Алан Джасанов - Мозг: прошлое и будущее [Что делает нас теми, кто мы есть]

Важная роль колонок кортекса и разных типов клеток подсказывает, что главные аспекты мозговой деятельности можно выяснить и без отсылок на то, как много в нем подобных компонентов. Такой подход хорошо зарекомендовал себя при изучении других органов. Например, в человеческих почках клеток больше, чем в коре головного мозга, но большинство этих клеток организованы в миллионы примерно одинаковых структур, которые называются нефроны и действуют параллельно – фильтруют кровь и выводят отходы. Поджелудочная железа тоже состоит из миллиардов клеток, но ее функции можно проанализировать в рамках небольшого набора хорошо известных типов клеток, вырабатывающих все гормоны, которыми славится этот орган.

С точки зрения понимания мозговой деятельности большой оптимизм внушают нынешние экспериментальные исследования структурных и функциональных подотделов мозга. Помимо данных о деятельности маленького или поврежденного мозга, эти исследования, позволяющие сильно упростить задачу, ставят под сомнение косный взгляд, согласно которому человеческий мозг до того сложен, что любые попытки описать его простыми формулами выводят его за рамки царства природы и делают науку бессильной.

«Я не понимаю того, что не могу создать». Эти слова были начертаны на доске в кабинете великого физика Ричарда Фейнмана, нобелевского лауреата и кумира всех любителей науки, в день его смерти в 1988 году [161] «Richard Feynman’s Blackboard at Time of His Death», Caltech Image Archive, archives-dc.library.caltech.edu. . Иногда этот афоризм Фейнмана цитируют как указание на цель, которой мы должны достигнуть, чтобы одержать победу в понимании функционирования мозга [162] Sean Hill, «Whole Brain Simulation», в кн.: «The Future of the Brain» , ed. Gary Marcus and Jeremy Freeman (Princeton, NJ: Princeton University Press, 2015). . Созданием мозга считается и физическая «сборка» его из клеток в лаборатории, и успешная симуляция на компьютере. В Европе в наши дни идет работа над проектом «Human Brain Project» стоимостью в миллиард долларов: ученые стремятся симулировать мозговую деятельность на компьютерах, исходя из совокупного поведения 100 миллиардов «виртуальных нейронов» [163] HBP-PS Consortium, «The Human Brain Project: A Report to the European Commission» , 2012. . Похожие задачи ставят перед собой и американские ученые: они регистрируют «каждый спайк от каждого нейрона» в мозге млекопитающего [164] A. P. Alivisatos et al., «The brain activity map project and the challenge of functional connectomics», «Neuron» 74 (2012): 970–974. . Многие нейрофизиологи скептически относятся к подобным проектам, поскольку считают, что прогресс в этой области еще не оправдывает амбиций подобного размаха. Ведь специалистам по вычислительной биологии пока не удалось симулировать даже поведение одной-единственной биологической молекулы или клетки, не говоря уже о целых органах, а экспериментаторы способны зарегистрировать активность всего нескольких сотен клеток из глубинных областей мозга, так что об изучении активности всех до единой клеток пока нечего и мечтать. Учитывая положение дел в современной науке, организовывать проект с целью симулировать или отслеживать деятельность мозга в целом с разрешением на уровне клеток – все равно что посылать астронавтов в другие галактики, еще не сумев добраться до Марса.

Крупные нейрофизиологические проекты, призванные понять мозговую деятельность на основании моделирования или исследования каждой клетки, показывают, как мы одержимы идеей сверхсложности мозга: в других областях науки такое бывает крайне редко. Если бы у нас и в самом деле были средства для полного изучения и измерения структуры и деятельности человеческого мозга, мы, вероятно, сумели бы пролить свет на его устройство и работу, но с той же вероятностью не увидели бы за деревьями леса (или по крайней мере больших его участков). Представим себе, что мы пытаемся проанализировать великое историческое событие, например, Французскую революцию, проследив анонимные передвижения каждого человека в каждом доме и на каждой улице по всей стране. Если мы методически прочешем каждый день с 1789 по 1799 год, то, скорее всего, сумеем отследить перемены общественно-политического климата и зарегистрировать эпицентры смуты; но удастся ли нам выявить главных игроков – Дантона и Робеспьера, якобинцев и жирондистов, Людовика, тайно бегущего из Парижа? Удастся ли объяснить, какую роль они играли? Или же мы отвлечемся на похождения остальных 28 миллионов французов? Разумнее было бы объединить большие группы населения в классы и сословия (то есть типы клеток), которые коллективно обеспечивали общественные перемены.

Один из немногих организмов, нервная деятельность которых на сегодня описана практически полностью, – скромный червь нематода. Однако «воссоздать» в любом смысле слова мозг этого существа мы пока не в силах [165] C. I. Bargmann and E. Marder, «From the connectome to brain function», «Nature Methods» 10 (2013): 483–490. . Сегодня ученые в состоянии измерить активность и связность каждой клетки в нервной системе этого червя, однако попытки симулировать ее поведение находятся в зачаточном состоянии [166] Peter Shadbolt, «Scientists Upload a Worm’s Mind into a Lego Robot», CNN, 21 января 2015 года. . Многие ученые, вероятно, согласятся, что самые важные открытия в области нейробиологии нематоды дает нам не анализ полных баз данных, а узконаправленные эксперименты по изучению того, каким образом конкретное поведение червя – как он ползает, как откладывает яйца – соотносится с небольшим количеством определенных клеток, генов или сигнальных путей. В других отраслях биологии также удалось получить полные данные о генетических особенностях той или иной клетки, о том, какие гены включены, а какие выключены, о взаимодействиях между генными продуктами (белками). Данные на масштабе так называемых омов позволяют современным ученым исследовать, как многочисленные молекулы взаимодействуют в ходе процессов наподобие роста и коммуникации клеток. Но даже такая информация, как правило, дает больше всего результатов, если исследователям удается свести все к небольшому количеству факторов, которые их особенно интересуют; тогда можно изучить происходящее более подробно и лучше проверить, какую роль играет каждый фактор.

Такие примеры показывают, как опасно путать данные с пониманием . Усердный поиск информации не всегда приводит к пониманию, а понимание не обязательно строится на всех и даже на большинстве данных, которые мы можем получить и проанализировать. Задумаемся, что такое, например, понимать устройство машины. Если вы водите, то, вероятно, отчасти представляете себе, как она работает. Если машина оборудована стандартным двигателем внутреннего сгорания, то в ее цилиндрах воспламеняется бензиново-воздушная смесь, расширяется, вращает коленвал, который затем передает энергию колесам и заставляет машину двигаться. Если знаешь, как работает машина, на таком базовом уровне, это не гарантирует, что ты можешь ее починить или собрать из запчастей, – для этого нам обычно нужны механики. Напротив, если увидишь чертежи современной машины или даже видео о том, как работают все ее механизмы, то, скорее всего, не сможешь понять, каковы функции большинства ее компонентов, даже если узнаешь несколько основных элементов. А симулировать машину при помощи чертежей еще труднее: чтобы сделать это хорошо, потребуется, вероятно, огромное количество дополнительных сведений о различных факторах вроде трения, полноты сгорания, теплопередачи, – всего того, что выходит далеко за рамки необходимых основных представлений об устройстве машины.