神経細胞が刺激の変化にどんな風に適応するか
神経細胞は情報処理を改善するために敏感さを調整するんだ。
― 0 分で読む
動物の感覚システムは、感知するものの変化に適応するんだ。つまり、環境が変わると、脳の中の神経細胞が反応する仕方も変わるってこと。具体的には、神経細胞は異なる刺激に対する反応の強さを調整できて、情報の伝達が改善されるんだ。
実験によると、同じ刺激が繰り返し出されると、神経細胞の反応の強さが変わることがあるんだ。これには、細胞の最大反応や最小反応の変化、他の複雑な変化も含まれる。従来の説明は神経細胞間の接続がどう調整されるかに焦点を当ててきたけど、これは神経反応の迅速な変化に比べると時間がかかる。
最近の研究では、変化は単一の神経細胞が敏感さや「ゲイン」を調整することに注目することで説明できるって提案されてる。つまり、刺激が出されたとき、神経細胞は素早く反応の強さを変えられて、それが他の細胞に刺激についての情報を伝える方法に影響を与えるんだ。
視覚野と呼ばれる特定の脳の領域での神経細胞の実験データを使って、研究者たちは単一の神経細胞の敏感さの変化が観察された適応を説明できることを見つけたんだ。彼らは、神経細胞が感覚情報を効率的に表現するためにこれらのゲインを調整すべき新しい目標を提案している。
神経細胞で何が起こるの?
神経細胞が同じ刺激に長時間さらされると、その反応が弱くなることがある。この調整はすべての神経細胞に同じではなく、細胞によって敏感さが違う。この変化の全体的な機能は、神経細胞が新しい情報に反応できるようにする一方で、エネルギー資源の浪費を避けることなんだ。
簡単に言うと、神経細胞は最近経験したことに基づいて反応の強さを変えられるってこと。これは、脳が環境についての情報をエンコードする重要な部分だ。研究者たちは、刺激が神経細胞に与えられたとき、それに対する反応が減少することを観察していて、これは最大レベルだけでなく最小レベルでも起こり、より広い適応効果につながる。
神経細胞がどのように適応するかに関する以前の理論は、細胞間の接続の強さ(シナプスの重み)を変えることに焦点を当てていた。この変化は一部を説明できるけど、短期間で見られる単一細胞の迅速な調整を完全には説明できないかもしれない。
新しいモデル
研究者たちは、神経細胞の敏感さの調整が、シナプス接続の変化ではなく、観察された適応を説明できる新しいモデルを開発した。このモデルは、神経細胞が素早くゲインを調整できるという理解に基づいていて、これらの変化がネットワーク内でのコミュニケーションに影響を与えるんだ。
このモデルは、神経細胞間の接続がしばしば再帰的である脳回路の複雑さを尊重している。つまり、ある神経細胞の出力が他の細胞にフィードバックすることがあるってこと。だから、ある細胞が敏感さを調整すると、隣接する細胞にも変化が起こり、ネットワーク全体が新しいコンテキストに柔軟に適応できるようになるんだ。
このモデルでは、神経細胞は新しい刺激に応じてゲインを調整して、環境を正確に表現しつつ、必要なエネルギーを最小限に抑えてる。研究者たちは、このモデルをシミュレーションでテストして、モデルが予測した反応と神経細胞の実際の測定反応を比較した。
そのメカニズム
この設定では、神経細胞は与えられた刺激から入力を受け取るんだ。入力は、細胞がゲインを調整することで強化されたり弱められたりする。神経細胞の入力と出力の関係は、刺激からの直接的な入力と、ネットワーク内の他の細胞からのフィードバックの両方によって影響を受ける。
新しい刺激に適応する際、このモデルはゲインの変化がネットワーク全体に広がる様子を示している。一つの細胞が敏感さを調整すると、隣接する細胞に変化が起こり、全体のネットワークが新しい状況により流動的に適応できる。
この研究は、感覚情報の最適なエンコードを可能にするためのゲイン調整の目標を確立することを目指している。この目標を使って、研究者たちは神経細胞が異なる刺激にさらされたときにどう反応するべきかを予測することができる。
実験と観察
研究者たちは、猫の神経細胞からの実際の記録と比較したシミュレーションを行った。彼らは、異なる視覚パターンの向きを、発生確率の異なる条件下で細胞に示した-あるパターンは他のより頻繁に表示された。観察された反応は、モデルが実データとどれだけ一致しているかを分析するために調べられた。
結果は、神経細胞がバイアスのかかった刺激セット(ある向きが他よりも多く現れる)にさらされたとき、モデルがその反応の変化を正確に予測できることを示した。具体的には、モデルは最大反応の減少、最小反応の減少、神経細胞の好ましい刺激の向きの変化を捉えていた。
適応的変化の理解
これらの適応的変化は、神経細胞の反応の均等化の一形態として見ることができる。異なる細胞の反応がバランスを取ると、細胞集団の活動レベルが一定に保たれて、感覚情報の効果的な処理を助けるんだ。
このメカニズムを通じて、あまりにも頻繁に示される刺激が反応を支配し始めると、神経細胞のゲインは他の刺激が正確に表現されるように調整される。これが、神経細胞の反応の柔軟性が脳の情報処理を改善することを示している。
結論
この研究は、脳での感覚情報の処理についての理解を深めるものだ。神経細胞が接続の変化ではなく、敏感さを調整する重要性を強調することで、適応プロセスのより明確なイメージを提供している。
