🧠 neuroscience

Excitation-inhibition balance controls coupling stability and network reorganization in a plastic Kuramoto model

कुरामोतो ढांचे (Kuramoto framework) को हेब्बियन और होमियोस्टैटिक प्लास्टिसिटी को शामिल करने के लिए विस्तारित करके, यह अध्ययन प्रदर्शित करता है कि एक सुदृढ़ उत्तेजना-निषेध संतुलन (excitation-inhibition balance) स्थिर, विसंक्रमित (desynchronized) नेटवर्क गतिकी सुनिश्चित करता है, जबकि कमजोर निषेध एक द्वि-स्थिर शासन (bistable regime) बनाता है जो मजबूत संयोजनों को चुनिंदा रूप से स्थिर करता है जबकि कमजोर संयोजनों को पुनर्गठित होने की अनुमति देता है, जो नींद के दौरान सिनैप्टिक रीवायरिंग के लिए एक संभावित तंत्र प्रदान करता है।

मूल लेखक: Kuroki, S., Mizuseki, K.

प्रकाशित 2026-04-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kuroki, S., Mizuseki, K.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: जब आप सो रहे होते हैं तो मस्तिष्क कैसे "पुनर्गठित" होता है

कल्पना कीजिए कि आपका मस्तिष्क एक विशाल, हलचल भरा शहर है जिसमें विभिन्न मोहल्लों को जोड़ने वाली लाखों सड़कें (तंत्रिका संबंध) हैं। दिन के दौरान, जब आप जाग रहे होते हैं और काम कर रहे होते हैं, तो शहर अराजक होता है। ट्रैफ़िक तेज़ होता है, लाइटें चमक रही होती हैं, और हर कोई काम पूरा करने के लिए भाग रहा होता है। यह जागने की अवस्था (Wake State) है।

रात में, जब आप सोते हैं या आराम करते हैं, तो शहर बदल जाता है। ट्रैफ़िक धीमा हो जाता है, रोशनी कम हो जाती है, और शहर एक अलग लय में प्रवेश करता है। वैज्ञानिकों को लंबे समय से पता है कि यह "नींद वाला" समय ही है जब मस्तिष्क अपना सबसे महत्वपूर्ण रखरखाव करता है: यह उन सड़कों को मजबूत करता है जो महत्वपूर्ण हैं (यादें) और उन सड़कों को ढंक देता है जो जरूरी नहीं हैं (भूलना)।

लेकिन यहाँ एक रहस्य है: मस्तिष्क को कैसे पता चलता है कि किन सड़कों को रखना है और किन को बदलना है, बिना गलती से महत्वपूर्ण सड़कों को नष्ट किए?

यह शोध पत्र उस पहेली को सुलझाने के लिए एक गणितीय मॉडल का उपयोग करता है। लेखकों ने मस्तिष्क नेटवर्क का एक डिजिटल सिमुलेशन बनाया ताकि यह देखा जा सके कि "उत्तेजना" (Excitation) और "शांति" (Inhibition) के बीच का संतुलन इस प्रक्रिया को कैसे नियंत्रित करता है।

हमारी कहानी के पात्र

मॉडल को समझने के लिए, आइए मस्तिष्क की कल्पना एक विशाल डांस फ्लोर के रूप में करें जहाँ दो प्रकार के डांसर हैं:

चीयरलीडर्स (उत्तेजक इकाइयाँ - Excitatory Units): उन्हें एक साथ नाचना पसंद है। यदि एक नाचना शुरू करता है, तो वे दूसरों को भी शामिल होने के लिए प्रेरित करते हैं। वे मस्तिष्क के "चलो!" (Go!) संकेतों का प्रतिनिधित्व करते हैं।
बाउंसर (निरोधात्मक इकाइयाँ - Inhibitory Units): वे शांत रहने वाली टीम हैं। यदि चीजें बहुत ज्यादा पागलपन भरी हो जाती हैं, तो वे हस्तक्षेप करते हैं और सबको धीमा होने या रुकने के लिए कहते हैं। वे "रुको!" (Stop!) संकेतों का प्रतिनिधित्व करते हैं।

