные компоненты врожденного иммунитета. Сенсорные нейроны экспрессируют определенный тип рецепторо – паттерн-распознающие рецепторы (PRR). Это позволяет им напрямую «замечать» микробные продукты и молекулярную «атмосферу», ассоциированную с повреждением. При активации эти нейроны высвобождают нейропептиды – субстанцию P, кальцитонин-ген-связанный пептид, VIP – которые организуют мобилизацию иммунных клеток и сосудистые реакции. В свою очередь, цитокины IL-1β и TNF изменяют нейрональную возбудимость и восприятие боли (в сторону усиления), замыкая двунаправленную петлю обратной связи.

Авторы обзора отмечают, что функционируя как сенсоры врожденного иммунитета, нейроны, возможно, способны формировать долговременную «нейрональную иммунную память», что подтверждается эпигенетическими данными. Такие возможности позволяют фундаментально по-новому взглянуть на нейроны. Возможно, нас ждет эволюция нейроиммунного синапса от просто структурного контакта к функциональной иммунной органелле – месту, где пересекаются синаптический, метаболический и иммунный «языки».

Выводы и терапевтические перспективы

Авторы заключают, что нервная и врожденная иммунная системы переплетены гораздо глубже, чем считалось ранее. Это взаимодействие не однонаправленно, а реципрокно (то есть двухстороннее) и интегративно: нейроны перепрограммируют иммунитет макрофагов, влияют на состояние микроглии, она, в свою очередь, опосредует удаление синапсов, а еще нейроны работают как иммунные распознаватели. Нейроиммунный синапс – не пассивный интерфейс, а активный пластичный узел, где сливаются две разные программы.

Это понимание открывает терапевтические возможности: например, направленное торможение микроглиального прунинга (удаления синапса) или блокада активации через ГАМКB-рецепторы, чтобы при эпилепсии не терялись нейронные «тормоза». Также можно влиять на сигнализацию между нейронами и макрофагами для восстановления иммунного баланса при воспалительных заболеваниях кишечника, а еще воздействовать на нейрональные PRR-пути для нейроиммунной активации при инфекциях или нейродегенерации.

Как пишут авторы, это объединение означает не конец границ, а появление новых рубежей – там, где нейроны действуют как иммунные клетки, а иммунитет действует как нервная система.

P.S. Непонятно уточнение о взаимодействии (что оно не однонаправленно, а двунаправленно)...

Взаимодействие однонаправленным быть не может по определению (взаимодействие = прямое действие + обратное действие), однонаправленным может быть действие.

[ArefievPV]

Найдены причины потери социальной памяти при болезни Альцгеймера
https://elementy.ru/novosti_nauki/434400/Naydeny_prichiny_poteri_sotsialnoy_pamyati_pri_bolezni_Altsgeymera
Американские ученые выяснили, что мыши при болезни Альцгеймера перестают узнавать сородичей из-за разрушения внеклеточного матрикса в одной из областей гиппокампа, что приводит к «расклеиванию» синапсов между нейронами. Это открытие позволяет понять, почему люди при болезни Альцгеймера также перестают узнавать своих близких — и как им помочь. Ведь в эксперименте на мышах развитие дефекта памяти предотвращалось введением ингибитора матриксных металлопротеиназ иломастата, а это дает надежду на разработку сходной терапии для людей.

Но post hoc non ergo propter hoc («после этого — не значит из-за этого»), так что исследователи провели еще два дополнительных эксперимента, чтобы доказать причинную связь разрушения перинейрональных сетей и потери социальной памяти. Для этого они отключили у мышей ген аггрекана (Acan) — ключевого протеогликана, необходимого для формирования перинейрональных сетей. При этом дефект социальной памяти воспроизвелся, как если бы мыши страдали болезнью Альцгеймера — несмотря на то, что при таком дефекте характерные амилоидные бляшки в мозге мышей полностью отсутствовали.

Осталось понять: а может ли блокирование разрушения перинейрональных сетей остановить утрату мышами социальной памяти? Для этого исследователи попытались лечить их иломастатом — ингибитором матриксных металлопротеиназ широкого спектра действия. Несмотря на то, что иломастат абсолютно бессилен против формирования в мозге амилоидных бляшек и гибели нейронов, он предотвращал потерю памяти мышами: те узнавали своих сородичей и при второй встрече нюхали и грумировали их уже меньше, чем при первой.

Это был ключевой и финальный аргумент: если блокаторы матриксных металлопротеиназ помогают сохранить социальную память при болезни Альцгеймера, значит дело действительно в разрушении перинейрональных сетей. Но открытие ценно еще и тем, что исследователи фактически смогли найти лекарство, устраняющее этот специфический дефект. Значит, есть надежда и для заболевших людей — пусть не прожить дольше, но хотя бы до конца жизни узнавать своих близких?

К сожалению, пока иломастат не одобрен для медицинского применения, и безопасность его для людей неясна. Тем не менее, он активно изучается геронтологами, ведь матриксные металллопротеиназы задействованы не только в разрушении перинейрональных сетей, но и, например, в старении кожи. Так что иломастат рассматривается как перспективное омолаживающее косметическое средство — а тема старения кожи довольно популярна. Есть шанс в скором времени получить новые сведения о возможности его применения у человека — и о его эффективности против забывания близких.

