Кора головного мозга – внешняя и самая большая область мозга – важна для высших когнитивных функций, сложного поведения, восприятия и обучения. По прибытии сенсорного стимула кора головного мозга обрабатывает и фильтрует информацию, прежде чем передать наиболее важные аспекты другим областям мозга. Некоторые из этих областей мозга, в свою очередь, отправляют информацию обратно в кору. Считается, что эти петли, известные как «системы обратной связи», необходимы для функционирования корковых сетей и их адаптации к новой сенсорной информации. «Для перцептивного обучения, которое представляет собой улучшенную способность реагировать на сенсорный стимул, нейронные цепи должны сначала оценить важность поступающей сенсорной информации, а затем уточнить способ ее обработки в будущем.
Системы обратной связи в определенной степени подтверждают, что те синапсы, которые отвечали за передачу информации в другие области мозга, делали это правильно », – объясняет Энтони Холтмаат, профессор основных нейробиологических наук медицинского факультета UNIGE, руководивший этим исследованием.
Как усы подчеркивают системы обратной связи
Усы на морде мыши специализируются на тактильном восприятии и играют важную роль в способности животного понимать аспекты его непосредственного окружения.
Часть коры головного мозга, которая обрабатывает сенсорную информацию от усов, постоянно оптимизирует свои синапсы, чтобы изучать новые аспекты тактильной среды. Таким образом, это представляет собой интересную модель для понимания роли систем обратной связи в механизмах синаптического обучения.
Ученые UNIGE изолировали цепь обратной связи, связанную с усами, и использовали электроды для измерения электрической активности нейронов в коре головного мозга. Затем они имитировали сенсорный ввод, стимулируя определенную часть коры головного мозга, известную своей обработкой этой информации, и в то же время использовали свет для управления цепью обратной связи. «Эта модель ex vivo позволила нам контролировать обратную связь независимо от сенсорного ввода, что невозможно сделать in vivo.
Однако отключение сенсорного ввода от обратной связи было важно для понимания того, как взаимодействие между ними приводит к усилению синапсов », – добавляет Хольтмаат.
Запрещение нейронов пропускать информацию
Команда обнаружила, что оба компонента, когда запускаются по отдельности, активируют широкий спектр нейронов.
Однако при одновременной активации некоторые нейроны фактически снижают свою активность. «Интересно, что нейроны, которые подавляются, когда сенсорный ввод и обратная связь происходят вместе, обычно подавляют нейроны, которые важны для восприятия, это известно как подавление подавления или растормаживание», – объясняет Лина Уильямс из медицинского факультета UNIGE. первый автор исследования. "Таким образом, эти нейроны действуют как ворота для входящей информации, которые обычно закрыты. Но когда приходит обратная связь, ворота открываются, позволяя тем синапсам, которые заботятся о первичной сенсорной информации, увеличивать свою силу.
В этом исследовании мы определили, как обратная связь может оптимизировать синаптические связи, чтобы лучше подготовиться к будущей поступающей информации », – добавляет она.
Теперь, когда они точно определили, какие нейроны задействованы в этом механизме, эти ученые проверит свои результаты в «реальной жизни», чтобы проверить, будут ли тормозящие нейроны вести себя так, как было предсказано, когда мыши нужно изучать новую сенсорную информацию или когда она обнаруживает новые аспекты. в его тактильной среде.
Глубокое обучение: имитация естественного интеллекта
Как цепи мозга оптимизируются? Как система может учиться, считывая свои действия??
Помимо того, что этот вопрос имеет отношение к обучению на животных, он также лежит в основе программ машинного обучения. Действительно, некоторые специалисты по глубокому обучению пытаются имитировать мозговые цепи для создания систем с искусственным интеллектом. Инсайты, предоставленные командой UNIGE, могут быть актуальны для неконтролируемого обучения – отрасли машинного обучения, которая занимается схемными моделями, способными самоорганизовываться и оптимизировать обработку новой информации.
Это важно для создания эффективных программ распознавания голоса или лиц, например.