Десегрегация прогностической обработки нейронов

Как мозг ставит ставки на будущее

Каждое мгновение ваш мозг тихо предполагает, что произойдет дальше — как будет ощущаться рука, когда коснется дверной ручки, какой звук издадут ваши шаги или какое слово вероятно последует в предложении. Когда предположение оказывается неверным, удивление помогает вам учиться. Это исследование задает глубокий вопрос о процессе: существуют ли особые типы клеток, которые только предсказывают, а другие только сигнализируют об ошибке предсказания, или эти роли распределены более демократично? С помощью математических моделей и реальных записей из мозга мышей авторы показывают, что предсказание и сигнал об ошибке гораздо сильнее переплетены, чем считалось ранее.

Мозг как машина прогнозов

Нейробиологи все чаще рассматривают мозг как машину прогнозов, которая постоянно сравнивает ожидаемое с тем, что действительно поступает через органы чувств. Когда мир ведет себя ожидаемо, активность во многих сенсорных областях ослабевает; при неожиданных событиях некоторые клетки реагируют сильнее, создавая то, что исследователи называют «ошибкой предсказания». Ранние теории предлагали аккуратные схемы, где одна группа нейронов представляла входящие зрительные и слуховые сигналы, а отдельная группа вычисляла ошибки. Но большинство экспериментов тестировали очень простые ситуации, например когда один звук предсказывает одно движение, что далекo от запутанных множественных ассоциаций, доминирующих в естественном поведении.

Моделирование насыщенного сенсорного мира

Чтобы исследовать более реалистичные ситуации, авторы построили крупную компьютерную модель мозговой схемы, которая одновременно получает множество различных сенсорных и моторных сигналов. Модель учится, через многократные повторения, какие комбинации событий обычно встречаются вместе — подобно тому, как животное учится, что определенное движение часто вызывает определенный звук. Важно, что модель была спроектирована так, чтобы формировать внутренние предсказания, одновременно сохраняя экономичность общей активности, отражая потребность мозга эффективно расходовать энергию. По мере обучения смоделированные нейроны стали подавлять свои ответы, когда возникало ожидаемое сочетание, и сильнее реагировали, когда предсказанный партнёр отсутствовал, что отражает наблюдения в экспериментах на мышах.

Удивление повсюду, а не в одной коробке

Когда исследователи детально изучили «нейроны» модели, они обнаружили, что клетки не делятся четко на нейроны предсказания и нейроны ошибки. Нейрон, сигнализировавший о несоответствии для одной пары событий, мог вести себя как обычный сенсорный репортер для другой пары. По мере того как модель усваивала все больше различных пар, такое смешивание стало еще более распространенным, и чисто «только ошибки» нейроны стали редкостью. Авторы затем обратились к записям из слуховой коры мыши, где животные ожидали определенный тон после нажатия рычага, но иногда им предъявляли измененные звуки. Картина ответов среди множества нейронов показала тот же тип смешения, предсказанный моделью, что ставит под сомнение аккуратное разделение ролей предсказания и ошибки в реальных мозгах.

Баланс возбуждения, торможения и сложность

Исследование также анализирует, как баланс возбуждения и подавления внутри мозговых цепей формирует предсказание. Модель разделяет вход каждого нейрона на две части: прямой сенсорный поток и внутреннюю обратную связь от других нейронов, несущих предсказания. Когда эти два влияния почти компенсируют друг друга, система становится «сбалансированной», и небольшие несоответствия выделяются более явно. Авторы обнаружили, что оптимален не слишком жесткий уровень такого баланса. По мере роста числа разных усвоенных ассоциаций лучшие по производительности схемы на самом деле становятся более слабо сбалансированными, что помогает избегать помех между множеством перекрывающихся предсказаний. Расширив модель, чтобы включить отдельные возбуждающие и тормозные клетки — и слои, напоминающие глубину коры — авторы показывают, что сигналы, связанные с предсказанием, распределены по типам клеток и слоям, а не сосредоточены в одном особом месте.

Почему это важно для понимания мысли

В повседневной жизни мы одновременно оперируем бесчисленными ожиданиями о звуках, образах и движениях. Эта работа предлагает, что мозг поддерживает такое богатое предсказание, распределяя нагрузку по многим нейронам, которые гибко делят обязанности, а не выделяя строгих специализированных клеток только для предсказания или только для ошибки. Она также подчеркивает, как тщательно настроенный, но не чрезмерно жесткий баланс между возбуждающими и тормозными сигналами позволяет этим цепям обрабатывать многочисленные ассоциации без потери устойчивости. В совокупности моделирование и эксперименты рисуют картину прогностической обработки как сильно распределенного, адаптивного кода — того, который может помочь объяснить, как мозг строит внутренние модели сложного, постоянно меняющегося мира.

Цитирование: 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

Ключевые слова: прогностическая обработка, нейронные цепи, сенсорное предсказание, баланс возбуждения и торможения, модели нейронных сетей