Effective mean-field variables explain how biophysical parameters control firing rate and regularity in a spiking network

يعتبر الدماغ شبكة واسعة من مليارات الخلايا، كل منها وحدة كهربائية صغيرة تطلق إشارات إلى جيرانها. ولفهم كيف ينتج هذا النظام الضخم الفكر والذاكرة والحركة، غالبًا ما يبني العلماء نماذج حاسوبية مبسطة لهذه الشبكات. تتكون هذه النماذج من آلاف الخلايا العصبية المحاكية التي تستقبل المدخلات، وتدمجها، ثم تطلق إشارة عندما تصبح الإشارة قوية بما يكفي. ومن خلال ضبط إعدادات هذه النماذج — مثل مدى قوة الروابط، أو سرعة انتقال الإشارات، أو مقدار الكهرباء التي يمكن للخلية احتواؤها — يحاول الباحثون معرفة كيف يتغير سلوك الشبكة. ولعقود من الزمن، كان الطريقة القياسية لتفسير هذه التغييرات هي افتراض أن كل إعداد يتحكم في جزء معين من سلوك الشبكة بشكل مستقل. فإذا أدى زيادة قوة التثبيط إلى جعل الشبكة تطلق إشارات أقل، فإن الافتراض هو أن التثبيط هو السبب المباشر. ومع ذلك، فإن هذه الرؤية تعامل كل مقبض في لوحة التحكم كرافعة مستقلة، متجاهلة احتمال أن تدوير مقبض واحد قد يفعل الشيء نفسه الذي يفعله مقبض آخر، ولكن عبر مسار مختلف.

تتحدى دراسة جديدة أجراها لوسيانو غونسالفيس فيرنانديز في جامعة ولاية واشنطن هذا التفسير المباشر. فقد أجرى الباحث محاكاة هائلة لشبكة تحتوي على عشرة آلاف عصبون، وهو مقياس كبير بما يكفي لمحاكاة الإطلاق غير المنتظم المعقد الذي نراه في الأدمغة الحقيقية. وبدلاً من مجرد مراقبة ما يحدث عند تدوير قرص واحد في كل مرة، استخدم أدوات رياضية متقدمة لتتبع كيفية معالجة الشبكة للمعلومات فعلياً. واكتشف أن معظم الآثار الظاهرة لتغيير إعدادات النموذج لم تكن فريدة لتلك الإعدادات المحددة. بدلاً من ذلك، كان معدل إطلاق الشبكة وانتظام إيقاعها يتم التحكم فيهما بواسطة مجموعة أصغر بكثير من المتغيرات الخفية "الفعالة". تصف هذه المتغيرات الدفع الإجمالي الذي تتلقاه الخلايا العصبية، وتوازن روابطها الداخلية، وتوقيت إشاراتها بالنسبة لسرعتها الخاصة. ووجدت الدراسة أن سبعة من أصل ثمانية إعدادات قياسية قام الباحث بتعديلها كانت في الواقع مجرد طرق مختلفة لتغيير هذه المتغيرات الخفية نفسها. وعندما قام الباحث بتغيير الإعدادات بطريقة تغير هذه المتغيرات الخفية، تغير سلوك الشبكة بشكل يمكن التنبؤ به. ولكن عندما غير الإعدادات بطريقة تركت المتغيرات الخفية دون تغيير، ظل سلوك الشبكة كما هو تماماً، مما أثبت أن الإعدادات الأصلية لم تكن ضوابط مستقلة بل كانت طرقاً مختلفة للوصول إلى نفس الوجهة.

