Viena svarbiausių technologijų, per pastaruosius 20–30 metų vienaip ar kitaip lemiančių neuromokslo plėtrą, yra smegenų elektrofiziologija. Tai ir atskirų neuronų bei neuronų grupių aktyvumo įrašymas, ir jų stimuliavimas. Pastaruoju metu technologijos šioje srityje pasiekė tokį lygį, kad, naudojant elektrodus, implantuotus smegenų motorinėje srityje, galima išmokti realiuoju laiku paversti 100–200 įrašomų neuronų signalų konkrečiais veiksmais.
Neurotechnologijos: žvelgiant giliau į smegenis (I dalis).
Viena svarbiausių technologijų, per pastaruosius 20–30 metų vienaip ar kitaip lemiančių neuromokslo plėtrą, yra smegenų elektrofiziologija. Tai ir atskirų neuronų bei neuronų grupių aktyvumo įrašymas, ir jų stimuliavimas. Pastaruoju metu technologijos šioje srityje pasiekė tokį lygį, kad, naudojant elektrodus, implantuotus beždžionių ar suparalyžiuotų žmonių smegenų motorinėje srityje, galima išmokti realiuoju laiku paversti 100–200 įrašomų neuronų signalų konkrečiais veiksmais – beždžionėms kontroliuojant robotinę ranką pasiimti maisto arba žmonėms pele valdyti kompiuterį. Panašios technologijos įmanomos tik derinant keletą metodų – elektrofiziologiją ir (arba) smegenų skenavimą bei dirbtinio mokymosi metodus. Nors daugelis šių metodų vis dar tiriami (paprastai taikomi ne žmonėms, o gyvūnams), naujausi laimėjimai šioje srityje leidžia tikėtis, kad po 5 ar 10 metų jie galės būti taikomi įvairiems tikslams, ne vien paralyžiuotiems pacientams.
Klasikinis neuronų elektrofiziologijos metodas leidžia įrašyti neuronų signalus (veiksmo potencialus) dviem būdais – arba įterpiant elektrodą greta keleto neuronų, arba įterpiant elektrodą į konkretaus neurono membraną. Pirmasis būdas „humaniškesnis“ – jį galima atlikti gyviems pacientams: atsižvelgiant į įrašomų neuronų vietą smegenyse, žala gali būti minimali. Vis dėlto šis metodas turi ir daug trūkumų: paprastai sunku rasti konkrečius neuronus, kuriuos norima studijuoti, ir svarbiausia – tokiuose įrašuose yra daug triukšmo, taigi tikroviškai įmanoma perskaityti tik neuronų veiksmo potencialus (t. y. diskrečią informaciją – 0 arba 1), o ne konkrečius neurono membranos potencialus ir jų osciliacijas. Dėl tikslumo trūkumo daug fundamentalių neuromokslo žinių buvo įgyta taikant antrąjį būdą – paaukojant gyvūnus (paprastai – žiurkes arba peles), greitai padalijant jų smegenis į daugelį išpjovų ir, pasitelkus elektroninius mikroskopus, įterpiant elektrodus į pasirinktus neuronus... Šis metodas, vadinamas patch clamp (žr. 1 pav.), buvo atrastas Erwino Neherio ir Berto Sakmanno prieš 30 metų (už tai jie gavo 1991 metų Nobelio premiją). Pagal šį metodą įmanoma ne tik tiksliai perskaityti neurono membranos potencialą, stimuliuoti neuroną ir pakeisti jo potencialą iki norimo, bet ir studijuoti atskirų membranos joninių kanalų fiziologiją.
1 pav. Smegenų išpjova ir joje esančio neurono įrašymas taikant „patch clamp“ metodą.
Patch clamp metodas pasirodė labai tinkamas sinaptiniam plastiškumui studijuoti – kaip neuronų aktyvumas keičia sinaptinius svorius tarp tų neuronų. Tam reikia rasti du sujungtus neuronus ir, stimuliuojant juos, stebėti, kaip keičiasi sinaptiniai svoriai. Po ilgų bandymų dešimtojo dešimtmečio pabaigoje pagaliau suprasta, kaip sinaptiniai svoriai keičiasi atsižvelgiant į veiksmo potencialų laiką ir dažnį. Vienas įdomiausių ir svarbiausių rezultatų – plastiškumo taisyklė, vadinama spike timing dependent plasticity. Pasirodo, jei pirmojo neurono veiksmo potencialas įvyksta prieš antrojo neurono veiksmo potencialą, jungtis 1–>2 sustiprėja, jei priešingai – susilpnėja, visai kaip pagal 1949-ųjų Donaldo Hebbo hipotezę... Be to, kuo mažesnis laiko tarpas tarp pirmojo ir antrojo neurono signalų – tuo didesnis sinaptinio svorio pokytis (2 pav.).
