Скорость мысли. Грандиозное путешествие сквозь мозг за 2,1 секунды [заметки]

Шрифт

Интервал

[1] Все подсчеты количества нейронов взяты из книги Herculano-Houzel S. The Human Advantage. MIT Press, 2016.

[2] Lennie P. The cost of cortical computation // Current Biology. 2003. № 13. С. 493–497; Laughlin S. B., Sejnowski T. J. Communication in neuronal networks // Science. № 301. 2003. С. 1870–1874.

{1} Одним словом, квинтиллионов. – Прим. ред.

[3] Я оценил количество слов в 450 триллионов, учитывая, что общее количество опубликованных английских романов составляет около пяти миллионов (по Фреднеру), а среднее количество слов в одном романе – 90 000. Приблизительно 100 000 новых английских романов, появляющихся каждый год, были использованы для оценки необходимого для достижения паритета между словами и импульсами срока в 380 миллионов лет. См.: Fredner E. How many novels have been published in English? (An attempt) // 2017. 14 марта. URL: https://litlab.stanford.edu/how-many-novels-have-been-published-in-english-an-attempt/.

[4] Одни из первых сообщений о регистрации отдельных импульсов см. Adrian E. D. The impulses produced by sensory nerve endings: Part I // Journal of Physiology. 1926. № 61. С. 49–72.

[5] Это нейробиологический эквивалент закона Мура: технология регистрации импульсов от отдельных нейронов с течением времени экспоненциально увеличивает количество нейронов, сигналы которых она может раздельно и одновременно записывать, удваивая их число примерно каждые 6,3 года. Мы могли бы назвать это «законом Стивенсона»: Stevenson I., Kording K. How advances in neural recording affect data analysis // Nature Neuroscience. 2011. № 14. С. 139–142; и веб-сайт Яна Стивенсона: https://stevenson.lab.uconn.edu/scaling/.

[6] Включение и выключение нейронов светом стало возможно с помощью технологий оптогенетики, впервые примененной к клеткам млекопитающих в 2005 году. У некоторых бактерий есть специальные ионные каналы – опсины – в клеточной стенке-мембране, которые открываются, когда на них падает свет. Путем генной инженерии осуществляют экспрессию – введение – генов этих ионных каналов в нейрон. После такой модификации мы можем заставить этот нейрон так же открывать ионные каналы в мембране под воздействием света. Направляя свет на такой нейрон, мы инициируем открытие канала, ионы устремляются внутрь или наружу из клетки (в зависимости от того, какой тип ионного канала кодируется генами), либо возбуждая этот нейрон, либо подавляя его. Таким образом можно управлять одновременно тысячами нейронов или определенными типами нейронов.

Подробнее см. Miesenböck G. The optogenetic catechism // Science. 2009. № 326. С. 395–399; Deisseroth K. Optogenetics: 10 years of microbial opsins in neuroscience //. Nature Neuroscience. 2015. № 18. С. 1213–1225.

[7] Примеры регистрации активности нейронов, записанной с электродов глубокой стимуляции мозга, см. Reese R., Leblois A., Steigerwald F. и др. Subthalamic deep brain stimulation increases pallidal firing rate and regularity // Experimental Neurology. 2011. № 229. С. 517–521; Singh A., Mewes K., Gross R. E. и др. Human striatal recordings reveal abnormal discharge of projection neurons in Parkinson’s disease // Proceedings of the National Academy of Sciences USA. 2016. № 113. С. 9629–9634.

[8] Примеры записи электрической активности от электродов, имплантированных в живой мозг для обнаружения очагов эпилептических припадков у людей, см. Ison M. J., Quiroga R. Q., Fried I. Rapid encoding of new memories by individual neurons in the human brain // Neuron. 2015. № 87. С. 220–230.

{2} Аплизии (или морские зайцы) – род брюхоногих моллюсков. – Прим. ред.

[9] Jenkins R., Dowsett A. J., Burton A. M. How many faces do people know? // Proceedings of the Royal Society B: Biological Sciences. 2018. № 285. URL: https://royalsocietypublishing.org/doi/10.1098/rspb.2018.1319.

[10] Kanwisher N., McDermott J., Chun M. M. The fusiform face area: A module in human extrastriate cortex specialized for face perception // Journal of Neuroscience. 1997. № 17. С. 4302–4311.

[11] Замечательный отчет о работе Дорис Цао, в том числе взаимосвязь ее исследований с другими работами по расшифровке кодов идентификации лиц, см. Abbott A. The face detective // Nature. 2018. № 564. С. 176–79.

[12] Tsao D. Y., Freiwald W. A., Tootell R. B. H. и др. A cortical region consisting entirely of face-selective cells // Science. 2006. № 311. С. 670–674.

[13] Moeller S., Freiwald W. A., Tsao D. Y. Patches with links: A unified system for processing faces in the macaque temporal lobe // Science. 2008. № 320. С. 1355–1359.

[14] Chang L., Tsao D. Y. The code for facial identity in the primate brain // Cell. 2017. № 169. С. 1013–1028.

[1] Уоррен Маккаллок – пионер системной и вычислительной нейробиологии, [соратник отца кибернетики Норберта Винера]. Замечательный биографический очерк о нем написал Майкл Арбиб, который знал Маккаллока в последние годы его жизни. Более полную биографию, позволяющую оценить его работу в контексте времени, можно найти у Тары Абрахам. Arbib M. A., Warren McCulloch’s search for the logic of the nervous system // Perspectives in Biology and Medicine. 2000. № 43. С. 193–216. Abraham T. H. Rebel Genius: Warren S. McCulloch’s Transdisciplinary Life in Science. MIT Press, 2016.

[2] Если нейробиологам везло и у них был доступ к таким приборам. Осциллографы [с электронно-лучевыми трубками] появились в широком обиходе ближе к 1930-м годам, поэтому самые ранние изображения мозговых импульсов, полученные, например, Эдгаром Эдрианом, сделаны с помощью самодельных приспособлений из часовых механизмов, пружин, проводов и катушек для преобразования этих крохотных скачков напряжения в движения пера на подвижной ленте.

[3] Интересные описания исследований нервных импульсов, от Гальвани и вплоть до работ Ходжкина и Хаксли в 1950-х годах, см. в книге McComas A. J., Galvani’s Spark: The Story of the Nerve Impulse. Oxford University Press, 2011.

{1} В 1963 году они получили Нобелевскую премию в области физиологии и медицины за свою модель для описания электрических механизмов, которые обусловливают генерацию и передачу нервного сигнала. – Прим. ред.

{2} Кальмары передвигаются реактивным способом, выбрасывая воду из внутренней полости. Резкое сокращение мышц позволяет им совершать «прыжки» с большой скоростью на короткие расстояния. Управление этими мышцами осуществляется как раз при помощи нейронов с гигантскими аксонами – диаметром до 1 мм (типичный диаметр аксона у млекопитающих в сотни раз меньше – около 2 мкм). Толщина гигантского аксона кальмара увеличивает скорость проведения нервного импульса: чем больше площадь поперечного сечения аксона, тем меньше его сопротивление. – Прим. пер.

[4] Использование термина «критический потенциал» здесь не случайно. Читатели, знакомые с основами нейробиологии, могут задаться вопросом, почему я не употребляю термин «порог», как в учебниках, где обычно говорится: «…когда потенциал достигает порога, возникает импульс». Однако я делаю так потому, что «порога» в смысле точного значения напряжения, при котором произойдет генерация импульса, не существует. Напряжение, при котором нейрон сгенерирует импульс (или «потенциал действия», «спайк», как официально называется волна возбуждения, перемещающаяся по мембране живой клетки. – Прим. пер.), зависит от того, что перед этим происходило с нейроном, и, что наиболее важно, от того, как давно он сгенерировал последний импульс. Таким образом, всегда существует такое напряжение – критический потенциал, – при котором возникнет импульс. Но величина этого напряжения не всегда будет одной и той же – то есть порога не существует. С объяснением – длиной в книгу – о том, почему для нейрона не существует пороговых значений, можно ознакомиться в сложной, но крайне интересной работе Евгения Ижикевича: Ижикевич Е. Динамические системы в нейронауке. Геометрия возбудимости и пачечной активности. Институт компьютерных исследований, 2018. Чтобы узнать, насколько изменчив может быть критический потенциал см., например: Platkiewicz J., Brette R. A threshold equation for action potential initiation // PLoS Computational Biology. 2010. № 6. e1000850.

[5] Gefter A. The man who tried to redeem the world with logic // Nautilus. 2015. 5 февраля. URL: http://nautil.us/issue/21/information/the-man-who-tried-to-redeem-the-world-with-logic; Smalheiser N. R. Walter Pitts // Perspectives in Biology and Medicine. 2000. № 43. С. 217–226.

[6] von Neumann J. First draft of a report on the EDVAC // 1945 Technical Report / под ред. M. D Godfrey. URL: http://web.mit.edu/STS.035/www/PDFs/edvac.pdf.

{3} EDVAC (Electronic Discrete Variable Automatic Computer, Электронный дискретно-переменный автоматический вычислитель) – одна из первых электронных вычислительных машин. В отличие от своего предшественника ЭНИАКа это был компьютер на двоичной, а не десятичной основе. – Прим. пер.

[7] На самом деле даже связи, существующие между тремя слоями сетчатки глаза млекопитающего, уже настолько замысловаты, что заставляют задуматься, сможем ли мы разобраться в работе гораздо более сложно устроенного головного мозга. Для тех, кому нравятся технические подробности, вот краткий курс по устройству сетчатки. Колбочки первого слоя высвобождают глутамат на синапсы биполярных клеток второго слоя, а также на горизонтальные клетки. Задача биполярных клеток состоит в том, чтобы принимать информацию от колбочек и передавать ее клеткам третьего слоя. Работа горизонтальных клеток, имеющих разветвленную систему синапсов, соединенных с другими такими же клетками, заключается в том, чтобы подавлять передачу сигнала от колбочек к биполярным клеткам; они передают информацию друг другу на расстояния, значительно удаленные от соединенных с ними колбочек. Это создает конкуренцию сигналов: реакция биполярных клеток, находящихся дальше от активной колбочки, подавляется, чтобы реакция биполярных клеток рядом с активной горизонтальной клеткой или клетками, наоборот, выделялась на общем фоне.

Электрический потенциал биполярных клеток изменяется пропорционально величине паузы в выделении глутамата, который они получают от того типа колбочки (или колбочек), с которым они связаны. Биполярные клетки бывают двух видов: on– и off-биполяры. Клетки on-типа увеличивают свой электрический потенциал в ответ на паузы, сигнализируя об обнаружении фотонов; off-клетки уменьшают свое напряжение в ответ на паузы, сигнализируя об уменьшении темноты. В свою очередь все биполярные клетки выделяют глутамат пропорционально своему электрическому потенциалу на синапсы нейронов третьего слоя – ганглиозных клеток сетчатки (тех, которые передают импульсы в мозг) и амакриновых клеток (которые подавляют ганглиозные клетки и/или осуществляют ингибирующую обратную связь к биполярным клеткам).

В сетчатке мышей присутствует как минимум девять типов биполярных клеток и по крайней мере сорок типов амакриновых клеток. Количество типов определяется тем, на какие стимулы они реагируют. Подробное описание схемы функционирования сетчатки см.: Demb J. B., Singer J. H. Functional circuitry of the retina // Annual Review of Vision Science. 2015. № 1. С. 263–269. Мы знаем о биполярных клетках абсурдно много: см. Euler T., Haverkamp S., Schubert T. и др. Retinal bipolar cells: Elementary building blocks of vision// Nature Reviews Neuroscience. 2014. № 15. С. 507–519. Подробное описание того, почему сетчатка устроена таким образом, см. в главе 11 книги: Sterling P., Laughlin S. B. Principles of Neural Design. MIT Press, 2015. Для тех, кто хочет продвинуться дальше, – полезный онлайн-учебник Webvision от Хельги Колб и ее коллег: https://webvision.med.utah.edu/.

{4} Речь о работе 1959 года, ставшей классической, «Что говорит глаз лягушки мозгу лягушки». – Прим. пер.

[8] Gefter A. The man who tried to redeem the world with logic // Nautilus. 2015. 5 февраля. URL: http://nautil.us/issue/21/information/the-man-who-tried-to-redeem-the-world-with-logic.

[9] Brecht M., Preilowski B., Merzenich M. M. Functional architecture of the mystacial vibrissae // Behavioural Brain Research. 1997. № 84. С. 81–97.

[10] Bale M. R., Campagner D., Erskine A. и др. Microsecond-scale timing precision in rodent trigeminal primary afferents // Journal of Neuroscience. 2015. № 35. С. 5935–5940.

[11] Muchlinski M. N., Wible J. R., Corfe I. и др. Good vibrations: The evolution of whisking in small mammals // Anatomical Record. 2020. № 303. С. 89–99.

[12] Mitchinson B., Martin Ch. J., Grant R. A. и др. Feedback control in active sensing: Rat exploratory whisking is modulated by environmental contact // Proceedings of the Royal Society B: Biological Sciences. 2007. № 27. С. 1035–1041; Grant R. A., Mitchinson B. и др. Active touch sensing in the rat: Anticipatory and regulatory control of whisker movements during surface exploration // Journal of Neurophysiology. 2009. № 101. С. 862–874.

[13] Berg R. W., Kleinfeld D. Rhythmic whisking by rat: Retraction as well as protraction of the vibrissae is under active muscular control // Journal of Neurophysiology. 2003. № 89. С. 104–117.

[14] Это оценка «по прямой»: размер человеческого мозга от затылка ко лбу – в среднем около 15–16 см. Конечно, импульс не может перемещаться по прямой; воображаемый аксон, по которому этот импульс передается из затылочной в лобную долю коры, сначала уйдет вниз, в лежащее под корой белое вещество, состоящее в основном из пучков аксонов, и пройдет через него по криволинейной траектории, прежде чем подняться обратно в кору лобной части. В главе 4 мы рассмотрим это подробнее.

[15] More H. L., Hutchinson J. R., Collins D. F. и др.. Scaling of sensorimotor control in terrestrial mammals // Proceedings of the Royal Society B: Biological Sciences. 2010. № 277. С. 3563–3568.

[16] Sterling P., Laughlin S. Principles of Neural Design. MIT Press, 2015. Гл. 7.

[17] Оценка количества кортикальных клеток, необходимых, чтобы непрерывно перекрыть всю длину коры головного мозга, основывается на данных, полученных в исследованиях на крысах (Romand и др.). По двум причинам: (1) нейробиологи ведут большинство исследований на лабораторных крысах; (2) кора головного мозга крысы не столь извилиста, как кора головного мозга человека, поэтому измерение расстояния по прямой имеет смысл. То, что кора головного мозга человека представляет собой как бы оболочку шара, означает, что, вероятно, необходимо гораздо больше последовательно расположенных нейронов, чтобы выстроить цепочку от затылочной к лобной части кортекса, чем приведенная, сильно заниженная, оценка. Вот основа моих расчетов: длина коры у взрослых крыс ~ 14 мм. Клетки Беца – глутаматергические пирамидальные нейроны пятого слоя первичной моторной коры головного мозга – одни из самых больших нейронов центральной нервной системы, их диаметр достигает 100 мкм у человека и 20 мкм у крыс. Таким образом мы можем разместить 700 таких тел нейронов цепочкой рядом друг с другом на расстоянии от передней до задней части коры. См.: Romand S., Wang Y., Toledo-Rodriguez M. и др. Morphological development of thick-tufted layer V pyramidal cells in the rat somatosensory cortex // Frontiers in Neuroanatomy. 2011. № 5. С. 5.

