Нейронные ансамбли: принципы организации и вычислительные функции.

Введение

Популяция клеток нервной системы, участвующих в конкретном нейронном вычислении.

Нейронный ансамбль — это популяция клеток нервной системы (или культивируемых нейронов), вовлечённых в конкретное нейронное вычисление.

Предыстория

Концепция нейронного ансамбля восходит к работам Чарльза Шеррингтона, который описал функционирование ЦНС как систему рефлекторных дуг, каждая из которых состоит из взаимосвязанных возбуждающих и тормозных нейронов. В схеме Шеррингтона α-мотонейроны являются общим конечным путем для ряда нейронных цепей различной сложности: мотонейроны интегрируют большое количество входящих сигналов и посылают свой конечный выход к мышцам. Дональд Хебб теоретически развил концепцию нейронного ансамбля в своей знаменитой книге «Организация поведения» (1949). Он определил «клеточную сборку» как «диффузную структуру, состоящую из клеток коры и диэнцефалона, способную кратковременно функционировать как замкнутая система, обеспечивая фасилитацию другим подобным системам». Хебб предположил, что в зависимости от функциональных потребностей отдельные клетки мозга могут участвовать в различных клеточных сборках и быть вовлеченными в множество вычислений. В 1980-х годах Апостолос Георгопулос и его коллеги Рон Кеттнер, Эндрю Шварц и Кеннет Джонсон сформулировали гипотезу векторной популяции, чтобы объяснить, как популяции нейронов моторной коры кодируют направление движения. Эта гипотеза основывалась на наблюдении, что отдельные нейроны, как правило, активнее разряжаются при движениях в определенных направлениях, так называемых предпочтительными направлениями для отдельных нейронов. В модели векторной популяции отдельные нейроны «голосуют» за свои предпочтительные направления, используя частоту своих импульсов. Окончательный результат голосования вычисляется путем векторного суммирования индивидуальных предпочтительных направлений, взвешенных по частоте активности нейронов. Эта модель оказалась успешной в описании кодирования направления движения в моторной коре, а также способна была предсказывать новые эффекты. Например, вектор популяции Георгопулоса точно описывал ментальные ротации, выполняемые обезьянами, обученными преобразовывать местоположения визуальных стимулов в пространственно сдвинутые точки достижения целей.

Кодирование

Нейронные ансамбли кодируют информацию способом, отчасти напоминающим принцип работы Википедии – множественные правки, вносимые многими участниками. Нейробиологи обнаружили, что отдельные нейроны характеризуются высокой степенью шума. Например, при изучении активности всего лишь одного нейрона в зрительной коре, очень сложно реконструировать визуальную сцену, которую воспринимает обладатель мозга. Подобно отдельному участнику Википедии, отдельный нейрон не "знает" всего и склонен к ошибкам. Эта проблема решается благодаря тому, что мозг содержит миллиарды нейронов. Обработка информации в мозге – это популяционная обработка, и она также распределена: во многих случаях каждый нейрон обладает небольшим объемом информации обо всем, и чем больше нейронов участвует в задаче, тем точнее кодируется информация. В схеме распределенной обработки отдельные нейроны могут проявлять нейронный шум, но популяция в целом усредняет этот шум. Альтернативой ансамблевой гипотезе является теория о существовании высокоспециализированных нейронов, служащих механизмом нейронного кодирования. В зрительной системе такие клетки часто называют "клетками бабушки", поскольку они активируются в очень специфических ситуациях, например, когда человек смотрит на фотографию своей бабушки. Нейробиологи действительно обнаружили, что некоторые нейроны предоставляют более качественную информацию, чем другие, и популяция таких экспертных нейронов имеет улучшенное отношение сигнал/шум. Однако базовый принцип ансамблевого кодирования остается в силе: большие нейронные популяции работают эффективнее, чем отдельные нейроны. Считается, что формирование специфических нейронных сборок обеспечивает функциональные элементы мозговой активности, реализующие базовые операции обработки информации (см. Fingelkurts An. A. и Fingelkurts Al. A., 2004; 2005). Нейронный код, или "язык", на котором общаются нейронные ансамбли, далек от полного понимания. В настоящее время существует две основные теории нейронного кодирования. Теория кодирования по частоте утверждает, что отдельные нейроны кодируют параметры, имеющие поведенческое значение, посредством своей средней частоты возбуждения, при этом точное время возникновения нейронных импульсов не имеет значения. Теория временного кодирования, напротив, утверждает, что точное время нейронных импульсов является важным механизмом кодирования. Нейронные колебания, синхронизирующие активность нейронов в ансамбле, представляются важным механизмом кодирования. Например, предполагается, что колебания лежат в основе связывания визуальных признаков (Gray, Singer и др.). Кроме того, стадии сна и бодрствования связаны с различными колебательными паттернами. Относительно простые нейронные ансамбли функционируют в спинном мозге, где они контролируют базовые автоматизмы, такие как моносинаптический сухожильный рефлекс и взаимная иннервация мышц. (Manjarrez E et al. 2000 Modulation of synaptic transmission from segmental afferents by spontaneous activity of dorsal horn spinal neurones in the cat. J Physiol. 529 Pt 2(Pt 2):445-60. doi: 10.1111/j.1469-7793.2000.00445.x) (Manjarrez E et al. 2002 Cortical neuronal ensembles driven by dorsal horn spinal neurones with spontaneous activity in the cat. Neurosci Lett. 318(3):145-8. doi: 10.1016/s0304-3940(01)02497-1). В их состав входят как возбуждающие, так и тормозные нейроны. Центральные генераторы паттернов, расположенные в спинном мозге, представляют собой более сложные ансамбли, обеспечивающие координацию движений конечностей во время локомоции. Нейронные ансамбли высших структур мозга изучены не до конца, несмотря на обширную литературу по нейроанатомии этих областей.

