Конкурентные взаимодействия формируют динамику и вычисления мозговых сетей млекопитающих

Почему это важно для понимания разума

Мозг часто изображают как согласованную паутину активности, где области работают вместе, чтобы мыслить, чувствовать и действовать. Но в реальности мозг полон взаимодействий «тянет-поталкивает»: одни участки усиливают друг друга, тогда как другие тянут в противоположных направлениях. В этом исследовании задаются вопросом, как эта скрытая борьба влияет на работу мозгов млекопитающих — включая людей, макак и мышей — и показывают, что конкуренция между областями мозга не является ошибкой, а важной особенностью, делающей мозговую активность более правдоподобной, более индивидуальной и более способной к сложным вычислениям.

Как проводка мозга направляет сотрудничество и соперничество

Авторы исходят из простой загвоздки: структурная схема проводки мозга, или коннектом, в основном показывает, где проходят волокна, но не говорит, действуют ли эти связи как дружелюбные помощники или как противоборствующие соперники. Большинство крупномасштабных моделей молча предполагают, что если одна связанная область становится более активной, она, как правило, повышает активность своих партнёров. Однако в биологии полно конкурентных взаимодействий — от ингибирующих нейронов в локальных схемах до сбалансированной обратной связи в экосистемах и социальных сетях. Поэтому команда создает модель целого мозга, которая может присваивать каждой дальнодействующей связи положительное (кооперативное) или отрицательное (конкурентное) влияние, и выясняет, какая смесь лучше всего воспроизводит фактические паттерны активности, измеренные с помощью функциональной МРТ у людей, макак и мышей.

Построение виртуальных мозгов на основе реальной анатомии

Для этого исследователи используют стандартный математический инструмент сетевой нейронауки: набор нелинейных осцилляторов, находящихся вблизи точки бифуркации, по одному на каждую область мозга. Эти осцилляторы естественно порождают флуктуирующие, ритмообразные сигналы, похожие на медленные волны, наблюдаемые в фМРТ, не полностью шумные и не идеально регулярные. Они связывают осцилляторы в соответствии со структурными соединениями каждого вида — по данным диффузионной МРТ у людей, по смешанным данным трассировки тракта и визуализации у макак и по чистой трассировке у мышей — и затем итеративно настраивают силу и знак этих существующих связей так, чтобы смоделированная активность соответствовала наблюдаемым паттернам со-активации во времени. В результате получается «генеративная матрица связности»: функционализированная версия схемы проводки, которая отражает, как структуру надо взвешивать, чтобы породить динамику живого мозга.

Конкуренция проявляется как необходимый компонент

Когда модели позволяют использовать как отрицательные, так и положительные влияния, они охотно используют и те, и другие. В разных видах примерно от четверти до двух пятых эффективных связей становятся конкурентными. Эти отрицательные связи не распределены случайно: они, как правило, слабее, более дальнодействующие и менее плотно сгруппированы, чем кооперативные, формируя рассеянную сеть, которая пересекает более модульные положительные сообщества. Удаление таких связей быстро ухудшает соответствие модели реальным данным. При включённой конкуренции сходство между смоделированной и эмпирической функциональной связностью резко возрастает, достигая корреляций до 0,95 у мышей и более чем удваиваясь у людей по сравнению с моделью, использующей только положительные связи. Улучшенная модель также воспроизводит реалистичные уровни антикорреляций между регионами, соответствуя широко наблюдаемым «качелям» в снимках мозга.

Конкуренция согласуется с глубокими биологическими различиями

Команда затем проверяет, отражает ли размещение конкурентных связей более глубокую биологическую организацию. Они сопоставляют, где в модели появляются отрицательные связи, с картами многих кортикальных характеристик, включая типы клеток, экспрессию генов, распределение рецепторов, микроархитектуру и миелинизацию. У людей, макак и мышей конкурентные связи предпочитательно соединяют области, расположенные на противоположных концах этих биологических градиентов — например, регионы с преобладанием одного типа ингибирующих интернейронов против областей, богатых другим типом, либо высокомиелинизованные сенсорные зоны против трансмодальной ассоциативной коры. По сути, крупномасштабная борьба наиболее интенсивна между кортикальными территориями, которые построены и настроены очень по-разному, что указывает на то, что макроскопическая конкуренция укоренена в сохранённых молекулярных и клеточных контрастах.

Более богатая динамика и более индивидуальные мозги

Включение конкуренции даёт больше, чем улучшение статических снимков связности. Когда подогнанные модели прогоняют вперёд, чтобы сгенерировать синтетическую мозговую активность, версия с кооперацией и конкуренцией демонстрирует более правдоподобное временное поведение. Она избегает нереалистично высокой глобальной синхронности, вместо этого блуждая в сбалансированном режиме, который чередует интеграцию и сегрегацию — свойство, известное как метастабильность. Также наблюдается более выраженная иерархичность: некоторые регионы лучше расположены, чтобы инициировать широкие каскады активности или посылать больше информации, чем получают. Показатели синергетической информации — идея о том, что пара областей вместе несёт больше предсказательной силы, чем каждая по отдельности — приближаются к эмпирическим уровням. Важно, что эти улучшения не были явно целями при подгонке модели; они возникают естественно, как только допускаются конкурентные взаимодействия.

От реалистичной активности к вычислениям и когниции

Поскольку нет двух одинаковых мозгов, убедительная модель должна быть и правдоподобной, и персональной. Кооперативно-конкурентные модели оказались более «узнаваемыми»: они лучше подгоняются под связность каждого индивида по сравнению с чужими и сильнее теряют точность при несоответствии с неверным субъектом, как у людей, так и у макак и мышей. Для людей авторы также проверили, насколько мгновенные паттерны активности модели соответствуют большим базам данных карт мозга, связанным с конкретными психическими функциями, такими как внимание или память. Модели с конкуренцией порождали спонтанные паттерны, более близкие к этим каноническим когнитивным схемам, что подразумевает более «похожую на разум» динамику в состоянии покоя. Наконец, когда сети, полученные из модели, использовали как проводку в искусственных системах «резервуарных вычислений», выполнявших задачу памяти, те, у которых были конкурентные связи, показали большую вычислительную ёмкость и лучше сохраняли предыдущие входы.

Что это значит для понимания мозга и построения моделей

Проще говоря, исследование показывает, что мозг млекопитающих работает лучше на острие баланса между сотрудничеством и конкуренцией. Сильные локальные положительные связи связывают соседние области в специализированные модули, тогда как более слабые дальние отрицательные связи противопоставляют разные системы друг другу, структурируя поток информации по коре. Такая архитектура не только воспроизводит тонкие индивидуальные особенности мозгов, но и естественным образом порождает динамику, которая разнообразна, иерархична и вычислительно мощна. Для будущего моделирования мозга — будь то понимание сознания, симуляция болезней или проектирование нейроморфных компьютеров — посыл ясен: исключение крупномасштабной конкуренции означает упущение основного принципа того, как реальные мозги вычисляют.

Цитирование: 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

Ключевые слова: мозговые сети, нейронная конкуренция, моделирование коннектома, функциональная связность, нейроморфные вычисления