मस्तिष्क के व्यवहार की कुंजी इन दोनों समूहों के बीच का संतुलन है।

डांस फ्लोर की तीन अवस्थाएँ

शोधकर्ताओं ने पाया कि बाउंसर कितने मजबूत हैं, इसके आधार पर डांस फ्लोर तीन बहुत अलग तरीकों से व्यवहार करता है:

1. "बहुत शांत" अवस्था (मजबूत निषेध - Strong Inhibition)

क्या होता है: बाउंसर बहुत सख्त हैं। वे चीयरलीडर्स को बहुत ज्यादा उत्साहित होने से रोकते हैं।
परिणाम: हर कोई एक अराजक, असंबद्ध अव्यवस्था में नाचता है। कोई भी तालमेल में नहीं है।
मस्तिष्क का उदाहरण: यह सक्रिय जागृति (Active Wakefulness) की तरह है। आप सोच रहे हैं, हिल-डुल रहे हैं और ध्यान दे रहे हैं। मस्तिष्क में संबंध (सड़कें) स्थिर हैं क्योंकि अराजकता को नियंत्रित किया गया है। कुछ भी ज्यादा नहीं बदलता; नेटवर्क अपनी वर्तमान स्थिति में "जम" (Frozen) गया है।

2. "बहुत जंगली" अवस्था (कमजोर निषेध - Weak Inhibition)

क्या होता है: बाउंसर कमजोर हैं या सो रहे हैं। चीयरलीडर्स पागल हो जाते हैं और सभी एक पूर्ण एकता में नाचने लगते हैं।
परिणाम: पूरा कमरा एक एकल, सिंक्रोनाइज्ड लय में लॉक हो जाता है।
मस्तिष्क का उदाहरण: यह गहरी नींद या दौरे (Seizure) की तरह है। हर कोई एक साथ लॉक हो गया है। हालांकि यह स्थिर है, लेकिन यह कठोर भी है। यदि सब कुछ एक जगह लॉक हो जाए, तो डांस फ्लोर का लेआउट बदलना मुश्किल होता है।

3. "गोल्डिलॉक्स" अवस्था (द्वि-स्थिर शासन - The Bistable Regime)

क्या होता है: बाउंसर बिल्कुल सही हैं—न बहुत मजबूत, न बहुत कमजोर। डांस फ्लोर अस्थिर है। कभी डांसर तालमेल बिठा लेते हैं, और कभी वे बिखर जाते हैं। लय घटती-बढ़ती रहती है।
परिणाम: यह जादुई क्षेत्र है।
- मजबूत संबंध: यदि दो डांसर पहले से ही मजबूती से हाथ पकड़े हुए हैं (एक मजबूत याद), तो संगीत अजीब होने पर भी वे एक साथ जुड़े रहते हैं। वे स्थिर (Stable) हैं।
- कमजोर संबंध: यदि दो डांसर बस ढीले हाथ पकड़े हुए हैं (एक कमजोर या नया संबंध), तो वे उतार-चढ़ाव भरी लय से उछल जाते हैं। वे हाथ छोड़ देते हैं, अलग हो जाते हैं, या नए साथी ढूंढ लेते हैं। वे लचीले (Flexible) हैं।

"धनुष के आकार" (Bow-Shaped) की खोज

सबसे रोमांचक खोज वह है जो संबंधों (डांसरों द्वारा पकड़े गए "हाथों") के साथ होती है।

एक ग्राफ की कल्पना करें जहाँ X-अक्ष "पकड़ कितनी मजबूत है" है और Y-अक्ष "पकड़ कितनी हिलती-डुलती है" है।

मजबूत पकड़: वे बिल्कुल नहीं हिलती। वे पत्थर की तरह ठोस हैं।
कमजोर पकड़: वे भी ज्यादा नहीं हिलतीं, मुख्य रूप से इसलिए क्योंकि वे पहले से ही ढीली और बहती हुई स्थिति में हैं।
मध्यम पकड़: ये वे हैं जो सबसे ज्यादा हिलती हैं! ये इतनी मजबूत हैं कि नोटिस की जा सकें, लेकिन इतनी कमजोर भी हैं कि उतार-चढ़ाव भरी लय से हिल जाएं।