Neuronal ensembles encode information in a way somewhat similar to the principle of Wikipedia operation – multiple edits by many participants. Neuroscientists have discovered that individual neurons are very noisy. For example, by examining the activity of only a single neuron in the visual cortex, it is very difficult to reconstruct the visual scene that the owner of the brain is looking at. Like a single Wikipedia participant, an individual neuron does not 'know' everything and is likely to make mistakes. This problem is solved by the brain having billions of neurons. Information processing by the brain is population processing, and it is also distributed – in many cases each neuron knows a little bit about everything, and the more neurons participate in a job, the more precise the information encoding. In the distributed processing scheme, individual neurons may exhibit neuronal noise, but the population as a whole averages this noise out. An alternative to the ensemble hypothesis is the theory that there exist highly specialized neurons that serve as the mechanism of neuronal encoding. In the visual system, such cells are often referred to as grandmother cells because they would respond in very specific circumstances—such as when a person gazes at a photo of their grandmother. Neuroscientists have indeed found that some neurons provide better information than the others, and a population of such expert neurons has an improved signal to noise ratio However, the basic principle of ensemble encoding holds: large neuronal populations do better than single neurons. The emergence of specific neural assemblies is thought to provide the functional elements of brain activity that execute the basic operations of informational processing (see Fingelkurts An. A. and Fingelkurts Al. A., 2004; 2005). Neuronal code or the 'language' that neuronal ensembles speak is very far from being understood. Currently, there are two main theories about neuronal code. The rate encoding theory states that individual neurons encode behaviorally significant parameters by their average firing rates, and the precise time of the occurrences of neuronal spikes is not important. The temporal encoding theory, on the contrary, states that precise timing of neuronal spikes is an important encoding mechanism. Neuronal oscillations that synchronize activity of the neurons in an ensemble appear to be an important encoding mechanism. For example, oscillations have been suggested to underlie visual feature binding (Gray, Singer and others). In addition, sleep stages and waking are associated with distinct oscillatory patterns. Relatively simple neuronal ensembles operate in the spinal cord where they control basic automatisms such as monosynaptic tendon reflex and reciprocal innervation of muscles. (Manjarrez E et al. 2000 Modulation of synaptic transmission from segmental afferents by spontaneous activity of dorsal horn spinal neurones in the cat. J Physiol. 529 Pt 2(Pt 2):445 60. doi: 10.1111/j.1469 7793.2000.00445. x) (Manjarrez E et al. 2002 Cortical neuronal ensembles driven by dorsal horn spinal neurones with spontaneous activity in the cat. Neurosci Lett. 318(3):145 8. doi: 10.1016/s0304 3940(01)02497 1). These include both excitatory and inhibitory neurons. Central pattern generators that reside in the spinal cord are more complex ensembles for coordination of limb movements during locomotion. Neuronal ensembles of the higher brain structures is not completely understood, despite the vast literature on the neuroanatomy of these regions.

