脳はしばしば、同じ電気回路が予測可能なパターンで繰り返し作動し、同じ動きを生み出す、広大で静的な機械として想像されます。数十年にわたり、科学者たちは脳を、思考や行動を特定の経路へと導く「丘と谷」の景観（ランドスケープ）として捉える、力学系という言葉を用いて神経活動を記述してきました。この伝統的な見方では、景観の形状は固定されています。例えば、人がコップに手を伸ばすとき、脳の活動はある決まったルートを辿ります。そして、試行ごとの差異は、ラジオの回線のノイズのような、単なるランダムなノイズに過ぎないとされてきました。しかし、近年の観察はこのイメージに疑問を投げかけています。動物が同じタスクを繰り返し行う際、脳の活動は単一の経路の周りで小刻みに揺れている（ジッターしている）だけでなく、組織化された意味のある方法で変化しているのです。これらの変化は、動物の覚醒度や関与度といった内部状態としばしば相関しており、脳の情報処理のルールそのものが、状況に応じて刻々と柔軟に変化している可能性を示唆しています。
テルアビブ大学とアレン研究所の研究者による新しい研究は、これらの変動を理解する方法に対する劇的な転換を提案しています。試行ごとの違いを、平均化されるべき単なるエラーとして扱うのではなく、研究チームは、単一の神経回路が連続的な異なる動作モードの「家族（ファミリー）」を生み出すことができると考えています。彼らは、脳は固定された地図の周りを彷徨っているのではなく、実際には地図そのものを描き直しているのだと主張しています。これを検証するため、研究者たちは、各瞬間の脳活動を共有された回路のユニークな構成として扱う数学的モデルを開発しました。彼らは、各試行におけるいくつかの隠れた制御パラメータを推論することで、基礎となる配線を変えることなく、脳の内部的な景観がいかにどのように変形し、一つの安定した状態から別の状態へと移行するかを説明できることを見出しました。
研究チームはまず、制御されたシミュレーションにおいて、既知のルールを持つ合成脳回路を作成し、その活動を観察するだけでモデルにそれらのルールを特定させるというアイデアをテストしました。モデルは成功し、隠れた構造を復元しました。つまり、制御信号のわずかな変化が、二つの安定した状態を持つシステムを、いかにして一つの状態のみを持つシステムへと変えうるかを正確に特定したのです。これは、手法がランダムなノイズと、回路の動作における構造化された真の変化とを区別できることを証明しました。次に、チームはこのアプローチを、遅延運動タスクを行うマウスの脳から記録された実データに適用しました。この実験では、マウスは報酬を得るために信号を待ってから給水器を舐める必要がありました。研究者たちは、一部の試行において、マウスが単に信号を無視して動かなかったことに注目しました。脳活動を分析することで、モデルは、この「離脱（ディスエンゲージメント）」に対応する制御空間内の特定の方向を特定しました。研究者が、関与しているマウスの活動をこの方向に数学的にシフトさせると、モデルによるシミュレーション上の脳活動は、まさに離脱した状態と見分けがつかないものへと変貌しました。これにより、物理的な接続を変更することなく、回路を「作業中」から「無視」の状態へと切り替えることに成功したのです。
また、この研究は、リーチング（手を伸ばす）タスクを行うサルから記録された運動野のデータも調査しました。ここでの目的は、モデルが注意などの内部状態だけでなく、特定のタスクに関連する制御方向を見つけ出せるかどうかを確認することでした。研究者たちは、モデルが、制御空間内にある、サルが手を伸ばせる様々な方向を、滑らかな二次元平面へと整理できることを見出しました。シミュレーションにおいて、ある試行の活動をこの平面に沿って動かすと、デコードされた動きが予測通りに回転し、新しい目標方向と一致しました。これは、モデルが、脳がいくつかの離散的な選択肢を切り替えているのではなく、運動を操るためにダイナミクスを滑らかに調整するという、連続的な制御メカニズムを明らかにしたことを示しています。さらに、研究者たちは、あるサルから学習されたこれらの制御パラメータの統計的パターンが、同じタスクを行う別のサルにも転移できることを示しました。このことは、脳がダイナミクスを再形成する方法が、単一の個体におけるランダムな癖ではなく、これらの回路が動作する際の共通の、根本的な特性であることを示唆しています。