[18] Grant R. A., Breakell V., Prescott T. J. Whisker touch sensing guides locomotion in small, quadrupedal mammals // Proceedings of the Royal Society B: Biological Sciences. 2018. № 285. 20180592.

[19] Нейрон с двухметровым аксоном посылает сигнал относительно размера своего тела дальше, чем расстояние от Земли до Солнца. Расстояние от Земли до Солнца составляет в среднем 149 600 000 км, а диаметр Земли на экваторе составляет 12 756 км. Таким образом расстояние от Земли до Солнца составляет около 11 723 диаметров Земли. Теперь возьмем нейрон с аксоном длиной два метра. Допустим, размер его тела составляет около 20 микрометров (что довольно много по клеточным меркам) – тогда его аксон в 100 000 раз длиннее, чем диаметр тела нейрона. (Если вы педант и хотите учесть в сравнении не только тело нейрона, но и его дендриты, то, учитывая, что их общий размер составил бы, скажем, 200 микрометров, аксон все равно окажется в 10 000 раз длиннее.)

[20] Есть и обратная сторона того, что все эти аналоговые электрические и химические сигналы превращаются в дискретные импульсы: потеря информации. Кора головного мозга получает лишь небольшую часть информации о видимом мире от фотонов, попадающих на колбочки сетчатки. Мы можем рассматривать сообщения, передаваемые от колбочек к выходным нейронам сетчатки, ганглиозным клеткам, как аналоговые сигналы: они представляют собой непрерывные изменения напряжения, которые в свою очередь регулируют поток химических передатчиков. Но, переводя эти непрерывные изменения в импульсы, ганглиозные клетки вынуждены отбрасывать большую часть деталей. Они квантуют сообщения, превращая непрерывный сигнал в дискретное двоичное событие – импульс. Таким образом каждый импульс обозначает не одно, а диапазон возможных аналоговых значений. В этом случае информация неизбежно теряется. Это означает, что при получении этих импульсов зрительная кора расплачивается за скорость и дальность потерей большого количества потенциально доступной ей информации о внешнем мире.

[21] Lettvin J. Y., Maturana H. R., McCulloch W. S. и др. What the frog’s eye tells the frog’s brain // Proceedings of the Institute of Radio Engineers (IRE). 1959. № 47. С. 1940–1951. Как видите, в списке авторов этой статьи фигурирует и имя Уолтера Питтса, хотя известно, что Летвин записывал нейронную активность, а Матурана отвечал за понимание анатомии. Конкретная роль Питтса в исследовании, приведшем к гибели его собственной теории, неясна.

[22] Летвин Дж. и др. Что сообщает глаз лягушки мозгу лягушки // Электроника и кибернетика в биологии и медицине. М.: Иностранная литература, 1963.

[23] Baden T., Berens P., Franke K. и др. The functional diversity of retinal ganglion cells in the mouse // Nature. 2016. № 29. С. 345–350.

[24] Sterling P., Laughlin S. Principles of Neural Design. MIT Press, 2015. Гл. 11. Точнее сказать, избирательные по направлению движения on-клетки используются для вычисления смещения проекции на вашей сетчатке при движении головы.

[25] Baden T., Euler T., Berens P. Understanding the retinal basis of vision across species // Nature Reviews Neuroscience. 2020. № 21. С. 5–20.

[26] Rheaume B. A., Jereen A., Bolisetty M. и др. Single cell transcriptome profiling of retinal ganglion cells identifies cellular subtypes // Nature Communications. 2018. № 9. С. 2759; Peng Y.-R., Shekhar K., Yan W. и др. Molecular classification and comparative taxonomics of foveal and peripheral cells in primate retina // Cell. 2019. № 176. С. 1222–1237.

[1] Некоторые из вас сейчас воскликнули про себя: «Эй, автор! А что случилось с латеральным коленчатым телом?» Импульсы не поступают напрямую из сетчатки в первичную зрительную кору. Аксоны ганглиозных клеток сетчатки приходят в латеральное коленчатое тело (ЛКТ), которое помещается на нижней стороне подушки таламуса. Один набор нейронов ЛКТ передает сигналы сетчатки в зрительные зоны коры; другие отправляют сигналы многочисленным структурам, расположенным ниже коры, таким как верхнее двухолмие среднего мозга, предназначенным для быстрой реакции на изменения в вашем поле зрения (например, уклонение от летящего в лицо футбольного мяча). Учитывая тридцать каналов, исходящих из сетчатки, существует, как вы можете себе представить, не менее сложный набор каналов, выходящих из ЛКТ, которые пока только исследуются. См. Rosón M. R., Bauer Y., Kotkat A. H. и др. Mouse dLGN receives functional input from a diverse population of retinal ganglion cells with limited convergence // Neuron. 2019. № 102. С. 462–476.

[2] da Costa M. N., Martin K. A. C. How thalamus connects to spiny stellate cells in the cat’s visual cortex // Journal of Neuroscience. 2011. № 31. С. 2925–2937.

[3] Нейроны бывают самых разных форм. Множество примеров форм кортикальных нейронов, а также многих других типов нервных клеток можно посмотреть на http://NeuroMorpho.org.

[4] Ну, честно говоря, почти всегда закономерность такова, что одного импульса недостаточно, чтобы вызвать импульс в целевом нейроне. Но, как мы знаем, природа любит издеваться над нашими попытками навязать ей строгие закономерности. Например, один аксон может разветвляться, образуя несколько синаптических контактов с дендритным деревом одного целевого нейрона. Таким образом, каждый из этих синапсов получает копию одного и того же импульса, поэтому один импульс может вызывать несколько всплесков повышения (или понижения) напряжения одновременно. Крайний случай – это «детонаторный синапс», создаваемый нейронами из зубчатой извилины на нейронах в области CA3 (и то и другое – части гиппокампа). Одиночный нейрон зубчатой извилины имеет множество сильных связей с нейроном CA3. При определенных обстоятельствах (а именно, если в последнее время через эти связи проходило множество импульсов), эти связи могут быть настолько сильными, что один импульс от нейрона извилины вызывает импульс в нейроне CA3. О важных экспериментах см. Vyleta N. P., Borges-Merjane C., Jonas P. Plasticity-dependent, full detonation at hippocampal mossy fiber-CA3 pyramidal neuron synapses // eLife. 2016. № 5. e17977. Подробное обсуждение с расчетами, почему это должно быть редким событием, см.: Urban N. N., Henze D. A., Barrionuevo G. Revisiting the role of the hippocampal mossy fiber synapse // Hippocampus. 2011. № 11. С. 408–417.

[5] Любой серьезный исследователь коры головного мозга обязан прочитать монографию Брайтенберга и Шюца об их статистических подсчетах, касающихся коры головного мозга: Braitenberg V., Schuz A. Cortex: Statistics and Geometry of Neuronal Connectivity. 2nd ed., Springer, 1998.

[6] London M., Roth A., Beeren L., Häusser M., Latham P. E. Sensitivity to perturbations in vivo implies high noise and suggests rate coding in cortex // Nature. 2010. № 466. С. 123–127.

[7] Rudolph M., Destexhe A. Tuning neocortical pyramidal neurons between integrators and coincidence detectors // Journal of Computational Neuroscience. 2003. № 14. С. 239–251.

{1} В астрономии – зона обитаемости в космосе с температурными условиями, в которых согласно научному допущению вода может находиться в жидкой фазе, а значит, потенциально может возникнуть жизнь. Название отсылает к английской сказке, русским аналогом которой является сказка о Маше и медведях, где героиня из трех предметов выбирает промежуточный между двумя крайностями по характеризующему признаку, например размеру. – Прим. ред.

[8] Humphries M. D. The Goldilocks zone in neural circuits // eLife. 2016. № 5. e22735.

[9] Softky W. R., Koch Ch. Cortical cells should fire regularly, but do not // Neural Computation. 1992. № 4. С. 643–646.

[10] Под «совершенно случайным» я подразумеваю, что последовательность импульсов следовала процессу Пуассона, как если бы интервалы в последовательностях импульсов были случайно взяты из экспоненциального распределения, при этом каждый набор полностью независим. Чтобы являться пуассоновским процессом, среднее и стандартное отклонения интервалов между импульсами должны быть одинаковыми – и Софтки и Кох показали, что это (примерно) так и есть.

[11] В этой главе описывается популярная в настоящее время теория коры головного мозга со «сбалансированным вводом». Но и другие предположения о том, как могут возникать нерегулярные импульсы, также дают некоторые возможные объяснения. Собственное предположение Софтки и Коха^>1 заключалось в том, что наши модели нейронов слишком упрощены, и нерегулярное возбуждение происходит благодаря тому, что деревья дендритов целевого нейрона отфильтровывают небольшие изолированные входные сигналы и отправляют сигналы в тело клетки только тогда, когда возбуждается достаточное количество входов сразу, что может происходить случайным образом. Было также показано, что определенная настройка параметров функций наших моделей нейронов может сделать промежутки между импульсами более нерегулярными, если, например, увеличить величину падения потенциала после импульса ^>2 или сделать задержку начала импульса зависимой от скорости нарастания потенциала клетки до достижения критического уровня^>3.

^>1Softky W. R., Koch Ch. The highly irregular firing of cortical cells is inconsistent with temporal integration of random EPSPs // Journal of Neuroscience. 1993. № 13. С. 334–350.

^>2Troyer T. T., Miller K. D. Physiological gain leads to high ISI variability in a simple model of a cortical regular spiking cell // Neural Computation. 1997. № 9. С. 971–983.

^>3Gutkin B., Ermentrout G. B. Dynamics of membrane excitability determine interspike interval variability: A link between spike generation mechanisms and cortical spike train statistics // Neural Computation. 1998. № 10. С. 1047–1065.

[12] Первоначальные идеи Шадлена и Ньюсома были опубликованы в 1994 году, примерно через полтора года после первой статьи Софтки и Коха, а полные модели – в 1998 году. Shadlen M. N., Newsome W. T. Noise, neural codes and cortical organization // Current Opinion in Neurobiology. 1994. № 4. С. 569–579; Shadlen M. N., Newsome W. T. The variable discharge of cortical neurons: Implications for connectivity, computation, and information coding // Journal of Neuroscience. 1998. № 18. С. 3870–3896.

[13] Destexhe A., Rudolph M., Paré D. The high-conductance state of neocortical neurons in vivo // Nature Reviews Neuroscience. 2003. № 4. С. 739–751.

[14] Tsodyks M. V., Sejnowski T. Rapid state switching in balanced cortical network models // Network. 1995. № 6. С. 111–124.

[15] van Vreeswijk C., Sompolinsky H. Chaos in neuronal networks with balanced excitatory and inhibitory activity // Science. 1996. № 274. С. 1724–1726; van Vreeswijk C., Sompolinsky H. Chaotic balanced state in a model of cortical circuits // Neural Computation. 1998. № 10. С. 1321–1371.

[16] Moore Ch. I., Nelson S. B. Spatio-temporal subthreshold receptive fields in the vibrissa representation of rat primary somatosensory cortex // Journal of Neurophysiology. 1998. № 80. С. 2882–2892.

[17] Shu Y., Hasenstaub A., McCormick D. A. Turning on and of recurrent balanced cortical activity // Nature. 2003. № 423. С. 288–293; Haider B., Duque A., Hasenstaub A. R. и др. Neocortical network activity in vivo is generated through a dynamic balance of excitation and inhibition // Journal of Neuroscience. 2006. № 26. С. 4535–4545.

[18] Wehr M., Zador A. M. Balanced inhibition underlies tuning and sharpens spike timing in auditory cortex // Nature. 2003. № 426. С. 442–446.

[19] Okun M., Lampl I. Instantaneous correlation of excitation and inhibition during ongoing and sensory-evoked activities // Nature Neuroscience. 2008. № 11. С. 535–537.

[20] Kenet T., Arieli A., Tsodyks M. и др. Are single neurons soloists or are they obedient members of a huge orchestra? // 23 Problems in Systems Neuroscience / под ред. J. L. van Hemmen and T. J. Sejnowski. Oxford University Press, 2006. С. 160–181.

[21] Okun M., Steinmetz N. A., Cossell L. и др. Diverse coupling of neurons to populations in sensory cortex // Nature. 2015. № 521. С. 511–515.

{2} Легендарный американский джазовый трубач. – Прим. ред.

{3} Австрийский и венгерский композитор-авангардист. – Прим. ред.

[22] Carandini M., Demb J. B., Mante V. и др. Do we know what the early visual system does? // Journal of Neuroscience. 2005. № 25. С. 10577–10597.

[23] Rossant C., Leijon S., Magnusson A. K. и др. Sensitivity of noisy neurons to coincident inputs // Journal of Neuroscience. 2011. № 31. С. 17193–17206.

[24] Stevens Ch. F., Zador A. M. Input synchrony and the irregular firing of cortical neurons // Nature Neuroscience. 1998. № 1. С. 210–217.

[25] Salinas E., Sejnowski T. J. Impact of correlated synaptic input on output firing rate and variability in simple neuronal models // Journal of Neuroscience. 2000. № 20. С. 6193–6209.

[26] Примеры небольшой задержки между возбуждением и его уравновешивающим торможением см. Wehr M., Zador A. M. Balanced inhibition underlies tuning and sharpens spike timing in auditory cortex // Nature. 2003. № 426. С. 442–446; Okun M., Lampl I. Instantaneous correlation of excitation and inhibition during ongoing and sensory-evoked activities // Nature Neuroscience. 2008. № 11. С. 535–537.

[27] Чтобы ознакомиться с тем, как дендриты могут участвовать в вычислениях, начните с доступного изложения в London M., Häusser M. Dendritic computation // Annual Review of Neuroscience. 2005. № 28. С. 503–532.

[28] Palmer L. M., Shai A. S., Reeve J. E. и др. NMDA spikes enhance action potential generation during sensory input // Nature Neuroscience. 2014. № 17. С. 383–390.

[29] Jadi M., Polsky A., Schiller J. и др. Location-dependent effects of inhibition on local spiking in pyramidal neuron dendrites // PLoS Computational Biology. 2012. № 8. e1002550.

[30] Эквивалентность пирамидального нейрона и двухслойной нейронной сети была установлена в паре научных работ, опубликованных одновременно: Poirazi P., Brannon T, Mel B. W. Arithmetic of subthreshold synaptic summation in a model CA1 pyramidal cell // Neuron. 2003. № 37. С. 977–987; Poirazi P., Brannon T., Mel B. W. Pyramidal neuron as two-layer neural network // Neuron. 2003. № 37. С. 989–999.

