Simple Science

最先端の科学をわかりやすく解説

# 生物学# 神経科学

動きのコーディネーションの複雑な科学

神経系がどうやってバランスと協調を通じて動きをコントロールするかを発見しよう。

Myriam Lauren de Graaf, Luis Mochizuki, Heiko Wagner, Charlotte Le Mouel

― 1 分で読む


内部の動きのコーディネーシ内部の動きのコーディネーション筋肉の協調のバランスを探る。
目次

歩いたり走ったりすると、シンプルな作業に思えるけど、裏ではたくさんのことが起こってるんだ。私たちの体は筋肉の動きを調整するために複雑なパターンを作り出してる。速くなるにつれて、筋肉の働き方も変わるんだ。筋肉の収縮の力から、ステップサイクルでの活性化のタイミングまで、いろんな要素が関わってる。だから、猫でもわかるように説明してみよう。

神経系:コントロールルーム

私たちの動きの中心には脊髄というものがあるんだ。脊髄を移動のためのコントロールルームと考えてみて。このルームの中には、中央パターン生成器(CPG)と呼ばれる特別な神経細胞のグループがある。これらのCPGは、動きの基本リズムを制御する役割を担ってる。まるでメトロノームが音楽家のために時間を保つみたいにね。リズムを設定するだけじゃなくて、そのリズムを歩いたりジョギングしたり、アイスクリームトラックを見たときにスプリントするための特定の筋肉の収縮に変える手助けもしてるんだ。

2つの異なるタスク:リズムとパターン

脊髄がこれらのCPGで扱う主な仕事は、リズム生成とパターン形成の2つなんだ。リズムを生成するニューロンは脊髄の奥にあって、正しいタイミングを保ってる。一方、パターンを形成するニューロンは端の方に位置して、筋肉がどのように動くかを整理してる。まるで、一方のグループがビートに集中していて、もう一方がチャチャを踊るかマカレナをやるかを決めてるみたいだ。一番のポイントは、一方がダメでも機能し続けるってこと-まるで片足を縛られた状態で踊るみたいに。

モデルとメカニズム:どうやって動くの?

CPGがどのように機能するかを考える人気のモデルの一つがハーフセンターモデル。これは、筋肉の動きを促進する神経と、筋肉の活動を抑制する神経の2つのセットがあることを示してる。一方のグループが疲れると、もう一方が引き継ぐ。この行き来が、私たちが歩いたり走ったりする時に見られるリズミカルなパターンを生み出すんだ。

ちょっとした問題

ハーフセンターモデルは便利だけど、ちょっとした欠点がある。それは、筋肉が複数同時に活性化することを考慮すると、筋肉の動きの全てを説明できないってこと。生物学の世界では、物事は常にルールに従うわけじゃなくて、ここが面白いところなんだ。

研究者たちが実際の筋肉のデータを詳しく見てみると、筋肉の収縮を促すモーター(筋肉を動かす細胞)が、実際には励ましの信号と抑制の信号の両方を同時に受け取ってることがわかったんだ。そう、ダンスパーティーは一色だけじゃない!この興奮と抑制のバランスは、スムーズなパフォーマンスに欠かせないものだ。ダンスクルーを想像してみて。エネルギッシュなダンサーと、ぶつからないようにブレーキをかけられる子が必要だ。

何がうまくいかないとどうなる?

研究者たちが自分たちの研究で抑制をブロックした時、屈筋と伸筋(関節を曲げたり伸ばしたりする筋肉)が同時に発火することがわかった。この混乱は、まるで幽霊を見たかのように、誰かがちょっと硬く見えるかもしれない。興奮と抑制の良いバランスがないと、すべてが調和して機能するのが難しいことが明らかだ。

もし、誰かが「計画を守れ」って言わないグループプロジェクトをやらなきゃならなかったらどうなるか想像してみて。火星に遠足に行く計画を立てるか、紙をぼんやり見つめるかのどちらかだ。私たちの動きでは、興奮が多すぎたり(またはエネルギーが多すぎたり)すると、コントロールが効かなくなり、様々な運動障害に見られるようなことになる。

何をしてるの?

このバランスがどれだけ重要なのかを理解するために、科学者たちは再帰型ニューラルネットワーク(RNN)というものに注目してる。これらはデジタル脳みたいなもので、ニューロンがどのように相互作用して動きのパターンを生成するかをシミュレートできる。これらのネットワーク内で興奮信号と抑制信号の比率を調整することで、研究者たちはそのバランスが筋肉の活性パターンにどのように影響するかを観察できるんだ。

いくつかのシミュレーションを通じて、科学者たちは興奮のバランスが重くなりすぎると、物事がうまくいかないとわかった。ネットワークの出力が単純化されて、異なる動きを生成するための明確な信号を生成するのが難しくなり始めるんだ。まるでバナナだけでスムージーを作るみたいで、おいしいけど、食事として必要なバラエティの風味が欠けてる。