بدأ البحث بنموذج حاسوبي قياسي لشبكة دماغية، يتكون من خلايا عصبية استثارية تشجع الإطلاق وخلايا عصبية تثبيطية تثبطه. وفي الدماغ الحقيقي، يكون هذان النوعان من المدخلات متوازنين بدقة، مما يخلق حالة تطلق فيها الخلايا العصبية إشاراتها بشكل غير منتظم، تماماً مثل قطرات المطر التي تضرب سطحاً. قام الباحث بمحاكاة هذه الشبكة باستخدام عشرة آلاف عصبون، وقام بتغيير ثمانية معاملات فيزيائية مختلفة بشكل منهجي، مثل قوة الروابط، وسرعة الإشارات، والقدرة الكهربائية للخلايا العصبية. وقد أجرى أكثر من خمسين ألف عملية محاكاة لرسم خريطة لكيفية استجابة الشبكة لكل توليفة ممكنة من هذه التغييرات. وكان الهدف هو معرفة ما إذا كان يمكن التنبؤ بسلوك الشبكة ببساطة من خلال النظر إلى الإعدادات الخام، أم أن هناك وصفاً أكثر تجريداً وعمقاً مطلوباً.

كشفت النتائج عن نمط صارخ. فبالنسبة لمعظم المعاملات، كان من الممكن التنبؤ بمعدل إطلاق الشبكة وانتظام نبضاتها بدقة من خلال كميات بسيطة مشتقة من الإعدادات. وشملت هذه الكميات قوة الدفع الخارجي الذي يدفع الخلايا العصبية للإطلاق، وصافي قوة الروابط بين الخلايا العصبية، ونسبة سرعة الإشارة إلى التوقيت الداخلي للعصبون. وأظهرت الدراسة أن تغيير كثافة الاتصال، أو قوة التثبيط، أو عتبة الإطلاق، أدى جميعاً إلى نفس التغيير في هذه الكميات الخفية. وبالتالي، تفاعلت الشبكة بنفس الطريقة تماماً، بغض النظر عن المقبض الفيزيائي الذي تم تدويره. وهذا يعني أن ما بدا وكأنه شبكة معقدة من الضوابط المستقلة كان في الواقع نظاماً أبسط بكثير حيث كانت العديد من الإعدادات المختلفة مجرد أسماء مستعارة لنفس السبب الكامن وراءها. وقد أثبت الباحث ذلك من خلال إظهار أن شبكة ذات كثافة اتصال معينة تتصرف بشكل متطابق مع شبكة ذات كثافة اتصال مختلفة ولكن بقوة تثبيط مختلفة، لأن كلا الإعدادين أنتجا نفس الدفع والسحب الفعال على الخلايا العصبية.

ومع ذلك، برز معامل واحد بعيداً عن هذه القاعدة: التأخير المشبكي، وهو الوقت الذي تستغره الإشارة للانتقال من خلية عصبية إلى أخرى. فبينما غيرت معظم الإعدادات الأخرى متوسط معدل الإطلاق، لم يكن للتأخير أي تأثير تقريباً على سرعة إطلاق الخلايا العصبية في المتوسط. بدلاً من ذلك، تحكم التأخير في توقيت نشاط المجموعة. فعندما كان التأخير قصيراً، أطلقت الخلايا العصبية إشاراتها في نمط مشتت وغير منتظم. ومع زيادة التأخير، انتقلت الشبكة فجأة إلى حالة حيث تطلق المجموعة بأكملها في تناغم تام، مما يخلق إيقاعاً متزامناً. حدث هذا التحول دون تغيير متوسط سرعة الإطلاق، بل غير فقط تنسيق المجموعة. ووجدت الدراسة أن هذا التحول إلى الإطلاق المتزامن حدث عندما وصل التأخير إلى حوالي ستة مللي ثانية، وهي نقطة حيث ينهار استقرار الشبكة وتسيطر التذبذبات الجماعية. يسلط هذا الاكتشاف الضوء على تمييز حاسم: متوسط سرعة الشبكة يتحدد بقوة المدخلات والروابط، ولكن توقيت وإيقاع الشبكة يحكمهما طول الوقت الذي تستغرقه الإشارات للانتقال بين الخلايا.