[ArefievPV]

фМРТ не всегда отражает реальную активность мозга
https://neuronovosti.ru/fmrt-ne-vsegda-otrazhaet-realnuyu-aktivnost-mozga/
Исследователи из Технического университета Мюнхена и Университета Эрлангена-Нюрнберга обнаружили, что примерно в 40% участков мозга, в которых происходят значимые изменения сигнала при выполнении когнитивных задач, на самом деле кислородный метаболизм не увеличивается, а уменьшается. Это открытие ставит под сомнение каноническую интерпретацию функциональной магнитно-резонансной томографии, согласно которой положительный сигнал означает усиление нейронной активности, а отрицательный – ее снижение.

Результаты работы, опубликованной в журнале Nature Neuroscience, имеют критическое значение для всей области нейровизуализации, поскольку тысячи исследований опираются на стандартную трактовку сигнала при изучении когнитивных функций, эмоций и неврологических заболеваний.

Региональные кластеры положительного (сверху) и отрицательного (снизу) изменения BOLD-сигнала. Credit: Samira M. Epp et al. / Nature Neuroscience 2025

Функциональная МРТ измеряет активность мозга косвенно – через изменения уровня оксигенации крови, что характеризуется BOLD-сигналом (blood-oxygenation-level-dependent). Этот сигнал возникает из-за колебаний концентрации дезоксигемоглобина (то есть красных кровяных клеток, лишенных кислорода) в кровеносных сосудах, а не непосредственно от нейронной активности. Классические работы с использованием позитронно-эмиссионной томографии демонстрировали, что сенсорная стимуляция вызывает умеренное увеличение потребления кислорода (CMRO₂), но непропорционально большее увеличение мозгового кровотока (CBF). Это соотношение, называемое n-коэффициентом (∆CBF/∆CMRO₂), обычно составляет 2-4, что означает: избыток притекающей крови создает положительный BOLD-ответ.

Однако исследования на животных уже указывали на случаи, когда изменения кровотока и метаболической активности сопровождались минимальными или даже противоположными изменениями BOLD-сигнала, что свидетельствовало о возможном рассогласовании нейроваскулярного взаимодействия в определенных областях мозга.

Авторы применили комбинацию стандартной фМРТ и количественной фМРТ для измерения абсолютных значений кислородного метаболизма. В основном исследовании участвовали 40 здоровых добровольцев, которые выполняли четыре экспериментальных условия в рамках одного сканирования: арифметические вычисления (CALC), задачу на автобиографическую память (MEM), контрольную задачу низкого уровня сложности (CTRL) и состояние покоя (REST).

Количественная фМРТ совмещала в себе несколько параметрических карт, включающих разные показатели сосудистой активности. На основе этих данных рассчитывалась фракция экстракции кислорода (OEF) и воксельная скорость церебрального метаболизма кислорода (CMRO₂) – прямой маркер нейронной активности.

Дополнительно провели еще два исследования: контрольное на 18 участниках для проверки стабильности BOLD-сигнала при длительных задачах и репликационное на 10 добровольцах с гармонизированным разрешением вокселей (трехмерных минимальных «кубиков») между BOLD и mqBOLD последовательностями.

Анализ показал, что положительный BOLD-сигнал в среднем соответствовал каноническому гемодинамическому ответу: при большем сигнале был больший кровоток. Однако для областей с отрицательным BOLD-сигналом картина оказалась совершенно иной: несмотря на значимое снижение изменения кровотока и метаболизма оказались близкими к нулю (то есть они должны были ответить снижением, но изменений не произошло).

При воксельном анализе исследователи обнаружили «расходящиеся» (дискордантные) воксели – участки, где направление изменения BOLD-сигнала противоположно изменению кислородного метаболизма. Такие воксели составили 31% среди областей с положительным BOLD-ответом и 66% – среди областей с отрицательным BOLD-ответом. Примечательно, что расходящиеся воксели равномерно распределялись по всей коре и встречались во всем диапазоне амплитуд BOLD-сигнала, что исключает их объяснение артефактами или низким соотношением сигнал/шум.

Особенно важным стало открытие двух различных механизмов гемодинамического ответа.

Конкордантные (сходящиеся) воксели (где BOLD и CMRO₂ меняются согласованно) регулировали потребность в кислороде преимущественно через изменения кровотока.

Дискордантные воксели, напротив, опирались главным образом на изменения экстракции кислорода, а не увеличение или снижение кровотока. Это означает, что в этих участках мозг просто извлекает больше кислорода из уже поступающей крови, не увеличивая ее приток. Причем, предиктором типа гемодинамического ответа оказался именно базовый уровень OEF.

Полученные результаты бросают вызов устоявшейся интерпретации фМРТ-данных. Особенно это касается сети пассивного режима работы мозга (DMN), в которой традиционно отмечается отрицательный BOLD-ответ при выполнении когнитивных задач. Согласно стандартной интерпретации, это свидетельствует о снижении активности. Однако нынешние данные показывают, что в значительной части этих вокселей метаболизм кислорода не снижается или даже повышается – просто регуляция происходит через экстракцию кислорода, а не через кровоток.

