Competitieve interacties vormen de dynamiek en berekening van netwerkjes in zoogdierhersenen

Waarom dit belangrijk is voor het begrijpen van de geest

Hersenen worden vaak voorgesteld als harmonieuze netwerken van activiteit, waarin regio’s samenwerken om te denken, voelen en handelen. Maar echte hersenen zitten ook vol duwen en trekken: sommige gebieden versterken elkaar, terwijl andere in tegengestelde richting werken. Deze studie onderzoekt hoe dat verborgen touwtrekken de manier waarop zoogdierhersenen — inclusief die van mensen, makaakapen en muizen — daadwerkelijk functioneren vormgeeft, en toont aan dat competitie tussen hersengebieden geen fout is maar een essentieel kenmerk dat hersenactiviteit realistischer, individueler en geschikter voor complexe berekeningen maakt.

Hoe de bedrading van de hersenen samenwerking en rivaliteit stuurt

De auteurs beginnen met een eenvoudige puzzel: het structurele bedradingsoverzicht van de hersenen, het connectoom, vertelt grotendeels waar vezels lopen, maar niet of die verbindingen als vriendelijke helpers of als tegengestelde rivalen werken. De meeste grootschalige hersenmodellen gaan stilzwijgend uit van het idee dat wanneer één verbonden regio actiever wordt, dit de partners ook opdrijft. Toch staat de biologie vol competitieve interacties — van remmende neuronen in lokale circuits tot balancerende feedback in ecosystemen en sociale netwerken. Het team bouwt daarom een geheel-hersenmodel dat elke langafstandsverbinding een positieve (coöperatieve) of negatieve (competitieve) invloed kan toekennen en onderzoekt welke mix het beste de feitelijke activiteitspatronen reproduceert die met functionele MRI bij mensen, makaaks en muizen zijn gemeten.

Virtuele hersenen bouwen op basis van echte anatomie

Hiervoor gebruiken de onderzoekers een standaard wiskundig werkpaard in netwerkwetenschap: een set niet-lineaire oscillatoren die dichtbij een kantelpunt staan, één per hersengebied. Deze oscillatoren produceren van nature fluctuerende, ritmeachtige signalen die lijken op de trage golven die in fMRI zichtbaar zijn — noch volledig ruisend, noch perfect regelmatig. Ze koppelen de oscillatoren volgens de structurele verbindingen van elke soort — van humane diffusion-MRI, makaakgegevens die tract tracing en beeldvorming combineren, tot puur tract tracing bij muizen — en passen vervolgens iteratief de sterkte en het teken van die bestaande links aan zodat de gesimuleerde activiteit overeenkomt met de waargenomen patronen van gelijktijdige activatie in de tijd. Het resultaat is een “generatieve connectiviteits”-matrix: een gefunctionaliseerde versie van het bedradingsoverzicht die vastlegt hoe structuur gewogen moet zijn om de dynamiek van levende hersenen te produceren.

Competitie verschijnt als een noodzakelijke component

Wanneer het model negatieve én positieve invloeden mag gebruiken, doet het dat enthousiast. Over de soorten heen wordt ruwweg een kwart tot twee vijfde van de effectieve verbindingen competitief. Deze negatieve links zijn niet willekeurig verdeeld: ze zijn doorgaans zwakker, hebben een langere reikwijdte en zijn minder sterk gegroepeerd dan de coöperatieve, en vormen een diffuse web die de meer modulaire positieve gemeenschappen doorkruist. Het weghalen ervan degradeert snel hoe goed het model overeenkomt met echte data. Met competitie inbegrepen stijgt de gelijkenis tussen gesimuleerde en empirische functionele connectiviteit dramatisch, met correlaties tot wel 0,95 bij muizen en meer dan een verdubbeling bij mensen vergeleken met een model met alleen positieve verbindingen. Het verbeterde model produceert ook realistische niveaus van anticorrelatie tussen regio’s, wat overeenkomt met de veelvoorkomende "wipplank"-patronen die al lange tijd in hersenscans worden waargenomen.

