La cascade de neurones peut s’apparenter à une sélection neutre en évolution

La cascade de neurones peut s'apparenter à une sélection neutre en évolutionAgrandirMiguel Navarro / Getty Images

“Je suis désolé, mais votre cerveau souffre d’avalanches” est un diagnostic qui devrait être une chose. La cure devrait impliquer un St Bernard déterrant des neurones sous des piles de neurotransmetteurs. Malheureusement, le cerveau de tout le monde souffre d’avalanches. En effet, je peut diagnostiquer en toute sécurité toute personne qui ne souffre pas d’avalanches comme mort. (Et vous pensiez que les obstacles aux études supérieures étaient intellectuel?)

Une avalanche dans le cerveau est fondamentalement une petite, généralement événement discret qui déclenche une cascade massive de neurones activité. Celles-ci sont observées sans aucun problème externe. déclencheurs.

Alors pourquoi se produisent-ils? On a pensé que ces avalanches devrait conférer une sorte d’avantage, mais de nouvelles recherches suggèrent que ce pourrait être juste un accident bruyant.

Pourquoi les neurones en cascade?

À un certain niveau, l’explication des avalanches cérébrales est assez simple et très peu éclairant. Le cerveau n’est pas linéaire – si le le neurone droit se déclenche au bon moment, il peut déclencher une réponse disproportionnée des neurones auxquels il est connecté. Ceux-ci aussi peuvent déclencher une réponse importante, avec une cascade qui se propage rapide, loin et large. Mais, cette explication, tout en ayant le avantage d’être correct, ne nous dit pas vraiment beaucoup.

Par exemple, cela ne nous dit pas pourquoi ces événements sont autorisés arriver. Si votre ordinateur faisait cela, il se planterait. Et son possible que des parties du cerveau se brisent lors d’une cascade. Cette semble être une mauvaise chose, alors vous pouvez vous attendre à ce que les avalanches fournir un avantage. Peut-être sont-ils nécessaires pour améliorer calcul? Peut-être sont-ils la conséquence indésirable de faire fonctionner le cerveau à un moment où l’apprentissage est aussi rapide que possible?

Deux approches générales ont été prises pour comprendre Qu’est-ce qui se cache derrière ce phénomène? Il y a des gens qui savent réellement à quoi ressemble un neurone et peut distinguer avec succès le cerveau tissu de pain grillé brûlé deux fois sur trois. Ils enquêtent cascades de neurones en examinant le fonctionnement réel du cerveau. Les physiciens ne le savent pas et ne le peuvent pas. Ils créent donc des modèles mathématiques. au lieu. Ces modèles sont largement testés sous toutes sortes de conditions. (Ce type d’enquête représente une grande économie toast brûlé.)

Ces modèles ont la même ressemblance avec le cerveau et le même neurone comme mon vélo fait à un albatros. Tout le monde, y compris les les physiciens le savent – alors pourquoi pensent-ils que la modélisation fonctionnera? Eh bien, ils essaient de comprendre des questions plus larges sur la comportement général du cerveau en tant que réseau. Et ces questions peuvent être répondu en utilisant des modèles qui sont vraiment des ombres du réel chose.

Pourquoi ces modèles fonctionnent

Notre confiance dans ces modèles relativement simples remonte � la physique de l’état solide et l’idée d’une transition de phase. Phase les transitions sont des choses comme la glace fondante en eau liquide, ou un aimant perd son magnétisme car il est chauffé. Les transitions de phase sont, physiquement, tous très différents les uns des autres. Pourtant les mathématiques qui décrit la façon dont la transition de phase se produit a une étrange similitude avec ces exemples. Enchâssé dans l’idée de la point critique. D’un côté du point critique, le matériau se comporte dans un sens; de l’autre côté, le matériau se comporte un autre.

Il s’est avéré que cette idée est beaucoup plus large que ce genre de transition: toutes sortes de choses, comme des gouttes, des animaux populations, les réactions chimiques, le comportement des marchés et de nombreuses de plus, semblait pouvoir se soumettre à la même analyse. Et oui le le cerveau est inclus dans cela. L’épilepsie, par exemple, semble être bien décrit par ces modèles.

Revenons donc aux avalanches de neurones. Ce genre de comportement est très similaire au comportement, par exemple, du orientation des spins magnétiques pendant une phase paramagnétique transition. Mais les avalanches neuronales sont relativement fréquentes, ce qui voudrait dire que le cerveau fonctionne à proximité d’un point critique. Les chercheurs ont suggéré que l’efficacité des calculs de la le cerveau est amélioré en opérant près du point critique, ce qui serait signifie que c’est une fonctionnalité adaptative.

Mais il y a une idée dans la théorie de l’évolution qui nous dit que tous les traits ne sont pas présents car ils procurent un avantage. Certains traits finissent en place en raison de la dérive et d’autres parce qu’ils sont un effet secondaire de quelque chose d’utile. Il s’avère que ce concept peut décrivent l’utilité des avalanches de neurones ainsi que la manière dont elles a fini par être une caractéristique du cerveau en premier lieu.

