Beyinde Zaman ve Mekân Dengelemesi

Bilim insanları, uzunca bir süredir, beyinde gerçekleşen aktiviteleri dinleyerek, beynin gürültülü ve görünüşe göre rastgele aktivitesinin kaynağını anlamaya çalışıyor. Son 20 yılda, “dengeli ağ teorisi“,  nöronların tekrar tekrar birleşmiş ağlarındaki yavaşlama ve coşmanın bir dengesi aracılığıyla söz konusu bu rastgele aktiviteyi açıklamak için ortaya çıkmıştır. Bir grup bilim insanı da beyin devrelerini beyin aktivitesine bağlayan derin ve test edilebilir tahminler sağlamak için dengeli modeli genişletti.

University of Pittsburgh’dan araştırmacılar, Nature Neuroscience’da yayımlanan makalelerinde, bu yeni modelin, canlı hayvanların beyinlerindeki nöronların son derece değişken tepkilerine dair deneysel bulguları doğru bir şekilde açıkladığını söylüyor.

Yeni model, nöral devrelerde nöronlar arasındaki aktivitenin nasıl koordine edildiği konusunda daha zengin bir kavrayış sağlıyor. Araştırmacılara göre, model, gelecekte öğrenme ya da hastalıkla ilişkili beyin aktivitesini öngören sinirsel “işaretleri” keşfetmek için kullanılabilir. Araştırmacılardan Brent Doiron; normal olarak beyin aktivitesinin çoğunlukla rastgele ve son derece değişken olmasından kaynaklı hesaplamayı zorlaştırdığını söylüyor. Nöral hesaplamanın mekaniğini anlamak için, bir nöronal ağın dinamiklerinin ağın mimarisine nasıl bağlı olduğunu bilmeniz gerekir ve bu son araştırma bizi bu amaca önemli oranda yaklaştırıyor.

Dengeli ağ teorisinin önceki versiyonları, uyarıcı ve yavaşlatıcı girdilerin zamanlaması ve frekansının nöral davranışta ortaya çıkan değişkenliği nasıl şekillendirdiğini yakalamıştı, ancak bu modeller biyolojik olarak gerçekçi olmayan kısayollar kullanmıştı.

Doiron’a göre, orijinal model; beyindeki bağlanma biçiminin mekânsal bağımlılığını göz ardı etti, fakat birbirine yakın nöron çiftlerinin birbirine görece uzak nöron çiftlerine kıyasla bağlantı kurmaları daha muhtemeldir. Doiron; önceki modellerin, ya beynin aksine tamamen rastgele etkinlik, ya da derin bir nöbette görebileceğiniz tamamen senkronize edilmiş sinirsel davranışlar gibi gerçekçi olmayan davranışlar ürettiğini söylüyor.

Bu denge bağlamında ise, nöronlar sürekli bir gerginlik halindedir. Araştırmacılardan Matthew Smith; bu durumu ayağınızı parmaklarınız üzerinde dengede tutmaya benzetiyor. Eğer, aşırı küçülme varsa, bu durum sinirsel atışlarda veya iletişimde büyük dalgalanmalara neden olur.

Yeni model, nöral ağların mekânsal ve zamansal karakteristiklerini ve nöronlar arasındaki aktivitedeki korelasyonları (bir nörondaki “ateşleme” diğer bir nörondaki ateşlemeyle bağlantılı mı değil mi) göz önüne alıyor. Model, bilim insanlarının görsel dünyayı işleyen beyin bölgesinde incelenen nöronların davranışını öngörmek için kullanabileceği kadar önemli bir gelişmedir.

Model geliştirildikten sonra, bilim insanları, görsel korteksteki verileri inceledi ve modellerinin, ne kadar uzak olduklarına bağlı olarak nöronların davranışını doğru bir şekilde öngörebildiği bulgusuna ulaştı. Yakın nöron çiftlerinin aktivitelerinin güçlü bir biçimde bağlantılı olduğu, orta derecede uzaklıkta bulunan nöron çiftlerinin ters-ilişkili olduğu (bir tanesi fazla tepki oluşturuyorsa, diğeri az tepki oluşturuyor) ve uzak mesafedeki nöronların ise bağımsız olduğu görüldü.

Model, beynin bilgiyi nasıl hesapladığına dair kavrayışımızı geliştirmeye yardımcı olacak, çünkü, ağ yapısının ağ değişkenliğini nasıl belirlediğini tanımlamak için ileriye doğru atılmış büyük bir adımdır. Doiron’a göre, herhangi bir ciddi beyin hesaplama teorisi, koddaki gürültüyü hesaba katmalıdır. Çünkü, nöronal değişkenlikteki değişim, dikkat ve öğrenme gibi önemli bilişsel işlevlere eşlik eder ve ayrıca Parkinson hastalığı ve epilepsi gibi yıkıcı patolojik durumların bir işaretidir.

Bilim insanları, görsel kortekste testlerde bulunurken, modellerinin beynin diğer bölümlerinde, örneğin işitsel veya koku işaretlerini işleyen alanlardaki aktiviteleri tahmin etmek için de kullanılabileceğini düşünüyor. Ayrıca ekip, modelin tüm memeli beyinleri için kullanılabileceğini ileri sürüyor.

Doiron ve Smith’in hesaplama yaklaşımının en belirgin özelliği, amacının beyin işlevinin genel prensiplerini genel anlamda birçok senaryoya uygulanabileceğidir. Bu model, sinirbiliminde iyi teoriler sağlamak için atılan önemli bir adımdır.