Competitie sluit aan bij diepere biologische verschillen

Het team vraagt vervolgens of de plaatsing van competitieve links diepere biologische organisatie weerspiegelt. Ze vergelijken waar negatieve modelverbindingen voorkomen met kaarten van vele corticale kenmerken, waaronder celtypes, genexpressie, receptorverdeling, microstructuur en myelinisatie. Bij mensen, makaaks en muizen verbinden competitieve links bij voorkeur regio’s die aan tegengestelde uiteinden van deze biologische gradiënten liggen — bijvoorbeeld gebieden die rijk zijn aan het ene type remmende interneuron versus gebieden met een ander type, of sterk gemyeliniseerde sensorische zones versus transmodale associatiecortex. In feite is het grootschalige touwtrekken het sterkst tussen corticale territoria die zeer verschillend gebouwd en afgesteld zijn, wat suggereert dat macroschaalcompetitie verankerd is in geconserveerde moleculaire en cellulaire contrasten.

Rijkere dynamiek en meer onderscheiden individuele hersenen

Competitie opnemen doet meer dan statische connectiviteitsafbeeldingen verbeteren. Wanneer de afgestemde modellen vooruit worden gedraaid om synthetische hersenactiviteit te genereren, toont de coöperatief-competitieve versie realistischere temporele gedragingen. Het vermijdt onrealistisch hoge globale synchronie en zwerft in plaats daarvan door een gebalanceerd regime dat afwisselt tussen integratie en segregatie, een eigenschap die bekendstaat als metastabiliteit. Het vertoont ook sterkere hiërarchie, waarbij sommige regio’s beter gepositioneerd zijn om wijdverspreide activiteitscascades te ontbranden of om meer informatie te zenden dan ze ontvangen. Maten van synergetische informatie — het idee dat paren regio’s samen meer voorspellende kracht hebben dan elk afzonderlijk — stijgen richting empirische niveaus. Cruciaal is dat deze verbeteringen niet expliciet tijdens het fitten werden nagestreefd; ze ontstaan vanzelf zodra competitieve interacties worden toegestaan.

Van realistische activiteit naar berekening en cognitie

Aangezien geen twee hersenen precies hetzelfde zijn, moet een overtuigend model zowel getrouw als persoonlijk zijn. De coöperatief-competitieve modellen bleken beter “vingerafdrukbaar”: ze passen beter bij de connectiviteit van elk individu dan bij die van anderen en lijden een grotere nauwkeurigheidsdaling wanneer ze worden toegepast op de verkeerde proefpersoon, zowel bij mensen als bij makaaksen en muizen. Voor mensen testten de auteurs ook hoe goed instantane modelactiviteitspatronen overeenkwamen met grote databases van hersenkaarten die aan specifieke mentale functies zijn gekoppeld, zoals aandacht of geheugen. Modellen met competitie produceerden spontane patronen die nauwer leken op deze canonieke cognitieve circuits, wat impliceert dat rustdynamiek meer "geestachtig" is. Ten slotte, wanneer de netwerkstructuren afgeleid uit het model werden gebruikt als bedrading in kunstmatige "reservoir computing"-systemen die een geheugentaak uitvoeren, toonden die met competitieve links een hogere computationele capaciteit en hielden ze beter eerdere input vast.

Wat dit betekent voor het begrijpen van hersenen en het bouwen van modellen

In eenvoudige bewoordingen toont de studie dat de zoogdierhersen het beste functioneert op een scheidslijn tussen samenwerking en competitie. Sterke, lokale positieve banden binden nabijgelegen regio’s tot gespecialiseerde modules, terwijl zwakkere, langafstandsnegatieve banden verschillende systemen tegen elkaar uitspelen en zo de informatieflow over de cortex structureren. Deze architectuur reproduceert niet alleen de fijnmazige eigenaardigheden van individuele hersenen, maar levert ook vanzelf dynamiek die divers, hiërarchisch en computationeel krachtig is. Voor toekomstig hersenmodelleren — of het nu gaat om het begrijpen van bewustzijn, het simuleren van ziekte of het ontwerpen van neuromorfe computers — is de boodschap duidelijk: het weglaten van grootschalige competitie is het weglaten van een kernprincipe van hoe echte hersenen rekenen.

Bronvermelding: 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

Trefwoorden: hersen-netwerken, neurale competitie, connectoommodellering, functionele connectiviteit, neuromorfe computing