[31] Cazé R. D., Humphries M., Gutkin B. Passive dendrites enable single neurons to compute linearly non-separable functions // PLoS Computational Biology. 2013. № 9. e1002867.

[32] Humphries M. Your cortex contains 17 billion computers // The Spike. 2018. 12 февраля. URL: https://medium.com/the-spike/your-cortex-contains-17-billion-computers-9034e42d34f2.

[1] Ko H., Hofer S. B., Pichler B. и др. Functional specificity of local synaptic connections in neocortical networks // Nature. 2011. № 473. С. 87–91.

[2] Cossell L., Iacaruso M. F., Muir D. R. и др. Functional organization of excitatory synaptic strength in primary visual cortex // Nature. 2015. № 518. С. 399–403.

[3] Лаборатория Мрсич-Флогеля также показала, что избирательные связи между одинаково настроенными нейронами в первичной зоне зрительной коры (V1), по-видимому, возникают во время развития организма (Ko и др.). На ранних этапах развития связи между нейронами устанавливаются случайным образом. Но избирательная настройка соединений появляется в раннем зрелом возрасте (у мышей), возможно, следуя правилу, которое считается фундаментальным для функционирования мозга: нейроны, которые срабатывают вместе, соединяются между собой. Здесь, в V1, простые клетки, получающие одну и ту же информацию от одного места сетчатки, будут одинаково реагировать на мир и таким образом укреплять связи между собой; напротив, простые клетки, получающие разную информацию, не срабатывают вместе, поэтому соединения между ними атрофируются. Результат: простые клетки усиливают друг друга. Между прочим, это имеет интересный смысл: если вы создадите неестественную статистику видимого мира, например, сделаете все края горизонтальными и позволите мозгу развиваться в этом мире, тогда это повлияет на то, какие простые клетки срабатывают вместе, и, следовательно, изменит связи между ними в V1. Ko H., Cossell L., Baragli Ch. и др. The emergence of functional microcircuits in visual cortex // Nature. 2013. № 496. С. 96–100.

[4] Модели того, как сложные клетки в V1 создаются путем объединения выходных данных простых клеток, см.: Carandini M., Demb J. B., Mante V. и др. Do we know what the early visual system does? // Journal of Neuroscience. 2005. № 25. С. 10577–10597; Rust N. C., Schwartz O., Movshon J. A. и др. Spatiotemporal elements of macaque V1 receptive fields // Neuron. 2005. № 46. С. 945–956.

[5] Mechler F., Ringach D. L. On the classification of simple and complex cells // Vision Research. № 42. 2002. С. 1017–1033; Rust N. C., Schwartz O., Movshon J. A. и др. Spatiotemporal elements of macaque V1 receptive fields // Neuron. 2005. № 46. С. 945–956.

[6] Iacaruso M. F., Gasler I. T., Hofer S. B. Synaptic organization of visual space in primary visual cortex // Nature. 2017. № 547. С. 449–452.

[7] Chettih S. N., Harvey Ch. D. Single-neuron perturbations reveal feature-specific competition in V1 // Nature. 2019. № 567. С. 334–340.

[8] Haider B., Häusser M., Carandini M. Inhibition dominates sensory responses in the awake cortex // Nature. 2013. № 493. С. 97–100.

[9] Для знакомства с устройством слоев коры головного мозга и типов нейронов в них см.: Harris K. D., Shepherd G. M. G. The neocortical circuit: Themes and variations // Nature Neuroscience. 2015. № 18. С. 170–181.

[10] Идея о двух отдельных потоках обработки зрительной информации в коре головного мозга существует уже несколько десятилетий. Их разделяют на так называемые дорсальные и вентральные пути, которые определяются анатомически, и это то, что я называю, соответственно каналом «что» и каналом «как». Для более подробной информации см.: Goodale M. A., Milner A. D. Separate visual pathways for perception and action // Trends in Neurosciences. 1992. № 15. С. 20–25; Ungerleider L. G., Haxby J. V. ‘What’ and ‘where’ in the human brain // Current Opinion in Neurobiology. 1994. № 4. С. 157–165; Goodale M. A. How (and why) the visual control of action difers from visual perception // Proceedings: Biological Sciences. 2014. № 281. 20140337.

[11] Boynton G. M., Hegdé J. Visual cortex: The continuing puzzle of area V2 // Current Biology. № 14. 2004. R523–R524.

[12] Adelson E. H. On seeing stuff: The perception of materials by humans and machines // Proceedings of the SPIE. 2001. № 4299. С. 1–12.

[13] Movshon A. J., Simoncelli E. P. Representation of naturalistic image structure in the primate visual cortex // Cold Spring Harbor Symposia on Quantitative Biology. 2014. № 7. С. 115–122.

[14] Zeki S. Colour coding in the cerebral cortex: The reaction of cells in monkey visual cortex to wavelengths and colours // Neuroscience. 1983. № 9. С. 741–765.

[15] Horwitz G., Hass Ch. Nonlinear analysis of macaque V1 color tuning reveals cardinal directions for cortical color processing // Nature Neuroscience. 2012. № 15. С. 913–919.

[16] Walsh V. How does the cortex construct color? // Proceedings of the National Academy of Sciences USA. 1999. № 96. С. 13594–13596.

[17] Чтобы ознакомиться с вычислительной проблемой распознавания объектов, см.: DiCarlo J. J., Zoccolan D., Rust N. C. How does the brain solve visual object recognition? // Neuron. 2012. № 73. С. 415–434.

[18] Movshon J. A., Newsome W. T. Visual response properties of striate cortical neurons projecting to area MT in macaque monkeys // Journal of Neuroscience. 1996. № 16. С. 7733–7741.

100

[19] Различные модели того, как нейроны области MT могут вычислять глобальное движение, см. Simoncelli E. P., Heeger D. J. A model of neuronal responses in visual area MT // Vision Research. 1998. № 38. С. 743–761; Rust N. C., Mante V., Simoncelli E. P. и др. How MT cells analyze the motion of visual patterns // Nature Neuroscience. 2006. № 9. С. 1421–1431.

101

[20] Ранние примеры глубоких нейронных сетей, моделирующих зрительную систему, см. Lee H., Ekanadham Ch., Ng A. Y. Sparse deep belief net model for visual area V2 / под ред. J. C. Platt, D. Koller, Y. Singer, and S. T. Roweis // Advances in Neural Information Processing Systems. 2008. № 20. С. 873–880. Обратите внимание, что нет ничего особенно нового в «современных» разработках в области ИИ, таких как глубокие нейронные сети. В игру «тренируй и совершенствуй» для систем распознавания образов играют с 1980-х годов. Как пример, см. Lehky S. R., Sejnowski T. J. Network model of shape-from-shading: Neural function arises from both receptive and projective fields // Nature. 1998. № 333. С. 452–454.

102

[21] Обзор моделирования зрения глубокой нейронной сетью см. Lindsay G. Convolutional neural networks as a model of the visual system: Past, present, and future. 2020. URL: https://arxiv.org/abs/2001.07092.

103

[22] Лаборатория Джима ДиКарло выполнила исследования по сопоставлению работы глубоких нейронных сетей с активностью нейронов височной доли (Яминс и др.) и недавно довела эти глубокие нейронные сети до предела их возможностей (Башиван, Кар и Дикарло). Сначала они создали синтетические образы, предназначенные для управления конкретными ячейками или группами ячеек в выходном слое сети; они были настроены так, чтобы либо максимально увеличить активность ячейки или группы, либо одновременно увеличить активность одной группы и уменьшить активность другой. Затем они показали те же синтетические изображения обезьянам, и большинство нейронов височных долей их мозга продемонстрировали те же реакции, что и элементы глубокой нейросети, – те нейроны, которые должны были увеличить активность, в основном ее увеличили и наоборот. Yamins D. L. K., Hong H., Cadieu Ch. F. и др. Performance-optimized hierarchical models predict neural responses in higher visual cortex // Proceedings of the National Academy USA. 2014. №. 111. С. 8619–8624; Bashivan P., Kar K., DiCarlo J. J. Neural population control via deep image synthesis // Science. 2019. № 364. eaav9436.

104

[23] Классическая статья об иерархии зрительной коры – это Felleman D. J., Van Essen D. C. Distributed hierarchical processing in the primate cerebral cortex // Cerebral Cortex. 1991. № 1. С. 1–47. См. также: Van Essen D. C., Anderson Ch. A., Felleman D. J. Information processing in the primate visual system: An integrated systems perspective // Science. 1992. № 255. С. 419–423; Young M. P. Objective analysis of the topological organization of the primate cortical visual system // Nature. 1992. № 358. С. 152–155. Критику чисто иерархического описания см., например: Hegdé J., Felleman D. J. Reappraising the functional implications of the primate visual anatomical hierarchy // Neuroscientist. 2007. № 13. С. 416–421; Zeki S. The rough seas of cortical cartography // Trends in Neurosciences. 2018. № 41. С. 242–244.

105

[24] Gattass R., Nascimento-Silva S., Soares J. G. M. и др. Cortical visual areas in monkeys: Location, topography, connections, columns, plasticity, and cortical dynamics // Philosophical Transactions of the Royal Society of London B: Biological Sciences. 2005. № 360. С. 709–731.

106

[25] Решающий характер наличия этой обратной связи подчеркивается и в классической статье Феллемана и Ван Эссена о визуальной иерархии в коре: Felleman D. J., Van Essen D. C. Distributed hierarchical processing in the primate cerebral cortex // Cerebral Cortex. 1991. № 1. С. 1–47.

107

[26] Han Y., Kebschull J. M., Campbell R. A. и др. The logic of single-cell projections from visual cortex // Nature. 2018. № 556. С. 51–56.

108

[27] Последний пример см.: Musall S., Kaufman M. T., Juavinett A. L. и др. Single-trial neural dynamics are dominated by richly varied movements // Nature Neuroscience. 2019. № 22. С. 1677–1686.

109

[28] Li N., Daie K., Svoboda K. и др. Robust neuronal dynamics in premotor cortex during motor planning // Nature. 2016. № 532. С. 459–464.

110

[29] Andersen K. W., Siebner H. R. Mapping dexterity and handedness: Recent insights and future challenges // Current Opinion in Behavioral Sciences. 2018. № 20. С. 123–129.

111

[30] Knecht S., Dräger B., Deppe M. и др. Handedness and hemispheric language dominance in healthy humans // Brain. 2000. № 123. С. 2512–2518.

112

[31] Karolis V. R., Corbetta M., de Schotten M. T. The architecture of functional lateralisation and its relationship to callosal connectivity in the human brain // Nature Communications. 2019. № 10. С. 1417.

113

[32] Подробное описание возможностей и поведения пациентов с расщепленным мозгом см.: Gazzaniga M. S. Cerebral specialization and interhemispheric communication: Does the corpus callosum enable the human condition? // Brain. 2000. № 123. С. 1293–1326.

114

[1] Zador A. Impact of synaptic unreliability on the information transmitted by spiking neurons // Journal of Neurophysiology. 1998. № 79. С. 1219–1229; Manwani A., Koch Ch. Detecting and estimating signals over noisy and unreliable synapses: Information-theoretic analysis // Neural Computation. 2001. № 13. С. 1–33.

115

[2] Hessler N. A., Shirke A. M., Malinow R. The probability of transmitter release at a mammalian central synapse // Nature. 1993. № 366. С. 569–572.

116

[3] Allen C., Stevens C. F. An evaluation of causes for unreliability of synaptic transmission // Proceedings of the National Academy of Sciences USA. 1994. № 91. С. 10380–10383.

117

[4] Например, на синапсе между интернейроном и шиповидным нейроном стриатума не регистрировалось отказов (в течение наблюдаемого периода регистрации). Ibáñez-Sandoval O., Tecuapetla F., Unal B. и др. A novel functionally distinct subtype of striatal neuropeptide Y interneuron // Journal of Neuroscience. 2001. № 31. С. 16757–16769.

118

[5] Branco T., Staras K., Darcy K. J. и др. Local dendritic activity sets release probability at hippocampal synapses // Neuron. 2008. № 59. С. 475–485.

119

[6] Сила синаптической связи – в более строгой формулировке: импульс, приходящий к синапсу, высвобождает N пакетов молекул-нейромедиаторов с вероятностью p, и каждый пакет молекул оказывает воздействие q на нейрон-мишень. Эти переменные являются двумя составляющими «чувствительности»: N · q – это величина скачка напряжения (ну, технически это величина изменения проводимости), поскольку большее количество нейромедиатора означает большую активацию рецепторов, а p – это то, насколько вероятно, что этот скачок потенциала произойдет. Таким образом сила синаптической связи (w) пропорциональна ожидаемому изменению, которое он вызывает в целевом нейроне, то есть w ~ p · (N · q). Следовательно, мы можем изменить силу, изменяя либо амплитуду ответа (изменяя N, изменяя q, либо и то и другое), либо изменяя вероятность этого ответа (p). См., например, главы 4 и 13 в: Koch C. Biophysics of Computation. MIT Press, 1999.

120

[7] Zador T. M., Dobrunz L. E. Dynamic synapses in the cortex // Neuron. 1997. № 19. С. 1–4; Koch C. Biophysics of Computation. Гл. 13.

121

[8] Stevens C. F., Wang Y. Changes in reliability of synaptic function as a mechanism for plasticity // Nature. 1994. № 371. С. 704–707.

122

[9] Levy W. B., Baxter R. A. Energy-efficient neuronal computation via quantal synaptic failures // Journal of Neuroscience. 2002. № 22. С. 4746–4755.

123

[10] Доля в 56 % взята из: Harris J. J., Jolivet R., Attwell D. Synaptic energy use and supply // Neuron. 2012. № 75. С. 762–777.

124

[11] Там же.

125

[12] Конечно, есть и другие причины, по которым нейрон будет устанавливать несколько контактов с целевым нейроном. Среди них можно выделить его желание доминировать над контролем этого целевого нейрона, вызывая больший рост потенциала целевого нейрона каждый раз, когда он отправляет импульс.

126

[13] Branco T., Staras K., Darcy K. J. и др. Local dendritic activity sets release probability at hippocampal synapses // Neuron. 2008. № 59. С. 475–485.

127

[14] Abbott L. F., Varela J. A., Sen K. и др. Synaptic depression and cortical gain control // Science. 1997. № 275. С. 220–224.

128

[15] Stevens C. F., Tsujimoto T. Estimates for the pool size of releasable quanta at a single central synapse and for the time required to refill the pool // Proceedings of the National Academy of Sciences USA. 1995. № 92. С. 846–849.

129

[16] Dobrunz L. E., Stevens C. F. Heterogeneity of release probability, facilitation, and depletion at central synapses // Neuron. 1997. № 18. С. 995–1008.

130

[17] Maass W., Zador T. M. Dynamic stochastic synapses as computational units // Neural Computation. 1999. № 1. С. 903–917.

