این مطالعه نشان می دهد که ساختار نقاط قوت اتصال عصبی نامنظم شامل یک نظم پنهان است

کراینیوکووا، ن. و همکاران (2022) ضبط های خارج سلولی در داخل بدن پاسخ های بینایی تالاموس و قشر مغز قوانین اتصال V1 را نشان می دهد. PNAS. doi.org/10.1073/pnas.2207032119.



منبع

ضبط‌های تجربی رنر از فعالیت‌های قشری و تالاموسی امکان شناسایی ارتباط بین نورون‌های قشر مغز را فراهم می‌کند. “نتایج ما نشان می‌دهد که فعالیت‌های عصبی حاوی اطلاعات زیادی در مورد ساختار زیربنایی شبکه‌های عصبی است که بلافاصله از اندازه‌گیری‌های مستقیم قدرت سیناپس آشکار نمی‌شود. بنابراین، روش ما چشم‌انداز امیدوارکننده‌ای را برای مطالعه ساختارهای شبکه‌ای باز می‌کند که دسترسی تجربی به آنها دشوار است. دکتر ناتالیا کراینیوکووا از موسسه صرع شناسی تجربی و تحقیقات شناختی UKB و موسسه تحقیقات مغز ماکس پلانک در فرانکفورت توضیح می دهد. این مطالعه نتیجه همکاری بین رشته‌ای بین آزمایشگاه پروفسور Busse و پروفسور Tchumatchenko است که از نزدیک با هم کار می‌کردند و بر اساس تخصص محاسباتی و تجربی آزمایشگاه‌های خود کار می‌کردند.

منبع:

سیمون رنر، دکترای نوروبیولوژی LMU

محققان دریافتند که نظمی در پشت تغییرپذیری مشاهده شده در قدرت سیناپس وجود دارد. به عنوان مثال، اتصالات از نورون های تحریک کننده به بازدارنده همیشه قوی ترین بودند، در حالی که اتصالات معکوس در قشر بینایی ضعیف تر بودند. این به این دلیل است که مقادیر مطلق قدرت سیناپسی در مدل‌سازی متفاوت بود – همانطور که در مطالعات تجربی قبلی وجود داشت – اما با این وجود همیشه نظم خاصی را حفظ می‌کرد. بنابراین، نسبت‌های نسبی برای دوره و قدرت فعالیت اندازه‌گیری‌شده بسیار مهم هستند، نه مقادیر مطلق.

مرجع مجله:

در قشر بینایی اولیه (V1)، محرک‌های بینایی منتقل شده توسط چشم از طریق تالاموس، یک نقطه تغییر برای تأثیرات حسی در دیانسفالون، ابتدا ثبت می‌شوند. محققان نگاهی دقیق‌تر به ارتباطات بین نورون‌هایی که در طول این فرآیند فعال هستند، انداختند. برای انجام این کار، محققان به صورت تجربی پاسخ مشترک دو دسته از نورون ها را به محرک های بینایی مختلف در مدل موش اندازه گیری کردند. در همان زمان، آنها از مدل های ریاضی برای پیش بینی قدرت اتصالات سیناپسی استفاده کردند. آنها برای توضیح فعالیت های ثبت شده در آزمایشگاه خود از چنین اتصالات شبکه ای در قشر بینایی اولیه، از به اصطلاح “شبکه فوق خطی تثبیت شده” (SSN) استفاده کردند. پروفسور Laura Busse، رهبر گروه تحقیقاتی در LMU Neurobiology می گوید: “این یکی از معدود مدل های ریاضی غیرخطی است که امکان منحصر به فردی را برای مقایسه فعالیت های شبیه سازی شده نظری با فعالیت های واقعی مشاهده شده ارائه می دهد.” ما توانستیم نشان دهیم که ترکیب SSN با ضبط‌های تجربی پاسخ‌های بصری در تالاموس و قشر موش به ما امکان می‌دهد تا مجموعه‌های مختلفی از نقاط قوت اتصال را تعیین کنیم که منجر به پاسخ‌های بصری ثبت شده در قشر بینایی می‌شود.

توالی بین نقاط قوت اتصال کلید است

در مغز، ادراک ما از فعل و انفعال پیچیده ای از نورون ها ناشی می شود که از طریق سیناپس ها به هم متصل می شوند. اما تعداد و قدرت اتصالات بین انواع خاصی از نورون ها می تواند متفاوت باشد. محققان بیمارستان دانشگاهی بن (UKB)، مرکز پزشکی دانشگاه ماینز و دانشگاه لودویگ ماکسیمیلیان مونیخ (LMU) به همراه یک تیم تحقیقاتی از موسسه تحقیقات مغز ماکس پلانک در فرانکفورت، به عنوان بخشی از بودجه DFG برنامه اولویت‌بندی “Computer Connectomics” (SPP2041)، اکنون کشف کرده است که ساختار نقاط قوت اتصال عصبی به ظاهر نامنظم حاوی یک نظم پنهان است. این برای پایداری شبکه عصبی ضروری است. این مطالعه اکنون در مجله “PNAS” منتشر شده است.

ده سال پیش، کانکتومیکس، یعنی ایجاد نقشه ای از ارتباطات بین تقریباً 86 میلیارد نورون در مغز، نقطه عطف آینده علم اعلام شد. این به این دلیل است که در شبکه های عصبی پیچیده، نورون ها توسط هزاران سیناپس به یکدیگر متصل می شوند. در اینجا، استحکام ارتباطات بین نورون های فردی مهم است زیرا برای یادگیری و عملکرد شناختی بسیار مهم است. با این حال، هر سیناپس منحصربه‌فرد است و قدرت آن می‌تواند در طول زمان متفاوت باشد. حتی آزمایش‌هایی که نوع مشابهی از سیناپس‌ها را در همان ناحیه مغز اندازه‌گیری کردند، مقادیر متفاوتی را برای قدرت سیناپسی به دست آوردند. پروفسور تاتیانا چوماتچنکو، رهبر گروه تحقیقاتی در مؤسسه صرع شناسی تجربی و تحقیقات شناختی UKB و در مؤسسه شیمی فیزیولوژیکی مرکز پزشکی دانشگاه ماینز، می گوید که انگیزه انجام این مطالعه را توضیح می دهد. .

ریاضیات و آزمایشگاه به طور هدفمند ترکیب شدند

قابل توجه است که تجزیه و تحلیل اندازه‌گیری‌های مستقیم قبلی اتصالات سیناپسی همان ترتیب قدرت سیناپسی را نشان می‌دهد که پیش‌بینی مدل ما بر اساس پاسخ‌های عصبی اندازه‌گیری شده به تنهایی است.