Варвара Дьяконова - Пострефлекторная нейробиология поведения

Основная работа – еще впереди. На сегодняшний день важно то, что шаг в этом необходимом и правильном направлении наконец сделан. Нейробиологи и медики могут надеяться на биологически адекватное математическое моделирование реальных нейронных взаимодействий. А поскольку уже есть первые попытки создания физических аналогов хемочувствующих и хемо-секретирующих нейронов для протезирования нервной системы, появляется вероятность использования гетерогенной нейронной сети не только в фундаментальной, но и в прикладной науке.

Литература

[1] Дьяконова В. Е. Нейротрансмиттерные механизмы контекст-зависимого поведения // Журн. высш. нервн. деят. 2012. Т. 62. № 6. С. 1–17.

[2] Жилякова Л. Ю. Сетевая модель распространения нескольких видов активности в среде сложных агентов и ее приложения // Онтология проектирования. 2015. Т. 5. № 3 (17). С. 278–296.

[3] Сахаров Д. А. Синаптическая и бессинаптическая модели нейронной системы // Простые нервные системы. Ч. 2. Казань: КГУ, 1985.С. 78–80.

[4] Сахаров Д. А. Биологический субстрат генерации поведенческих актов // Журн. общ. биол. 2012. Т. 73. № 5. С. 334–348.

[5] Bargmann C. I. Beyond the connectome: how neuromodulators shape neural circuits // Bio-essays. 2012. No. 34. P. 458–465.

[6] Baronchelli A., Ferrer-i-Cancho R., Pastor-Satorras R., Chater N., Christiansen M. H. Networks in Cognitive Science // Trends in Cognitive Sciences. 2013. Vol. 17. No. 7.

[7] Bullmore E., Sporns O. Complex brain networks: graph theoretical analysis of structural and functional systems // Nature Reviews Neuroscience. 2009. Vol. 10. P. 186–198.

[8] McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity. Bull. Math. Biophys. 1943. Vol. 5. P. 115–133. (Рус. пер.: Маккаллок У. С., Питтс У. Логическое исчисление идей, относящихся к нервной активности // Автоматы / Под ред. К. Э. Шеннона и Дж. Маккарти. М.: ИЛ, 1956. С. 362–384.)

Казалось бы, биология развития не имеет отношения к проблемам когнитивистики. Тем не менее в качестве завязки этого сообщения хотим привлечь внимание участников конференции к механизму клеточной дифференцировки. Находясь в точке бифуркации, стволовая клетка сама делает выбор между доступными ей путями специализации, например решает, стать ли ей нейроном или клеткой глии. Главную роль в механизме принятия решения играет микроокружение стволовой клетки – ее ниша . Это она направляет клетку по пути наименьшего сопротивления к одному из устойчивых состояний. Для тех, кто занимается стволовыми клетками, ниша не новость (см. обзоры [11], [10] ). Один из специалистов определяет нишу так: она – «a basic unit of tissue physiology, integrating signals that mediate the balanced response of stem cells to the needs of organisms» [14]. При небольшом усилии воображения мы обнаружим, что такое определение идеально приложимо к среде, омывающей паттерн-генерирующий нейронный ансамбль.

В этом нет ничего неожиданного. Ансамбли, собираемые из живых нервных клеток, имеют больше общего как раз со стволовыми клетками, чем с формальными или искусственными нейронами. Потому вполне естественно, что выбором из доступного ансамблю репертуара стабильных конфигураций управляет ниша. Наглядный пример – выбор локомоторного аллюра. В нашем коллективе было показано, что у морского ангела выбор из репертуара аллюров определяется балансом дофамина и серотонина в среде, омывающей генератор локомоции [6, 9]. Накопилось немало результатов, свидетельствующих о том, что и у других модельных объектов нейроэтологии нейротрансмиттерный состав среды, будучи транслятором поведенческого контекста, управляет выбором между альтернативными моторными программами (см. обзоры [13, 3] ).

Можно ли извлечь из знаний о нише выводы, значимые для понимания ментальных актов? Согласно правдоподобной гипотезе Энн Грейбил [7], «генераторы когнитивных паттернов» подобны тем нейронным ансамблям, какими продуцируются локомоторные и иные моторные акты, – хорошо изученным central pattern generators (CPGs) [5, 2].

Обратим внимание на то, что в обоих рассмотренных случаях (стволовая клетка и локомоторный генератор) ниша не формирует выходного продукта, она лишь выбирает его из предсуществующего ассортимента. Это небольшое «лишь» является вызовом той науке о мозге, которая привыкла связывать формирование выходного продукта с преобразованием входного сигнала.

Ассортимент, естественно, меняется во времени. Стволовая клетка слегка продвинулась в развитии, и у нее возник новый ассортимент возможностей. Головастик превращается в лягушку, студент учит китайский язык – меняются наборы паттернов. Существенно понимать, что ниша выбирает из продуктов, вырабатываемых эндогенно, согласно правилам, которые внутренне присущи биологическому объекту. Нейроэтологам хорошо известно, что нервный субстрат, который отключен от сенсорных входов (например, изолированный фрагмент мозга), способен формировать полноценный выходной продукт – хотя бы тот же локомоторный ритм. Как достигается адаптивность эндогенных выходных программ? Как появляются новые программы?

Ответ на первый вопрос в общей форме понятен, но нуждается в нейрофизиологической расшифровке: трансмиттеры сенсорных входов (синаптические и несинаптические) входят в состав ниши и учитываются при выборе. Благодаря этому выбор приобретает адаптивный характер – отвечает « to the needs of organism ». Это адаптация на грубом уровне – alternative choice selection . Возможна и тонкая регуляция выбранного аллюра (чаще – реже, сильнее – слабее), здесь работают другие, более знакомые механизмы зависимости от афферентации.

Сложнее представить, как на основе управляемого нишей ограниченного репертуара локальных мультитрансмиттерных ансамблей могут формироваться более сложные решения. Мы предполагаем, что в этом случае из тех же конструктивных элементов собираются новые ансамбли и ансамбли ансамблей, генерирующие новые эндогенные программы.

Чтобы теоретически проверить такую возможность, мы планируем использовать уже частично разработанную новую математическую модель [4, 1], способную порождать и объяснять эффекты, происходящие в биологических генераторах. Модель имитирует качественные (грубый уровень) и количественные (тонкий уровень) изменения спонтанно генерируемого ритма, которые происходят при изменении стационарного состава мультитрансмиттерного окружения (ниши). Кроме того, при изменении ниши в модели реализуется возможность сборки новых ансамблей или генерации новых ритмов существующими ансамблями. Эти структурные и функциональные модификации ограничены лишь индивидуальными свойствами нейронов, образующих новые связи и новые ритмы. То есть репертуар возможных ритмов для некоторого множества нейронов не произволен, но при этом достаточно широк. Таким образом, в модели реализуется не только способность к адаптации, но и способность к обучению.