131

[18] В рассказе о том, как синаптические сбои создают фильтр для колебаний частоты импульсов, я объединил идеи из двух статей. Во-первых, из классической статьи о том, как краткосрочная депрессия позволяет синапсам автоматически контролировать усиление своих синапсов, что подразумевает, что они фильтруют высокочастотные входные сигналы, см.: Abbott L. F., Varela, Sen K. и др. Synaptic depression and cortical gain control // Science. 1997. № 275. С. 220–224. И подробное описание действия этого фильтра см.: Rosenbaum R., Rubin J., Doiron B. Short term synaptic depression imposes a frequency dependent filter on synaptic information transfer // PLoS Computational Biology. 2012. № 8. e1002557.

132

[19] Humphries M. D. The unreasonable effectiveness of deep brain stimulation // The Spike. 2017. 30 января. URL: https://medium.com/the-spike/the-unreasonable-effectiveness-of-deep-brain-stimulation-7d84a9849140.

133

[20] Rosenbaum R., Zimnik A., Zheng F. и др. Axonal and synaptic failure suppress the transfer of firing rate oscillations, synchrony and information during high frequency deep brain stimulation // Neurobiology of Disease. 2014. № 62. С. 86–99.

134

[21] Evans D. A., Stempel V., Vale R. и др. A synaptic threshold mechanism for computing escape decisions // Nature. 2018. № 558. С. 590–594.

135

[22] Интересным побочным условием в этих исследованиях было то, что убегающие мыши могли вернуться в убежище, где были только однажды. Так что это, казалось бы, инстинктивное поведение «Беги!» на самом деле использует довольно продвинутое обучение и планирование. См. Vale R., Evans D. A., Branco T. Rapid spatial learning controls instinctive defensive behavior in mice // Current Biology. 2017. № 27. С. 1342–1349.

136

[23] Причина склонности нейронных сетей к переобучению – в том же самом механизме, что и для регрессии, статистической зависимости одного набора данных от другого, когда вы используете порядок уравнения, превышающий количество исходных данных: слишком много свободных параметров. В регрессии вы берете два набора данных, скажем доход семьи и рейтинг IMDb для «Игры престолов», и строите кривую их зависимости. Эта кривая показывает взаимосвязь между доходом и рейтингом. Чем выше порядок кривой, тем лучше она приблизится к существующим точкам данных, но, скорее всего, тем хуже сможет предсказать любые новые поступающие данные. И нейронные сети делают то же самое: они подгоняют коэффициенты своих очень сложных функций к сигналам на входах, чтобы получить ожидаемый от них на выходе ответ.

137

[24] Впервые о DropConnect было упомянуто в документе конференции (Вань и др.). Когда я говорю «широко используется», я имею в виду, что на момент написания этой статьи, т. е. за шесть лет (на 20 мая 2019 г.; источник: Google Scholar) эта работа была процитирована 1274 раза. Wan L., Zeiler M., Zhang S. и др. Regularization of neural networks using DropConnect // Proceedings of the 30th International Conference on Machine Learning (ICML13). 2013. С. 1058–1066. Я также должен отметить, что DropConnect основывается на идее DropOut, которая состоит в удалении случайным образом из сети самих ячеек. Подробная статья о DropOut вышла в 2014 году: Srivastava N., Hinton G., Krizhevsky A. DropOut: A simple way to prevent neural networks from overfitting // Journal of Machine Learning Research. 2014. № 15. С. 1929–1958.

138

[25] Некоторые алгоритмы поиска будут генерировать множество случайных первичных решений и параллельно их уточнять и/или рекомбинировать (как в эволюционных алгоритмах, например генетических).

139

[26] Почему мы должны предполагать, что мозг использует те алгоритмы поиска, которым помогает шум? Потому что нейронные сети, реализующие алгоритмы поиска, также используют шум. Самым известным примером является «машина Больцмана» (Экли, Хинтон и Сейновски). Еще в 1989 году Бернод и Корн предположили, что синаптические сбои могут быть примерно тем же, чем является «тепловой шум» в машине Больцмана. Их предположение основывалось на том, что вероятность синаптического сбоя быстро меняется с течением времени, чтобы изменить реакцию нейрона на свои входные данные (высокий уровень сбоев означает, что ему требуется много входных данных). Это кажется маловероятным в синапсах мозга млекопитающих, но это была первая явная связь между неудачей и поиском. Ackley D. H., Hinton G. E., Sejnowski T. J. A learning algorithm for Boltzmann machines // Cognitive Science. 1985. № 9. С. 147–169; Burnod Y., Korn H. Consequences of stochastic release of neurotransmitters for network computation in the central nervous system // Proceedings of the National Academy of Sciences USA. 1989. № 86. С. 352–356.

140

[1] Возможно, вы скажете: а как же синаптические сбои? Разве они не уменьшат общее количество импульсов, поступающих на нейрон? Уменьшат. Но даже если бы все синапсы одного нейрона отказывали в 50 % случаев, это все равно означало бы 25 000 входящих импульсов в секунду и 250 исходящих импульсов в секунду. А мы можем отправить не больше пяти. Чтобы получить из 50 000 входящих импульсов в секунду пять исходящих, потребуется 99 %-я частота отказов в каждом синапсе.

141

[2] В первом приближении каждый импульс, посланный нейроном, действительно увеличивает количество свободного кальция в его теле. А химическое вещество, которое мы используем – флуоресцентный индикатор, – связывает кальций. Чем больше он связывает, тем сильнее флуоресцирует, и поэтому яркость флуоресценции в теле нейрона пропорциональна количеству отправленных им импульсов. Приблизительно. На самом деле все гораздо сложнее. Во-первых, взаимосвязь между импульсами и кальцием нелинейна; при каждом последующем импульсе увеличение количества свободного кальция не будет одинаковым. Во-вторых, изменения концентрации кальция происходят медленно, намного медленнее, чем отправка импульса. Поэтому, если за короткое время нейрон отправляет несколько импульсов, флуоресценция дает очень смазанную картину.

142

[3] Kerr J. N. D., Greenberg D., Helmchen F. Imaging input and output of neocortical networks in vivo // Proceedings of the National Academy of Science USA. 2005. № 102. С. 14063–14068.

143

[4] Harvey C. D., Coen P. Tank D. W. Choice-specific sequences in parietal cortex during a virtual-navigation decision task // Nature. 2012. № 484. С. 62–68.

144

[5] Peron S. P., Freeman J., Iyer V. и др. A cellular resolution map of barrel cortex activity during tactile behavior // Neuron. 2015. № 86. С. 783–799.

145

[6] Hromádka T., DeWeese M. R., Zador A. M. Sparse representation of sounds in the unanesthetized auditory cortex // PLoS Biology/ 2008. № 6. e16.

146

[7] O’Connor D. H., Peron S. P., Huber D. и др. Neural activity in barrel cortex underlying vibrissa-based object localization in mice // Neuron. 2010. № 67. С. 1048–1061.

147

[8] Barth A. L., Poulet J. F. A. Experimental evidence for sparse firing in the neocortex // Trends in Neurosciences. 2012. № 35. С. 345–355.

148

[9] Ранние намеки на преобладание темных нейронов см.: Robinson D. A. The electrical properties of metal microelectrodes // Proceedings of the IEEE/ 1968/ № 56. С. 1065–1071. Цифра количества нейронов в радиусе регистрации электрода взята из Henze D. A., Borhegyi Z., Csicsvari J. и др. Intracellular features predicted by extracellular recordings in the hippocampus in vivo // Journal of Neurophysiology. 2000. № 84. С. 390–400.

149

[10] Краткое изложение ранних доказательств наличия темных нейронов см. в обзоре 2006 года, который вызвал у меня интерес к этой теме: Shoham S., O’Connor D. H., Segev R. How silent is the brain: Is there a ‘dark matter’ problem in neuroscience? // Journal of Comparative Physiology A. 2006. № 192. С. 777–784.

150

[11] Я с некоторым удивлением обнаружил, что доля молчаливых (или темных) нейронов случайно совпала со старым утверждением о том, что мы «используем только 10 процентов нашего мозга». Это, конечно, полная чушь, как ясно видно из МРТ-исследований, показывающих кровоток во всех отделах мозга. Но регистрация активности в любую отдельно взятую секунду действительно показывает, что только 10 % (примерно) нейронов вашего кортекса активны.

151

[12] Wohrer A., Humphries M. D., Machens C. Population-wide distributions of neural activity during perceptual decision-making // Progress in Neurobiology. 2013. № 103. С. 156–193.

152

[13] Энергетический баланс кортекса см.: Lennie P. The cost of cortical computation // Current Biology. 2003. № 13. С. 493–497.

153

[14] Классическая статья об использовании энергии серым веществом коры – это Attwell D., Laughlin D. B. An energy budget for signaling in the grey matter of the brain // Journal of Cerebral Blood Flow and Metabolism/ 2001. № 21. С. 1133–1145. Для получения более свежих сведений см. Sengupta B., Stemmler M., Laughlin S. B. Action potential energy efficiency varies among neuron types in vertebrates and invertebrates // PLoS Computational Biology. 2010. № 6. e1000840; Harris J. J., Jolivet R., Attwell D. Synaptic energy use and supply // Neuron. 2012. № 75ю С. 762–777.

154

[15] Olshausen A. B., Field D. J. What is the other 85 % of V1 doing? // 23 Problems in Systems Neuroscience / под ред. J. L. van Hemmen and T. J. Sejnowski. Oxford University Press, 2006.

155

[16] Abbott L. F., Varela J. A., Sen K. и др. Synaptic depression and cortical gain control // Science. 1997. № 275. С. 220–224.

156

[17] Huber D., Gutnisky D. A., Peron S. и др. Multiple dynamic representations in the motor cortex during sensorimotor learning // Nature. 2012. № 484. С. 473–478.

157

[18] Carmena J. M., Lebedev M. A., Henriquez C. S. и др. Stable ensemble performance with single-neuron variability during reaching movements in primates // Journal of Neuroscience. 2005. № 25. С. 10712–10716.

158

[19] Hill E. S., Vasireddi S. K., Bruno A. M. и др. Variable neuronal participation in stereotypic motor programs // PLoS One. 2012. № 7. e40579; Hill E. S., Vasireddi S. K., Wang J. и др. Memory formation in tritonia via recruitment of variably committed neurons // Current Biology. 2015. № 25. С. 2879–2888; Bruno A. M., Frost W. N., Humphries M. D. A spiral attractor network drives rhythmic locomotion // eLife. 2017. № 6. e27342.

159

[20] Maggi S., Peyrache A., Humphries M. D. An ensemble code in medial prefrontal cortex links prior events to outcomes during learning // Nature Communications. 2018. № 9. С. 2204.

160

[21] Wohrer A., Humphries M., Machens C. K., Population-wide distributions of neural activity during perceptual decision-making.

161

[22] Machens C. K., Romo R., Brody C. D. Functional, but not anatomical, separation of ‘what’ and ‘when’ in prefrontal cortex // Journal of Neuroscience. 2010. № 30. С. 350–360.

162

[23] Raposo D., Kaufman M. T., Churchland A. K. A category-free neural population supports evolving demands during decision-making // Nature Neuroscience. 2014. № 17. С. 1784–1792.

163

[1] Одним из самых увлекательных ранних описаний этих споров о «нейронном кодировании» является доклад Перкеля и Баллока, сделанный на заседании сообщества «Программа исследований нейронауки» в 1968 году, целью которой было разобраться в проблеме. Вместо того, чтобы разбираться в проблеме, они составили список из пятнадцати совершенно разных идей о том, как отдельные нейроны могут отправлять сообщения, используя импульсы. Одна предполагала количественное кодирование и четырнадцать – временное. Perkel D. H., Bullock T. H. Neural coding // NRP Bulletin. 1968. № 6. С. 221–248. Для современного взгляда на нейронное кодирование бесспорной отправной точкой является классическая книга Rieke F., Warland D., van Stevninck R. de R. и др. Spikes: Exploring the Neutral Code. MIT Press, 1997.

164

[2] Классический пример настройки отдельного нейрона на одно направление движения см. Georgopoulos A. P., Kalaska J. F., Caminiti R. и др. On the relations between the direction of two-dimensional arm movements and cell discharge in primate motor cortex // Journal of Neuroscience. 1982. № 2. С. 1527–1537. Более современный подробный отчет – Georgopoulos A. P., Merchant H., Naselaris T. и др. Mapping of the preferred direction in the motor cortex // Proceedings of the National Academy of Sciences USA. 2007. № 104. С. 11068–11072.

165

[3] Hatsopoulos N. G. Encoding in the motor cortex: Was Evarts right after all? // Journal of Neurophysiology. 2005. № 94. С. 2261–2262.

166

[4] O’Keefe J., Dostrovsky D. The hippocampus as a spatial map: Preliminary evidence from unit activity in the freely-moving rat // Brain Research. 1971. № 34. С. 171–175. O’Keefe J., Conway D. H. Hippocampal place units in the freely moving rat: Why they fire where they fire // Experimental Brain Research. 1978. № 31. С. 573–590.

167

[5] Обзор всех этих типов клеток нейронов места в гиппокампе и окружающих регионах см. Hartley T., Lever C., Burgess N. и др. Space in the brain: How the hippocampal formation supports spatial cognition // Philosophical Transactions of the Royal Society of London: Series B, Biological Sciences. 2011. № 369. URL: https://royalsocietypublishing.org/doi/full/10.1098/rstb.2012.0510.

168

[6] Carr C. E., Konishi M. A circuit for detection of interaural time differences in the brain stem of the barn owl // Journal of Neuroscience. 1990. № 10. С. 3227–3246.

169

[7] DeWeese M. R., Wehr M., Zador A. M. Binary spiking in auditory cortex // Journal of Neuroscience. 2003. № 23. С. 7940–7949.

170

[8] Berry M. J., Warland D. K., Meister M. The structure and precision of retinal spike trains // Proceedings of the National Academy of Sciences USA. 1997. № 94. С. 5411–5416.

171

[9] Gollisch T., Meister M. Rapid neural coding in the retina with relative spike latencies // Science. 2008. № 319. С. 1108–1111.

172

[10] Mainen Z. F., Sejnowski T. J. Reliability of spike timing in neocortical neurons // Science. 1995. № 268. С. 1503–1506.

173

[11] Bair W., Koch C. Temporal precision of spike trains in extrastriate cortex of the behaving macaque monkey // Neural Computation. 1996. № 8. С. 1185–1202. Для более подробного анализа точности времени импульса в области MT см.: Buracas G. T., Zador A. M., DeWeese M. R. и др. Efficient discrimination of temporal patterns by motion-sensitive neurons in primate visual cortex // Neuron. 1998. № 20. С. 959–969.

