Computational simulation reveals the critical role of spike-timing-dependent plasticity in synchrony

Het menselijk brein is een uitgestrekt netwerk van miljarden minuscule elektrische cellen, die voortdurend signalen afvuren om onze gedachten, herinneringen en percepties op te bouwen. Decennialang hebben wetenschappers gedebatteerd over hoe deze cellen zichzelf organiseren om informatie op te slaan. Eén kant van het argument suggereert dat leren plaatsvindt wanneer groepen neuronen in perfecte unisono vuren, zoals een koor dat dezelfde noot tegelijkertijd zingt. Deze gesynchroniseerde activiteit wordt beschouwd als de fysieke handtekening van het vormen van een geheugen. Aan de andere kant van de argumentatie stelt een andere school van denken dat voor informatie bruikbaar moet zijn, deze gevarieerd en onvoorspelbaar moet zijn. Als elke cel op exact hetzelfde moment vuurt, wordt het signaal te uniform om complexe details over te dragen, vergelijkbaar met een radiostation dat slechts één enkele toon uitzendt. Deze spanning tussen de behoefte aan eenheid om te leren en de behoefte aan variatie om informatie te coderen, heeft een langdurig raadsel in de neurowetenschap gecreëerd.

Onderzoekers weten al lang dat het brein een specifieke regel gebruikt om verbindingen tussen neuronen te versterken: wanneer twee cellen in een precieze sequentie vuren, wordt de link tussen hen sterker. Dit proces, bekend als spike-timing-dependent plasticity, is het biologische mechanisme achter het leren. Het was echter onduidelijk hoe deze leerregel kon samenleven met het idee dat informatie een chaotische, gedesynchroniseerde staat vereist. Als leren vereist dat cellen samen vuren, hoe kan het brein dan ook vertrouwen op het feit dat ze apart van elkaar vuren om rijke, gedetailleerde herinneringen op te slaan? Een nieuwe studie door computationele wetenschappers aan de Universiteit van Toronto en het Krembil Brain Institute stelt voor dat deze twee schijnbaar tegenovergestelde krachten geen vijanden zijn, maar partners in een continue feedbackloop.

Om dit mysterie op te lossen, bouwden de onderzoekers een gedetailleerd computermodel van een klein netwerk van neuronen, waarbij zij het gedrag van cellen nabootsten die worden gevonden in de hippocampus, de centrale hub van het brein voor het geheugen. Ze programmeerden dit virtuele netwerk met dezelfde biologische regels die echte neuronen volgen, inclusief de chemische signalen die activiteit exciteren of inhiberen. Het team voerde het model realistische gegevens in die waren opgenomen van ratten die een visuele taak uitvoerden, waarbij de dieren onderscheid moesten maken tussen afbeeldingen van verschillende helderheden. Vervolgens draaiden ze twee versies van de simulatie: één waarin het leermechanisme actief was, en één waarin het werd uitgeschakeld. Door de elektrische activiteit van de virtuele neuronen in beide scenario's te vergelijken, konden ze precies observeren hoe het leerproces de timing van de spikes veranderde.

De resultaten onthulden een dynamische en verrassende relatie tussen leren en timing. Wanneer het leermechanisme actief was, waren de neuronen niet simpelweg gesynchroniseerd of gedesynchroniseerd. In plaats daarvan gingen ze een ritmische cyclus aan. Aan het begin van het leerproces begonnen de neuronen in hun vurtiming uit elkaar te drijven, wat een staat van desynchronisatie creëerde. Deze verschuiving was geen falen van het systeem, maar een noodzakelijk gevolg van het leren zelf. De toegenomen variëteit in de timing van de signalen diende er feitelijk voor om de sterkte van het leren te reguleren, waardoor werd voorkomen dat het netwerk vast kwam te zitten in een rigide patroon.

Terwijl de simulatie zich gedurende enkele seconden voortzette, observeerden de onderzoekers een complexe dans van synchronisatie en desynchronisatie, hoewel het patroon geen eenvoudige heen-en-weer beweging was. Het netwerk bewoog van een gesynchroniseerde staat naar een gedesynchroniseerde staat, en na een periode van schaarse activiteit synchroniseerde het weer kortstondig voordat het opnieuw uit elkaar begon te drijven. Deze fluctuatie werd volledig gedreven door de leerregels. De studie suggereert dat het brein deze verschuivende balans gebruikt om informatie te beheren. De initiële synchronisatie stelt het brein in staat om een nieuw stukje informatie vast te leggen, terwijl de daaropvolgende desynchronisatie ervoor zorgt dat die informatie met voldoende flexibiliteit kan worden opgeslagen om later zonder interferentie met andere herinneringen te kunnen worden opgehaald.

Cruciaal was dat de simulaties lieten zien dat zonder het leermechanisme de neuronen niet dezelfde gereguleerde fluctuatie vertoonden. Wanneer het leren werd uitgeschakeld, bleef het netwerk in een gemengde staat van synchronisatie en desynchronisatie die niet in de loop van de tijd evolueerde. Deze bevinding geeft aan dat het vermogen om tussen deze toestanden te schakelen geen toevallige gebeurtenis is, maar een direct resultaat van het leerproces van het brein. De studie suggereert dat het brein niet kiest tussen synchronisatie en desynchronisatie, maar het leerproces gebruikt om tussen beide te schakelen, waardoor een zelfregulerend systeem ontstaat.

Dit perspectief biedt een nieuwe manier om het langlopende vraagstuk te begrijpen over hoe het brein een balans vindt tussen orde en chaos. Het suggereert dat het ogenschijnlijke tegenstrijdigheid tussen leren en informatietheorie wordt opgelost door ze te beschouwen als onderdelen van een enkel, continu proces. Leren initieert de synchronisatie die nodig is om een geheugen te vormen, maar de handeling van het leren zelf duwt het systeem vervolgens richting desynchronisatie, wat de flexibiliteit van dat geheugen bewaart. De onderzoekers ontdekten dat deze lus het brein in staat stelt om een gezonde mate van variabiliteit te behouden, waardoor de extreme synchronisatie die wordt gezien bij aandoeningen zoals epilepsie, of de extreme desynchronisatie die geassocieerd wordt met geheugenverlies, wordt voorkomen.

De studie, die volledig via computersimulaties werd uitgevoerd, biedt een theoretisch kader voor hoe deze biologische processen in het echte brein zouden kunnen werken. Hoewel het model gebaseerd was op gevestigde biologische gegevens en realistische input, zijn de bevindingen een voorstel over hoe deze mechanismen interageren, in plaats van een directe observatie van levend weefsel. De auteurs suggereren dat deze regulerende lus de sleutel zou kunnen zijn tot het begrijpen van hoe wij de complexe details van ons dagelijks leven vastleggen. Door aan te tonen dat leren en desynchronisatie diep met elkaar verweven zijn, biedt het onderzoek een coherente verklaring voor hoe het brein erin slaagt zowel een stabiele recorder van gebeurtenissen als een flexibele verwerker van nieuwe informatie te zijn.