Декодирование в реальном времени

После внедрения методов записи с использованием нескольких электродов стала возможной задача декодирования информации в реальном времени из больших нейронных ансамблей. Если, как показал Георгопулос, всего нескольких первичных двигательных нейронов достаточно для точного предсказания движения руки в двух плоскостях, то реконструкция движения всей конечности должна быть возможна при достаточном количестве одновременных записей. Параллельно, с огромным импульсом для нейробиологии от DARPA, несколько лабораторных групп потратили миллионы долларов на создание интерфейсов "мозг-машина". Из этих групп две добились успеха в экспериментах, показавших, что животные могут управлять внешними интерфейсами, используя модели, основанные на их нейронной активности, и что, как только управление было перенесено с руки на модель мозга, животные могли научиться управлять ею лучше. Эти две группы возглавляют Джон Донохью и Мигель Николелис, и обе участвуют в подготовке к клиническим испытаниям на людях с использованием своих методов. Джон Донохью основал компанию Cyberkinetics для содействия коммерциализации интерфейсов "мозг-машина". Они приобрели Utah array у Ричарда А. Норманна. Вместе с коллегами Хатсопулосом, Панински, Феллоусом и Серруей они впервые показали, что нейронные ансамбли могут использоваться для управления внешними интерфейсами, позволив обезьяне управлять курсором на экране компьютера силой мысли (2002). Мигель Николелис работал с Джоном Чапином, Йоханом Вессбергом, Марком Лаубахом, Хосе Карменой, Михаилом Лебедевым и другими коллегами, показав, что активность больших нейронных ансамблей может предсказывать положение руки. Эта работа позволила создать интерфейсы "мозг-машина" – электронные устройства, которые считывают намерения движения руки и преобразуют их в движения искусственных приводов. Кармена и др. (2003) запрограммировали нейронное кодирование в интерфейсе "мозг-машина", что позволило обезьяне управлять движениями, направленными на достижение и захват объектов, с помощью роботизированной руки, а Лебедев и др. (2005) предположили, что мозговые сети реорганизуются, чтобы создать новое представление о роботизированном придатке в дополнение к представлению о собственных конечностях животного. Помимо исследований Николелиса и Донохью, группы Эндрю Шварца и Ричарда Андерсена разрабатывают алгоритмы декодирования, которые реконструируют поведенческие параметры из активности нейронного ансамбля. Например, Эндрю Шварц использует алгоритмы векторных популяций, которые он ранее разработал совместно с Апостолосом Георгопулосом. Демонстрации декодирования активности нейронного ансамбля можно разделить на два основных класса: офлайн-декодирование и онлайн (в реальном времени) декодирование. При офлайн-декодировании исследователи применяют различные алгоритмы к ранее записанным данным. В этих исследованиях временные ограничения обычно не являются проблемой: сложный алгоритм декодирования может выполняться в течение многих часов на компьютерном кластере для реконструкции 10-минутного фрагмента данных. Онлайн-алгоритмы декодируют (и, что важно, предсказывают) поведенческие параметры в реальном времени. Более того, испытуемый может получать обратную связь о результатах декодирования – так называемый режим замкнутого контура, в отличие от режима разомкнутого контура, в котором испытуемый не получает никакой обратной связи. Как предсказал Хебб, отдельные нейроны в популяции могут вносить информацию о различных параметрах. Например, Мигель Николелис и его коллеги сообщили, что отдельные нейроны одновременно кодировали положение руки, скорость и силу сжатия кисти, когда обезьяны выполняли движения, направленные на достижение и захват объектов. Михаил Лебедев, Стивен Уайз и их коллеги сообщили о нейронах префронтальной коры, которые одновременно кодировали пространственные местоположения, на которые обращали внимание обезьяны, и те, которые они хранили в кратковременной памяти. Как посещаемые, так и запоминаемые местоположения могли быть декодированы при рассмотрении этих нейронов как популяции. Чтобы определить, сколько нейронов необходимо для получения точного считывания активности популяции, Марк Лаубах в лаборатории Николелиса использовал анализ исключения нейронов. В этом анализе он измерял качество считывания нейронов в зависимости от количества нейронов в популяции. Качество считывания увеличивалось с увеличением количества нейронов – поначалу очень заметно, но затем для улучшения считывания требовалось значительно большее количество нейронов. Луис Каррильо Рейд и его коллеги показали, что внешняя активация всего лишь нескольких нейронов в ансамбле может вызвать резонансную активацию всего ансамбля и вызвать связанный с ансамблем поведенческий ответ в отсутствие сенсорного стимула.