174

[12] Общий аргумент состоит в том, что сети корковых нейронов слишком чувствительны к небольшим изменениям во внешних условиях; для того, чтобы нейрон повторил последовательность импульсов с высокой точностью, необходимо, чтобы для остальной части нейронной сети не изменялись условия, что крайне маловероятно. Наиболее четко это утверждается в работах London M., Roth A., Beeren L. Sensitivity to perturbations in vivo implies high noise and suggests rate coding in cortex // Nature. 2010. № 466. С. 123–127. См. также Banerjee A., Seriès P.,Pouget A. Dynamical constraints on using precise spike timing to compute in recurrent cortical networks // Neural Computation. 2008. № 20. С. 974–993.

175

[13] Izhikevich E. M., Edelman G. M. Large-scale model of mammalian thalamocortical systems // Proceedings of the National Academy of Sciences USA. 2008. № 105. С. 3593–3598.

176

[14] Эти модели представляют собой линейно-нелинейные модели Пуассона (LNP) или обобщенные линейные модели (GLM). В частности, широко используются GLM-модели, поскольку их можно значительно усложнить: можно преобразовывать входящие данные; включать импульсы от других нейронов в качестве входящих данных; и даже включать собственные импульсы нейрона в прошлом в качестве входящих данных, чтобы понять, как исходящие сигналы нейрона зависят от его более ранней активности (например, рефрактерный период молчания после каждого импульса). К статьям, излагающим идеи GLM, относятся: Truccolo W., Eden U. T., Fellows M. R. и др. A point process framework for relating neural spiking activity to spiking history, neural ensemble, and extrinsic covariate effects // Journal of Neurophysiology. 2005. № 93. С. 1074–1089. Paninski L., Pillow J., Lewi J. Statistical models for neural encoding, decoding, and optimal stimulus design // Progress in Brain Research. 2007. № 165. С. 493–507.

177

[15] Pillow J. L., Shlens J., Paninski L. и др. Spatio-temporal correlations and visual signaling in a complete neuronal population // Nature. 2008. № 454. С. 995–999.

178

[16] Bale M. R., Davies K., Freeman O. J. и др. Low-dimensional sensory feature representation by trigeminal primary afferents // Journal of Neuroscience. 2013. № 33. С. 12003–12012; Campagner D., Evans M. H., Bale M. R. и др. Prediction of primary somatosensory neuron activity during active tactile exploration // eLife. 2016. № 5. URL: https://elifesciences.org/articles/10696.

179

[17] Довольно сложно найти статьи, в которых приводились бы хорошие примеры соответствующих неудач прогностических моделей, потому что бывает трудно понять, были ли проблемы результатом неправильной модели (что интересно), или же просто эксперимент был проведен неправильно (что неинтересно). И конечно, потому, что люди склонны не сообщать о том, что им что-то не удалось. Однако все же есть и опубликованные примеры. Одним из них является сообщение Линдси и его коллег о том, что местоположение и движение являются плохими источниками прогнозов активности в префронтальной коре. И, возможно, в этом нет ничего удивительного: Хайтман и его коллеги пишут, что даже для ганглиозных клеток сетчатки эти прогностические модели иногда могут плохо справляться с предсказанием реакции на естественные изображения. Lindsay A. J., Caracheo B. F., Grewal J. J. S. и др. How much does movement and location encoding impact prefrontal cortex activity? An algorithmic decoding approach in freely moving rats // eNeuro. 2018. № 5. Heitman A., Brackbill N., Greschner M. и др. Testing pseudo-linear models of responses to natural scenes in primate retina. 2016. URL: https://www.biorxiv.org/content/10.1101/045336v2.

180

[18] На самом деле большая доля неудачных прогнозов для многих нейронов второго – третьего слоя первичной сенсорной зоны вибрисс сделана с использованием визуализации кальция (Peron и др.). Сигналы одиночных нейронов в четвертом слое этого участка коры демонстрируют весьма точно привязанное по времени импульсное кодирование, когда вибрисса контактирует с объектом (Hires et al.). Таким образом неясно, связаны ли плохие прогнозы модели для второго/третьего слоя с более грубой и медленной методикой регистрации нейронной активности или с дальнейшей обработкой сигнала локальными схемами в пределах четвертого и второго/третьего слоев и в соединениях четвертого слоя со вторым/третьим. Peron S. P., Freeman J., Iyer V. и др. A cellular resolution map of barrel cortex activity during tactile behavior // Neuron. 2015. № 86. С. 783–799. Hires S. A., Gutnisky D. A., Yu J. и др. Low-noise encoding of active touch by layer 4 in the somatosensory cortex // eLife. 2015. № 4. e06619.

181

[19] Laubach M., Caetano M. S., Narayanan N. S. Mistakes were made: Neural mechanisms for the adaptive control of action initiation by the medial prefrontal cortex // Journal of Physiology Paris. 2015. № 109. С. 104–117; Khamassi M., Quilodran R., Enel P. и др. Behavioral regulation and the modulation of information coding in the lateral prefrontal and cingulate cortex // Cerebral Cortex. 2015. № 25. С. 3197–3218.

182

[20] В докладе Перкеля и Баллока, сделанном на заседании сообщества «Программа исследований нейронауки» в 1968 году по теме «Нейронное кодирование», были описаны четыре уникальных «ансамблевых» кода в качестве идеи о том, что группа более чем из одного нейрона может комбинировать свои импульсы для отправки сообщений. Тогда это выглядело как вдохновляющая, но фантастическая идея, поскольку возможность одновременной раздельной записи активности десяти или более нейронов казалась маловероятной.

183

[21] Хороший разбор того, как работает популяционное кодирование, см. Quiroga R. Q., Panzeri S. Extracting information from neuronal populations: Information theory and decoding approaches // Nature Reviews Neuroscience. 2009. № 10. С. 173–185. Также на эту тему есть хорошая работа Pruszynski A. J., Zylberberg J. The language of the brain: Real-world neural population codes // Current Opinion in Neurobiology. 2019. № 58. С. 30–36.

184

[22] Berens P., Ecker A. S., Cotton R. J. и др. A fast and simple population code for orientation in primate V1 // Journal of Neuroscience. 2012. № 32. С. 10618–10626.

185

[23] Zylberberg J. The role of untuned neurons in sensory information coding // bioRxiv. 2018. URL: https://www.biorxiv.org/content/10.1101/134379v6.

186

[24] Safaai H., von Heimendahl M., Sorando J. M. и др. Coordinated population activity underlying texture discrimination in rat barrel cortex // Journal of Neuroscience. 2013. № 33. С. 5843–5855.

187

[25] Rigotti M., Barak O., Warden M. R. и др. The importance of mixed selectivity in complex cognitive tasks // Nature. 2013. № 49. С. 585–590. Технически Риготти и коллеги использовали декодирование «псевдопопуляции». Нейроны регистрировались индивидуально. Но каждая задача состояла из фиксированного набора событий в фиксированное время: подсказка для текущего задания, первая картинка, затем вторая. Таким образом сигналы от отдельных нейронов можно было синхронизировать по времени события и создать из них популяцию.

188

[26] Leavitt M. L., Pieper F., Sachs A. J. и др. Correlated variability modifies working memory fidelity in primate prefrontal neuronal ensembles // Proceedings of the National Academy of Sciences of the USA. 2017. № 114. С. E2494–E2503.

189

[27] Maggi S., Humphries M. D. Independent population coding of the past and the present in prefrontal cortex during learning // bioRxiv. 2020. URL: www.biorxiv.org/content/10.1101/668962v2.

190

[28] Raposo D., Kaufman M. T., Churchland A. K. A category-free neural population supports evolving demands during decision-making // Nature Neuroscience. 2014. № 17. С. 1784–1792.

191

[29] Существует также ложный вывод обратного декодирования: декодирование предмета X или события Y не является доказательством того, что X или Y – это все, о чем знает легион нейронов. В самом деле, мы можем проверять декодирование только тех характеристик мира, для которых мы обучаем модель различать паттерны активности. Нет никаких сомнений в том, что легион нейронов на самом деле несет гораздо больше информации, чем те предметы и события, на которых мы сосредоточили внимание.

192

[30] Brozoski T. J., Brown R. M., Rosvold H. E. и др. Cognitive deficit caused by regional depletion of dopamine in prefrontal cortex of rhesus monkey // Science. 1979. № 205. С. 929–932. В этой работе лаборатория Патрисии Гольдман (позже Гольдман-Ракич) показала, что удаление больших фрагментов префронтальной коры полностью исключает возможность удержания объекта в памяти более секунды или двух и что удаление дофамина из префронтальной коры имеет тот же эффект.

193

[31] Классический обзор активности префронтальной коры при выполнении задач на рабочую память см. Goldman-Rakic P. C. Cellular basis of working memory // Neuron. 1995. № 14. С. 477–485. Более современный взгляд представлен в Miller E. K., Lundqvist M., Bastos A. M. Working memory 2.0 // Neuron. 2018. № 100. С. 463–475.

194

[32] Funahashi S., Bruce C. J., Goldman-Rakic P. S. Mnemonic coding of visual space in the monkey’s dorsolateral prefrontal cortex // Journal of Neurophysiology. 1989. № 61. С. 331–349.

195

[33] Brody C. D., Hernández A., Zainos A. Timing and neural encoding of somatosensory parametric working memory in macaque prefrontal cortex //Cerebral Cortex. 2003. № 13. С. 1196–1207.

196

[34] На самом деле, на момент написания этой статьи ведутся оживленные дискуссии о том, как буферная память кодируется отдельными нейронами префронтальной коры. Мы можем видеть, что отдельные нейроны генерируют постоянные импульсы в течение буферного периода, но мы видим это, усредняя их активность на множестве повторений одной и той же задачи. Возникает вопрос: демонстрирует ли отдельный нейрон подобную активность при каждом повторении задачи? Константинидис и его коллеги говорят, что да; Лундквист и его коллеги утверждают, что нет. Однако вместо этого они демонстрируют, что при каждом испытании устойчивую активность в течение времени, необходимого для буферизации памяти, демонстрирует набор нейронов префронтальной коры, но не одни и те же нейроны в каждом испытании. Что означает: память кодируется популяционно. Именно это мы и увидим далее. Constantinidis С., Funahashi S., Lee D. и др. Persistent spiking activity underlies working memory // Journal of Neuroscience. 2018. № 38. С. 7020–7028. Lundqvist M., Herman P., Miller E. K. Working memory: Delay activity, yes! Persistent activity? Maybe not // Journal of Neuroscience. 2018. № 38. С. 7013–7019.

197

[35] Machens C., Romo R., Brody C. D. Functional, but not anatomical, separation of ‘what’ and ‘when’ in prefrontal cortex // Journal of Neuroscience. 2010. № 30. С. 350–360. Если хотите потренировать свой мозг, также ознакомьтесь с работой Кристиана Мэйченса и его команды, показавших возможность определить частоту вибрации и четыре других важных параметра по расшифровке популяционного кода в префронтальной коре: Kobak D., Brendel W., Constantinidis C. и др. Demixed principal component analysis of neural population data // eLife. 2016. № 5. e10989.

198

[36] Leavitt M. L., Pieper F., Sachs A. J. и др. Correlated variability modifies working memory fidelity in primate prefrontal neuronal ensembles // Proceedings of the National Academy of Sciences of the USA. 2017. № 114. С. E2494–E2503.

199

[37] Maggi S., Peyrache A., Humphries M. D. An ensemble code in medial prefrontal cortex links prior events to outcomes during learning // Nature Communications. 2018. № 9. С. 2204.

200

[38] Не все решения принимаются в этих областях коры. Как мы видели в пятой главе, такое простое решение, как решение убегать, основано на накоплении информации глубоко в центре быстрой обработки среднего мозга. Еще более быстрые решения – например, отдернуть руку от огня – полностью принимаются вашим спинным мозгом и продолговатым мозгом.

201

[39] Britten K. H., Newsome W. T., Shadlen M. N. и др. A relationship between behavioral choice and the visual responses of neurons in macaque MT // Visual Neuroscience. 1996. № 13. С. 87–100.

202

[40] Лаборатория Майкла Шадлена провела важнейшие исследования накопления доказательств в дорсолатеральной префронтальной коре (Ким и Шадлен) и теменной коре (например, Ройтман и Шадлен). Шиничиро и его коллеги из той же лаборатории провели любопытные прямые эксперименты для проверки формальных теорий накопления доказательств в теменной коре. Хэнкс с коллегами продемонстрировали накопление доказательств у крыс, принимающих решения, в тех участках мозга, которые у них эквивалентны как префронтальной, так и теменной коре. Большая часть этой работы хорошо резюмирована у Хэнкса и Саммерфилда. Kim J. N., Shadlen M. N. Neural correlates of a decision in the dorsolateral prefrontal cortex of the macaque // Nature Neuroscience. 1999. № 2. С. 176–185. Roitman J. D. Shadlen M. N. Response of neurons in the lateral intraparietal area during a combined visual discrimination reaction time task // Journal of Neuroscience. 2002. № 22. С. 9475–9489. Kira S., Yang T., Shadlen M. N. A neural implementation of Wald’s sequential probability ratio test // Neuron. 2015. № 85. С. 861–873. Hanks T. D., Kopec C. D., Brunton B. W. и др. Distinct relationships of parietal and prefrontal cortices to evidence accumulation // Nature. 2015. № 520. С. 220–223. Hanks T. D., Summerfield C. Perceptual decision making in rodents, monkeys, and humans // Neuron. 2017. № 93. 2017. С. 15–31.

203

[41] Roitman J. D., Shadlen M. N. Response of neurons in the lateral intraparietal area during a combined visual discrimination reaction time task // Journal of Neuroscience. 2002. № 22. С. 9475–9489.

204

[42] Ditterich J., Mazurek M. E., Shadlen M. N. Microstimulation of visual cortex affects the speed of perceptual decisions // Nature Neuroscience. 2003. № 6. С. 891–898.

205

[43] Для обезьян: Katz L. N., Yates J. L., Pillow J. W. и др. Dissociated functional significance of decision-related activity in the primate dorsal stream // Nature. 2016. № 35. С. 285–288. Для крыс: Erlich J. C., Brunton B. W., Duan C. A. и др. Distinct effects of prefrontal and parietal cortex inactivations on an accumulation of evidence task in the rat // eLife. 2015. № 4. e05457.

206

[44] Накопление доказательств ниже коры головного мозга наиболее отчетливо проявляется в полосатом теле (Ding, Gold), с которым мы познакомимся в следующей главе. Действительно, недавно появились данные о том, что полосатое тело может быть безусловно необходимо для принятия решения на основании поступающих сенсорных данных (Ding, Gold; Yartsev и др.). Ding L., Gold J. I. Caudate encodes multiple computations for perceptual decisions // Journal of Neuroscience. 2010. № 30. С. 15747–15759. Ding L., Gold J. I. Separate, causal roles of the caudate in saccadic choice and execution in a perceptual decision task // Neuron. 2012. № 75. С. 865–874. Yartsev M. M., Hanks T. D., Yoon A. M. и др. Causal contribution and dynamical encoding in the striatum during evidence accumulation // eLife. 2018. № 7. e34929.