Šie atradimai ir informacija apie nervinių signalų perdavimą, integravimą ir plastiškumą leido kurti tikroviškus (ir neretai veiksmingus) neuronų modelius, kurie galėtų būti sujungti į tinklus, bandant atkurti realistiškus smegenų neuroninius tinklus ir jų funkcionavimą. Per pastaruosius penkerius metus buvo pradėta keletas didelių projektų, kurių tikslas – realistiškai modeliuoti įvairių lygmenų smegenų tinklus. Vienas jų – Blue Brain Project, kurį atlieka mūsų instituto tyrėjų grupė, bendradarbiaudama su IBM kompanija. Šio ambicingo projekto tikslas – rekonstruoti realistišką smegenų žievės kolonėlę (susidedančią iš maždaug 10000 neuronų) ir studijuoti visų šių neuronų dinamiką.
2 pav. „Spike timing dependent plasticity“: jei pirmasis neuronas atlieka veiksmo potencialą prieš pat antrąjį – jungtis „1–>2“ sustiprėja, o jei pirmojo neurono veiksmo potencialas įvyksta po antrojo – jungtis „1–>2“ susilpnėja.
Nors nervinių signalų įrašymas neįterpiant elektrodo į konkretų neuroną nėra toks tikslus, daug svarbių atradimų, susijusių su „neuroninių kodų iššifravimu“, buvo padaryta būtent taikant šį metodą. Studijuojant gyvūnų mokymąsi, atmintį ir erdvinę navigaciją buvo atrasta, kad smegenų srityje hippocampus egzistuoja neuronai, kurie aktyvuojami gyvūnui esant konkrečioje jam pažįstamos aplinkos vietoje (žr. 3A pav.). Šie neuronai buvo pavadinti vietos ląstelėmis (place cells), o jų atradėjai O‘Keefe & Nadel sukūrė teoriją (Hippocampus as a Cognitive map, 1979), pagal kurią jos yra lyg protinis žemėlapis, kuriuo naudodamiesi gyvūnai gali orientuotis aplinkoje ir rasti reikalingus dalykus (maisto, namus ir kt.). Remiantis jų teorija, gyvūnų vietos ląstelės yra analogiškos žmonių semantinei atminčiai. Atradus vietos ląsteles, buvo atlikta daug eksperimentų studijuojant panašius neuronus, ir galiausiai gretimoje smegenų srityje (Entorhinal cortex) buvo atrastos grid cells. Šie neuronai aktyvuojami gyvūnui esant tam tikrose aplinkos vietose (žr. 3B pav.). Jie siunčia signalus į vietos neuronus, todėl manoma, kad šie formuojasi derinant grid cell informaciją su kontekstu (aplinkoje esančiais objektais). Galiausiai neseniai atrasta, kad vietos ląstelės aktyvuojamos ne vien gyvūnui esant tam tikroje vietoje, bet taip pat ir „mąstant“ apie ateities veiksmus – vietas, kurios bus aplankytos po tam tikro laiko. Taigi dabar manoma, kad šie neuronai yra epizodinės, o ne semantinės atminties atitikmuo.
3 pav. A: Place cells – šie Hippocampus srities neuronai aktyvuojami žiurkei esant tam tikroje kvadratinio lauko vietoje (juoda spalva). Skirtingi neuronai yra aktyvuojami skirtingose vietose. B: Grid cells – šie Entorhinal srities neuronai aktyvuojami žiurkei esant tam tikrose vietose, išdėstytose lygiakraščių trikampių forma. Paveiksle matoma, kuriose kvadratinio lauko vietose neuronas pateikia veiksmo potencialus (raudoni taškai).