यह क्यों महत्वपूर्ण है?
यह "धनुष आकार" (Bow Shape) बताता है कि मस्तिष्क खुद को कैसे छंटनी (Prune) कर सकता है। नींद (गोल्डिलॉक्स अवस्था) के दौरान, मस्तिष्क उन "मध्यम" संबंधों को हिलाकर अलग कर देता है जो उपयोगी नहीं हैं। "मजबूत" संबंध (महत्वपूर्ण यादें) सुरक्षित रहते हैं। "कमजोर" संबंध जो केवल शोर थे, उन्हें रीसेट कर दिया जाता है।

निष्कर्ष: नींद कमजोरों के लिए एक "रीसेट बटन" है, मजबूतों के लिए नहीं

यह शोध पत्र सुझाव देता है कि मस्तिष्क नींद के दौरान केवल "बंद" नहीं हो जाता है। इसके बजाय, यह एक विशिष्ट प्रकार की अस्थिरता पैदा करने के लिए अपने आंतरिक संतुलन (उत्तेजना/निधेध संतुलन) को बदल देता है।

दिन के दौरान (जागना): मस्तिष्क स्थिर है। यह सीखता है, लेकिन पूरे नेटवर्क को पुनर्गठित करना कठिन है क्योंकि सब कुछ मजबूत निषेध द्वारा लॉक है।
नींद/आराम के दौरान: निषेध थोड़ा कम हो जाता है। यह एक "झटका" या "हिलाने" (Shaking) का प्रभाव पैदा करता है।
- मजबूत सड़कें: जिन्हें आप हर दिन उपयोग करते हैं (जैसे आपकी माँ का चेहरा या साइकिल चलाना सीखना) वे झटके के बावजूद सुरक्षित रहती हैं।
- मध्यम सड़कें: जिन्हें आपने कल इस्तेमाल किया था लेकिन अब उनकी जरूरत नहीं है, वे झटके से ढीली होकर टूट जाती हैं।
- परिणाम: मस्तिष्क अधिक "स्पार्स" (Sparse) और कुशल हो जाता है। यह सोने को रखता है और रेत को धो देता है।

संक्षेप में

मस्तिष्क को एक बगीचे की तरह समझें।

जागरूकता (Wakefulness) एक माली की तरह है जो हर चीज़ को पानी दे रहा है, लेकिन लेआउट को नहीं बदल रहा है।
नींद (Sleep) एक हल्के तूफान की तरह है। तूफान इतना शक्तिशाली है कि वह कमजोर, अनियंत्रित खरपतवारों (बेकार कनेक्शन) को गिरा सके और मिट्टी को हिला सके, लेकिन बड़े, गहरी जड़ों वाले पेड़ (मजबूत यादें) अडिग रहते हैं।

यह मॉडल हमें दिखाता है कि मस्तिष्क के पास मध्यम स्तर की चीजों को चयनात्मक रूप से भूलने और महत्वपूर्ण चीजों को सुरक्षित रखने के लिए एक अंतर्निहित तंत्र है, और यह सब "जाओ" और "रुको" संकेतों के बीच के नाजुक संतुलन की बदौलत है।

यहाँ शोध पत्र "Excitation–inhibition balance controls coupling stability and network reorganization in a plastic Kuramoto model" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र इस बात को समझने में मौजूद एक मौलिक अंतर को संबोधित करता है कि तंत्रिका नेटवर्क (neural networks) स्थापित, स्थिर कनेक्शनों को मिटाए बिना नींद और विश्राम के दौरान कैसे पुनर्गठित होते हैं।