207

[45] Еще одно свидетельство вырожденной модели – исследования стимуляции. В отличие от драматических эффектов стимуляции области МТ, стимуляция ключевой части теменной коры (латеральной интрапаериетальной коры) лишь очень слабо изменяет принимаемое решение, предполагая, что у этой области мало уникального причинного контроля над решением. См. Hanks T. D., Ditterich J., Shadlen M. N. Microstimulation of macaque area LIP affects decision-making in a motion discrimination task // Nature Neuroscience. 2006. № 9. С. 682–689.

208

[46] Meister M. L. R., Hennig J. A., Huk A. C. Signal multiplexing and single-neuron computations in lateral intraparietal area during decision-making // Journal of Neuroscience. 2013. № 33. С. 2254–2267.

209

[47] Park I. M., Meister M. L. R., Huk A. C. и др. Encoding and decoding in parietal cortex during sensorimotor decision-making // Nature Neuroscience. 2014. № 17. С. 1395–1403.

210

[48] Kiani R., Cuev C. J., Reppas J. B. и др. Dynamics of neural population responses in prefrontal cortex indicate changes of mind on single trials // Current Biology. 2014. № 24. С. 1542–1547. Описание более детального подхода к популяционному декодированию см. также Park и др. Encoding and decoding in parietal cortex during sensorimotor decision-making.

211

[49] Как может легион принимать решение – и сделать это без подсчета? Один из способов – разные нейроны внутри легиона, представляющие, скажем, «движение влево», скачкообразно переходят от низкой активности к высокой в разные моменты, по мере наблюдения за точками. Тогда общее количество импульсов в этой популяции нейронов является доказательством выбора (модели этого – Окамото и др.; Марти и др.). Есть некоторые доказательства такого скачка от низкой к высокой активности в отдельных нейронах теменной коры (Латимер и др.), хотя это предположение не бесспорно (Зильберберг и Шадлен). Okamoto H., Isomura Y., Takada M. и др. Temporal integration by stochastic recurrent network dynamics with bimodal neurons // Journal of Neurophysiology. 2007. № 97. С. 3859–3867. Martí D., Deco G., Mattia M. и др. A fluctuation-driven mechanism for slow decision processes in reverberant networks // PLoS ONE. 2008. № 3. e2534. Latimer K. W., Yates J. L., Meister M. L. R. и др. Single-trial spike trains in parietal cortex reveal discrete steps during decision-making // Science. 2015. № 349. С. 184–187. Среди ответов на эту статью см. Zylberberg A., Shadlen M. N. Cause for pause before leaping to conclusions about stepping // bioRxiv. 2016. Последнее обновление к этой дискуссии – Zoltowski D. M., Latimer K. L., Yates J. L. и др. Discrete stepping and nonlinear ramping dynamics underlie spiking responses of LIP neurons during decision-making // Neuron. 2019. № 102. С. 1249–1258.

212

[1] Модель всего пути «дотянись и схвати» можно увидеть в работе Майклса и его коллег. Они показывают, как нейронная активность в теменной, премоторной и моторной областях коры может быть предсказана с помощью модели, которая (а) получает в качестве входящих данных зрительную информацию от модели шоссе «Как» (дорсальный путь) и (б) обучается воспроизводить скорость сокращения пятидесяти мускулов во время реализации дотягивания и хватания. И больше ничего: одного этого достаточно, чтобы модель не только воспроизводила большую часть записанной нейронной активности во всех трех областях, но и предсказывала нейронную активность, которая будет происходить при хватании объектов, на которых модель не была обучена. См. Michaels J. A., Schafelhofer S., Agudelo-Toro A. A neural network model of flexible grasp movement generation // bioRxiv. 2019. URL: www.biorxiv.org/content/10.1101/742189v1.

213

[2] Quiroga R. Q., Snyder L. H., Batista A. P. Movement intention is better predicted than attention in the posterior parietal cortex // Journal of Neuroscience. 2006. № 26. С. 3615–3620; Andersen R. A., Cui H. Intention, action planning, and decision making in parietal-frontal circuits // Neuron. 2009. № 63. С. 568–583; Michaels и др. A neural network model of flexible grasp movement generation.

214

[3] Shenoy K. V., Sahani M., Churchland M. M. Cortical control of arm movements: A dynamical systems perspective // Annual Review of Neuroscience. 2013. № 36. С. 337–359.

215

[4] Churchland M. M., Cunningham J. P., Kaufman M. T. и др. Cortical preparatory activity: Representation of movement or first cog in a dynamical machine? // Neuron. 2010. № 68. С. 387–400.

216

[5] Churchland и др. Cortical preparatory activity: Representation of movement or first cog in a dynamical machine?; Churchland M. M., Yu B. M., Cunningham J. P. и др. Stimulus onset quenches neural variability: A widespread cortical phenomenon // Nature Neuroscienceю 2010. № 13. С. 369–378.

217

[6] Kaufman M. T., Churchland M. M., Ryu S. I. и др. Cortical activity in the null space: Permitting preparation without movement // Nature Neuroscience. 2014. № 17. С. 440–448.

218

[7] Stavisky S. D., Kao J. C., Ryu S. I. и др. Motor cortical visuomotor feedback activity is initially isolated from downstream targets in output-null neural state space dimensions // Neuron. 2017. № 95. С. 195–208.

219

{1} Песня из мультфильма «Холодное сердце» (2013). – Прим. ред.

220

{2} Британское музыкальное шоу по поиску талантов. – Прим. ред.

221

[8] Обзор ключевой роли базальных ганглиев в выборе действий см.: Mink J. W. The basal ganglia: Focused selection and inhibition of competing motor programs // Progress in Neurobiology. 1996. № 50. С. 381–425. Redgrave P., Prescott T. J., Gurney K. The basal ganglia: A vertebrate solution to the selection problem? // Neuroscience. 1999. № 89. С. 1009–1023. Humphries M. D., Prescott T. J. The ventral basal ganglia, a selection mechanism at the crossroads of space, strategy, and reward // Progress in Neurobiology. 2010. № 90. С. 385–417. Humphries M. D. Basal ganglia: Mechanisms for action selection // Encyclopedia of Computational Neuroscience / под ред. D. Jaeger, R. Jung. Springer, 2014. С. 1–7.

222

[9] McGeorge A. J., Faull R. L. The organization of the projection from the cerebral cortex to the striatum in the rat // Neuroscience. 1989. № 29. С. 503–537; Wall N. R., De La Parra M., Callaway E. M. Differential innervation of direct– and indirect– pathway striatal projection neurons // Neuron. 2013. № 79. С. 347–360; Hunnicutt B. J., Jongbloets B. C., Birdsong W. T. и др. A comprehensive excitatory input map of the striatum reveals novel functional organization // eLife. 2016. № 5. e19103.

223

[10] Alexander G. E., DeLong M. R., Microstimulation of the primate neo-striatum, I: Physiological properties of striatal microexcitable zones // Journal of Neurophysiology. 1985. № 53. С. 1401–1416.

224

[11] Znamenskiy P., Zador A. M. Corticostriatal neurons in auditory cortex drive decisions during auditory discrimination // Nature. 2013. № 497. С. 482–485; Xiong Q., Znamenskiy P., Zador A. M. Selective corticostriatal plasticity during acquisition of an auditory discrimination task // Nature. 2015. № 521. С. 348–351.

225

[12] Yartsev M. M., Hanks T. D., Yoon A. M.Causal contribution and dynamical encoding in the striatum during evidence accumulation // eLife. 2018. № 7. URL: https://elifesciences.org/articles/34929; Hong Y. H., Lacefield C. O., Rodgers C. C. и др. Sensation, movement, and learning in the absence of barrel cortex // Nature. 2018. № 561. С. 542–546.

226

[13] Ключевые статьи о конкретных эффектах стимуляции прямых или непрямых путей полосатого тела включают: Kravitz A. V., Freeze B. S., Parker P. R. L. Regulation of parkinsonian motor behaviours by optogenetic control of basal ganglia circuitry // Nature. 2010. № 466. С. 622–626. Tecuapetla F., Matias S., Dugue G. P. и др. Balanced activity in basal ganglia projection pathways is critical for contraversive movements // Nature Communications. 2014. № 5. С. 4315. Tecuapetla F., Jin X., Lima S. Q. Complementary contributions of striatal projection pathways to action initiation and execution // Cell. 2016. № 166. С. 703–715. Geddes C. E., Li H., Jin X. Optogenetic editing reveals the hierarchical organization of learned action sequences // Cell. 2018. № 174. С. 32–43. e15.

227

[14] Наши оценки количества входящих сигналов, необходимых для того, чтобы MSN сгенерировал один импульс, закопаны глубоко в работе Humphries M. D., Wood R., Gurney K. Dopamine-modulated dynamic cell assemblies generated by the GABAergic striatal microcircuit // Neural Networks. 2009. № 22. С. 1174–1188. Эти оценки базируются на важнейших данных, взятых из Blackwell K. T., Czubayko U., Plenz D. Quantitative estimate of synaptic inputs to striatal neurons during up and down states in vitro // Journal of Neuroscience. 2003. № 23. С. 9123–9132.

228

[15] Эту избирательность MSN лучше всего оценивать по моделям этого нейрона, в том числе: Wolf J. A., Moyer J. T., Lazarewicz M. T. и др. NMDA/AMPA ratio impacts state transitions and entrainment to oscillations in a computational model of the nucleus accumbens medium spiny projection neuron // Journal of Neuroscience. 2005. № 25. С. 9080–9095. Moyer J. T., Wolf J. A., Finkel L. F., Effects of dopaminergic modulation on the integrative properties of the ventral striatal medium spiny neuron // Journal of Neurophysiology. 2007. № 98. С. 3731–3748. Humphries M. D., Lepora N., Wood R. Capturing dopaminergic modulation and bimodal membrane behaviour of striatal medium spiny neurons in accurate, reduced models // Frontiers in Computational Neuroscience. 2009. № 3. С. 26.

229

[16] Выходные нейроны базальных ганглиев содержатся в pars reticulata – сетчатом слое – черной субстанции и внутреннем сегменте бледного шара (или globus pallidus pars interna). У грызунов эта последняя структура называется энтопедункулярным ядром. Теперь вы понимаете, почему я просто назвал их выходными нейронами?

230

[17] Deniau J. M., Chevalier G. The lamellar organization of the rat substantia nigra pars reticulata: Distribution of projection neurons // Neuroscience. 1992. № 46. С. 361–377.

231

[18] Hikosaka O., Wurtz R. H. Visual and oculomotor functions of monkey substantia nigra pars reticulata, IV: Relation of substantia nigra to superior colliculus // Journal of Neurophysiology. 1983. № 49. С. 1285–1301.

232

[19] Roseberry T. K., Lee M., Lalive A. L. и др. Cell-type-specific control of brainstem locomotor circuits by basal ganglia // Cell. 2016. № 164. С. 526–537; Caggiano V., Leiras R., Goñi-Erro H., Masini D. и др. Midbrain circuits that set locomotor speed and gait selection // Nature. 2018. № 553. С. 455–460.

233

[20] Takakusaki K., Habaguchi T., Ohtinata-Sugimoto J. и др. Basal ganglia efferent to the brainstem centers controlling postural muscle tone and locomotion: A new concept for understanding motor disorders in basal ganglia dysfunction // Neuroscience. 2003. № 119. С. 293–308.

234

[21] Middleton F. A., Strick P. L. Basal-ganglia ‘projections’ to the prefrontal cortex of the primate // Cerebral Cortex. 2002. № 12. С. 926–935; Bodor A. L., Giber K., Rovó Z. др. Structural correlates of efficient GABAergic transmission in the basal ganglia-thalamus pathway // Journal of Neuroscience. 2008. № 28. С. 3090–3102.

235

[22] Chevalier G., Deniau J. M. Disinhibition as a basic process in the expression of striatal function // Trends in Neurosciences. 1990. № 13. С. 277–280; Edgerton J. R., Jaeger D. Optogenetic activation of nigral inhibitory inputs to motor thalamus in the mouse reveals classic inhibition with little potential for rebound activation // Frontiers in Cellular Neuroscience. 2014. № 8. С. 36.

236

[23] Hikosaka O., Wurtz R. H. Modification of saccadic eye movements by GABA-related substances, II: Effects of muscimol in monkey substantia nigra pars reticulata // Journal of Neurophysiology. 1985. № 53. С. 292–308.

237

[24] Leblois A., Meissner W., Bezard E. и др. Temporal and spatial alterations in GPi neuronal encoding might contribute to slow down movement in Parkinsonian monkeys // European Journal of Neuroscience. 2006. № 24. С. 1201–1208; Humphries M. D., Stewart R. D., Gurney K. N. A physiologically plausible model of action selection and oscillatory activity in the basal ganglia // Journal of Neuroscience. 2006. № 26. С. 12921–12942.

238

[25] Oorschot D. E. Total number of neurons in the neostriatal, pallidal, subthalamic, and substantia nigral nuclei of the rat basal ganglia: A stereological study using the cavalieri and optical dissector methods // Journal of Comparative Neurology. 1996. № 366. С. 580–599.

239

[26] Как именно базальные ганглии выбирают и переключаются между действиями – это увлекательная, но, откровенно говоря, зубодробительно сложная тема. Мы с коллегами и другие исследователи построили много подробных моделей того, как именно конкурируют прямой и непрямой пути от стриатума и какой вклад вносят другие ядра базальных ганглиев. Для общего обзора ситуации начните с Humphries M. D. Basal ganglia: Mechanisms for action selection // Encyclopedia of Computational Neuroscience / под ред. D. Jaeger, R. Jung. Springer, 2014. С. 1–7. Об основных моделях см. Gurney K., Prescott T. J., Redgrave P. A computational model of action selection in the basal ganglia I: A new functional anatomy // Biological Cybernetics. 2001. № 85. С. 401–410 (см. также с. 411–423 того же выпуска); Humphries M. D., Stewart R. D., Gurney K. N. A physiologically plausible model of action selection and oscillatory activity in the basal ganglia // Journal of Neuroscience. 2006. № 2006. С. 12921–12942; Frank M. J. Dynamic dopamine modulation in the basal ganglia: A neurocomputational account of cognitive deficits in medicated and nonmedicated Parkinsonism // Journal of Cognitive Neuroscience. 2005. № 17. С. 51–72.

240

[27] Georgopoulos A. P., Schwartz A. B., Kettner R. E. Neuronal population coding of movement direction // Science. 1986. № 233. С. 1416–1419.

241

[28] Расшифровка направления движения руки по сигналам настроенных нейронов моторной коры была первым примером «векторного» кодирования. Возьмем набор нейронов, каждый из которых имеет предпочтительное направление движения: некоторые из них посылают больше всего импульсов, когда рука движется по диагонали вверх и вправо; некоторые – когда рука движется вниз и немного влево, и так далее. Векторное кодирование работает путем усреднения по этим нейронам. Сначала, для текущего движения руки, присвойте каждому нейрону вес в соответствии с количеством посылаемых им импульсов. Затем возьмите средневзвешенное значение направлений, предпочитаемых этими нейронами (высокие веса означают больший вклад в среднее значение). Среднее направление оказывается очень близким к фактическому направлению движения руки.