Prieš 10-20 metų naudoti elektrodai leido įrašyti signalus iš keleto neuronų, tuo tarpu dabar paplitę tetrodai leidžia skaityti keliolikos neuronų veiksmo potencialus. Tačiau net keliolikos neuronų dažniausiai nepakanka, todėl taikoma nauja technologija – multielektrodiniai masyvai (Multi Electrode Arrays, MEA, žr. 4A pav.). Neuroprostetinių sistemų laboratorijoje Stanforde sukurta integruota sistema (neuroninių signalų įrašymas, analizė, planuojamo judesio atkodavimas ir atlikimas), leidžianti beždžionėms atlikti sprendimų priėmimo užduotį taip, kad jų planuojami veiksmai ir pasirinkimai būtų tiesiogiai nuskaitomi iš motorinių neuronų įrašų (žr. 4B pav.). Johnas Donoghue iš Brauno universiteto neseniai įkūrė kompaniją (http://www.cyberkineticsinc.com), kuri taikytų panašias technologijas žmonėms – dažniausiai paralyžiuotiems pacientams, patyrusiems stuburo traumą. Jie jau pasiekė įspūdingų rezultatų – pacientai, kuriems implantuoti MEA, gali greitai išmokti vien tik mintimis valdyti kompiuterio pelę ir atlikti paprastas funkcijas (pvz., pasitikrinti elektroninį paštą).
4 pav. A: Multi electrode array (MEA), kurio dydis – tik keli milimetrai. B: Integruotos neuroprostetinės sistemos pavyzdys iš Stanfordo laboratorijos.
Nors įgytos žinios apie sinaptinį plastiškumą ir įvairius neuroninius kodus yra svarbios ir naudingos, vien jų neužtenka žmonių ir gyvūnų elgesiui realiose situacijose suprasti. Kiekvienas individas turi elgesio savitumų: kai kuriuos jų lemia genai, kai kuriuos – vystymasis ir mokymasis. Be to, stresas ir emocijos neretai vaidina nemenką vaidmenį. Šiuos dalykus tyrinėja elgesio genetika – sritis, susiejanti genus, stresą, emocijas ir gyvūnų arba žmonių elgesį su neuromokslo metodais: smegenų skenavimu, elektrofiziologija ir kompiuteriniu modeliavimu. Kitaip nei „tradicinės“ neuromokslo studijos, kurių metu dažniausiai studijuojama smegenų žievė (cerebral cortex), elgesio genetikos studijų metu labiau analizuojamos evoliuciškai senesnės smegenų struktūros: hippocampus (atsakinga už atminties formavimąsi), striatum (atsakinga už veiksmų inicijavimą), amygdala (atsakinga už emocijas) ir streso bei neuromoduliatorių sistemos.
Per pastaruosius 10–15 metų, studijuojant stresą, emocijas, genetiką ir elgesį, buvo atlikta nemažai įdomių ir intriguojančių atradimų. Vienos studijos metu buvo nustatyta, kad noradrenalinas (ir net konkrečiai jo b receptorius) atlieka emocinės atminties sustiprinimo funkciją: žmonės, eksperimento metu gavę vaistų, blokuojančių noradrenalino b receptorius, negalėjo atsiminti emocinių vaizdų geriau nei normalių; tuo tarpu tokių vaistų negavę žmonės atsimindavo emocinius vaizdus kur kas geriau. Kitose studijoje žmonių serotonino genotipas buvo siejamas su atmintimi bei depresija: žmonių, turinčių neįprastą serotonino receptoriaus variantą, atmintis buvo 21 proc. prastesnė, o žmonės su neįprastu serotonino transporterio variantu turėjo padidėjusią depresijos riziką.
Viena labiausiai intriguojančių elgesio genetikos studijų – pelėnų virsmai iš monogamijos į poligamiją. Dviejų rūšių pelėnai – pievų ir prerijų – skiriasi poravimosi elgesiu: prerijų pelėnai daugiausia yra monogamiški, o pievų – poligamiški. Šie pelėnai turi skirtingus genetinius vazopresino receptoriaus variantus, kurie, pasirodo, ir lemia jų poravimosi elgesį: pakeitus poligamiškų pievų pelėnų vazopresino receptoriaus variantą jie tapo monogamiški! ( 5 pav.)