After the techniques of multielectrode recordings were introduced, the task of real time decoding of information from large neuronal ensembles became feasible. If, as Georgopoulos showed, just a few primary motor neurons could accurately predict hand motion in two planes, reconstruction of the movement of an entire limb should be possible with enough simultaneous recordings. In parallel, with the introduction of an enormous Neuroscience boost from DARPA, several lab groups used millions of dollars to make brain–machine interfaces. Of these groups, two were successful in experiments showing that animals could control external interfaces with models based on their neural activity, and that once control was shifted from the hand to the brain model, animals could learn to control it better. These two groups are led by John Donoghue and Miguel Nicolelis, and both are involved in towards human trials with their methods. John Donoghue formed the company Cyberkinetics to facilitate commercialization of brain machine interfaces. They bought the Utah array from Richard A. Normann. Along with colleagues Hatsopoulos, Paninski, Fellows and Serruya, they first showed that neuronal ensembles could be used to control external interfaces by having a monkey control a cursor on a computer screen with its mind (2002). Miguel Nicolelis worked with John Chapin, Johan Wessberg, Mark Laubach, Jose Carmena, Mikhail Lebedev and other colleagues showed that activity of large neuronal ensembles can predict arm position. This work made possible creation of brain–machine interfaces – electronic devices that read arm movement intentions and translate them into movements of artificial actuators. Carmena et al. (2003) programmed the neural coding in a brain–machine interface allowed a monkey to control reaching and grasping movements by a robotic arm, and Lebedev et al. (2005) argued that brain networks reorganize to create a new representation of the robotic appendage in addition to the representation of the animal's own limbs. In addition to the studies by Nicolelis and Donoghue, the groups of Andrew Schwartz and Richard Andersen are developing decoding algorithms that reconstruct behavioral parameters from neuronal ensemble activity. For example, Andrew Schwartz uses population vector algorithms that he previously developed with Apostolos Georgopoulos. Demonstrations of decoding of neuronal ensemble activity can be subdivided into two major classes: off line decoding and on line (real time) decoding. In the off line decoding, investigators apply different algorithms to previously recorded data. Time considerations are usually not an issue in these studies: a sophisticated decoding algorithm can run for many hours on a computer cluster to reconstruct a 10 minute data piece. On line algorithms decode (and, importantly, predict) behavioral parameters in real time. Moreover, the subject may receive a feedback about the results of decoding — the so called closed loop mode as opposed to the open loop mode in which the subject does not receive any feedback. As Hebb predicted, individual neurons in the population can contribute information about different parameters. For example, Miguel Nicolelis and colleagues reported that individual neurons simultaneously encoded arm position, velocity and hand gripping force when the monkeys performed reaching and grasping movements. Mikhail Lebedev, Steven Wise and their colleagues reported prefrontal cortex neurons that simultaneously encoded spatial locations that the monkeys attended to and those that they stored in short term memory. Both attended and remembered locations could be decoded when these neurons were considered as population. To address the question of how many neurons are needed to obtain an accurate read out from the population activity, Mark Laubach in Nicolelis lab used neuron dropping analysis. In this analysis, he measured neuronal read out quality as a function of the number of neurons in the population. Read out quality increased with the number of neurons—initially very notably, but then substantially larger neuronal quantities were needed to improve the read out. Luis Carrillo Reid and colleagues has demonstrated that external activation of as few as two neurons in an ensemble could trigger resonant activation of a whole ensemble and cause the ensemble related behavioral response in the absence of a sensory stimulus.