Maintenant, ce qui suit est un physicien parlant de l’évolution; ceux avec une aversion pour l’abus de biologie devrait détourner le regard maintenant. C’était assez choquant pour moi d’apprendre que de nombreux traits ne sont pas sélectionnés pour ou contre par sélection naturelle, mais peut survenir par inadvertance. Alors que certaines mutations sont avantageuses et d’autres carrément mauvaises, la plupart ne provoque pas un changement assez important pour être remarqué – ils sont neutres. Les changements neutres peuvent se propager dans une population car ils sont accidentellement lié à quelque chose qui est sélectionné pour. Un neutre trait peut également finir par se propager de la même manière qu’une avalanche se produit: il se trouve être au bon endroit au bon moment. le le point étant que les traits neutres en génétique présentent une population dynamique tout aussi complexe que des phénomènes critiques, mais sans aucun point critique.

Si nous pouvons avoir ce genre de comportement en génétique des populations sans être proche d’un point critique, peut-être nous voyons exactement la même chose dans le cerveau avec des cascades de neurones?

En utilisant un modèle de neurone bien accepté, connecté dans le cadre de un réseau de neurones, les chercheurs ont tenté de déterminer si les neurones Les avalanches peuvent être décrites par un comportement neutre. Et c’est où la puissance des modèles prend tout son sens. Les paramètres du modèle sont bien connus, et les points critiques peuvent être découverts et caractérisé avec précision. Ensuite, il devient possible de cataloguer les différents types de comportement observés, en fonction de la façon dont les neurones sont connectés et le seuil pour quand les neurones vont tirer dans réponse à d’autres neurones. C’est exactement le genre d’expérience c’est presque impossible quand on joue avec de vrais neurones.

Tout n’est pas bien avec les modèles

Les chercheurs ont notamment choisi des paramètres pour lesquels il était connu que le réseau de neurones avait une transition discontinue entre un état très actif (beaucoup de neurones se déclenchent fréquemment) et un état d’activité faible (beaucoup de neurones se déclenchent rarement). dans le état actif, des cascades ou des avalanches ont été observées par d’autres chercheurs, et l’activité du réseau est compatible avec le comportement observé dans de vrais cerveaux.

Cette analyse a utilisé une astuce qui ne peut pas être utilisée en temps réel. observations. Les chercheurs ont recherché les données informatiques pour identifier le neurone qui a déclenché l’avalanche et, à partir de là, retracé la chaîne d’activité pour déterminer des choses comme la durée et la taille de l’avalanche. En réalité, on ne sait jamais quel neurone a provoqué l’avalanche — à la place, vous devez en quelque sorte groupe neurone tir par le temps et utiliser la proximité temporelle pour déterminer quels neurones ont causé qui à tirer.

Si vous faites cela avec les données de calcul, cependant, le les avalanches des neurones modèles ne ressemblent pas à celles du réel cerveaux. Cela semble un peu mauvais si vous voulez faire des prédictions. Alors on ne sait pas si les autres informations que nous sortons de le modèle de calcul est pertinent.

Pour aller au-delà, les chercheurs ont développé un modèle simplifié qui avait plusieurs caractéristiques souhaitables. En fonction des paramètres, il y avait une transition de phase discontinue (donc un saut soudain d’un actif à un état de repos) et une phase continue transition (le taux d’activité passe progressivement d’un état à l’autre) un autre, mais le taux de changement montre un saut soudain).

Et, bien sûr, près des transitions de phase, le neuronal réseau a montré des cascades. Mais, chose importante, le réseau a cascades même s’il n’ya pas de transition de phase à proximité.

Considérant les avantages attribués au cerveau opérant près d’un point critique, fonctionne-t-il au neutre territoire ont des avantages? Les chercheurs proposent des spéculation dans ce sens. Par exemple, la commande et l’intensité des neurones qui tirent dans un réseau peut coder information. Les chercheurs spéculent que les avalanches neutres, parce qu’elles sont causales (chaque neurone, par exemple, en déclenche une autre) après avoir tiré), pourrait fournir la source pour le premier activité de tir qui peut être associée à, et encoder, information.

Mais franchement, c’est là que tout se passe mal. Le modèle, le long avec d’autres comme elle, offre un bon aperçu des statistiques de comportement du réseau. Malheureusement, relier cela à des faits réels activités, comme reconnaître un visage ou ajouter deux chiffres, est plutôt plus ténue. La force ici est que la recherche pourrait suggérer de nouvelles voies pour comprendre comment le cerveau apprend. Mais même si c’est le cas, il sera difficile de lier la recherche en temps réel. les neurones aux modèles.

Physical Review X, 2017, DOI: 10.1103 / PhysRevX.7.041071

Like this post? Please share to your friends:
Leave a Reply

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: