Efficient Coding Predicts Synaptic Conductance

Dit artikel toont aan dat een parameterloos model, gebaseerd op de biofysica van synapsen en Shannon-informatietheorie, de waargenomen daling in energie-efficiëntie bij afwijkende synaptische geleidingswaarden nauwkeurig voorspelt, wat bevestigt dat neurale systemen geëvolueerd zijn om de hoeveelheid informatie per Joule te maximaliseren.

De kern

Hoe de hersenen energie besparen: Een verhaal over de perfecte synaps

Stel je voor dat je hersenen een enorme, supergeavanceerde fabriek zijn. In deze fabriek zijn er miljarden kleine postkantoren, de synapsen, die boodschappen (informatie) van de ene cel naar de andere sturen. Maar er is een groot probleem: deze fabriek werkt op batterijen. De "batterij" is de energie die je lichaam verbruikt.

De vraag die wetenschappers al lang stellen, is: Hoe kunnen deze postkantoren zoveel mogelijk boodschappen versturen, terwijl ze zo weinig mogelijk batterijvermogen gebruiken?

Dit nieuwe onderzoek van James Stone geeft een verrassend simpel, maar diep antwoord: De natuur heeft de synapsen zo ontworpen dat ze precies op het "gouden punt" werken.

Hier is hoe dat werkt, vertaald in alledaagse termen:

1. De "Gouden Stroom" (De natuurlijke waarde)

Stel je een kraan voor die water (informatie) door een pijp (de synaps) laat stromen.

• Als je de kraan een beetje dichtdraait, stroomt er te weinig water.
• Als je de kraan wijd openzet, stroomt er wel veel water, maar dan wordt de pijp zo onrustig dat er veel water verdampt of lek gaat (ruis).

Het onderzoek laat zien dat elke synaps in je hersenen een perfecte, natuurlijke instelling heeft. Op dat punt sturen ze de meeste informatie door per druppel energie. In het onderzoek heet dit de "natuurlijke geleidbaarheid". Als je de kraan kunstmatig anders instelt (bijvoorbeeld door een experiment), daalt de efficiëntie direct. Het is alsof je probeert een auto te besturen met de handrem erop; het werkt, maar het kost enorm veel brandstof voor weinig resultaat.

2. De "Ruis" en de "Batterij"

In de hersenen is er altijd wat "ruis". Denk aan ruis als statische op een radio of een trillende telefoon die je niet hebt aangeraakt. Deze ruis komt doordat de chemische boodschappers (neurotransmitters) niet perfect precies op het juiste moment aankomen.

Een eerdere studie (Malkin et al., 2026) ontdekte iets belangrijks: Er is een minimale energiegrens.

• Stel je voor dat je een budget hebt om een muur te bouwen. Je wilt de muur zo strak en perfect mogelijk maken (minimale ruis).
• De wetten van de natuur zeggen: "Met jouw budget kun je de muur niet nog strakker maken."
• De hersenen werken precies op dit punt: ze maken de muur zo perfect als het budget toelaat. Ze verspillen geen energie aan extra perfectie die ze niet kunnen betalen.

3. Het Geheim: De Formule van de Perfecte Kraan

James Stone heeft nu een stap verder gezet. Hij vroeg zich af: Waarom daalt de efficiëntie zo snel als we de kraan (de synaps) afwijken van die perfecte instelling?

Hij gebruikte een oude, beroemde formule van Shannon (de vader van de informatietheorie) en combineerde die met de biologie van de synaps. Het resultaat is een soort "wiskundige wet" die voorspelt hoe de efficiëntie daalt als je de kraan verdraait.

De analogie van de radio:
Stel je voor dat je een radio hebt die werkt op een specifieke frequentie.

• Als je de knop op de perfecte frequentie zet, hoor je de muziek kristalhelder (maximale informatie, minimale energie).
• Als je de knop een heel klein beetje draait, begint er statische ruis te komen.
• Stone ontdekte dat de manier waarop die ruis toeneemt en de kwaliteit afneemt, exact overeenkomt met een wiskundige formule die is afgeleid uit de fysica van de synaps.