संदर्भ: नींद और विश्राम के दौरान सिंक्रनाइज़्ड न्यूरोनल गतिविधि और उत्तेजना-अवरोध (excitation–inhibition या EI) संतुलन में बदलाव देखा जाता है। ये अवस्थाएँ स्मृति सुदृढ़ीकरण (memory consolidation) और सिनैप्टिक पुनर्गठन के लिए महत्वपूर्ण हैं।
अंतराल (The Gap): हालांकि यह ज्ञात है कि EI संतुलन जागने जैसी (असिंक्रनाइज़्ड) और नींद जैसी (सिंक्रनाइज़्ड/बाइस्टेबल) अवस्थाओं के बीच बदलता रहता है, लेकिन यह विशिष्ट तंत्र स्पष्ट नहीं है जिसके द्वारा ये गतिशील अवस्थाएँ सिनैप्टिक प्लास्टिसिटी के साथ परस्पर क्रिया करती हैं ताकि मजबूत कनेक्शनों को चुनिंदा रूप से स्थिर रखा जा सके और कमजोर कनेक्शनों को पुनर्गठित होने की अनुमति दी जा सके।
पिछले मॉडलों की सीमाएँ: EI संतुलन वाले मौजूदा कुरामोतो मॉडल (EI-Kuramoto) निश्चित, समान कपलिंग भार (uniform coupling weights) का उपयोग करते थे, जो समय के साथ सिनैप्टिक कपलिंग को आकार देने वाली गतिशील अवस्थाओं के अध्ययन को रोकते थे। पिछले प्लास्टिक कुरामोतो मॉडल एक एकल अवस्था में सिंक्रनाइज़ेशन को बढ़ावा देने पर केंद्रित थे, और इस बात की अनदेखी करते थे कि अलग-अलग EI-निर्भर गतिकी (dynamics) प्लास्टिसिटी को कैसे अलग तरह से प्रभावित करती है।

2. कार्यप्रणाली (Methodology)

लेखकों ने नेटवर्क गतिकी और सिनैप्टिक प्लास्टिसिटी का अनुकरण करने के लिए एक प्लास्टिक एक्साइटेशन-इनहिबिशन कुरामोतो (pEI-Kuramoto) मॉडल विकसित किया है।

मॉडल आर्किटेक्चर:
- नेटवर्क दो समूहों के ऑसिलेटर्स (oscillators) से बना है: उत्तेजक इकाइयाँ (excUnits) और अवरोधक इकाइयाँ (inhUnits)।
- परस्पर क्रिया (Interactions): चार प्रकार की अंतःक्रियाएं परिभाषित हैं: $K_{ee}$ (उत्तेजक-उत्तेजक), $K_{ii}$ (अवरोधक-अवरोधक), $K_{ei}$ (उत्तेजक से अवरोधक), और $K_{ie}$ (अवरोधक से उत्तेजक)।
- प्लास्टिसिटी: केवल उत्तेजक-उत्तेजक कपलिंग भार ( $J_{ee}$ ) ही प्लास्टिक और विषम (heterogeneous) हैं। अन्य सभी अंतःक्रिया सामर्थ्य स्थिर हैं।
प्लास्टिसिटी नियम:
- हेब्बियन पोटेंशिएशन (Hebbian Potentiation): इसे जोड़े के बीच चरण अंतर ( $\Delta\theta$ ) के आधार पर एक एक्सपोनेंशियल फंक्शन के माध्यम से लागू किया गया है: $J_{Hebb} = J_{ee} + \alpha \exp(-\gamma |\Delta\theta|)$ । यह उन न्यूरॉन्स के बीच कनेक्शन को मजबूत करता है जो निकटतम सामयिक निकटता (temporal proximity) में फायर करते हैं।
- होमियोस्टैटिक रेगुलाइजेशन (Homeostatic Regularization): अनियंत्रित पोटेंशिएशन को रोकने के लिए, एक लक्ष्य माध्य ( $\mu_{Jee}$ ) और मानक विचलन ( $\sigma_{Jee}$ ) बनाए रखने के लिए भार को हेब्बियन अपडेट के बाद पुनर्गणना (rescale) किया जाता है।
सिमुलेशन पैरामीटर्स:
- EI संतुलन को अवरोधक अंतःक्रिया सामर्थ्य ( $K_i$ , जो $K_{ie}$ और $K_{ii}$ को एकीकृत करता है) को बदलकर नियंत्रित किया गया।
- सिस्टम का विश्लेषण तीन गतिशील शासन (regimes) में किया गया: सिंक्रनाइज़्ड (कम $K_i$ ), बाइस्टेबल (मध्यवर्ती $K_i$ ), और डिसिंक्रनाइज़्ड (उच्च $K_i$ )।
- मेट्रिक्स में सिंक्रनाइज़ेशन के लिए ऑर्डर पैरामीटर ( $R$ ), और समय के साथ कपलिंग भार ( $J_{ee}$ ) के सांख्यिकीय माप, जिसमें माध्य ( $E[J_{ee}]_t$ ) और मानक विचलन ( $S[J_{ee}]_t$ ) शामिल हैं, शामिल थे।

