Между тем, как вы прочитали пароль Wi-Fi на доске меню в кафе, и тем, как вы смогли вернуться к своему ноутбуку, чтобы ввести его, вам приходится держать его в голове. Если вы когда-нибудь задавались вопросом, как ваш мозг это делает, вы задаете вопрос о рабочей памяти, который исследователи пытались объяснить на протяжении десятилетий. Теперь неврологи Массачусетского технологического института опубликовали новое ключевое открытие, объясняющее, как это работает.

В исследовании, опубликованном в журнале PLOS Computational Biology, ученые из Института обучения и памяти Пиковера сравнили результаты измерений активности клеток мозга животного, выполняющего задание на рабочую память, с результатами различных компьютерных моделей, представляющих две теории основного механизма удержания информации в голове. Полученные результаты свидетельствовали в пользу новой концепции, согласно которой сеть нейронов сохраняет информацию путем кратковременных изменений в структуре их связей, или синапсов, и противоречили традиционной версии, согласно которой память поддерживается нейронами, сохраняющими постоянную активность (подобно неработающему двигателю).

Хотя обе модели позволяют удерживать информацию в памяти, только те версии, которые позволяют синапсам кратковременно менять связи ("кратковременная синаптическая пластичность"), вызывают модели нейронной активности, которые имитируют то, что наблюдается в реальном работающем мозге. Идея о том, что клетки мозга поддерживают память, будучи постоянно "включенными", может быть более простой, признал старший автор работы Эрл К. Миллер, но она не отражает того, что делает природа, и не может создать сложную гибкость мышления, которая может возникнуть в результате прерывистой нейронной активности, подкрепленной краткосрочной синаптической пластичностью.

"Вам нужны такие механизмы, чтобы дать активности рабочей памяти свободу, необходимую для гибкости", - говорит Миллер, профессор нейронауки Пикауэр на факультете мозга и когнитивных наук Массачусетского технологического института (МТИ). "Если бы рабочая память была только устойчивой активностью, она была бы проста, как выключатель. Но рабочая память так же сложна и динамична, как и наши мысли".

Соавтор исследования Лео Козачков, который в ноябре получил степень доктора философии в Массачусетском технологическом институте за работу по теоретическому моделированию, включая данное исследование, сказал, что соответствие компьютерных моделей реальным данным имеет решающее значение.

Большинство людей считают, что рабочая память "происходит" в нейронах - постоянная нейронная активность порождает постоянные мысли. Однако в последнее время эта точка зрения подвергается тщательному анализу, поскольку она не совсем согласуется с данными", - сказал Козачков, который работал под руководством соавтора Жан-Жака Слотина, профессора кафедры БКС и машиностроения.

"Используя искусственные нейронные сети с краткосрочной синаптической пластичностью, мы показываем, что синаптическая активность (а не нейронная активность) может быть субстратом для рабочей памяти. Важный вывод из нашей работы: эти "пластичные" модели нейронных сетей более похожи на мозг в количественном смысле, а также имеют дополнительные функциональные преимущества в плане устойчивости".

Вместе с соавтором работы Джоном Таубером, аспирантом Массачусетского технологического института, Козачков поставил перед собой цель не просто определить, как информация о рабочей памяти может удерживаться в голове, но и пролить свет на то, каким образом природа действительно это делает. Это означало начать с измерений электрической активности сотен нейронов в префронтальной коре головного мозга животного, когда оно играло в игру на запоминание.

В каждом из многих раундов животному показывали изображение, которое затем исчезало. Секунду спустя оно видело два изображения, включая оригинал, и должно было посмотреть на него, чтобы получить небольшое вознаграждение. Ключевым моментом является та промежуточная секунда, называемая "периодом задержки", в течение которой изображение должно быть запомнено до начала теста.

Команда последовательно наблюдала то, что лаборатория Миллера видела уже много раз: Нейроны сильно шипят при виде исходного изображения, шипят лишь периодически во время задержки, а затем снова шипят, когда изображение нужно вспомнить во время теста (эта динамика регулируется взаимодействием бета- и гамма-частотных ритмов мозга). Другими словами, спайки сильны, когда информация должна быть первоначально сохранена и когда она должна быть вызвана, но спорадичны, когда она должна быть сохранена. Во время задержки шипирование не является постоянным.

Более того, команда обучила программное обеспечение "декодеров" считывать информацию о рабочей памяти из измерений активности шипиков. Они были очень точными, когда спайки были высокими, но не когда они были низкими, как в период задержки. Это позволило предположить, что во время задержки спикулы не представляют информацию. Но это поднимает важный вопрос: Если спайки не хранят информацию в памяти, то что же тогда хранит?

Исследователи, включая Марка Стоукса из Оксфордского университета, предположили, что изменения в относительной силе, или "весах", синапсов могут хранить информацию вместо этого. Команда Массачусетского технологического института проверила эти идеи на практике, вычислительно смоделировав нейронные сети, воплощающие две версии каждой из основных теорий. Как и в случае с реальным животным, сети машинного обучения были обучены выполнять одну и ту же задачу рабочей памяти и выдавать нейронную активность, которая также могла быть интерпретирована декодером.

В итоге оказалось, что вычислительные сети, позволяющие с помощью краткосрочной синаптической пластичности кодировать информацию, пикали, когда пикал реальный мозг, и не пикали, когда не пикал. Сети, использующие постоянные шипы как метод поддержания памяти, шипели постоянно, в том числе и тогда, когда естественный мозг этого не делал. Результаты дешифровки показали, что точность падала в период задержки в моделях с синаптической пластичностью, но оставалась неестественно высокой в моделях с постоянными шипами.

На другом уровне анализа команда создала декодер для считывания информации с синаптических весов. Они обнаружили, что во время периода задержки синапсы представляли информацию о рабочей памяти, которую не передавали шипики.

По словам Козачкова, среди двух версий моделей с краткосрочной синаптической пластичностью наиболее реалистичной была модель под названием "PS-Hebb", в которой присутствует контур отрицательной обратной связи, поддерживающий стабильность и устойчивость нейронной сети.

Помимо того, что модели синаптической пластичности лучше соответствовали природе, они имели и другие преимущества, которые, вероятно, важны для реального мозга. Одним из них было то, что модели пластичности сохраняли информацию в своих синаптических весах даже после того, как половина искусственных нейронов была "удалена". Модели постоянной активности разрушались после потери всего 10-20 процентов синапсов. И, добавил Миллер, периодические импульсы требуют меньше энергии, чем постоянные импульсы.

Кроме того, по словам Миллера, быстрые всплески активности, а не постоянные всплески, оставляют место в памяти для хранения более чем одного элемента. Исследования показали, что люди могут хранить в рабочей памяти до четырех различных вещей. Лаборатория Миллера планирует новые эксперименты, чтобы определить, соответствуют ли модели с прерывистыми всплесками и хранением информации на основе синаптического веса реальным нейронным данным, когда животные должны удерживать в памяти несколько предметов, а не только один образ.

Помимо Миллера, Козачкова, Таубера и Слотина, другими авторами статьи являются Микаэль Лундквист и Скотт Бринкат.