De hersenen zijn een uiterst complex orgaan waarvan de exacte werking moeilijk te begrijpen blijft. Het menselijk brein bevat gemiddeld 100 miljard neuronen die vuren bij het ontvangen van inputsignalen van meerdere sensorische organen. Maar wat echt opmerkelijk is aan onze hersenen, is de synchronisatie van dit neurale vuren wanneer het wordt geactiveerd door een gemeenschappelijke input. Simpel gezegd, gemeenschappelijke inputs kunnen een collectieve respons genereren in neuronen die niet alleen ruimtelijk gescheiden zijn, maar ook verschillende schietkenmerken hebben.

De neurale synchronisatie is eerder waargenomen in experimenten en wordt vaak aangetoond tijdens rust en activiteiten waarbij taken betrokken zijn. De gemeenschappelijke inputs die dit produceren, zijn echter meestal onbekend in echte situaties. Dit roept een interessante vraag op:is het mogelijk om deze input te reconstrueren door te kijken naar de output van de neuronen?

In een nieuwe studie gepubliceerd in Physical Review E op 12 september 2022 ging een team van onderzoekers uit Japan, onder leiding van professor Tohru Ikeguchi van de Tokyo University of Science (TUS), op pad om deze vraag te beantwoorden. Het team, inclusief universitair hoofddocent Ryota Nomura van Waseda University (voorheen TUS), en universitair hoofddocent Kantaro Fujiwara van de Universiteit van Tokyo, keek naar de vuursnelheden van neuronen en slaagde erin het ingangssignaal te reconstrueren met behulp van een methode die "superposed recurrence plot" wordt genoemd. (SRP).

"We hebben een methode ontwikkeld die gebruikmaakt van een recursieplot (RP). RP werd oorspronkelijk geïntroduceerd om niet-lineaire dynamische systemen te karakteriseren omdat ze multidimensionale informatie bevatten, ondanks dat ze alleen tweedimensionale visualisatie bieden", legt prof. Ikeguchi uit. "Omdat neuronen niet-lineaire dynamische systemen zijn, kunnen we hypothetisch informatie verkrijgen over een gemeenschappelijke input als we de effecten van neurale dynamica in evenwicht brengen."

De SRP-methode die door het team in hun werk wordt gebruikt, is gewoon een RP waarin een pixelwaarde wordt opgeteld over overeenkomstige pixels van meerdere RP's en vervolgens een binaire waarde van 0 of 1 wordt toegewezen op basis van of de som gelijk is aan of groter is dan 1.

Het team gebruikte het standaard Izhikevich-model om het afvuren van ontkoppelde neuronen te bestuderen. Ze beschouwden drie verschillende gevallen van neuronvuurpatronen. In het eerste geval reconstrueerden ze de gemeenschappelijke input voor gelokaliseerde neuronen met vergelijkbare vuursnelheden. In het tweede geval deden ze dat voor een mengsel van neuronen met verschillende uitgangssnelheden. Ten slotte onderzochten ze in het derde geval of de SRP-methode een gemeenschappelijke input voor een chaotische reactie van het Izhikevich-model kon reconstrueren.

En ja hoor, ze ontdekten dat ze het ingangssignaal konden reconstrueren met behulp van de SRP-methode voor chaotische neuronen. "Als we een geschikte tijdsperiode selecteren om de ontstekingssnelheden van neuronen te berekenen, kunnen we het ingangssignaal met vrij hoge nauwkeurigheid reconstrueren", zegt prof. Ikeguchi. Dit betekent een grote doorbraak, niet alleen in de studie van de hersenen en neurale wetenschap, maar ook in andere dynamische systemen die chaotisch gedrag vertonen.

De potentiële implicaties van hun bevindingen zijn enorm voor kunstmatige intelligentie, zoals prof. Ikeguchi opmerkt:"De huidige kunstmatige-intelligentiemodellen kunnen de informatieverwerkingskracht van onze hersenen niet echt reproduceren. Dit komt omdat de gebruikte neuronmodellen te vereenvoudigd zijn en verre van representatief voor de echte neuronen in onze hersenen. Ons onderzoek brengt ons een stap dichter bij het begrijpen hoe het informatieproces in onze hersenen plaatsvindt. Dit zou de weg kunnen banen voor nieuwe neuromorfische computerapparatuur."

Bovendien zou het ons kunnen helpen het ontstaan ​​van psychische stoornissen beter te begrijpen en behandelingen voor hen te bedenken. Over het algemeen zou de studie een eye-opener kunnen zijn over hoe goed (of weinig) we onze hersenen begrijpen. + Verder verkennen

Onderzoek toont aan dat een eenvoudig, computationeel licht model complexe hersencelreacties kan simuleren