Neural computation tritt in großen neuronalen Netzen in dynamischen Zustände des Gehirns, doch es bleibt nur wenig verstanden werden, wenn die Funktionen durchgeführt werden, indem eine bestimmte Untermenge von Neuronen oder, wenn Sie eingetreten sind, in bestimmten, dynamischen Regionen. In einer aktuellen Studie, Wesley Clawson und Kollegen am Institut für Neurowissenschaften Systeme in Frankreich, verwendet high-density-Aufnahmen im hippocampus, dem medialen entorhinalen und medialen präfrontalen cortex der Ratte. Mit dem Tier-Modell, Sie identifiziert computing unterzustände, in denen bestimmte computing-hub-Neuronen durchgeführt, die gut definierte Operationen auf Speicher und gemeinsame Nutzung in einem brain-state-abhängigen Art und Weise.
Die Wissenschaftler abgerufen werden unterschiedliche computing-unterzustände in den einzelnen globalen Zustand des Gehirns, die REM (rapid-eye-movement) und NREM (non-rapid-eye-movement) Schlaf. Die Ergebnisse vorgeschlagen, dass die funktionalen Rollen waren nicht fest verdrahtet, aber neu zugewiesen zu einer bestimmten Zeit-Skala. Clawson et al. identifiziert die Sequenz von unterzuständen, deren zeitliche Organisation war die Dynamik zwischen Ordnung und Unordnung. Die Ergebnisse der Studie sind jetzt veröffentlicht auf Wissenschaft Fortschritte.
Die Verarbeitung von Informationen im Gehirn angesprochen werden können, die auf drei Ebenen zu umfassen (1) physiologische, (2) Algorithmische und (3) verhaltensbezogene Komponenten. Die Algorithmische Ebene ist die am wenigsten verstandene, wo er beschreibt emergente funktionale Berechnungen, die zerlegt werden kann in einfachere Schritte der Bearbeitung mit komplexen Architekturen. Auf der untersten Ebene der einzelnen system-Komponenten, wie einzelne Neuronen, den Bausteinen der verteilten Informationsverarbeitung modelliert werden kann als primitive Operationen der Speicherung, übertragung oder nonlinearly Integration der Informationsströme. Während Ruhe-state-Bedingungen beider blood-oxygen level dependent (BOLD) – und Elektroenzephalogramm (EEG) – Signale zeichnen sich durch diskrete Perioden der funktionellen Konnektivität oder topographische Stabilität bekannt als resting state networks and microstates. Neurowissenschaftler haben nachgewiesen, dass der übergang zwischen den großflächigen Epochen sind nicht periodisch oder zufällig, sondern erfolgen durch eine Fraktale und komplexe syntax, die bisher nicht verstanden.
Zum Beispiel hat die macroscale Organisation auftreten, auch im mikroskaligen? Ist die neuronale Aktivität auf der Ebene der dem integrierten Schaltkreis in Verbindung mit den verschiedenen Stilen der Informationsverarbeitung? Um diese Fragen zu beantworten, ist das erste Ziel von Clawson und Kollegen war es festzustellen, ob Informationsverarbeitung auf dem lokalen neuronalen Schaltkreis-Ebene gliedert sich in diskreten Sequenzen von unterzuständen bilden ein Markenzeichen der Berechnung. Für diese, Sie konzentriert sich auf die low-level-computing-Betrieb auf der Ebene des single-neuron wie grundlegende Informationen-storage-und-sharing. Sie studierte zwei Bedingungen – Anästhesie und natürlichen Schlaf, die waren charakterisieren, indem theta (DER)/ slow oscillation (SO) und rapid eye movement (REM)/nonrem-Schlaf Schlaf, beziehungsweise.
Während der Arbeit, Clawson als der CA1-region des hippocampus (HPC), dem medialen entorhinalen Kortex (mEC) und medialen präfrontalen Kortex (mPFC) zu untersuchen, die algorithmischen Eigenschaften gemeinsam zwischen den Regionen. Ihre zweite Studie Ziel richten, um festzustellen, ob primitive Verarbeitung wurden lokalisiert, verteilt oder in den integrierten Schaltkreis wie zuvor vorgeschlagen. Dieses Konzept wirft zwei zentrale Fragen:
(1) sind bestimmte Vorgänge angetrieben durch ein paar wichtige Neuronen in einem rich-club-Architektur?
(2) Neuronen haben VORGEGEBENE computing Rollen als information „sharer,“ „storer“ oder starr beschrieben, die die Partner in Ihren funktionalen Wechselwirkungen? Genauer gesagt, werden die Informationen weitergeleitet durch einen fest verdrahteten neuronalen „switchboard“ – system?
Insgesamt legen die Befunde nahe, eine mehr verteilt und weniger hierarchischen Struktur der Informationsverarbeitung in neuronalen integrierten schaltkreise ähnlich zu emergenten flüssigen Zustand Berechnung als pre-programmed processing pipelines.