3. मुख्य योगदान (Key Contributions)

EI संतुलन और प्लास्टिसिटी का एकीकरण: यह अध्ययन EI संतुलन गतिकी और अनुकूलन योग्य सिनैप्टिक प्लास्टिसिटी (हेब्बियन + होमियोस्टैटिक) दोनों को शामिल करने के लिए कुरामोतो ढांचे का सफलतापूर्वक विस्तार करता है।
अवस्था-निर्भर स्थिरता की खोज: मॉडल यह प्रदर्शित करता है कि EI संतुलन न केवल सिंक्रनाइज़ेशन की अवस्था को निर्धारित करता है, बल्कि सिनैप्टिक कपलिंग की स्थिरता को भी नियंत्रित करता है।
चयनात्मक पुनर्गठन के लिए तंत्र: यह एक सिस्टम-लेवल तंत्र प्रस्तावित करता है जहाँ नींद/विश्राम जैसी अवस्थाएँ (बाइस्टेबल शासन) मध्यवर्ती-शक्ति वाले कनेक्शनों को चुनिंदा रूप से अस्थिर करती हैं, जबकि मजबूत कनेक्शनों को सुरक्षित रखती हैं, जिससे नेटवर्क प्रूनिंग (pruning) और पुनर्गठन की सुविधा मिलती है।
जैविक सटीकता: मॉडल अनुभवजन्य अवलोकनों (जैसे बड़े स्पाइन्स स्थिर होते हैं, छोटे उतार-चढ़ाव वाले होते हैं) और कपलिंग स्ट्रेंथ के माध्य और उसके उतार-चढ़ाव के बीच "बो-आकार" (bow-shaped) के संबंध को पुनरुत्पादित करता है।

4. मुख्य परिणाम (Key Results)

A. गतिशील अवस्थाएं और कपलिंग उतार-चढ़ाव

सिंक्रनाइज़्ड अवस्था (कम अवरोध, $K_i < 0.4$ ): नेटवर्क उच्च सिंक्रनाइज़ेशन ( $R \approx 1$ ) प्रदर्शित करता है। कपलिंग भार ( $J_{ee}$ ) नगण्य उतार-चढ़ाव के साथ स्थिर हैं।
डिसिंक्रनाइज़्ड अवस्था (उच्च अवरोध, $K_i > 1.5$ ): नेटवर्क डिसिंक्रनाइज़्ड ( $R \approx 0$ ) है। मजबूत और कमजोर कपलिंग स्थिर रहती हैं, लेकिन मध्यवर्ती-शक्ति वाले कपलिंग उतार-चढ़ाव दिखाते हैं।
बाइस्टेबल अवस्था (मध्यवर्ती अवरोध, $0.4 < K_i < 1.5$ ): नेटवर्क सिंक्रनाइज़्ड और डिसिंक्रनाइज़्ड अवस्थाओं के बीच बारी-बारी से बदलता रहता है। यह शासन कपलिंग भार में उच्चतम उतार-चढ़ाव प्रदर्शित करता है, विशेष रूप से मध्यवर्ती-शक्ति वाले कनेक्शनों के लिए।

B. "बो-शेप्ड" (Bow-Shaped) स्थिरता संबंध

माध्य कपलिंग भार ( $E[J_{ee}]_t$ $E [J_{ee}]_{t}$ ) बनाम इसके उतार-चढ़ाव ( $S[J_{ee}]_t$ $S [J_{ee}]_{t}$ ) का स्कैटर प्लॉट एक विशिष्ट "बो आकार" (bow shape) प्रकट करता है:
- मजबूत कपलिंग (उच्च $E[J_{ee}]$ ): अत्यधिक स्थिर (कम उतार-चढ़ाव)।
- कमजोर कपलिंग (निम्न $E[J_{ee}]$ ): अपेक्षाकृत स्थिर।
- मध्यवर्ती कपलिंग: अधिकतम अस्थिरता (उच्च उतार-चढ़ाव) प्रदर्शित करती हैं।
यह जैविक निष्कर्षों को दर्शाता है जहाँ बड़े सिनैप्स (मजबूत) स्थिर होते हैं, जबकि छोटे/मध्यवर्ती सिनैप्स अधिक प्लास्टिक होते हैं।