この研究の重要性は、方法論的な問題を科学的な発見へと転換させた点にあります。試行ごとの変動性を、低次元の制御空間における移動として捉え直すことで、研究者たちは脳の内部設定をその活動から直接読み取る方法を提供しています。このモデルは単なる記述的なツールではありません。それはメカニズムに基づいたものであり、つまり、生きた動物でテスト可能な具体的な入力パターンを特定できるものです。研究者たちは、推論された制御信号を模倣するように標的型の光刺激を用いることで、科学者が脳回路を一つのダイナミカルなレジームから別のレジームへと強制的に押し上げることができる（例えば、離脱している動物を再び関与させたり、リーチの方向を変えたりすること）と示唆しています。このアプローチは、脳が何をするかを単に記述する段階を超え、脳がいかにして幅広い行動を生み出すために同じハードウェアを柔軟に再利用しているのかを説明するものであり、精神の動的で適応的な性質を捉えるための新しいレンズを提供しています。
技術的要約：一つの回路、多くの流体場：単一試行の神経ダイナミクスのメカニズムモデル
問題提起
神経回路は伝統的に、集団活動が固定された流体場（flow field）を通じて進化する動的システムとしてモデル化されており、試行間の変動は、この固定された景観（landscape）の周囲のノイズ（確率的なゆらぎ、初期条件の違い）として扱われてきた。しかし、大規模な記録によれば、変動はしばしば構造化されており、低次元であり、かつ緩やかに変化する内部状態（覚醒度、エンゲージメント、戦略など）と結びついている。既存のモデルは、これらを固定されたシステムにおけるノイズとして扱うか、あるいは少数のレジーム間の離散的な切り替えとして扱うかのいずれかである。どちらのアプローチも、連続的な内部状態変数が回路のベクトル場をどのように漸次的に変形させるかを捉えることはできない。中心となる課題は、単一試行の活動を単なるノイズとしてフィッティングすることを超え、共有された動的システムを再形成する低次元の制御パラメータを推論することである。
手法
著者らは、単一試行のフィッティングを、共有された回帰回路の流体場を変形させる低次元の制御パラメータの推論として再定義するフレームワークを提案している。
- モデルアーキテクチャ: 核となるのは、結合行列 J が全試行で共有され、かつ低ランク（J=UAU⊤）に制約された低ランク回帰ニューラルネットワーク（RNN）である。記録された各ニューロンは、ネットワーク内のユニットに対応する。
- 試行固有の制御: 試行間の変動は、各試行 k に対する静的な低次元入力バイアスベクトル bk を通じてモデル化される。このバイアスは、試行内では一定であり、試行 k における定数入力 Ik=Ubk としてダイナミクスに作用する。
- メカニズム: 決定的なのは、bk は試行内では時間に対して一定であり、時間的に変化する駆動因子ではなく、**分岐パラメータ（bifurcation parameter）**として機能することである。これは、活動を直接駆動するのではなく、共有回路の流体場を変形させ、不動点をシフトさせ、安定性を変化させ、分岐を誘発する。
- フィッティング手順: モデルは、共有パラメータ（結合 U,A、ニューロンの最大値 rmax、およびタスク入力 I(t)）と、試行ごとのバイアス {bk} を共同で最適化することにより、記録された単一試行の活動に適合される。
- 生成的な拡張: 生成的なバージョンでは、バイアスを学習された分布 bk∼N(0,Σ) からサンプリングされる確率変数として扱い、モデルが試行間の変動の分布を捉え、セッションや個体間での転移可能性をテストすることを可能にする。
主要な貢献
- 制御空間モデル: 連続的で試行固有の入力が共有回路の流体場を変形させる、低ランクRNNの導入。これにより、活動から直接、この制御空間を推論することが可能となる。
- グラウンドトゥルースによる検証: 合成データを用いたデモンストレーションにより、本手法が活動のみから試行依存の流体場とその分岐構造（制御空間）を回収できることを示した。