Clawson et al. aufgenommen Neuronen gleichzeitig aus der CA1-region des HPC (hippocampus) und mEC (den medialen entorhinalen Kortex) unter Narkose und von der mPFC (medialer präfrontaler cortex) region während der natürlichen Schlaf. Sie konzentrierten sich auf die zwei-Faktoren –
(1) Wie viel Informationen kann ein neuron Puffer in der Zeit? Sie Messen die parameter als aktive Speicherung von Informationen, und
(2) der Informationsaustausch – wie viel von einem neuron Aktivität, Informationen an andere Nervenzellen? Diese wurde gemessen als die gegenseitige information.
Die Neurowissenschaftler identifiziert brain-global-Staaten durch die clustering-Analyse von Feldaufnahmen durchgeführt, in der CA1-region. Mit Hilfe der unüberwachten clustering-Sie identifizierten zwei Staaten der Anästhesie entsprechend den Perioden dominiert von langsamen Oszillationen (ALSO Staat) und theta (DER Staat) Schwingungen, sowie zwei Staaten entsprechend vs. REM nonrem-Schlaf-Episoden.
Während der proof-of-principle Experimente in der Tier-Modelle, die Wissenschaftler bewerteten Zustand des Gehirns abhängig feuern unterzustände und ergab insgesamt sechs feuern unterzustände in mEC und fünf im mPFC während DER Schwingungen und REM-Episoden. Die Wissenschaftler zeigten, dass die neuronale Aktivität wurde eingeteilt, die mit diskreten Schalt-Ereignisse aus einem substate zu einem anderen. Die Brenn-unterzustände wurden Gehirn Staat und region spezifischen, ohne strenge Mitnahme durch die Globale oszillatorischen Zustand. Zu jeder Zeit, Clawson et al. beobachteten neuronalen Aktivität zu vermitteln, eine Menge von Informationen, die, gemessen an der Shannon-Entropie.
Ähnlich wie das brennen unterzustände, die Speicherung von Informationen unterzustände nicht zeigen strenge Ausrichtung zwischen den untersuchten Regionen. Während der Narkose, beobachteten die Wissenschaftler die absolute Speicher-Werte stärker in mEC als der CA1-Regionen. Jedoch, während der Natürliche Schlaf, der Speicher Werte für CA1 wurden zwei Größenordnungen größer ist, als während der Narkose. Die Ergebnisse zeigten, dass die Speicherung von Informationen wurde dynamisch verteilt in einzelnen unterzustände sein Gehirn Staat und region abhängig. Als Ergebnis, die Speicherkapazität eines Neurons könnte erheblich variieren über die Zeit.
Folgende aus der Einzel-Zell-level-Analyse durchgeführt, die bisher die Wissenschaftler als Nächstes bestimmt, welche Neuronen-sharing-Zellen könnten Informationen austauschen. Obwohl die Summe der eingehenden und ausgehenden Informationen konstant blieb in den einzelnen teilen substate, die Informationen, die geteilt wurde, zwischen verschiedenen cell-assemblies von einem Zeitraum zum nächsten. Alle drei Hirnregionen zeigte Bemerkenswerte Flüssigkeit-wie das teilen-Baugruppen über Zustände des Gehirns mit der Besonderheit der Regionen des Gehirns.
Da die funktionelle, effektive und anatomische hub-Neuronen wurden bisher im Gehirn identifiziert, Clawson et al. ergänzt wird das Konzept durch die Einführung in das speichern und teilen von Drehscheiben, an denen die Neuronen angezeigt erhöhten Lagerung oder Werte teilen, beziehungsweise. Der Wissenschaftler beobachtet eine Allgemeine Tendenz für den inhibitorischen interneuronen zu dienen, wie computing-hubs als für excitory Zellen. Die Tendenz war stärker für die kortikalen Regionen während der Narkose und im Schlaf. Insgesamt beobachteten die Wissenschaftler nur 12 Prozent der Neuronen, die Funktion als „Multifunktions-hubs“ für Speicher-und sharing-Funktionen.
Die Ergebnisse zeigten die Existenz von substate-Sequenzen in drei verschiedene Regionen des Gehirns: die HPC, die mEC und der mPFC; während der Narkose und den natürlichen Schlaf. Da die Analyse wurde beschränkt auf wenige Zustände des Gehirns, die Wissenschaftler annehmen, dass Sie vielleicht unterschätzt haben, ist der Anteil von GABA-Neuronen fungieren als rechnerische hubs in der Studie. Die beobachtete Kapazität zum erzeugen komplexer Sequenzen von mustern in der Studie ist ein Kennzeichen von selbst-organisierende Systeme, die mit Ihrer emergente Potenzial ausführen universal Berechnung. Eine solche Dynamik an den „Rand des chaos“ (übergang zwischen Ordnung und Unordnung) erlauben es, Vorteile für die Informationsverarbeitung. Die beobachtete Kapazität zum erzeugen komplexer Sequenzen von mustern ist eine hall-Marke von selbst-organisierende Systeme und ist im Zusammenhang mit Ihrer emergente Potenzial ausführen universal-Berechnungen. Das Verständnis solcher Muster und Dynamiken innerhalb von Gehirn Staaten, die geschäftlich frühen interpretation von neurologischen Störungen.