C. स्थिरता के निर्धारक

फेज और फ्रीक्वेंसी: स्थिर, मजबूत कपलिंग उन जोड़ों से जुड़ी होती है जिनमें प्राकृतिक आवृत्ति अंतर ( $\Delta\omega$ ) और प्रारंभिक चरण अंतर ( $\Delta\theta$ ) कम होता है।
तंत्र: बाइस्टेबल शासन में, ऑर्डर पैरामीटर्स ( $R_{exc}, R_{inh}$ ) का आवधिक मॉड्यूलेशन, मध्यवर्ती जोड़ों के चरण अंतर को अस्थिर करने वाले उतार-चढ़ाव वाले बल पैदा करता है, जिससे उनके भार में दोलन (oscillate) होता है। मजबूत जोड़े मजबूत हेब्बियन पोटेंशिएशन के कारण एक फेज लॉक ( $\Delta\theta \approx 0$ ) बनाए रखते हैं, जो इन उतार-चढ़ाव का विरोध करता है।

D. स्लीप-वेक (नींद-जागना) चक्र सिमुलेशन

नींद-जागने के चक्र की नकल करने के लिए $K_i$ $K_{i}$ को चक्रीय रूप से संशोधित करके, मॉडल ने दिखाया कि:
- वेक-लाइक (डिसिंक्रनाइज़्ड): नेटवर्क संरचना स्थिर होती है।
- स्लीप-लाइक (बाइस्टेबल): मध्यवर्ती कनेक्शन अस्थिर होते हैं और उतार-चढ़ाव दिखाते हैं, जिससे मजबूत मेमोरी ट्रेसेस को सुरक्षित रखते हुए कमजोर लिंक्स के पुनर्गठन और "प्रूनिंग" की अनुमति मिलती है।

5. महत्व (Significance)

सैद्धांतिक अंतर्दृष्टि: यह शोध पत्र एक गणितीय ढांचा प्रदान करता है कि मस्तिष्क कैसे स्थिरता (महत्वपूर्ण स्मृतियों को बनाए रखना) और प्लास्टिसिटी (नई जानकारी सीखना/पुनर्गठित होना) के बीच संतुलन बनाता है, बिना मौजूदा मजबूत कनेक्शनों को मिटाए।
जैविक प्रासंगिकता: परिणाम प्रायोगिक डेटा के अनुरूप हैं जो दिखाते हैं कि सिनैप्टिक स्पाइन वॉल्यूम स्थिरता के साथ सह-संबंधित है (बड़े स्पाइन्स स्थिर होते हैं) और नींद तंत्रिका सर्किट के पुनर्गठन को बढ़ावा देती है।
AI और न्यूरोसाइंस के लिए निहितार्थ: निष्कर्ष बताते हैं कि कृत्रिम तंत्रिका नेटवर्क (artificial neural networks) में "प्रूनिंग" रणनीतियों को इन बाइस्टेबल गतिकी की नकल करके अनुकूलित किया जा सकता है। इसके अलावा, यह एक संभावित स्पष्टीकरण प्रदान करता है कि कैसे नींद रचनात्मक अंतर्दृष्टि (creative insight) और स्मृति सुदृढ़ीकरण की सुविधा देती है, क्योंकि यह कमजोर, शोर वाले कनेक्शनों को चुनिंदा रूप से रीसेट करते हुए मजबूत, प्रासंगिक कनेक्शनों को ठोस बनाती है।
सीमाएँ और भविष्य का कार्य: मॉडल जैविक जटिलता को सरल बनाता है (जैसे विशिष्ट न्यूरोट्रांसमीटर, कंडक्शन विलंब और NREM बनाम REM जैसे विशिष्ट नींद चरणों को अनदेखा करना)। भविष्य के कार्य चुनिखंड (selective) प्रतिधारण को उतार-चढ़ाव-संचालित पुनर्गठन से जोड़ने के लिए विशिष्ट मूल्यांकन संकेतों (जैसे डोपामिनर्जिक सुदृढीकरण) को एकीकृत कर सकते हैं।