242

[29] Carmena J. M., Lebedev M. A., Crist R. E. и др. Learning to control a brain-machine interface for reaching and grasping by primates // PLoS Biology. 2003. № 1. E42; Carmena J. P., Lebedev M. A., Henriquez C. S. и др. Stable ensemble performance with single-neuron variability during reaching movements in primates // Journal of Neuroscience. 2005. № 25. С. 10712–10716.

243

[30] Schafelhofer S., Agudelo-Toro A., Scherberger H. Decoding a wide range of hand configurations from macaque motor, premotor, and parietal cortices // Journal of Neuroscience. 2015. № 35. С. 1068–1081.

244

[31] Churchland M. M., Cunningham J. P., Kaufman M. T. и др. Neural population dynamics during reaching // Nature. 2012. № 487. С. 51–56.

245

[32] Russo A. A., Bittner S. R., Perkins S. M. и др. Motor cortex embeds muscle-like commands in an untangled population response // Neuron. 2018. № 97. С. 953–966.

246

[33] Russo и др. Motor cortex embeds muscle-like commands in an untangled population response.

247

[34] Pandarinath C., O’Shea D. J., Collins J. и др. Inferring single-trial neural population dynamics using sequential auto-encoders // Nature Methods. 2018. № 15. С. 805–815.

248

[35] Gallego J. A., Perich M. G., Naufel S. N. Cortical population activity within a preserved neural manifold underlies multiple motor behaviors // Nature Communications. 2018. № 9 (2018. С. 4233.

249

[36] Esposito M. S., Capelli P., Arber S. Brainstem nucleus MdV mediates skilled forelimb motor tasks // Nature. 2014. № 508. С. 351–356.

250

[37] Alstermark B., Isa T. Circuits for skilled reaching and grasping // Annual Review of Neuroscience. 2012. № 35. С. 559–578.

251

[38] Berg R. W., Alaburda A., Hounsgaard J. Balanced inhibition and excitation drive spike activity in spinal half-centers // Science. 2007. № 315. С. 390–393; Petersen P. C., Berg R. W. Lognormal firing rate distribution reveals prominent fluctuation-driven regime in spinal motor networks // eLife. 2016. № 5. e18805.

252

[39] Ueno M., Nakamura Y., Li J. Corticospinal circuits from the sensory and motor cortices diferentially regulate skilled movements through distinct spinal interneurons // Cell Reports. 2018. № 23. С. 1286–1300.

253

[40] Lemon R. N. Descending pathways in motor control // Annual Review of Neuroscience. 2008. № 31. С. 195–218.

254

{3} Musculus flexor digitorum superficialis – поверхностный сгибатель пальцев. – Прим. пер.

255

[1] Peters A., Payne B. R. Numerical relationships between geniculocortical afferents and pyramidal cell modules in cat primary visual cortex // Cerebral Cortex 1993. № 3. С. 69–78; Ahmed В., Anderson J. C., Douglas R. J. и др. Polyneuronal innervation of spiny stellate neurons in cat visual cortex // Journal of Comparative Neurology. 1994. № 341. С. 39–49.

256

[2] Классический, легко читаемый и всесторонний обзор СПРРМ см. Buckner R. L., Andrews-Hanna J. R., Schacter D. L. The brain’s default network: Anatomy, function, and relevance to disease // Annals of the New York Academy of Sciences. 2008. № 1124. 2008. С. 1–38; обновленная версия Buckner R. L., DiNicola L. M. The brain’s default network: Updated anatomy, physiology, and evolving insights // Nature Reviews Neuroscience 2019. № 20. С. 593–608. Активность в СПРРМ также постоянно нарастает и ослабевает синхронно во всех ее регионах. См., например, Fox M. D., Snyder A. Z., Vincent J. L. и др. The human brain is intrinsically organized into dynamic, anticorrelated functional networks // Proceedings of the National Academy of Sciences USA. 2005. № 102. С. 9673–9678.

257

[3] Это описание возбуждения корковых нейронов во время сна заимствовано из работы Evarts E. V. Temporal patterns of discharge of pyramidal tract neurons during sleep and waking in the monkey // Journal of Neurophysiology. 1964. № 27. С. 152–171; См. так же Destexhe A., Contreras D., Steriade A. Spatiotemporal analysis of local field potentials and unit discharges in cat cerebral cortex during natural wake and sleep states // Journal of Neuroscience. 1999. № 19. С. 4595–4608; Steriade M., Timofeev I., Grenier F. Natural waking and sleep states: A view from inside neocortical neurons // Journal of Neurophysiology. 2001. № 85. С. 1969–1985.

258

[4] Arrigoni E., Chen M. C., Fuller P. M. The anatomical, cellular, and synaptic basis of motor atonia during rapid eye movement sleep // Journal of Physiology. 2016. № 594. С. 5391–5414.

259

[5] Я опираюсь здесь на прекрасные обзоры развития мозга, которые касаются спонтанной активности: Dehorter N., Vinay L., Hammond C. и др. Timing of developmental sequences in different brain structures: Physiological and pathological implications // European Journal of Neuroscience. 2012. № 35. С. 1846–1856; Leighton A. H., Lohmann C. The wiring of developing sensory circuits – From patterned spontaneous activity to synaptic plasticity mechanisms // Frontiers in Neural Circuits. 2016. № 10. С. 71; Luhmann H. J., Sinning A., Yang J.-W. и др. Spontaneous neuronal activity in developing neocortical networks: From single cells to large-scale interactions // Frontiers in Neural Circuits. 2006. № 10. С. 40.

260

[6] Kalisman N., Silberberg G., Markram H. The neocortical microcircuit as a tabula rasa // Proceedings of the National Academy of Sciences USA. 2005. № 102. С. 880–885.

261

[7] Le Bé J.-V., Markram H. Spontaneous and evoked synaptic rewiring in the neonatal neocortex // Proceedings of the National Academy of Sciences USA. 2006. № 103. С. 13214–13219.

262

[8] Классическая работа с обзором автогенерации импульсов: Llinas R. R. The intrinsic electrophysiological properties of mammalian neurons: Insights into central nervous system function // Science. 1998. № 242. С. 1654–1664.

263

[9] Подробное описание водителей ритма в базальных ганглиях см. Surmeier D. J., Mercer J. N., Chan C. S. Autonomous pacemakers in the basal ganglia: Who needs excitatory synapses anyway? // Current Opinion in Neurobiology. 2005. № 15. 2005. С. 312–318.

264

[10] Lohmann L. The wiring of developing sensory circuits – From patterned spontaneous activity to synaptic plasticity mechanisms; Luhmann и др. Spontaneous neuronal activity in developing neocortical networks: From single cells to large-scale interactions.

265

[11] Bon-Jego M. L., Yuste R. Persistently active, pacemaker-like neurons in neocortex // Frontiers in Neuroscience. 2007. № 1. С. 123–129.

266

[12] Bean B. P. The action potential in mammalian central neurons // Nature Reviews Neuroscience. 2007. № 8. С. 451–465.

267

[13] Mao B.-Q., Hamzei-Sichani F., Aronov D. и др. Dynamics of spontaneous activity in neocortical slices // Neuron. 2001. № 32. С. 883–898; Cossart R., Aronov D., Yuste R. Attractor dynamics of network UP states in the neocortex // Nature. 2003. № 423. С. 283–288.

268

[14] Sanchez-Vives M. V., McCormick D. A. Cellular and network mechanisms of rhythmic recurrent activity in neocortex // Nature Neuroscience. 2000. № 3. С. 1027–1034. Почему так важно поместить срез кортекса в правильный солевой раствор? Потому что электрический потенциал нейрона определяется разницей между концентрацией заряженных ионов внутри и снаружи его мембраны. Таким образом, для того, чтобы нейрон в небольшом срезе мозга вел себя так же, как и в реальном мозгу, решающее значение имеют конкретные ингредиенты того супа, в котором он находится.

269

[15] Sasaki T., Matsuki N., Ikegaya Y., Metastability of active CA3 networks // 2007. Journal of Neuroscience. № 27. С. 517–528.

270

[16] Подсчет петель обратной связи до одного пирамидального нейрона. Скажем, у нас есть N пирамидальных нейронов по соседству с нашим исходным нейроном, и этот исходный нейрон имеет вероятность p соединения с каждым нейроном в этом районе. Тогда ожидаемое количество петель длины k приблизительно равно: E [k] = pkNk−1 (где k = 2 – прямая петля обратной связи с исходным нейроном). В тексте я использую N = 10 000 и p = 0,1 в качестве приблизительных данных, похожих на статистику по коре головного мозга. Подобная упрощенная модель предполагает, что все соединения одинаково вероятны. Это не совсем так. Во-первых, нейроны, расположенные дальше друг от друга, будут связаны с меньшей вероятностью. Во-вторых, во время нашего путешествия мы уже выяснили, что пирамидальные нейроны зрительной коры с близкими настройками, скорее всего, связаны друг с другом.

271

[17] Binzegger T., Douglas R. J.,Martin K. A. C. A quantitative map of the circuit of cat primary visual cortex // Journal of Neuroscience. 2004. № 24. С. 8441–8453.

272

[18] Felleman D. J., Van Essen D. C. Distributed hierarchical processing in the primate cerebral cortex // Cerebral Cortex. 1991. № 1. С. 1–47.

273

[19] Sherman S. M. Thalamic relays and cortical functioning // Progress in Brain Research. 2005. № 149. С. 107–126.

274

[20] Некоторые ключевые примеры того, как активность сети нейронов зависит от мельчайших настроек этой сети, см. Renart A., Moreno-Bote R., X.-J. Wang и др. Mean-driven and fluctuation-driven persistent activity in recurrent networks // Neural Computation. 2007. № 19. С. 1–46. Sussillo D., Abbott L. F. Generating coherent patterns of activity from chaotic neural networks // Neuron. 2009. № 63. С. 544–557. Song H. F., Yang G. R., Wang X.-J. Training excitatory-inhibitory recurrent neural networks for cognitive tasks: A simple and flexible framework // PLoS Computational Biology. 2016. № 12. e1004792.

275

[21] Maass W., Natschläger T., Markram H. Real-time computing without stable states: A new framework for neural computation based on perturbations // Neural Computation. 2002. № 14. С. 2531–2560.

276

[22] Hennequin G., Vogels T. P., Gerstner W. Optimal control of transient dynamics in balanced networks supports generation of complex movements // Neuron. 2014. № 82. С. 1394–1406; Sussillo D., Churchland M. M., Kaufman M. T. A neural network that finds a naturalistic solution for the production of muscle activity // Nature Neuroscience. 2015. № 18. С. 1025–1033; Michaels J. A., Dann B., Scherberger H. Neural population dynamics during reaching are better explained by a dynamical system than representational tuning // PLoS Computational Biology. 2016. № 12. e1005175.

277

[23] Обзор типов сетей, генерирующих движение – так называемых центральных генераторов упорядоченной активности, – см. Marder E., Bucher D. Central pattern generators and the control of rhythmic movements // Current Biology. 2001. № 11. С. 986–996; Selverston A. I. Invertebrate central pattern generator circuits // Philosophical Transactions of the Royal Society of London B: Biological Science. 2010. № 365. С. 2329–2345.

278

[24] Wang X.-J. Synaptic basis of cortical persistent activity: The importance of NMDA receptors to working memory // Journal of Neuroscience. 1999. № 19. С. 9587–9603; Barbieri F., Brunel N. Can attractor network models account for the statistics of firing during persistent activity in prefrontal cortex? // Frontiers in Neuroscience. 2008. № 2. С. 114–122.

279

[25] Mante V., Sussillo D., Shenoy K. V. и др. Context– dependent computation by recurrent dynamics in prefrontal cortex // Nature. 2013. № 503. С. 78–84.

280

[26] Wang X.-J. Probabilistic decision making by slow reverberation in cortical circuits // Neuron. 2002. № 36. С. 955–968; Wong K.-F., Wang X.-J. A recurrent network mechanism of time integration in perceptual decisions // Journal of Neuroscience. 2006. № 26. С. 1314–1328.

281

[27] Caballero J. A., Humphries M. D., Gurney K. N. A probabilistic, distributed, recursive mechanism for decision-making in the brain // PLoS Computational Biology. 2018. № 14. e1006033.

282

{1} И эту гипотезу можно распространить на собственно темные нейроны. Возможно, мы никогда их не видим, поскольку не просим мозг о чем-то, что требует самоподдерживающейся динамики, которую они создают.

283

[1] Nowak L. G., Bullier J. The timing of information transfer in the visual system // Extrastriate Cortex in Primates / под ред. K. S. Rockland, J. H. Kaas, A. Peters. Springer, 1997. C. 205–241.

284

[2] Изучение того, сколько времени требуется мозгу для обработки чего-либо, называется ментальной хронометрией. Как мы узнаем в этом разделе, можно получить удивительно глубокое понимание того, как мозг обрабатывает информацию, с помощью всего лишь хорошо продуманной экспериментальной схемы и секундомера. Краткую историю подобных исследований см. Posner M. I. Timing the brain: Mental chronometry as a tool in neuroscience // PLoS Biology. 2005. № 3. e51.

285

[3] Thorpe S., Fize D., Marlot C. Speed of processing in the human visual system // Nature. 1996. № 381. С. 520–522. Fabre-Thorpe M., Delorme A., Marlot C., A limit to the speed of processing in ultra-rapid visual categorization of novel natural scenes // Journal of Cognitive Neuroscience. 2001. № 13. С. 171–180.

286

[4] Stanford T. R., Shankar S., Massoglia M. P. Perceptual decision making in less than 30 milliseconds // Nature Neuroscience. 2010. № 13. С. 379–385.

287

[5] Dehaene S. The organization of brain activations in number comparison: Event-related potentials and the additive-factors method // Journal of Cognitive Neuroscience. 1996. № 8. С. 47–68.

288

[6] Данные о времени отклика в задаче со случайным движением точек взяты из: Roitman J. D., Shadlen M. N. Response of neurons in the lateral intraparietal area during a combined visual discrimination reaction time task // Journal of Neuroscience. 2002. № 22. С. 9475–9489. Palmer J., Huk A. C.,Shadlen M. S. The effect of stimulus strength on the speed and accuracy of a perceptual decision // Journal of Vision. 2005. № 5. С. 376–404.

289

[7] Прикинем количество возможных путей от начального нейрона. Допустим, у нас есть N возможных целей, на которые можно перепрыгнуть через синаптический зазор; частота отказов каждого зазора равна f (скажем, 0,75 для 75 %); и существует вероятность p [импульс] того, что целевой нейрон сам отправит импульс в следующие 10 миллисекунд. Тогда количество возможных путей вперед равно: N × (1 – f) × p [импульс]. Для значений в тексте это дает: 7500 × (1–0,75) × 0,01 = 19 нейронов (округление в бóльшую сторону).

