✨ 要約🔬 技術概要
野生の世界において、匂いが一定で連続的な雲のように漂うことは滅多にありません。代わりに、匂いは空気の中で渦を巻きながら、急速な濃度のバースト（突発的な変化）として移動します。匂いを追跡する動物は、その匂いが何であるかを特定するだけでなく、それらのバーストがどのくらいの速さで届いているかをも感知しなければなりません。このタイミングには源泉に関する重要な情報が含まれており、生物がナビゲーション、採餌、そして生存する助けとなります。科学者たちは、嗅覚処理システムの最上流である嗅球が、こうした急速な変動を検出できることを古くから知っていましたが、脳のより高次の嗅覚中枢である梨状皮質も、この時間的なコードを読み取ることができるのかどうかは謎のままでした。この領域は通常、脳が「匂いが何であるか」や「その強さがどの程度か」を学習する場所だと考えられてきましたが、信号の速度を処理する能力については不明確でした。
このパズルを解くために、研究者たちは哺乳類に見られる実際の生物学的ハードウェアを模倣するように設計された、神経細胞ネットワークである梨状皮質の詳細なコンピュータモデルを構築しました。彼らは、マウスの嗅球から記録された現実的なデータをこの仮想の脳に投入し、2つの異なる速度（遅い2ヘルツのリズムと速い20ヘルツのリズム）で届けられる3種類の異なる匂いの混合物をシミュレートしました。目的は、ネットワークがこれら2つの速度の違いを識別できるかどうかを確認することでした。結果は驚くべきものでした。研究者がネットワーク内の個々のニューロンの活動を調べたところ、そのほとんどは、単独では遅いリズムと速いリズムを区別することができませんでした。しかし、ニューロン集団全体の集団的な活動を調べると、状況は一変しました。ニューロンのグループは、集団として機能することで、2つの周波数の違いを明確かつ確実に識別することができたのです。このことは、脳が匂いのタイミングを解読するために単一の細胞に依存しているのではなく、ネットワーク全体にわたる活動のパターンが情報を運ぶ、分散型のコードを利用していることを示唆しています。
研究はさらに、この能力を可能にするネットワークの具体的な配線がどのようになっているかを理解するために進められました。研究者たちは、ニューロン間の異なる種類の接続を系統的に取り除く仮想実験を行い、これは遺伝子ノックアウトをシミュレートしてどのような影響が出るかを見る試みでした。彼らは、ネットワークの匂いの速度を識別する能力が、ニューロンの過剰な発火を抑えるブレーキとして機能する接続、すなわち抑制回路に対して非常に敏感であることを発見しました。直感に反する発見として、主要な興奮性ニューロンに直接入力される抑制接続を取り除くと、実際にはネットワークの周波数解読能力が向上しました。研究者がこれらの特定の「ブレーキ」を静止させると、モデルは遅い2ヘルツのリズムと速い20ヘルツのリズムを識別する能力がさらに高まりました。逆に、主要なニューロン同士が通信することを可能にする興奮性接続を取り除いたり、抑制ニューロン同士の間の抑制接続を取り除いたりすると、ネットワークのパフォーマンスは著しく低下しました。
これらのシミュレーションは、梨状皮質が自然界の匂いの時間的ダイナミクスをエンコードする能力を備えていることを示唆しており、この特徴は以前は処理のより初期の段階に限られていると考えられていました。この知見は、この能力が個々の細胞の特性ではなく、ネットワーク全体の複雑で分散的な相互作用から立ち上がるものであることを示しています。さらに、本研究は、この回路における興奮と抑制のバランスが、この時間的感受性を高めたり、あるいは低下させたりするように調整可能であることを明らかにしています。特定の抑制経路を減少させることで、脳の匂いの速度を読み取る能力を鋭敏にできることを示すことで、この研究は、神経回路がいかにして現実世界の急速で変動する性質を処理するために最適化されているかについて、新たな視点を提供しています。この研究は、生きている動物において、梨状皮質は単に匂いを識別するだけでなく、空気のリズムそのものを能動的に処理しており、精密かつある程度柔軟な神経接続に依存した分散型ネットワークメカニズムを用いていることを予測しています。
技術要約：嗅覚周波数エンコーディングを予測する、生物物理学的に妥当な梨状皮質ネットワークモデル
問題提起
方法論