4. Waarom is dit zo speciaal?

Het meest verbazingwekkende aan dit onderzoek is dat er geen "vrije parameters" zijn.
In de wetenschap proberen wetenschappers vaak een formule te vinden die past bij de data door allerlei knoppen en schuifregelaars aan te passen (zoals "stel de constante in op 0,5").

Dit model heeft geen schuifregelaars. De formule is puur gebaseerd op hoe een synaps fysiek werkt (hoeveel deeltjes er vrijkomen, hoe groot de elektrische reactie is, etc.). Het feit dat deze "stijve" formule precies de meetresultaten uit het verleden voorspelt, betekent dat de hersenen niet zomaar "een beetje" efficiënt zijn. Ze zijn optimaal geëvolueerd.

Conclusie: De Hersenen zijn Eco-vriendelijk

Kort samengevat:
Onze hersenen zijn niet alleen slim, ze zijn ook eco-vriendelijk. Ze hebben zich miljoenen jaren lang ontwikkeld om elke joule energie te gebruiken alsof het goud is. Ze werken precies op het punt waar de "ruis" zo klein is als het energielimiet toelaat, en waar de informatieoverdracht maximaal is.

Als je de synapsen zou verstoren (zoals in de experimenten), is het alsof je een raceauto probeert te besturen met de handrem erop: het kost veel meer energie voor veel minder snelheid. De natuur heeft de "handrem" dus al verwijderd en de motor ingesteld op de perfecte toerentelling.

De boodschap: Onze hersenen zijn het ultieme voorbeeld van hoe je met zo min mogelijk energie, zo veel mogelijk kennis kunt verwerken.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Efficient Coding Predicts Synaptic Conductance" van James V. Stone, in het Nederlands.

Titel: Efficiënte codering voorspelt synaptische geleidbaarheid

Auteur: James V. Stone (University of Sheffield, Engeland)
Datum: 6 maart 2026 (arXiv versie)

---

1. Het Probleem

Synapsen in het brein zijn informatie-efficiënt: hun natuurlijke geleidbaarheidswaarden maximaliseren het aantal bits dat per Joule energie wordt overgedragen. Eerdere studies (Harris et al., 2015) hebben aangetoond dat wanneer de geleidbaarheid kunstmatig wordt afgeleid van de natuurlijke waarde, de efficiëntie (bits/Joule) snel daalt. Echter, de exacte wiskundige relatie die beschrijft hoe deze efficiëntie daalt bij afwijkingen van de natuurlijke geleidbaarheid, bleef tot nu toe onverklaard.

Een recente studie (Malkin et al., 2026) toonde aan dat synaptische ruis wordt geminimaliseerd binnen een bepaald energiebudget (de "minimale energie grens"). Dit is een noodzakelijke, maar niet voldoende voorwaarde voor het maximaliseren van informatie-efficiëntie. De vraag was of deze fysieke grens ook de waargenomen daling in efficiëntie kan voorspellen zonder het gebruik van vrij aanpasbare parameters.

2. Methodologie

Stone combineert de biophysica van synapsen met de informatietheorie van Shannon om een parametrisch efficiëntiemodel af te leiden. De aanpak omvat de volgende stappen:

• Biophysische Basis: De studie bouwt voort op Malkin et al. (2026), die een relatie tussen energiebudget ($E$) en synaptische precisie ($\sigma^{-2}$) hebben vastgesteld:
  $$\sigma^{-2} = kE^5$$
  Hierbij is $\sigma^2$ de variantie van het ruisniveau en $k$ een constante.
• Informatietheorie: Shannon's formule voor wederzijdse informatie ($I$) wordt toegepast:
  $$I = \log\left(1 + \text{SNR}\right)^{1/2}$$
  Waarbij SNR de signaal-ruisverhouding is ($\sigma_x^2 / \sigma^2$).
• Koppeling aan Geleidbaarheid:
  • De energie ($E$) wordt uitgedrukt in termen van de synaptische geleidbaarheid ($G$), waarbij $G=1$ de natuurlijke geleidbaarheid voorstelt. De energie wordt gemodelleerd als $E = \beta G$.
  • Door de minimale energie-grens ($\sigma^{-2} = kE^5$) te substitueren in de SNR-berekening, wordt de relatie tussen informatie en geleidbaarheid afgeleid.
  • Onder de aanname van een hoge SNR, wordt de wederzijdse informatie benaderd als:
    $$I \approx \log(1 + c G^{2.5})$$
    waarbij $c$ een constante is die afhangt van de signaalvariantie en fysieke constanten.
• Afleiding van Efficiëntie: De informatie-efficiëntie ($\varepsilon$) wordt gedefinieerd als $I/E$. Door de bovenstaande uitdrukkingen te combineren, ontstaat de voorspellende functie:
  $$\varepsilon(G) = \frac{\log(1 + c G^{2.5})}{\beta G}$$
  Cruciaal is dat deze vergelijking geen vrije parameters bevat; de exponent $2.5$is direct afgeleid uit de biophysica van de minimale energie-grens ($E^5$in de precisie-vergelijking leidt tot$G^{2.5}$ in de informatie-vergelijking).

3. Belangrijkste Bijdragen

• Theoretisch Model zonder Vrije Parameters: Het paper presenteert een efficiëntiefunctie die puur is afgeleid uit de biophysica van de synaps en Shannon's theorie. Er zijn geen empirisch aangepaste parameters nodig om de curve te laten passen.
• Verbinding tussen Ruis en Efficiëntie: Het paper toont aan dat de minimale energie-grens (die ruis minimaliseert) niet alleen een noodzakelijke, maar in combinatie met de specifieke SNR-waarden ook een voldoende voorwaarde is om te verklaren waarom synapsen opereren op het punt van maximale informatie-efficiëntie.
• Voorspelling van Efficiëntie-daling: Het model verklaart kwantitatief hoe de efficiëntie daalt wanneer de geleidbaarheid afwijkt van de natuurlijke waarde ($G=1$).

4. Resultaten

Het model werd getest tegen experimentele data van Harris et al. (2015), waarbij de efficiëntie werd gemeten bij kunstmatig veranderde geleidbaarheden.

• Aanpassing: De theoretische vergelijking (met de exponent $\alpha = 2.5$) werd vergeleken met de experimentele data.
• Statistische Validatie:
  • Een numerieke zoektocht naar de beste least-squares fit leverde een geschatte exponent $\hat{\alpha} = 2.451$ op.
  • De theoretisch afgeleide waarde $\alpha = 2.5$ leverde een bijna identieke fit op.
  • De goodness-of-fit F-test gaf een $p$-waarde van $0.0013$en een$R^2$van$0.746$, wat aantoont dat het model de data statistisch significant beschrijft.
• Conclusie: De curve die is afgeleid uit de minimale energie-grens (de gestippelde lijn in Figuur 2b) valt bijna perfect samen met de curve die is gefit aan de data (de doorgetrokken lijn). Dit bevestigt dat synapsen inderdaad opereren op de voorspelde manier.

5. Betekenis en Conclusie

De studie bevestigt het algemene principe dat neurale systemen in het brein evolutionair zijn geoptimaliseerd om zo efficiënt mogelijk te zijn in termen van "bits per Joule".

• Biologische Validatie: Het feit dat een model zonder vrije parameters de complexe data uit Harris et al. (2015) nauwkeurig voorspelt, suggereert dat de natuurwetten van energie en informatie (Shannon) de fundamentele beperkingen zijn waaraan het brein zich aanpast.
• Nieuw Inzicht: Waar eerdere studies alleen de minimale ruis voor een gegeven energie toonden, toont dit paper aan dat synapsen ook specifieke signaal-ruisverhoudingen aannemen die de informatie-efficiëntie maximaliseren.
• Toekomstige Implicaties: Dit model biedt een robuust theoretisch raamwerk om afwijkingen in synaptische functie te begrijpen en bevestigt dat de "minimale energie grens" een fundamenteel principe is voor neurale codering.