Mózg uczy się inaczej niż sądziliśmy. Pojedyncze neurony potrafią jednocześnie pracować nad wieloma zadaniami
Amerykańscy neurobiolodzy, badając mózgi myszy, doszli do zaskakujących wniosków. Mózg jest znacznie lepszym wielozadaniowcem, niż do tej pory sądzono. Nawet pojedynczy neuron jednocześnie przekazuje informacje na różne sposoby.
Spis treści Plastyczność synaptyczna – podstawa uczenia się Neurony są wielozadaniowe Znaczenie nowego badania Ludzie poprzez nowe doświadczenia, nieustannie się uczą, a nasze mózgi codziennie tworzą nowe wspomnienia. Nowe hobby, wypróbowanie nowego przepisu, interesujące nas wiadomości ze świata, a nawet piękny widok – mózg przechowuje wiele z tych wspomnień przez lata lub dekady. To, w jaki sposób mózg tworzy wspomnienia, wciąż nie jest do końca jasne. Badanie neurobiologów niedawno opublikowane w prestiżowym czasopiśmie „Science” rzuca nowe światło na ten proces. Okazuje się, że neurony pracują inaczej, niż do tej pory sądzono. Plastyczność synaptyczna – podstawa uczenia się Mózg ssaków składa się z miliardów komórek nerwowych (neuronów). Przewodzą one między sobą impulsy elektryczne i jest to, podobnie jak w komputerach, podstawa przetwarzania i zachowania informacji. Impulsy są przekazywane za pomocą synaps – połączeń między neuronami. Pojedynczy neuron ma mnóstwo rozgałęzień (dendrytów), zakończonych nawet tysiącami synaps. Zebrane przez dendryty sygnały trafiają do wnętrza neuronu, gdzie integruje on wszystkie te sygnały, a potem generuje i wysyła własne. To właśnie zbiorowa aktywność elektryczna w grupach neuronów odpowiada za przechowanie informacji i formowanie wspomnień na podstawie różnych doświadczeń. Przez dekady neurobiolodzy uważali, że mózguczy się, zmieniając połączenia synaptyczne. Nowe doświadczenia sprawiają, że niektóre połączenia stają się silniejsze, a inne słabsze. Ten proces to tzw. plastyczność synaptyczna. Pojawia się tu jednak ważne pytanie: jak neuron decyduje, które połączenia wzmocnić, a które osłabić? Czy istnieją jakieś definiowalne zasady, którymi można to opisać? To zagadnienie było dotychczas białą plamą na mapie neurobiologii. Badanie opublikowane właśnie w „Science” rzuca nowe światło na ten problem. Neurony są wielozadaniowe Amerykańscy naukowcy z Uniwersytetu Stanforda postanowili przyjrzeć się aktywności poszczególnych połączeń synaptycznych w mózgu podczas nauki. Ich celem było znalezienie wzorców plastyczności synaptycznej. Aby to zrobić, genetycznie zakodowali biosensory w neuronach myszy. Biosensory aktywowały się podczas przekazywania impulsów przez neurony, co umożliwiało obserwację „live”, w czasie rzeczywistym. A myszom polecono zadanie do rozwiązania: miały naciskać dźwignię do określonej pozycji po sygnale dźwiękowym, aby dostać wodę do picia. Wyniki okazały się zaskakujące i niezwykle ciekawe. Dotychczas uważano, że neurony często aktywne elektrycznie niejako przyciągają się wzajemnie, tworząc silniejsze połączenia synaptyczne między sobą. To tzw. reguła Hebba. Ale obserwacje uczących się myszy pokazały, że neurony są znacznie bardziej wielozadaniowe: jedne synapsy działały w nich według reguły Hebba, a inne nie. Czyli w jednej komórce różne synapsy zachowywały się zupełnie inaczej, stosując przynajmniej dwa zestawy reguł. Neuron okazał się samodzielnym bytem, „odsiewającym” informacje na poziomie komórkowym. Innymi słowy – neurony mogą wykonywać wiele zadań jednocześnie. To sugeruje, że nie jest konieczna wcześniejsza strukturalna organizacja zespołów neuronów do przechowywania pamięci. Zamiast tego nawet pojedyncze neurony mogą samodzielnie organizować i przechowywać złożone wspomnienia. Znaczenie nowego badania To odkrycie może mieć ważne, dające nadzieję konsekwencje. Wiele chorób i zaburzeń mózgu (np. depresja) wynika z jakiejś formy nieprawidłowego działania synaps. Jeśli lepiej zrozumiemy ten synaptyczny „multitasking”, być może pojawią się szanse na nowe terapie. Odkrycie może mieć też znaczenie dla rozwijania sztucznej inteligencji. Sieci neuronowe leżące u podstaw AI były inspirowane sposobem działania mózgu. Jednak reguły uczenia się, których naukowcy używają do trenowania modeli AI są zazwyczaj jednolite. Nowe badanie dostarcza inspiracji do tego, jak rozwijać bardziej realistyczne biologicznie modele AI, potencjalnie bardziej wydajne. Źródło: Science Nasza autorka