5 pav. Pelėnų poravimosi elgesio studija. A. Prerijų pelėnai praleidžia kur kas daugiau laiko su įprastu partneriu (juodas stulpelis) nei su nauju (baltas), pievų pelėnai – tiek pat su abiem partneriais. B: Pakeitus pievų pelėnų vazopresino receptoriaus variantą į tokį pat kaip ir prerijų pelėnų, jų poravimosi elgesys tampa aiškiai monogamiškas.
Vienas svarbiausių neuronų kodavimo atradimų – dopamino neuronų reakcija į atlygius (rewards). Anksčiau buvo manoma, kad dopamino neuronai aktyvuojami gyvūnui gaunant atlygį (maisto, gėrimo ar pan.) Schultz et al. 1997 metų studijoje parodyta, kad tai nevisiškai taip: dopamino neuronai reaguoja ne į atlygius, o į atlygių numatymo klaidą (reward prediction error). Tai reiškia, kad jei gyvūnas (ar žmogus) gauna atlygį tuo metu, kai jo nesitiki, dopamino neuronų aktyvacija padidėja, o jei negauna atlygio tuo metu, kai jo tikisi, – dopamino neuronų signalas prislopinamas. Šis atradimas leido susieti smegenų fiziologiją su populiariu dirbtinio mokymosi metodu – reinforcement learning, kurį taikant pasitelkiamos būtent šios atlygių numatymo klaidos, siekiant išmokti, kokio atlygio galima tikėtis tam tikroje būsenoje atlikus tam tikrą veiksmą. Pavyzdžiui, vieno atminties studijavimo eksperimento metu gyvūnas įmetamas į vandenį, kuriame paslėpta platforma. Radęs platformą, gyvūnas gali ant jos atsistoti ir išvengti vandens – tai daugelis pelių ir žiurkių sėkmingai išmoksta po 10–15 bandymų. Šiame eksperimente būsena yra vieta, kurioje plūduriuoja gyvūnas, o veiksmas – plaukimas į vieną ar kitą pusę. Taikant reinforcement learning metodą, galima išmokyti dirbtinę „pelę“ rasti paslėptą platformą panašiai kaip tikros pelės tai geba padaryti. Stresas (pvz., šaltas vanduo, kuriame plaukia pelė) turi nemažai įtakos mokymuisi ir atminčiai. Mano ir kolegų eksperimentai parodė, kad streso paveiktos pelės gali išmokti rasti paslėptą platformą kur kas greičiau, bet praėjus kelioms savaitėms po eksperimento jų atmintis yra nė kiek ne geresnė nei streso nepaveiktų pelių. Be to, skirtingų rūšių pelės reaguoja į stresą skirtingai: vienoms jis padeda, kitoms – ne. Kompiuteriniame modelyje, simuliuojančiame pelės elgesį, yra keletas svarbių parametrų, kontroliuojančių mokymosi spartą, elgesio tikslumą bei „impulsyvumą“: ar pasirenkant veiksmus bandoma kuo greičiau gauti nors ir mažą atlygį, ar laukti ilgiau, bet gauti kur kas didesnį. Norint, kad toks modelis galėtų sėkmingai simuliuoti skirtingų pelių elgesį skirtingose situacijose, būtina kaip nors panaudoti informaciją apie pelės genotipą ir apie jos streso būseną. Vienas būdų tai padaryti, kurį realizavau savo projekte, – dinamiškai kontroliuoti modelio svarbiausius parametrus. Naudojant dirbtinius neuroninius tinklus, galima sėkmingai susieti stresą, motyvaciją ir genotipą su kintančiais modelio parametrais. Tai leidžia sėkmingai numatyti skirtingų pelių elgesį skirtingose situacijose, naudojant vien tik paprastą reinforcement learning modelį.
Nors žmonių elgesys ir priimami sprendimai yra kur kas sudėtingesni nei pelių, visiškai įmanoma, kad ateityje panašus metodas gali būti sėkmingai pritaikytas žmonėms, bandant suprasti, kaip jie reaguoja į stresą, kintančią aplinką, ir kaip šias žinias panaudoti kiekvienam siekiant savo galimybių ribų.
Jei turite klausimų ar pasiūlymų apie straipsnį, projektą ar bet kurį kitą susijusį dalyką, rašykite adresu eurogedi@hotmail.com.