このモデルは、神経細胞ネットワーク内で情報が効率的に表現される方法についての重要な洞察を提供していて、視覚処理を超えて他の感覚にも広がる可能性がある。これにより、これらのメカニズムがリアルタイムでどのように機能し、脳の生理や行動の理解に寄与するのかをさらに探求するための扉が開かれる。
適応的なゲインの変化と効率的なコーディングの原則の両方を強調したフレームワークを利用することで、感覚処理のダイナミクスについてのより明確な視点を得られ、最終的には神経機能についての知識が深まるんだ。
タイトル: Adaptive coding efficiency in recurrent cortical circuits via gain control
概要: Sensory systems across all modalities and species exhibit adaptation to continuously changing input statistics. Individual neurons have been shown to modulate their response gains so as to maximize information transmission in different stimulus contexts. Experimental measurements have revealed additional, nuanced sensory adaptation effects including changes in response maxima and minima, tuning curve repulsion from the adapter stimulus, and stimulus-driven response decorrelation. Existing explanations of these phenomena rely on changes in inter-neuronal synaptic efficacy, which, while more flexible, are unlikely to operate as rapidly or reversibly as single neuron gain modulations. Using published V1 population adaptation data, we show that propagation of single neuron gain changes in a recurrent network is sufficient to capture the entire set of observed adaptation effects. We propose a novel adaptive efficient coding objective with which single neuron gains are modulated, maximizing the fidelity of the stimulus representation while minimizing overall activity in the network. From this objective, we analytically derive a set of gains that optimize the trade-off between preserving information about the stimulus and conserving metabolic resources. Our model generalizes well-established concepts of single neuron adaptive gain control to recurrent populations, and parsimoniously explains experimental adaptation data.
著者: Lyndon R. Duong, Colin Bredenberg, David J. Heeger, Eero P. Simoncelli
最終更新: 2023-05-31 00:00:00
言語: English
ソースURL: https://arxiv.org/abs/2305.19869
ソースPDF: https://arxiv.org/pdf/2305.19869
ライセンス: https://creativecommons.org/licenses/by/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 arxiv に感謝します。
参照リンク
- https://proceedings.neurips.cc/paper/2013/hash/6da9003b743b65f4c0ccd295cc484e57-Abstract.html
- https://www.ctan.org/pkg/latexdiff?lang=en
- https://journals.plos.org/plosone/s/figures
- https://journals.plos.org/plosone/s/tables
- https://journals.plos.org/plosone/s/latex
- https://doi.org/10.1101/2022.02.28.482269doi:bioRxiv