Ученые из Института науки и технологий Австрии и Париж соединили и развили все принятые до сих пор теории о том, как нервы отбирают и переносят информацию в нашей сенсорной системе.
Цифровые видеокамеры невероятно детально записывают то, что происходит, но сохранение этих данных требует слишком много места. Перед инженерами сейчас встал вопрос, как сжимать видео, то есть удалять информацию, чтобы при просмотре этого не было заметно.
С подобной проблемой столкнулись наши глаза. Они перенасыщены визуальной информацией, но возможности нейронов в них ограничены. Как из всего количества раздражителей нейроны выбирают ту информацию, которую нужно записывать и отсылать в мозг?
Неврологи спрашивали себя и разработали различные теории, чтобы предсказать, что нейроны будут делать в определенных ситуациях. Недавно Мэтью Чалк (Matthew Chalk, когда постдокторант в Австрийском Институте науки и техники (ИНТ), а сейчас – в Париже), профессор из ИНТ Гашпер Ткачик (Gašper Tkačik) и Оливье Мар (Olivier Marre), который возглавляет лабораторию по исследованию сетчатки в Визуальном институте Парижа, разработали рамочный проект, объединяющий все предыдущие теории кодирования информации. Это позволяет ученым делать прогнозы про те виды нейронов, которых до сих пор не описывала ни одна теория.
Одна из основных целей ученых – спрогнозировать нервные реакции через математические модели. Это прогнозирование основывается на трех основных теориях, среди которых каждая имеет разную сферу применения. Каждой соответствуют соответствующие предположения о внутренние ограничения нейронов, вид сигнала и цели информационного сбора.
Нейронный код, по сути, является функцией, предполагающей, когда нейрон «загорится». Сигнальный потенциал действия отвечает при этом цифровой «1» в бинарной системе. Так один или несколько нейронов, которые загораются в определенный момент, могут кодировать информацию.
Эффективное или статистическое кодирование предполагает, что нейроны обрабатывают как можно больше информации, принимая во внимание все внутренние ограничения – например, шумы или метаболизм.
Интеллектуальное кодирование вместе с тем предусматривает, что обрабатывается лишь та информация, которая является важной для предсказания будущего – например, в каком направлении полетит насекомое.
В конце концов, «разреженное кодирование (sparse coding) предполагает то, что одновременно активируются лишь некоторые нервы.
До сих пор было неясно, в каких случаях можно применять эти теории и как они согласуются друг с другом. Однако современные исследования вносят порядок в теоретический ландшафт: «до сих пор не знали, как можно совместить эти теории или как их можно сравнить. Наш рамочный труд преодолевает эту преграду, соединяя их внутри общей структуры», – пояснил Гашпер Ткачик.
В контексте этого рамочного труда нейронный код можно интерпретировать как код максимализации определенной математической функции. Эта функция – и нейронный код, который максимизирует ее – зависит от трех параметров: от шумов в сигнале; от цели, то есть задачи – например, предвидение будущего; и от сложности сигнала, что кодируется.
Описанные выше теории годятся только для определенных диапазонов этих параметров и не охватывают весь возможный простор величин. Это приводит к проблемам при попытке экспериментально их проверить.
Гашпер Ткачик объяснил: «Когда вы создаете раздражители, которыми потом представляете нейрон в модели, который нужно проверить, слишком сложно понять, нейрон не совсем совпадает с любимой теорией, ваша любимая теория просто неполная. Наша унифицированная модель предоставляет конкретные прогнозы для величин, лежащих между теми, которые исследовали ранее».
Такая целостная теория команды преодолевает имеющиеся ограничения, позволяя нейронам иметь «смешанную» цель кодирования. Они не должны пасовать до четких, ранее исследуемых категорий. Например, новая теория может объяснить случай, когда нейроны в одиночку имеют очень много шумов, но должны эффективно кодировать рассеяны раздражители. В общем оптимальные нейронные коды могут быть размещены на континууме согласно тех величин, которые определяют ограничения оптимальности всех параметров. Это объясняет феномены, которые раньше замечали, но не могли объяснить ни сейчас разработанной моделью.
Для ведущего автора Мэтью Чалка это один из самых интересных моментов их исследования: «Немало теорий, которые позволяют прогнозировать, в тестах являются негибкими. Или они предполагают правильно, или нет. Чего мы больше нуждаемся и что дает нам возможность осуществить наше исследование – это продуцировать много гипотез и предположений для различных ситуаций».
Помимо обеспечения значительной гибкости, рамочная теория может делать конкретные прогнозы относительно определенных видов нейронного кодирования, которые до сих пор были неисследованными – например, разреженное и интеллектуальное кодирование.
В рамках новой теории Мэтью Чалк спроектировал эксперимент, чтобы проверить прогнозы и отнести нейроны в определенной категории как эффективные, интеллектуальные, рассеянные или такие, что совмещают разную цель кодирования. В лаборатории Оливье Мара ученый сосредоточился на сетчатке и разработал визуальные стимулы, которые активируют нейроны сетчатки, чтобы лучше выявить цель их кодирования.
Рамочная теория может иметь и более широкое применение. «Необязательно речь идет про нервы, – пояснил Гашпер Ткачик. – Идея рассмотреть эту проблему с точки зрения оптимизации может быть использована в любом типе системы, которая обрабатывает сигналы. А аппроксимация позволяет изучать даже те системы, функции которых сложно вычислить». Краеугольный камень дальнейшего применения теории трое ученых описали в статье, которую опубликовали в прошлом году в «Advances in Neural Information Processing Systems (NIPS)». Нынешняя статья опубликована в PNAS.