Desegregacja neuronalnego przetwarzania predykcyjnego

Jak mózg obstawia przyszłość

Co chwila twój mózg dyskretnie zgaduje, co wydarzy się dalej — jak będzie się „czuła” ręka przy dotknięciu klamki, jaki dźwięk wydadzą twoje kroki lub które słowo prawdopodobnie pojawi się w zdaniu. Gdy przewidywanie jest błędne, zaskoczenie pomaga się uczyć. To badanie stawia istotne pytanie o ten proces: czy istnieją specjalne rodzaje komórek mózgowych, które tylko przewidują, i inne, które tylko sygnalizują zaskoczenie, czy też te role są rozdzielone bardziej demokratycznie? Korzystając z modeli matematycznych i rzeczywistych zapisów z mózgów myszy, autorzy pokazują, że predykcja i zaskoczenie są ze sobą znacznie bardziej splątane, niż uważano dotąd.

Mózgi jako maszyny prognozujące

Neurobiolodzy coraz częściej postrzegają mózg jako maszynę prognozującą, która nieustannie porównuje oczekiwania z tym, co rzeczywiście dociera przez zmysły. Gdy świat zachowuje się zgodnie z przewidywaniami, aktywność w wielu obszarach sensorycznych jest przytłumiona; gdy pojawia się niespodziewane zdarzenie, niektóre komórki reagują silniej, generując to, co badacze nazywają „błędem predykcji”. Wcześniejsze teorie proponowały uporządkowane schematy połączeń, w których jedna grupa neuronów reprezentuje napływające wrażenia, a oddzielna wylicza błędy. Jednak większość eksperymentów testowała bardzo proste sytuacje, takie jak jeden dźwięk zapowiadający jeden ruch — co znacznie odbiega od splątanych, wielu-wielu skojarzeń dominujących w naturalnym zachowaniu.

Symulacja zatłoczonego świata sensorycznego

Aby zbadać bardziej realistyczne sytuacje, autorzy zbudowali duży model komputerowy obwodu mózgowego, który jednocześnie otrzymuje wiele różnych sygnałów sensorycznych i motorycznych. Model uczy się, poprzez powtarzane wystawienie, które kombinacje zdarzeń mają tendencję do współwystępowania — podobnie jak zwierzę uczące się, że określony ruch zazwyczaj wywołuje określony dźwięk. Kluczowe było zaprojektowanie modelu tak, by tworzył wewnętrzne przewidywania przy jednoczesnym utrzymywaniu ekonomicznej ogólnej aktywności, odzwierciedlając potrzebę mózgu efektywnego wykorzystania energii. W miarę postępu uczenia się symulowane neurony zaczęły tłumić swoje odpowiedzi, gdy występowało oczekiwane skojarzenie, i reagować silniej, gdy brakowało przewidzianego partnera — co odzwierciedla obserwacje z eksperymentów na myszach.

Zaskoczenie jest wszędzie, a nie w jednym pudełku

Gdy badacze szczegółowo przeanalizowali „neurony” w modelu, odkryli, że komórki nie dzieliły się czytelnie na neurony predykcyjne i neurony błędu. Neuron sygnalizujący niedopasowanie dla jednej pary zdarzeń mógł zachowywać się jak zwykły raportujący sensorycznie dla innej pary. W miarę jak model uczył się coraz większej liczby odrębnych skojarzeń, takie mieszanie stało się jeszcze powszechniejsze, a czysto „tylko-błędowe” neurony stały się rzadkie. Autorzy sięgnęli następnie po zapisy z kory słuchowej myszy, gdzie zwierzęta spodziewały się konkretnego tonu po naciśnięciu dźwigni, ale czasem prezentowano im zmienione dźwięki. Wzór odpowiedzi wśród wielu neuronów wykazywał ten sam rodzaj mieszania przewidziany przez model, co przemawia przeciwko porządkowemu rozdziałowi ról predykcji i błędu w rzeczywistych mózgach.

Równoważenie pobudzenia, hamowania i złożoności

Badanie bada także, jak równowaga pobudzenia i tłumienia w obrębie obwodów mózgowych kształtuje predykcję. Model rozdziela wejście każdego neuronu na dwie części: bezpośredni napęd sensoryczny oraz wewnętrzny sprzężenie zwrotne od innych neuronów niosących przewidywania. Gdy te dwa wpływy niemal się znoszą, system staje się „zrównoważony” i niewielkie niedopasowania wyróżniają się wyraźniej. Autorzy wykazują, że istnieje optymalny, niezbyt ścisły poziom tej równowagi. Wraz ze wzrostem liczby różnych nauczonych skojarzeń najlepiej działające obwody stają się w rzeczywistości bardziej luźno zrównoważone, co pomaga unikać wzajemnych zakłóceń między wieloma nakładającymi się przewidywaniami. Rozszerzając model o wyraźne komórki pobudzające i hamujące oraz o wielowarstwową strukturę przypominającą głębokość kory, autorzy pokazują, że sygnały związane z predykcją są rozproszone między typami komórek i warstwami, zamiast być zgromadzone w jednym specjalnym miejscu.

Dlaczego to ma znaczenie dla zrozumienia myślenia

W życiu codziennym jednocześnie operujemy niezliczonymi oczekiwaniami dotyczącymi dźwięków, obrazów i ruchów. Ta praca sugeruje, że mózg wspiera takie bogate przewidywanie, rozkładając obciążenie na wiele neuronów, które elastycznie dzielą się zadaniami, zamiast poświęcać sztywnym specjalistom rolę wyłącznie predykcji lub błędu. Podkreśla też, jak starannie wyregulowana, ale nie nadmiernie sztywna równowaga między sygnałami pobudzającymi i hamującymi pozwala tym obwodom obsługiwać liczne skojarzenia bez popadania w niestabilność. Razem modelowanie i eksperymenty wskazują na obraz przetwarzania predykcyjnego jako wysoce rozproszonego, adaptacyjnego kodu — takiego, który może pomóc wyjaśnić, jak mózgi budują wewnętrzne modele złożonego, ciągle zmieniającego się świata.

Cytowanie: 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

Słowa kluczowe: przetwarzanie predykcyjne, obwody neuronalne, predykcja sensoryczna, równowaga pobudzenia i hamowania, modele sieci neuronowych