実データでのテスト

これらのネットワークが人間の動きを正確に模倣できるように、研究者たちは人々が歩いたり走ったりする筋肉の活性パターンを記録する。次に、ネットワークにこれらのパターンを再現させることで、異なるレベルの興奮と抑制がパフォーマンスにどのように影響するかを理解する助けになるんだ。

モデル内の興奮神経と抑制神経の比率を制御することで、科学者たちはこれらの比率が動きにどのように影響するかを徹底的に探求できる。また、モデルの出力が実際の人間の動きにどれだけ似ているかをチェックすることで、パフォーマンスを評価することもできる。モデルがパターンをうまく再現できれば、背後にあるメカニズムが何であるかの良い指標になる-まるでマジックショーのカーテンの裏を覗いているような感じだ。

バランスの力:私たちが見つけたこと

いくつかの実験を通じて、研究者たちは興奮信号と抑制信号のバランスの種類が本当に重要だということを発見した。適度な抑制があるネットワークは、実際の筋肉パターンを再現する能力がはるかに優れていた。抑制が多いほど、生成される動きのパターンは多様で複雑だった。一方、興奮が多いモデルは、実際の動きの複雑さを模倣するのに苦労してた。

想像してみて。友達の興味に響くようなFacebookの投稿を作るのに、彼らが何が好きか聞かずにやってるみたいなもんだ。フィードバックを得て調整しないと、最新の映画のトレーラーの代わりに猫のミームを投稿する羽目になる!

これが運動障害にどう関係してるの?

このバランスは、健康な動きにとって重要なだけじゃなく、さまざまな運動障害を説明するのにも役立つ。例えば、脳性麻痺のような状態では、抑制が減少して筋肉の硬直や動きのバリエーションが少なくなることがある。興奮信号と抑制信号のバランスが崩れると、反対の筋肉が同時に固まる共収縮のような症状を引き起こすことがある。

一方、 strokeの後、患者はこのバランスが変化して運動や調整が難しくなることがある。不適切なバランスの影響は体全体に波及して、運動機能が低下し、生活の質に影響を与えることがある。

まだわからないことは?

研究は貴重な洞察を提供するけど、いくつかの制限もある。一つは、研究が限られた参加者でいくつかの活動だけを見ていること。まるで映画の予告編だけで評価しようとしているようなもので、全体の作品を見ないと本当のことはわからないよね!

さらに、ほとんどの研究は神経の発火率に焦点を当てていて、スパイキング行動ではなく、これがもう一つの複雑さを加えてる。これらの発見が他のシナリオや病気にどのように実際の応用に変わるかについては、まだ学ぶべきことがたくさんある。

結論:動きのダンス

私たちの神経系がどのように動きを調整するかを理解することで、生物学の複雑なダンスを垣間見ることができる。どんな良いパフォーマンスも、異なる要素のバランスが必要だ-興奮と抑制、エネルギーと穏やかさ。

私たちの発見は、神経信号の均衡が単なる生物学的な言葉以上のものであることを明らかにしている。それは、不器用な混乱に陥らずに動きの芸術をマスターするための鍵なんだ。歩くことから走ることまで、その間のすべてのこと、私たちの体はこのダイナミックな相互作用に頼って、人生をスムーズに動き続けてる。

だから、次回散歩したりアイスクリームトラックを追いかけたりするときは、思い出してね:あなたの体はただ動いているわけじゃなくて、優雅な調和で働く神経たちのチームによって演出された複雑なパフォーマンスなんだ。

オリジナルソース

タイトル: Increased spinal excitation causes decreased locomotor complexity

概要: Animals display rich and coordinated motor patterns during walking and running, that are generated and controlled within the central nervous system. Previous computational and experimental results suggest that the balance between excitation and inhibition in neural circuits may be critical for generating such structured motor patterns. In this paper, we explore the influence of this balance on the ability of a reservoir computing artificial neural network to learn human locomotor patterns, using mean-field theory analysis and simulations. We varied the numbers of neurons, connection percentages and connection strengths of excitatory and inhibitory neuron populations, and introduced the anatomical imbalance that quantifies their combined overall effect. Our results indicate that network dynamics and performance depend critically on the anatomical imbalance in the network. Inhibition-dominated networks work well, displaying balanced input to the neurons and good firing rate variability. Excitation-dominated networks, however, lead to saturated firing rates, thereby reducing the effective dimensionality of the networks and leading to simplified motor output patterns. This suggests that motor pattern generation may be robust to increased inhibition but not increased excitation in neural networks.

著者: Myriam Lauren de Graaf, Luis Mochizuki, Heiko Wagner, Charlotte Le Mouel

最終更新: 2024-11-06 00:00:00

言語: English

ソースURL: https://www.biorxiv.org/content/10.1101/2022.04.21.489087

ソースPDF: https://www.biorxiv.org/content/10.1101/2022.04.21.489087.full.pdf

ライセンス: https://creativecommons.org/licenses/by-nc/4.0/

変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。

オープンアクセスの相互運用性を利用させていただいた biorxiv に感謝します。

類似の記事