Feasible closed-loop stimulation for neural latent dynamics control

Het menselijk brein is een uitgestrekt, ruisend netwerk van miljarden neuronen die vuren in complexe patronen. Decennialang hebben wetenschappers geprobeerd te begrijpen hoe deze chaotische signalen vertalen naar vloeiende, doelgerichte acties zoals het reiken naar een kopje of het uitspreken van een woord. Een krachtig idee in de moderne neurowetenschap suggereert dat er onder de oppervlakteruis een eenvoudiger, verborgen laag van activiteit aan de basis ligt. Denk bij deze verborgen laag aan een set onzichtbare hendels of "factoren" die gedrag aansturen. Als onderzoekers erin zouden slagen deze hendels te identificeren en te leren ze te bedienen, zouden ze precies kunnen begrijpen hoe het brein specifieke acties veroorzaakt, in plaats van alleen maar toe te kijken hoe de activiteit plaatsvindt. Er blijft echter een grote hindernis bestaan: hoewel wetenschappers erg goed zijn geworden in het registreren van deze verborgen patronen, hebben ze moeite gehad om ze direct te manipuleren. Traditionele methoden omvatten vaak het prikkelen van het brein met brede, niet-gerichte signalen of het proberen te controleren van individuele neuronen één voor één, een taak die ongelooflijk moeilijk is en vaak het grotere plaatje mist. De vraag is geweest of het mogelijk is om deze verborgen hersentoestanden in realtime te sturen om gedrag te begeleiden, en zo ja, wat voor soort instrumenten hiervoor nodig zouden zijn.

Een team van onderzoekers van Georgia Tech en Emory University zette zich in om deze vraag te beantwoorden door een gedetailleerd virtueel laboratorium te bouwen. In plaats van direct met levende dieren te werken, wat duur en technisch veeleisend is, creëerden ze een geavanceerde computersimulatie van een hersengebied dat betrokken is bij beweging. Ze trainden dit digitale netwerk om de activiteit van een aap die naar doelen reikt na te bootsen, waardoor de computer de verborgen "factoren" kon leren die de beweging aansturen. Zodra de simulatie draaide, testten de onderzoekers een nieuwe aanpak genaamd closed-loop controle. In deze opstelling houdt de computer voortdurend de verborgen staat van het brein in de gaten, voorspelt waar het naartoe gaat en stuurt onmiddellijk lichtsignalen om het weer op koers te brengen als het begint af te wijken. Dit gebeurt in een continue lus, waarbij het systeem reageert op veranderingen terwijl ze optreden, in plaats van alleen een vooraf gepland signaal te sturen. Het doel was om te zien of deze methode de verborgen dynamiek van het brein succesvol kon sturen om specifieke bewegingen te produceren, en om uit te vogelen hoeveel lichtbronnen en registratiesensoren er precies nodig zouden zijn om dit werkend te krijgen.

De onderzoekers pakten eerst een fundamentele vraag aan over precisie: vereist het besturen van het brein het manipuleren van elk afzonderlijk neuron, of kan een kleiner aantal lichtbronnen de klus klaren? In hun simulaties varieerden ze het aantal onafhankelijke lichtkanalen van slechts één, wat het hele gebied uniform zou verlichten, tot meer dan duizend, waarbij elk neuron individueel gecontroleerd kon worden. Ze ontdekten dat het brein niet microgemanaged hoefde te worden. Zelfs met een relatief klein aantal lichtbronnen — ongeveer 200 van de 1.024 beschikbare kanalen — kon het systeem ongeveer 85% van de maximale controleprestatie bereiken. Dit suggereert dat het idee dat men elk afzonderlijk neuron moet controleren om gedrag te beïnvloeden, waarschijnlijk onnodig is. De verborgen hendels van het brein zijn robuust genoeg zodat een matige hoeveelheid gerichte stimulatie voldoende is om ze te sturen, wat de huidige trend uitdaagt om zwaar te investeren in ultra-hoge resolutie instrumenten die neuronen één voor één controleren.

Het tweede deel van de studie richtte zich op een praktisch technisch probleem: hoe moet een beperkt aantal kanalen worden verdeeld tussen het registreren van wat het brein doet en het stimuleren van het brein om iets te doen? In veel huidige experimenten gebruiken wetenschappers veel elektroden om naar het brein te luisteren, maar slechts één lichtbron om het te stimuleren, uitgaande van de veronderstelling dat luisteren belangrijker is dan spreken. De onderzoekers testten deze aanname door simulaties uit te voeren met een vast totaal van 100 kanalen, waarbij deze op verschillende manieren werden verdeeld tussen registratie en stimulatie. Ze ontdekten dat de meest effectieve strategie was om de middelen bijna gelijkmatig te verdelen. Wanneer het systeem ongeveer evenveel registratiesensoren als lichtbronnen had, presteerde het het best bij het begeleiden van de gesimuleerde arm naar het juiste doel. De gangbare praktijk van het gebruik van veel sensoren en slechts één lichtbron presteerde slecht en bood nauwelijks verbetering ten opzichte van helemaal niets doen. Dit inzicht suggereert dat om hersenactiviteit echt te controleren, onderzoekers net zo veel moeten investeren in het vermogen om signalen te verzenden als in het vermogen om te luisteren.

Gedurende al deze simulaties testten de onderzoekers hun systeem onder vele verschillende omstandigheden, waarbij ze de dichtheid van de neuronen, de breedte van de lichtbundels en de hoeveelheid gegevens die gebruikt werd om het controlesysteem te trainen, veranderden. De resultaten bleven consistent: stimulatie met een lage dimensionaliteit werkt, en een gebalanceerde mix van waarnemen en handelen is optimaal. Zelfs met standaard controlemethoden en zonder extreme optimalisatie verminderde het systeem de trackingfouten met meer dan 60% en begeleidde het de gesimuleerde beweging in meer dan 90% van de gevallen succesvol. De studie benadrukte ook het belang van real-time feedback. Wanneer de onderzoekers een versie van het systeem testten dat de volledige beweging vooraf plande zonder zich aan te passen aan veranderingen terwijl ze plaatsvonden, presteerde dit systeem aanzienlijk slechter en slaagde het er vaak niet in de beweging correct te begeleiden. Dit bevestigt dat het vermogen om onmiddellijk te reageren op de veranderende staat van het brein cruciaal is voor succes.

Hoewel deze resultaten voortkomen uit computersimulaties en niet uit levende dieren, bieden ze een duidelijk stappenplan voor toekomstige experimenten. De bevindingen suggereren dat het bouwen van een apparaat om de breindynamiek te controleren geen onmogelijk complexe technologie vereist die elke individuele cel target. In plaats daarvan zou een systeem met een matig aantal onafhankelijke lichtbronnen, in balans met een gelijk aantal registratiesensoren, voldoende kunnen zijn om de verborgen toestanden van het brein te sturen en causale theorieën over hoe gedrag wordt gegenereerd te testen. Als deze simulaties standhouden in levend weefsel, zou dit de deur kunnen openen naar een nieuw tijdperk in de neurowetenschappen waarin onderzoekers het brein niet alleen observeren, maar er actief mee in interactie gaan om de fundamentele regels van hoe we bewegen en denken te begrijpen. De weg vooruit bestaat uit het bouwen van deze instrumenten en het testen ervan in de echte wereld, maar de simulaties geven een sterke indicatie dat het doel binnen handbereik ligt.