Переключаясь между медленной и быстрой интеграцией информации, мозг может гибко модулировать временные масштабы, на которых он работает. Таков результат нового исследования международной группы ученых, опубликованный в журнале Nature Communications. Анализ экспериментальных данных, полученных в зрительной коре головного мозга, и компьютерное моделирование дают объяснение тому, как могут возникать и изменяться различные временные масштабы: структура нейронных сетей определяет, насколько быстро или медленно интегрируется информация.

Различные процессы в мозге происходят на разных временных шкалах: Если сенсорный вход может обрабатываться в течение десятков миллисекунд, то принятие решений или другие сложные когнитивные процессы могут потребовать интеграции информации в течение нескольких минут. Соответственно, некоторые области мозга работают быстрее, чем другие.

Эти внутренние временные шкалы не являются жесткими и неизменными. Однако до сих пор было мало известно о том, как они могут адаптироваться к различным ситуациям и задачам. Команда исследователей из Тюбингена, Принстона, Стэнфорда, Ньюкасла и Вашингтона теперь изучает, как временной масштаб области мозга может меняться во время выполнения задачи. В частности, они задались вопросом: когда испытуемый фокусирует свое зрительное внимание или перенаправляет его на определенную точку в пространстве, как это изменяет временную шкалу нейронной активности в соответствующей области мозга? Чтобы ответить на этот вопрос, исследователи проанализировали ранее опубликованные данные, записанные из зрительной коры V4 - области мозга, участвующей в зрительном внимании - у макак во время двух различных задач на зрительное внимание.

В обеих задачах команда наблюдала, что нейронная активность разворачивалась не на одной временной шкале, а как минимум на двух разных: медленной и быстрой. Примечательно, что медленная шкала времени также менялась во время выполнения задачи: всякий раз, когда внимание направлялось на какую-либо область в зрительном поле, медленная активность в соответствующих нейронных популяциях становилась еще медленнее. Более того, они заметили, что чем медленнее активность, тем короче время реакции.

"Это может показаться нелогичным, но на самом деле это вполне правдоподобно", - комментирует Роксана Зераати, исследователь из Тюбингенского университета и Института биологической кибернетики имени Макса Планка. "Медленная шкала времени означает, что существует более сильная корреляция между текущим состоянием мозга и его состоянием мгновение назад. Когда нейроны чем-то заняты, они лучше помнят свою прошлую активность, а это подразумевает более медленный временной масштаб".
Богатая структура сети обеспечивает гибкое поведение

Исследователи задались вопросом, как сеть нейронов может создавать такие разные временные шкалы. "Мы проверили три различные гипотезы с помощью компьютерного моделирования", - говорит Анна Левина, доцент Тюбингенского университета и советник Зераати по докторской диссертации. "Наблюдаются ли различные временные шкалы просто потому, что одни нейроны работают быстрее, а другие медленнее? Или, как второй вариант, причиной могут быть их различные биофизические свойства? Только третье предположение оказалось верным: ответ кроется не в свойствах отдельных нейронов, а в структуре сети".

В зависимости от того, как нейроны связаны друг с другом, возникают различные временные масштабы: так называемые кластерные сети, например, генерируют медленные временные масштабы. "Кластерную сеть можно сравнить с европейской дорожной системой", - объясняет Левина, которая руководила проектом вместе со своей коллегой Татьяной Энгель из Принстона. "Любые два места в Париже очень хорошо связаны друг с другом, но гораздо сложнее добраться из деревни в Бургундии до пляжа в Португалии". В то же время сеть авиалиний может выглядеть почти случайной. Очень трудно добраться до соседнего города, но можно попасть практически в любое место без большого количества стыковочных рейсов. Сети, которые больше похожи на авиалинии, не будут развиваться так долго, как дорожная сеть".

Команда смогла построить сети, которые в компьютерном моделировании в точности повторяли временные масштабы из экспериментальных данных. Модели также объясняют наблюдаемые изменения временных масштабов во время выполнения задач: эффективность взаимодействия между нейронами немного увеличивается, а это, в свою очередь, изменяет темп нейронных событий.

Полученные результаты могут изменить наше представление о мозге: "Наши экспериментальные наблюдения в сочетании с вычислительной моделью создают основу для изучения связи между структурой сети, функциональной динамикой мозга и гибким поведением", - говорится в заключении публикации.