Feasible closed-loop stimulation for neural latent dynamics control

人間の脳は、数十億ものニューロンが複雑なパターンで発火する、広大でノイズの多いネットワークです。何十年もの間、科学者たちは、これらの混沌とした信号がいかにして、コップに手を伸ばしたり言葉を発したりといった滑らかで目的のある行動へと変換されるのかを理解しようと試みてきました。現代の神経科学における強力なアイデアは、表面的なノイズの下には、より単純で隠れた活動の層が存在するというものです。この隠れた層を、行動を駆動する目に見えないレバーや「因子」と考えてみてください。もし研究者がこれらのレバーを特定し、それを引く方法を学べれば、単に活動が起きるのを観察するだけでなく、脳がどのように特定の行動を引き起こすのかを正確に理解できるかもしれません。しかし、大きな障害が残っています。科学者はこれらの隠れたパターンを記録することには非常に長けてきましたが、それらを直接操作することには苦慮してきました。従来の手法は、広範囲で標的を絞らない信号で脳を突いたり、個々のニューロンを一つずつ制御しようとしたりするものですが、これは極めて困難であり、全体像を見失うことがよくあります。問題は、リアルタイムでこれらの隠れた脳の状態を操り、行動を導くことが可能なのか、そしてもし可能であるならば、どのようなツールが必要になるのかということでした。

ジョージア工科大学とエモリー大学の研究チームは、詳細な仮想実験室を構築することで、この問いに答えるべく取り組みました。すぐに生体動物を使用するのではなく（それはコストがかかり技術的にも高度な要求を伴うため）、彼らは運動に関与する脳領域の高度なコンピュータ・シミュレーションを作成しました。彼らは、このデジタルネットワークに、サルがターゲットに向かって手を伸ばす際の活動を模倣するように学習させ、コンピュータが動きを駆動する隠れた「因子」を学習できるようにしました。シミュレーションが稼働すると、研究者たちは「クローズドループ制御」と呼ばれる新しいアプローチをテストしました。このセットアップでは、コンピュータは脳の隠れた状態を常に監視し、それがどこへ向かおうとしているかを予測し、もし軌道から外れ始めた場合には、即座に光の信号を送って軌道に戻すように促します。これは、あらかじめ計画された信号を送るのではなく、変化が発生するたびにシステムが反応する、連続的なループの中で行われます。目標は、この手法が脳の隠れたダイナミクスをうまく操り、特定の動きを生み出すことができるかどうか、そしてそれを実現するためにどれだけの数の光源と記録センサーが必要かを明らかにすることでした。

研究者たちはまず、精度の根本的な問いに取り組みました。すなわち、脳を制御するにはすべてのニューロンを操作する必要があるのか、それともより少ない数の光源で事足りるのか、という問いです。シミュレーションにおいて、彼らは独立した光チャンネルの数を、領域全体を一様に照らすわずか1つから、個々のニューロンを個別に制御できる1,000超まで変化させました。その結果、脳を微細に管理する必要はないことが判明しました。比較的少ない数の光源（利用可能な1,024チャンネルのうち約200個）であっても、システムは最大可能な制御性能の約85%を達成できました。このことは、行動に影響を与えるためにすべてのニューロンを制御する必要があるという考えは、おそらく不要であることを示唆しています。脳の隠れたレバーは十分に堅牢であるため、適度な量の標的を絞った刺激があれば、それらを導くのに十分なのです。これは、ニューロンを一つずつ制御する超高解像度のツールに多額の投資を行う現在の傾向に異を唱えるものです。

研究の第二の部分は、実用的なエンジニアリングの問題、つまり、限られた数のチャンネルを、脳が行っていることを「記録」することと、脳に何かを行わせるための「刺激」することにどのように分配すべきか、という問題に取り組みました。現在の多くの実験では、科学者は脳の声を聴くために多くの記録電極を使用しますが、刺激するためには単一の光源しか使用せず、「聴くこと」の方が「話すこと」よりも重要であると想定しています。研究者たちは、固定された合計100チャンネルを用い、記録と刺激の間でそれらをどのように分割するかを変えてシミュレーションを行うことで、この仮定をテストしました。彼らは、最も効果的な戦略は、リソースをほぼ均等に分割することであることを見出しました。システムに、記録センサーと光源がほぼ同数あった場合に、シミュレートされた腕を正しいターゲットへと導くパフォーマンスが最も高くなりました。多くのセンサーを使用し、光源を一つだけにするという一般的な慣行は成績が悪く、何もしない場合とほとんど変わらない結果となりました。この発見は、脳の活動を真に制御するためには、研究者は信号を「聴く」能力と同じくらい、信号を「送る」能力にも投資する必要があることを示唆しています。

これらのシミュレーションを通じて、研究者たちは、ニューロンの密度、光ビームの幅、制御システムを訓練するために使用されるデータ量など、多くの異なる条件下でシステムをテストしました。結果は一貫していました。低次元の刺激は有効であり、感覚と行動のバランスの取れた組み合わせが最適であるということです。標準的な制御手法を用い、極端な最適化を行わなくても、システムは追跡誤差を60%以上減少させ、シミュレートされた動きを90%以上の試行で成功裏に誘導しました。また、研究はリアルタイムのフィードバックの重要性も強調しました。変化に応じて調整することなく、動きの全行程を事前に計画するバージョンのシステムをテストしたところ、パフォーマンスは著しく低下し、動きを正しく導くことに失敗することが頻発しました。このことは、脳の変化する状態に対して即座に反応する能力が、成功のために極めて重要であることを裏付けています。

これらの結果はコンピュータ・シミュレーションによるものであり、生体動物によるものではありませんが、将来の実験に向けた明確なロードマップを提供しています。研究結果は、脳のダイナミクスを制御する装置を構築するために、個々の細胞を標的にするような途方もなく複雑な技術は必要ないことを示唆しています。むしろ、中程度の数の独立した光源を備え、それと同数の記録センサーとバランスを取ったシステムがあれば、脳の隠れた状態を操り、行動がいかに生成されるかという因果関係の理論を検証するのに十分である可能性があります。もしこれらのシミュレーションが実際の生体組織でも成立するならば、研究者が単に脳の活動を観察するだけでなく、私たちがどのように動くか、どのように考えるかという根本的なルールを理解するために、脳と積極的に関わるという、神経科学の新しい時代の幕開けとなるでしょう。進むべき道は、これらのツールを構築し、現実世界でテストすることですが、シミュレーションは、その目標が手の届く範囲にあることを強く示しています。