Авторы предлагают несколько объяснений существования дискордантных вокселей. Во-первых, участки с преимущественной OEF-регуляцией обладают большим кислородным буфером и способны поддерживать адекватное парциальное давление кислорода при усиленной активности нейронов без увеличения кровотока. Во-вторых, OEF-регуляция может отражать различные сигнальные механизмы, включая астроцитарную активность, изменения в балансе возбуждения и торможения или нейромодуляторную регуляцию.

Ученые подчеркивают, что их находки особенно важны для исследований групп с измененной гемодинамикой – при старении или нейродегенеративных заболеваниях, где количественная mqBOLD-фМРТ может обеспечить более надежную оценку как абсолютных, так и относительных изменений нейронной активности.

[ArefievPV]

Главная задача мозга – регулировать работу тела, а не думать
https://neuronovosti.ru/glavnaya-zadacha-mozga-ne-dumat/
Американские ученые предположили, что основная задача мозга – не мышление, а управление ресурсами организма. Снижение когнитивных способностей при болезнях мозга авторы рассматривают как защитный механизм. Такой взгляд может изменить подходы к лечению этих заболеваний. Своими идеями исследователи поделились в журнале Neuron.

По мнению группы исследователей под руководством Джордана Терио, основная функция мозга – это аллостаз, или умение организма предсказывать, какие ресурсы понадобятся, и заранее к этому подготовиться. Таким образом, мозг действует как директор компании: постоянно анализирует данные, чтобы предсказывать будущие потребности и распределять ресурсы (например, глюкозу и кислород) туда, где они будут нужнее всего.

Авторы статьи предполагают, что вся наша умственная деятельность, от сложных мыслей до мимолетных эмоций, вторична по сравнению с этой постоянной и жизненно важной задачей – поддерживать бесперебойную работу организма.

Основываясь на данных, полученных с помощью функциональной магнитно-резонансной томографии (фМРТ), ученые пришли к выводу, что в решении этой задачи участвуют корковые и подкорковые области. Они работают вместе, регулируя работу сердца, легких, кровеносных сосудов, пищеварительной и других систем. Также к структурам, связанным с аллостазом, авторы относят гиппокамп. Подкорковые области, имеющие решающее значение для аллостаза включают вентральный стриатум, центральное ядро миндалевидного тела, черную субстанцию (область в среднем мозге, названная так из-за содержащегося в ней темного пигмента), голубое пятно (ядро в стволе головного мозга, названное так из-за синеватого цвета, который придают ему пигментированные нейроны) и некоторые другие.


Аллостатическая система мозга. Credit: Jordan E. Theriault et al. / Cell, 2025

Интересно, что нейробиологи годами изучали части этой системы – например, в рамках сети пассивного режима работы мозга (DMN, Default Mode Network) – часто связывая их с такими функциями, как саморефлексия или внимание. Авторы утверждают, что это всего лишь разные аспекты одной и той же лежащей в основе системы. То есть различные психологические функции приписываются системе, основная роль которой – биологическая регуляция.


Аллостатическая система в сравнении с сетями смежных функций. Credit: Jordan E. Theriault et al. / Cell, 2025

Эта регуляторная сеть основана на ключевых «лимбических» областях, которые действуют как командные центры. Отсюда мозг посылает абстрактные директивные сигналы, типа «повысить эффективность». По мере того, как эти сигналы распространяются к сенсорным областям коры головного мозга, они преобразуются в более детальные прогнозы относительно сенсорных последствий движений тела. Этот нисходящий каскад обеспечивает настройку всего мозга на текущие и будущие потребности организма.

Принятие точки зрения «сначала аллостаз» имеет глубокие последствия для понимания здоровья и развития заболеваний. Оно заставляет задать важнейший вопрос: что если некоторые симптомы болезни – это не сбои в работе мозга, а компромиссы, на которые он идет ради поддержания своей основной функции?

В статье в качестве наглядного примера приводится болезнь Альцгеймера. Отличительным признаком старения и этого заболевания считается снижение способности мозга использовать глюкозу. Есть традиционная версия, что это дефект, который необходимо исправить, и исследования сосредоточены на поиске способов восстановления метаболизма глюкозы для улучшения когнитивных функций.

Но с точки зрения аллостаза это снижение может быть преднамеренной защитной стратегией. С возрастом система очистки мозга от отходов становится менее эффективной. Побочные продукты метаболизма, вызванные высоким потреблением глюкозы, если их не выводить, могут стать токсичными и нарушить тонкий химический баланс мозга. Авторы предполагают, что мозгу с этой точки зрения может быть аллостатически выгодно снижать метаболизм глюкозы, чтобы уменьшить образование отходов.

Другими словами, мозг может жертвовать когнитивными функциями, которые требуют больших энергозатрат, ради защиты своего фундаментального клеточного здоровья. Получается такой аллостатический компромисс: память и ясность сознания идут в жертву ради выживания.