細胞種： 500個の興奮性錐体ニューロン（PYR）、50個のフィードフォワード抑制性介在ニューロン（FFIN）、および50個のフィードバック抑制性介在ニューロン（FBIN）。結合性： 接続は、齧歯類のデータに基づく実験的な確率に基づいてランダムに割り当てられた。PYRは僧帽／房状細胞（M/T細胞）から入力を受け、再帰的な興奮性を示す。FFINとFBINは、それぞれPYRに対して遠位および体細胞への抑制を提供し、さらに介在ニューロン集団内での再帰的接続も有する。入力： モデルは、3種類の臭気混合物（2つの二成分混合物と、それらを組み合わせた混合物）に対して提示された際の、M/T細胞の既知のin vivo スパイク活動によって駆動される（提示周波数は、基底的な嗅ぎ動作の範囲である2 Hzおよび生理学的上限である20 Hz）。解析：
単一細胞 vs 集団： 細胞の発火率は、336回の試行にわたってMann–Whitney UテストおよびCliff's deltaを用いて分析され、単一ニューロンレベルおよび集団レベルでの識別能を評価した。デコーディング： ビニングされたスパイク列（20 msウィンドウ）に対して、一次元畳み込みニューラルネットワーク（1D-CNN）およびロジスティック回帰分類器を訓練し、臭気周波数（2 Hz vs 20 Hz）をデコードした。仮想ノックアウト： 特定の回路モチーフの役割を決定するために、著者らは特定のシナプス接続（例：FFIN→PYR、FBIN→PYR、PYR→PYR、介在ニューロン内の接続）を系統的に除去し、デコーディング性能を再評価した。興奮性の制御： 回路モチーフの効果と一般的な基底発火率の変化を区別するために、基底ノイズを調整してノックアウトモデルの発火率と一致させた制御バリアントをシミュレートした。
主な結果
集団レベルの識別： 個々の錐体ニューロンは、2 Hzと20 Hzの周波数を識別する上でほとんど効果的ではなかった（統計的閾値を緩和しても、有意な差を示す細胞は極めて少なかった）。しかし、PYRの試行平均集団活動は、すべての臭気刺激においてこれら2つの周波数を有意に識別した。分散型エンコーディング： 1D-CNNを用いたデコーディング精度は、2 Hzと20 Hzの識別において最大95%に達した。対数尤度スコアの分析により、この識別能力はPYR集団全体に高度に分散しており、分類を駆動する単一の「マスター」ニューロンは存在しないことが明らかになった。回路モチーフの効果（ノックアウト）：
識別の向上： 驚くべきことに、錐体ニューロンへの直接的なフィードフォワード（FFIN→PYR）またはフィードバック（FBIN→PYR）抑制を除去すると、制御ネットワークと比較して、すべての臭気条件下で周波数デコーディング精度が向上した。識別の低下： 対照的に、PYR間の再帰的興奮（PYR→PYR）、または両方の介在ニューロン集団内における再帰的抑制（FFIN→FFINおよびFBIN→FBIN）を同時に除去すると、デコーディング性能が低下した。最小限の影響： 単一の介在ニューロン種内（例：FFIN→FFINのみ）の集団内接続を除去した場合、デコーディング精度への影響は最小限であった。
メカニズムの特異性： 直接的な抑制の除去によるデコーディングの向上は、単なる基底発火率の上昇によるものではない。基底発火率をノックアウトレベルに人工的に一致させた制御シミュレーションでは、向上したデコーディング精度を再現できなかった。これは、特定のシナプスアーキテクチャ（回路モチーフ）が、グローバルな興奮性ではなく、周波数エンコーディングを駆動していることを示している。
意義および主張
中心的な知見は、特定の回路モチーフによる臭気周波数エンコーディングの双方向的な変調である。著者らは、PCxにおける興奮と抑制のバランスが、タスク依存的に時間的エンコーディングを形成していると提案している。具体的には、本モデルは、錐体ニューロンへの直接的な抑制を減少させることが、応答ゲインを増加させ、相関構造を変化させることにより、ネットワークの周波数識別能を高めることを示唆している。一方で、再帰的興奮は、この識別を維持するために必要な安定性を維持するために必要である。
著者らは、生物物理学的に妥当なモデルを用いることで、PCxが自然な臭気周波数（2 Hz vs 20 Hz）を区別できることを予測し、この能力が単純なニューロンの興奮性ではなく、特定のシナプス接続の相互作用によって形作られていることを結論付けている。彼らは、これらの知見が、特定の介在ニューロンのサブタイプが時間的な臭気処理にどのように寄与しているかについての、実験的に検証可能な予測を提供するものであると述べている。
毎週最高の biology 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 ×