Но после двух скачков каждый из этих 19 нейронов также будет иметь 19 возможных целей, поэтому количество возможных прямых путей составляет 19 × 19 = 3516. После трех прыжков – 19 × 19 × 19. И так далее…

290

[8] Подробнее описание того, что популяция нейронов может быть предварительно «взведена» спонтанной активностью, см. Knight B. W. Dynamics of encoding in a population of neurons // Journal of General Physiology. 1972. № 59. С. 734–766. Gerstner W. How can the brain be so fast? // 23 Problems in Systems Neuroscience / под ред. J. L. van Hemmen, T. J. Sejnowski. Oxford University Press, 2006, 135–142. Tchumatchenko T., Malyshev A., Wolf F. и др. Ultrafast population encoding by cortical neurons // Journal of Neuroscience. 2011. № 31. С. 12171–12179. Volgushev M. Cortical specializations underlying fast computations // Neuroscientist. 2016. № 22. С. 145–164.

291

[9] Raichle M. E. Two views of brain function // Trends in Cognitive Sciences. 2010. № 14. С. 180–190.

292

[10] Blakemore C., Cooper G. F. Development of the brain depends on the visual environment // Nature. 1970. № 228. С. 477–478.

293

[11] Hubel D. H., Wiesel T. H. The period of susceptibility to the physiological effects of unilateral eye closure in kittens // Journal of Physiology. 1970. № 206. С. 419–436.

294

[12] Есть много вариантов этой теории о том, как зрительная кора предсказывает информацию, поступающую из глаза. Некоторые ключевые теоретические работы включают: Rao R. P. N., Ballard D. H. Predictive coding in the visual cortex: A functional interpretation of some extra-classical receptive-field effects // Nature Neuroscience. 1999. № 2. С. 79–87. Lee T. S., Mumford D. Hierarchical Bayesian inference in the visual cortex // Journal of the Optical Society of America. 2003. № 20. С. 1434–1448. Orbán G., Berkes P., Fiser J.. и др. Neural variability and sampling-based probabilistic representations in the visual cortex // Neuron. 2016. № 92. С. 530–543.

295

[13] Platt M. L., Glimcher P. W. Neural correlates of decision variables in parietal cortex // Nature. 1999. № 400. С. 233–238.

296

[14] Shadlen M. N., Newsome W. T. Neural basis of a perceptual decision in the parietal cortex (area LIP) of the rhesus monkey // Journal of Neurophysiology. 2001. № 86. С. 1916–1936.

297

[15] Supèr H., van der Togt C., Spekreijse H. и др. Internal state of monkey primary visual cortex (V1) predicts figure-ground perception // Journal of Neuroscience. 2003. № 23. С. 3407–3414.

298

[16] Hesselmann G., Kell C. A., Eger E. и др. Spontaneous local variations in ongoing neural activity bias perceptual decisions // Proceedings of the National Academy of Sciences USA. 2008. № 105. С. 10984–10989.

299

[17] Bogacz R., Brown E., Moehlis J. и др. The physics of optimal decision making: A formal analysis of models of performance in two– alternative forced-choice tasks // Psychological Review. 2006. № 113. С. 700–765; Forstmann B. U., Brown S., Dutilh G.. и др. The neural substrate of prior information in perceptual decision making: A model-based analysis // Frontiers in Human Neuroscience. 2010. № 4. С. 40; Caballero J. A., Humphries M. D., Gurney K. N. A probabilistic, distributed, recursive mechanism for decision-making in the brain // PLoS Computational Biology. 2018. № 14. e1006033.

300

[18] Fox M. D., Snyder A. Z., Vincent J. L. и др. Intrinsic fluctuations within cortical systems account for intertrial variability in human behavior // Neuron. 2007. № 56. С. 171–184.

301

[19] Glaser J. I., Perich M. G., Ramkumar P. и др. Population coding of conditional probability distributions in dorsal premotor cortex // Nature Communications. 2018. № 9. С. 1788.

302

[20] Fiser J., Berkes P., Orbán G. и др. Statistically optimal perception and learning: From behavior to neural representations // Trends in Cognitive Sciences. 2010. № 14. С. 119–130.

303

[21] Ringach D. L. Spontaneous and driven cortical activity: Implications for computation // Current Opinion in Neurobiology. 2009. № 19. С. 439–444.

304

[22] Arieli A., Sterkin A., Grinvald A. и др. Dynamics of ongoing activity: Explanation of the large variability in evoked cortical responses // Science. 1976. № 273. С. 1868–1871; Tsodyks M., Kenet T., Grinvald A. и др. Linking spontaneous activity of single cortical neurons and the underlying functional architecture // Science. 1999. № 286. С. 1943–1946; Kenet T., Bibitchkov D., Tsodyks M. и др. Spontaneously emerging cortical representations of visual attributes // Nature. 2003. № 425. С. 954–956.

305

[23] Fiser J., Chiu C., Weliky M. Small modulation of ongoing cortical dynamics by sensory input during natural vision // Nature. 2004. № 431. С. 573–578.

306

[24] Luczak A., Barthó P., Harris K. D. Spontaneous events outline the realm of possible sensory responses in neocortical populations, // Neuron. 2009. № 62. С. 413–425.

307

[25] Singh A., Peyrache A. Humphries M. D. Medial prefrontal cortex population activity is plastic irrespective of learning // Journal of Neuroscience. 2019. № 39. С. 3470–3483.

308

[26] Berkes P., Orbán G., Lengyel M. и др. Spontaneous cortical activity reveals hallmarks of an optimal internal model of the environment // Science. № 331. С. 83–87.

309

[27] Некоторые свидетельства того, что вызванная внешними сигналами и спонтанная активность практически не различаются, см. Wohrer A., Humphries M. D., Machens C. Population-wide distributions of neural activity during perceptual decision-making // Progress in Neurobiology. № 103. С. 156–193.

310

[28] Budd G. E. Early animal evolution and the origins of nervous systems // Philosophical Transactions of the Royal Society B: Biological Sciences. 2015. № 370. URL: https://royalsocietypublishing.org/doi/10.1098/rstb.2015.0037.

311

[29] Monk T., Paulin M. G. Predation and the origin of neurons // Brain, Behavior and Evolution. 2014. № 84. С. 246–261.

312

[30] Jékely G., Keijzer F., Godfrey-Smith P. An option space for early neural evolution // Philosophical Transactions of the Royal Society B: Biological Sciences. 2015. № 370. URL: https://royalsocietypublishing.org/doi/10.1098/rstb.2015.0181.

313

[31] Для получения более подробной информации о том, что происходит в более медленных временных масштабах мозга, см. монументальное произведение Роберта Сапольски: Sapolsky R. Behave. Vintage Books, 2017.

314

{1} Согласно этому закону, выведенному Гордоном Муром, одним из основателей Intel, количество транзисторов, размещаемых на кристалле интегральной схемы, удваивается каждые 24 месяца. Однако даже он признал в 2007 году, что это утверждение скоро потеряет свою актуальность, так как у темпа развития технологий есть пределы. – Прим. ред.

315

[1] Динамика удвоения числа регистрируемых нейронов в 2011 году взята из работы Яна Стивенсона и Конрада Кординга, Stevenson I., Kording K. How advances in neural recording affect data analysis // Nature Neuroscience. 2011. № 14. С. 139–142. Оценка на момент написания книги (начало 2020 года) взята с веб-сайта лаборатории Яна Стивенсона: https://stevenson.lab.uconn.edu/scaling/.

316

[2] Jun J. J., Steinmetz N. A., Siegle J. H. и др. Fully integrated silicon probes for highdensity recording of neural activity // Nature. 2017. № 551. С. 232–236.

317

[3] Steinmetz N. A., Zatka-Haas P., Carandini M. и др. Distributed coding of choice, action, and engagement across the mouse brain // Nature. 2019. № 576. С. 266–273.

318

[4] Braitenberg V., Schuz A. Cortex: Statistics and Geometry of Neuronal Connectivity. Springer, 1998.

319

{2} Разработчик уже предлагает новую версию, Neuropixels 2.0, где «авторучка» стала в два раза меньше, а количество регистрируемых сигналов увеличилось путем учетверения количества зондов, которые теперь можно использовать на свободно движущихся грызунах неделями или даже месяцами. Источник: https://www.ucl.ac.uk/neuropixels/ – Прим. пер.

320

[5] На момент написания этой книги самой большой группой нейронов, одновременно регистрируемой у млекопитающих, были приблизительно десять тысяч нейронов первичной зрительной зоны V1 мыши: Stringer C., Pachitariu M., Steinmetz N. и др. Spontaneous behaviors drive multidimensional, brainwide activity // Science. 2019. № 364. С. 255. Stringer C., Pachitariu M., Steinmetz N. и др. High-dimensional geometry of population responses in visual cortex // Nature. 2019. № 571. С. 361–365. Самыми большими группами из всех были записи десятков тысяч нейронов у мальков рыбок данио: Ahrens M. B., Li J. M., Orger M. B. и др. Brain-wide neuronal dynamics during motor adaptation in zebrafish // Nature. 2002. № 485. С. 471–477. Vladimirov N., Mu Y., Kawashima T. Light-sheet functional imaging in fictively behaving zebrafish // Nature Methods. 2014 № 11. С. 883–884.

321

[6] Ledochowitsch P., Huang L., Knoblich U. и др. On the correspondence of electrical and optical physiology in in vivo population-scale two-photon calcium imaging // bioRxiv. 2019. DOI: 10.1101/800102.

322

[7] Обзор первых двух десятилетий работы по визуализации напряжения нейронов см. Zochowski M., Wachowiak M., Falk C. X. и др. Imaging membrane potential with voltage-sensitive dyes // Biological Bulletin. 2000. № 198. С. 1–21.

323

[8] Пиявки: Briggman K. L., Abarbanel H. D. I., Kristan Jr. W. B. Optical imaging of neuronal populations during decision-making // Science. 2005. № 307. С. 896–901. Аплизии: Wu J., Cohen L. B., Falk C. X. Neuronal activity during different behaviors in Aplysia: A distributed organization? // Science. 1994. № 263. С. 820–823.

324

[9] Во второй половине 2019 года было опубликовано четыре крупных доклада о достижениях в области визуализации напряжения у млекопитающих. В порядке публикации: май: Adam Y и др. Voltage imaging and optogenetics reveal behaviour-dependent changes in hippocampal dynamics // Nature. 2019. № 569. С. 413–417. Август: Abdelfattah A. S. и др. Bright and photostable chemigenetic indicators for extended in vivo voltage imaging // Science. 2019. № 365. С. 699–704. Октябрь: Piatkevich K. D. и др. Population imaging of neural activity in awake behaving mice // Nature. 2019. № 574. С. 413–417. Декабрь: Villette V. и др. Ultrafast two-photon imaging of a high-gain voltage indicator in awake behaving mice // Cell. 2019. № 179. С. 1590–1608.

325

[10] Скептический взгляд на то, поможет ли нам сбор все большего количества данных, см. Frégnac Y. Big data and the industrialization of neuroscience: A safe roadmap for understanding the brain? // Science. 2017. № 358. С. 470–477.

326

[11] Powers A. R., Mathys C., Corlett P. R. Pavlovian conditioning-induced hallucinations result from overweighting of perceptual priors // Science. 2017. № 357. С. 596–600.

327

[12] Болезнь Паркинсона: Parker J. G., Marshall J. D., Ahanonu B. и др. Diametric neural ensemble dynamics in parkinsonian and dyskinetic states // Nature. 2018. № 557. С. 177–182. Синдром Мартина – Белл: O’Donnell C., Gonçalves J. T., Portera-Cailliau C. и др. Beyond excitation/inhibition imbalance in multidimensional models of neural circuit changes in brain disorders // eLife. 2017. № 6. e26724.

328

[13] Musk E. Neuralink. An integrated brain-machine interface platform with thousands of channels // bioRxiv. 2019. DOI: 10.1101/703801.

329

[14] Neely R. M., Piech D., Santacruz S. R. и др. Recent advances in neural dust: Towards a neural interface platform // Current Opinion in Neurobiology. 2018. № 50. С. 64–71.

330

[15] Pryluk R., Kfir Y., Gelbard-Sagiv H. и др. A tradeoff in the neural code across regions and species // Cell. 2019. № 176. С. 597–609.

331

[16] Приделывание приставки «нейро» к существующему слову для создания новой области «науки» или концепции, не имеющей фактической основы в нейробиологии, мы называем «нейрохренью». См. Poole S. Your brain on pseudoscience: The rise of popular neurobollocks // New Statesman. 2012. № 6 URL: https://www.newstatesman.com/culture/books/2012/09/your-brain-pseudoscience-rise-popular-neurobollocks. В доказательство широкого распространения нейрохрени см., например: Нейромаркетинг: Harrell E. Neuromarketing: What you need to know // Harvard Business Review 2019. 23 января. URL: https://hbr.org/2019/01/neuromarketing-what-you-need-to-know. Нейроюриспруденция: Brown E. The brain, the criminal and the courts // Knowable Magazine. 2019. 30 августа. URL: https:// www.knowablemagazine.org/article/mind/2019/neuroscience-criminal-justice.

332

[17] Humphries M. How your brain learns to fear // Medium. 2017. 1 июня. URL: https://medium.com/s/theories-of-mind/how-your-brain-learns-to-fear-a7bd3ab38ed9.

333

{3} В частности, это пациенты с болезнью Урбаха – Вите, очень редким рецессивным генетическим заболеванием, всего известно менее 300 случаев с момента его открытия. Впервые оно было официально зарегистрировано в 1929 году Эрихом Урбахом и Камилло Вите. У пациентов, миндалевидное тело которых оказалось разрушено вследствие болезни Урбаха – Вите, наблюдается полное отсутствие страха, но инстинкт самосохранения не пропадает. – Прим. пер.

334

[18] LeDoux J. E. Coming to terms with fear // Proceedings of the National Academy of Sciences of the USA. 2014 № 111. С. 2871–2878;

335

[19] Grewe B. F., Gründemann J., Kitch L. J. Neural ensemble dynamics underlying a long-term associative memory // Nature. 2017. № 543. С. 670–675.

336

[20] Барретт Л. Ф. Как рождаются эмоции. Революция в понимании мозга и управлении эмоциями М.: Манн, Иванов и Фербер, 2018.

337

[21] Demertzi А., Tagliazucchi E., Dehaene S. и др. Human consciousness is supported by dynamic complex patterns of brain signal coordination // Science Advances. 2019. № 5. eaat7603.

338

[22] Tononi G., Sporns O. Measuring information integration // BMC Neuroscience. 2003. № 4. С. 31; Tononi G. An information integration theory of consciousness // BMC Neuroscience. 2004. № 5. С. 42.

339

[23] Пенроуз Р. Новый ум короля. О компьютерах, мышлении и законах физики. М.: УРСС, ЛКИ, 2011. Пенроуз Р. Тени разума: В поисках науки о сознании. Ижевск: ИКИ, 2011.

340

[24] Baker L. R. Review of Contemporary Dualism: A Defense // Notre Dame Philosophical Reviews. 2016. 16 октября. URL: https://ndpr.nd.edu/news/contemporary-dualism-a-defense/.