Desegregatie van neuronale voorspellingsverwerking

Hoe de hersenen op de toekomst wedden

Elke ogenblik doet je brein zachtjes een gok over wat er hierna zal gebeuren—hoe je hand zal voelen als je een deurknop aanraakt, welk geluid je voetstappen zouden moeten maken, of welk woord waarschijnlijk volgt in een zin. Als die gok fout is, helpt de verrassing je te leren. Deze studie stelt een fundamentele vraag over dat proces: bestaan er speciale soorten hersencellen die alleen voorspellen en andere die alleen verrassing signaleren, of zijn die taken democratischer verspreid? Met behulp van wiskundige modellen en echte opnamen uit muizenhersenen tonen de auteurs aan dat voorspelling en verrassing veel nauwer met elkaar verweven zijn dan eerder gedacht.

Hersenen als voorspellingsmachines

Neuroscientisten zien het brein steeds meer als een voorspellingsmachine die constant vergelijkt wat het verwacht met wat er daadwerkelijk via de zintuigen binnenkomt. Wanneer de wereld zich gedraagt zoals verwacht, wordt de activiteit in veel sensorische gebieden gedempt; wanneer een onverwachte gebeurtenis plaatsvindt, reageren bepaalde cellen sterker en produceren ze wat onderzoekers een “voorspellingsfout” noemen. Eerdere theorieën stelden nette bedradingsschema’s voor waarin de ene groep neuronen de binnenkomende beelden en geluiden vertegenwoordigde, terwijl een aparte groep de fouten berekende. Maar de meeste experimenten hadden slechts zeer eenvoudige situaties getest, zoals één geluid dat één beweging voorspelt, wat ver afstaat van de verwarde, veel-op-veel associaties die natuurlijk gedrag domineren.

Een druk zintuiglijk wereldje simuleren

Om realistischere situaties te onderzoeken bouwden de auteurs een groot computer model van een hersencircuit dat tegelijk veel verschillende sensorische en motorische signalen ontvangt. Het model leert door herhaalde blootstelling welke combinaties van gebeurtenissen de neiging hebben samen voor te komen—net zoals een dier leert dat een bepaalde beweging meestal een bepaald geluid oplevert. Cruciaal is dat het model zo ontworpen is dat het interne voorspellingen maakt terwijl het ook zijn totale activiteit zuinig houdt, wat het energieverbruik van het brein weerspiegelt. Naarmate het leren vorderde, onderdrukten de gesimuleerde neuronen hun responsen wanneer een verwachte koppeling plaatsvond en reageerden ze sterker wanneer een voorspelde partner ontbrak, hetgeen overeenkomt met wat in muizenexperimenten is gezien.

Verrassing is overal, niet in één doos

Toen de onderzoekers de “neuronen” van het model in detail onderzochten, ontdekten ze dat cellen zich niet keurig verdeelden in voorspellingcellen en foutcellen. Een neuron dat een mismatch signaleerde voor één paar gebeurtenissen kon zich als een eenvoudige sensorische reporter gedragen voor een ander paar. Naarmate het model meer en meer verschillende koppelingen leerde, werd dit mengen nog gebruikelijker en werden puur “error-only” neuronen zeldzaam. De auteurs richtten zich vervolgens op opnamen uit de auditieve cortex van muizen, waar dieren een specifieke toon verwachtten na het indrukken van een hendel maar soms afwijkende geluiden kregen. Het patroon van responsen over vele neuronen vertoonde hetzelfde soort menging als door het model voorspeld, wat pleit tegen een nette scheiding van voorspellings- en foutrollen in echte hersenen.

Balans tussen excitatie, inhibitie en complexiteit

De studie onderzoekt ook hoe het evenwicht tussen opwinding en onderdrukking binnen hersencircuits voorspelling vormgeeft. Het model splitst de input van elk neuron in twee delen: directe sensorische aandrijving en interne terugkoppeling van andere neuronen die voorspellingen dragen. Wanneer deze twee invloeden elkaar bijna opheffen, raakt het systeem “gebalanceerd” en steken kleine mismatches duidelijker af. De auteurs vinden dat er een optimale, niet-te-strakke mate van deze balans bestaat. Naarmate het aantal verschillende geleerde associaties toeneemt, worden de best presterende circuits feitelijk losser gebalanceerd, wat helpt om interferentie tussen vele overlappende voorspellingen te vermijden. Door het model uit te breiden met onderscheid tussen exciterende en inhiberende cellen—en met gestapelde lagen die op corticale diepte lijken—tonen de auteurs aan dat voorspellinggerelateerde signalen worden verspreid over celtypen en lagen in plaats van opgeslagen in één speciale plaats.

Waarom dit belangrijk is voor het begrip van denken

In het dagelijks leven jongleren we gelijktijdig met talloze verwachtingen over geluiden, beelden en bewegingen. Dit werk suggereert dat het brein zulke rijke voorspelling ondersteunt door de last te spreiden over vele neuronen die flexibel taken delen, in plaats van star specialistische cellen te wijden aan ofwel voorspelling ofwel fout. Het benadrukt ook hoe een zorgvuldig afgestelde, maar niet al te strikte, balans tussen exciterende en inhiberende signalen deze circuits in staat stelt veel associaties te verwerken zonder instabiel te worden. Samen wijzen de modellering en experimenten op een beeld van predictieve verwerking als een sterk gedistribueerde, aanpasbare code—een beeld dat kan helpen verklaren hoe hersenen interne modellen bouwen van een complexe, continu veranderende wereld.

Bronvermelding: Wang, B., Audette, N.J., Schneider, D.M. et al. Desegregation of neuronal predictive processing. Nat Commun 17, 3919 (2026). https://doi.org/10.1038/s41467-026-70347-w

Trefwoorden: predictieve verwerking, neurale circuits, zintuiglijke voorspelling, excitatorisch inhibitoir evenwicht, neurale netwerkmodellen