اختبر الباحثون أيضاً ما إذا كانت هذه النتائج ستصمد عندما يتم تغيير قواعد النموذج. في اختبار مخطط له، قام الباحث بتغيير كيفية معايرة النموذج، مما يعني عملياً تغيير معنى المقابض دون تغيير الشبكة نفسها. في أحد السيناريوهات، أبقى الدفع الخارجي ثابتاً بينما قام بتغيير عتبة الإطلاق. وتحت القواعد القياسية، جعل رفع العتبة الشبكة تطلق إشارات بشكل أسرع، وهو ما بدا غير منطقي. ولكن عندما تغيرت القواعد بحيث لا يتعدل الدفع الخارجي مع العتبة، جعل رفع العتبة الشبكة تطلق إشارات بشكل أبطأ، كما هو متوقع. وقد تنبأت النظرية الرياضية التي طُورت في الدراسة بهذا الانعكاس تماماً قبل إجراء عمليات المحاكاة. وقد أثبت هذا أن اتجاه تأثير المعامل ليس خاصية جوهرية لذلك المعامل، بل يعتمد كلياً على كيفية إعداد النظام. فالمقبض نفسه يمكن أن يزيد النشاط أو ينقصه اعتماداً على السياق، مما يؤكد أكثر أن الضوابط الحقيقية هي المتغيرات الفعالة، وليس الإعدادات الاسمية.

نظر الباحثون أيضاً في بنية اتصالات الشبكة. فعندما زادوا عدد الاتصالات، أصبح رسم الشبونة البياني (graph) أكثر كثافة وتعقيداً. قد يفترض المرء أن هذا التغيير في شكل الشبكة هو ما تسبب في تغير النشاط. ومع ذلك، أظهرت الدراسة أن التغيير في النشاط كان مفسراً بالكامل بزيادة القوة الإجمالية للروابط. فعندما قام الباحث بتغيير قوة الروابط دون تغيير عدد الوصلات، تصرفت الشبكة تماماً كما لو أنه غير قوة الروابط دون تغيير عدد الوصلات. وهذا يشير إلى أنه في هذه الأنواع من الشبكات العشوائية، يهم شكل الاتصالات أقل من إجمالي كمية الإشارة المتدفقة من خلالها. لقد كان هيكل الرسم البياني أثراً جانبياً لقوة الاتصال، وليس المحرك الأساسي للسلوك.

يوفر هذا العمل طريقة جديدة لفهم كيفية عمل نماذج الدماغ. فهو يشير إلى أنه عندما يرى العلماء تغيراً في نشاط الشبكة بعد تعديل معامل ما، فلا ينبغي لهم افتراض فوراً أن ذلك المعامل هو السبب المباشر. بدلاً من ذلك، يجب عليهم التحقق مما إذا كان هذا التغيير هو في الواقع مجرد طريقة أخرى لتعديل الدفع الفعال، أو الاقتران، أو الضوضاء. تظهر الدراسة أنه بالنسبة لمعظم الإعدادات، يتم تحديد سلوك الشبكة من خلال هذه المتغيرات الفعالة القليلة، وأن التعقيد الظاهري للمعاملات هو وهم ناتج عن طريقة معايرة النموذج. والوقت الوحيد الذي تنهار فيه القواعد البسيطة هو عندما تصبح الشبكة غير مستقرة وتبدأ في الإطلاق في نبضات متزامنة، وهي ظاهرة يقودها تأخير الإشارات. ومن خلال الفصل بين سلوك الحالة المستقرة والتوقيت الجماعي، تقدم الدراسة صورة أوضح وأكثر دقة لكيفية عمل الشبكات البيولوجية. إنها تذكرنا بأنه في الأنظمة المعقدة، يمكن أن تؤدي نفس النتيجة من بدايات مختلفة تماماً، وأن الضوابط الحقيقية غالباً ما تكون مخفية تحت سطح الإعدادات التي يمكننا رؤيتها.