競合的相互作用が哺乳類の脳ネットワークの動態と計算を形作る

心を理解するうえでなぜ重要か

脳はしばしば、領域が協力して思考や感情、行動を生み出す調和的な活動の網の目として描かれます。しかし実際の脳は押し引きに満ちており、ある領域は互いに活性を促進する一方で、別の領域は反対方向に引っ張ります。本研究は、その目に見えない綱引きがヒト、マカク、マウスを含む哺乳類の脳の働き方にどのように影響するかを問います。そして、脳領域間の競合は欠陥ではなく、脳活動をより現実的に、個別的に、複雑な計算能力を持たせるための重要な特徴であることを示します。

脳の配線が協力と対立をどう導くか

著者らは単純なパズルから出発します。脳の構造的配線図、すなわちコネクトームは多くの場合、どこに繊維が走っているかを示しますが、その接続が友好的に働くのか対立的に働くのかは教えてくれません。大規模な脳モデルの多くは、ある接続領域の活性が上がれば結びつく相手も上がると密かに仮定しています。しかし生物学は抑制性ニューロンの局所回路から、生態系や社会ネットワークのバランスを取るフィードバックまで、競合的相互作用に満ちています。そこで研究チームは、長距離接続ごとに正（協力）か負（競合）の影響を割り当てられる全脳モデルを構築し、どの混合がヒト、マカク、マウスで機能的MRIで測定された実際の活動パターンを最もよく再現するかを問いかけます。

実際の解剖から仮想脳を構築する

そのために研究者らはネットワーク神経科学で標準的に用いられる数学的手法を使います：各脳領域に対して臨界点近傍に位置する一組の非線形振動子を割り当てます。これらの振動子はfMRIで見られる遅い波に似たリズム的で変動する信号を自然に生み出し、完全に雑音的でも完全に規則的でもありません。振動子同士は種ごとの構造的接続（ヒトは拡散MRI、マカクは経路追跡とイメージングの混合、マウスは純粋な経路追跡）に従って結合され、既存の結びつきの強さと符号を反復的に調整して、シミュレーション活動が時間にわたる共活性化の観測パターンと一致するようにします。結果として得られるのは「生成的結合」行列です：生きている脳の動態を生み出すために構造をどのように重み付けする必要があるかを捉えた、機能化された配線図です。

競合が必要な要素として現れる

モデルに正の影響に加え負の影響を許すと、モデルはそれを積極的に利用しました。種を超えて、およそ4分の1から5分の2程度の有効接続が競合的になります。これらの負のリンクはランダムに散らばっているわけではありません：協力的な結びつきよりも弱く、長距離で、密集度が低い傾向があり、よりモジュール的な正のコミュニティを横切る拡散的な網を形成します。それらを除くと、モデルが実データにどれだけ合うかは急速に悪化します。競合を含めると、シミュレートされた機能的結合と実測の類似性は劇的に向上し、マウスでは相関が最大0.95に達し、ヒトでは正のみのモデルと比べて相関が二倍以上になります。改善されたモデルはまた領域間の反相関の現実的な水準を生み出し、脳スキャンで古くから観察されてきた広範な“てこの作用”パターンに一致します。

競合は深い生物学的差と整合する

研究チームは次に、競合的接続の配置がより深い生物学的組織を反映しているかどうかを問いました。彼らは負のモデル接続が落ちる場所を、多くの皮質特徴の地図（細胞型、遺伝子発現、受容体分布、微細構造、髄鞘化など）と比較しました。ヒト、マカク、マウスにわたり、競合的リンクはこれらの生物学的勾配の反対側に位置する領域を優先的に結びます。たとえば、ある種類の抑制性介在ニューロンが豊富な領域と別の種類が豊富な領域、あるいは高い髄鞘化を示す感覚領域と多様領域（トランスモーダル連合皮質）とを結ぶ傾向があります。実質的に、大規模な綱引きは作られ方や調整が非常に異なる皮質領域間で最も強く、マクロスケールの競合が保存された分子的・細胞的コントラストに根ざしていることを示唆します。

より豊かな動態と個別性の向上

競合を含めることは、静的な結合マップを改善する以上の効果をもたらします。フィッティングされたモデルを前方で走らせて合成的な脳活動を生成すると、協力–競合バージョンはより現実的な時間的振る舞いを示します。それは非現実的に高い全体同期を避け、代わりに統合と分離を交互に行き来するバランスのとれた領域を漂い、メタ安定性として知られる性質を示します。また、階層性が強まり、ある領域は広範な活動のカスケードを点火したり、受け取るより多くの情報を送ったりするのに有利な位置にあります。領域対の協奏的情報（ペアの領域が単独よりも予測力を持つという考え）の指標も経験的水準に向かって上昇します。重要なのは、これらの改善はフィッティング時に明示的に目標とされたわけではなく、競合的相互作用が許されると自然に現れるという点です。

現実的な活動から計算・認知へ

どの脳もまったく同じではないため、説得力のあるモデルは忠実であると同時に個別性も持つ必要があります。協力–競合モデルはより“指紋化”しやすいことが示されました：それらは各個体の結合に対して他者よりもよく適合し、ヒトやマカク、マウスのいずれでも誤った被験者に適用すると精度が大きく低下します。ヒトについては、瞬間的なモデル活動パターンが注意や記憶など特定の精神機能に結び付けられた大規模な脳地図データベースとどれほど一致するかも検証されました。競合を含むモデルは、これらの標準的な認知回路により近い自発的パターンを生み、休息時でもより“心らしい”動態を示唆します。最後に、モデル由来のネットワークを配線として用いた人工の“リザバーコンピューティング”システムで記憶課題を行わせると、競合的リンクを持つものは計算能力が高く、過去の入力をよりよく保持しました。

脳を理解しモデルを作るうえでの意味

平たく言えば、本研究は哺乳類の脳が協力と競合の境界線上で最もよく働くことを示しています。強い局所的な正の結びつきは近隣領域を専門化されたモジュールに束ね、一方でより弱く長距離の負の結びつきは異なるシステムを競わせ、皮質全体の情報流を構造化します。このアーキテクチャは個々の脳の微妙な特徴を再現するだけでなく、多様で階層的かつ計算的に強力な動態を自然に生み出します。意識の理解、病態のシミュレーション、あるいはニューロモルフィックコンピュータの設計など将来の脳モデリングに向けた教訓は明白です：大規模な競合を省くことは、実際の脳がどのように計算するかという核心的原理を見落とすことを意味します。

引用: Luppi, A.I., Sanz Perl, Y., Vohryzek, J. et al. Competitive interactions shape mammalian brain network dynamics and computation. Nat Neurosci 29, 915–933 (2026). https://doi.org/10.1038/s41593-026-02205-3

キーワード: 脳ネットワーク, 神経的競合, コネクトームモデリング, 機能的結合, ニューロモルフィックコンピューティング