- 内部状態による制御（マウス）: マウスの前方外側運動野（ALM）のデータに適用し、「離脱（disengagement）」の制御軸を特定した。これは、エンゲージ状態と離脱状態の間でダイナミクスを系統的に再構成する。
- タスク変数による制御（サル）: サルの運動野データに適用し、「リーチ方向の制御平面（reach-direction control plane）」を特定した。これは、保持された方向に対して汎化する。この平面内での移動は、デコードされたリーチを予測通りに回転させる。
- 共有ダイナミクス: 生成的な拡張により、あるマウスのセッションから学習された潜在ダイナミクス（A）と変動構造（Σ）が、同じタスクを行う別の個体へと転移することを示した。
結果
- 合成データによる検証: 既知の双安定およびリミットサイクル・ダイナミクスを持つティーチャー・スチューデント設定において、モデルはグラウンドトゥルースのベクトル場、不動点の位置、および分岐構造を正常に回収した。推論されたバイアス空間におけるペアワイズ距離は、ベクトル場の空間における距離と強く相関しており（r=0.99）、モデルが変動の幾何学を捉えていることを裏付けている。
- マウス運動野（ALM）:
- モデルは、単一試行の活動を再現する上で高い検証性能（R2≈0.64）を達成した。
- バイアス空間における特定の「離脱軸」を特定した。この軸への投影が高い試行は、「無視（ignore）」試行（反応なし）に対応していた。
- 因果的操作: 「ヒット」試行の推論されたバイアスを離脱軸に沿ってシフトさせると、潜在ダイナクスが系統的に「無視」レジームへと変形し、選択および反応の投影が減少した。逆に、「無視」試行を反対方向にシフトさせると、「エンゲージ」レジームへと移動した。
- サル運動野:
- 明示的なタスク入力なしに、モデルはバイアス空間における二次元の「リーチ方向平面」を推論した。
- この平面上に投影されたバイアスは、ターゲット角度によって順序付けられたリングを形成した。
- 汎化と制御: この平面は、保持されたターゲット角度に対しても汎化された。試行のバイアスをこの平面内で特定の角度 Δ だけシフトさせると、デコードされたリーチが約 Δ 回転した。これは、推論された制御空間が回路のダイナミカルなステアリングに直接マップされていることを示している。
- 個体間転移: あるマウスのセッションから学習された潜在ダイナミクス（A）と変動分布（Σ）を別のセッションに転移させたとき、モデルはターゲットセッションで直接訓練されたベースラインに近い性能を維持し、ランダムなコントロールを大幅に上回った。これは、動物間で共有された低次元の制御空間が存在することを示唆している。
意義と主張
本論文は、単一試行の変動をフィッティングするという方法論的な問題を、制御パラメータの読み取りという科学的な機会へと再定義することを主張している。試行間の変動を、共有された流体場を変形させる低次元の制御パラメータを通じた移動としてモデル化することで、このアプローチは、データ駆動型の推論を柔軟な行動のメカニズム理論へと結びつけている。
著者らは、本モデルが単なる記述的なものではなく、メカニズムに基づいたものであることを強調している。推論されたバイアスは特定のニューロンへの入力パターンに対応しているため、本モデルは、実験的なステアリング（例：ホログラフィック光刺激による）を用いて、回路を異なるダイナミクス・レジーム間へと移動させる方法を予測できる。このフレームワークは、単一の神経回路が、離散的なレジームを切り替えるのではなく、内部状態やタスク要求の連続的な変調を通じて、関連するダイナミカル・システムの連続体（「一つの回路、多くの流体場」）を生成できることを示唆している。
限界
著者らは、現在のフレームワークが試行固有のバイアスを試行間で独立したものとして扱っていることを指摘している。これは、ある試行におけるバイアスが先行する試行の履歴に非線形に依存する場合（その場合、バイアス自体の追加のダイナミクスが必要となる）には、まだ対応できていない。
毎週最高の 神経科学 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録