機械学習が多数の新しい基本的運動検出の計算原理を発見する

なぜ脳は微かな動きの変化を気にするのか

ボールを受け取るとき、走る車に気づくとき、あるいはただ風に揺れる葉を眺めるときでも、視覚系は静かに難しい問題を解いています。網膜上の変化する光の断片から、何がどの方向に動いているかを見分けなければなりません。何十年にもわたり、科学者たちは神経細胞がどのように運動を検出するかを説明するためにいくつかの古典的理論に依拠してきました。本研究は、生物学に着想を得た機械学習を用いてより大胆な問いを投げかけます：単純な神経回路が運動を感知する方法は、私たちがこれまで想定していたよりも遥かに多様ではないか？

運動を知覚するための古典的な考え方

運動視に関する初期の研究は、方向選択性ニューロンをタイミングを計算する小さな計算機と見なしました。伝統的なスキームの一つでは、隣接する空間点からの入力のうち一方を遅延させて比較し、好ましい方向に動く信号が同時に到達して足し合わされるようにします。一方、別の古典モデルでは、細胞の受容野の反対側からの速い興奮が遅延した抑制と対立し、好ましくない方向の運動に対する応答を打ち消します。これらのメカニズムは影響力が大きいものの、主に時間差に焦点を当てており、他の回路トリックでも同じ目的が達成できるかどうかは未解明のままでした。

進化が回路空間を探索するようにさせること

この問いを探るために、著者は網膜と視覚皮質のニューロンを詳細に模したコンピュータモデルを構築し、進化的探索を設定しました。ランダムな配線とシナプス特性から出発し、遺伝的アルゴリズムが回路パラメータを繰り返し変異させ、移動する棒や搬送格子の正しい方向を最もよく示すモデルを選択しました。重要なのは、運動検出器に入力する個々の入力細胞自体は方向選択性を持たなかったことで、出力の選択性はそれらの集合的な配置と力学から生じる必要がありました。この自動化された探索は、解剖学と生理学に基づく生物学的に現実的な制約の範囲内で、古典モデルに匹敵またはそれを上回る性能を示す多様な回路配置を明らかにしました。

同じ運動感覚に至る多くの道

探索の結果、入力の空間的配置の単純な差が、タイミングが同じであっても強い方向選択性を生み出し得ることが示されました。たとえば、前シナプス細胞の受容野が好ましい運動軸に沿って徐々に大きくなるように並べたり、配向が回転するように配置したりすると、ある方向の運動では応答が時間的に整列し、反対方向ではそうならないことがあります。細胞の応答を抑えるサラウンド領域も強力な手段であることがわかりました：入力間でこれらのサラウンドの強さ、サイズ、あるいは速度を変えることで、モデルは好ましい方向の運動のときにのみ信号が整列する精密な時間窓を切り出せました。受容野フィルタが同一でもシナプス重みが不均等であれば回路は方向選択性を獲得できましたが、この戦略は受容野構造を利用する方法ほど効果的ではありませんでした。

運動回路の隠れた構成要素

多様な成功回路にもかかわらず、それらの振る舞いは少数の「計算的プリミティブ」— 再利用可能なアルゴリズム的構成要素 — に要約できました。いくつかは古典的な遅延-比較や抑制ベースのスキームに一致しました。ほかには新しいものもあり、空間的およびサラウンドの相互作用を使って多数の入力のピークを時間的に整列させる仕組みや、抑制の一時的な停止や応答振幅の変化が方向信号を伝える方式などが含まれます。抑制入力が加わるとさらに変異型が現れ、伝統的抑制モデルの“逆”の形や、重要な瞬間に抑制が一時的に低下して興奮が現れるパターンなどが観察されました。これらのプリミティブは、詳細な網膜ガングリオン細胞モデルだけでなく、皮質の錐体細胞や簡略化した二入力のトイ回路にも繰り返し現れ、特定の細胞型や配線図に依存しないことを示しました。

雑音の多い世界での頑健な運動感知

本研究はまた、速度が予測不能に変動する現実世界のような雑然とした運動に対して、これらのメカニズムがどのように機能するかも検証しました。特に入力受容野の中央領域のサイズ変化に依存する回路は驚くほど頑健で、刺激の速度がランダムに速くなったり遅くなったりしても方向を正確に信号し続けました。対照的に、主にサラウンド特性の微妙な差や緻密に調整された時間関係に依存するモデルは、同条件下で選択性を失いがちでした。これは、新たに見出された戦略のうちいくつかは自然場における信頼できる運動知覚に特に適している可能性を示唆します。

脳の理解にとっての意義

機械学習に単純な神経回路がどのように動きを検出し得るかを自由に探索させることで、本研究は脳が運動を感知するために一つか二つのトリックに限定されないことを示しました。むしろ、多様な回路配置が少数の基礎的な計算アイデアに収斂し、それらは現実的な生物学的構成要素で実装可能です。非専門家への要点は、脳の運動検出はこれまで考えられていたより柔軟で洗練されているということです：再利用され組み合わせ可能な少数のコアな操作が、異なる脳領域や種にわたる多様な運動選択性細胞を説明し得ます。

引用: Poleg-Polsky, A. Machine learning discovers numerous new computational principles supporting elementary motion detection. Nat Commun 17, 3424 (2026). https://doi.org/10.1038/s41467-026-70288-4

キーワード: 運動検出, 方向選択性, 神経回路, 網膜と皮質, 神経科学における機械学習