Аналитически решаемая модель «переполненности» синапсов объясняет возникающую маломировую структуру и динамику сети

Почему имеет значение «переполнение» связей в мозге

Наши мозги устроены с помощью миллиардов крошечных соединений — синапсов, но место и ресурсы ограничены. В этой статье задаётся простой вопрос с далеко идущими последствиями: что происходит с проводкой и активностью по всему мозгу, если каждый нейрон по мере «переполняемости» становится всё менее склонен принимать новые синапсы? Из этой единственной идеи автор показывает, как реалистичные крупномасштабные сетевые структуры и динамика могут возникнуть без предположения каких‑то сложных правил проектирования.

Простое правило для создания «занятых» нейронов

В работе вводится минималистичный рецепт формирования связей в нейронной сети. Представьте, что выбирается целевой нейрон и ему по очереди предлагаются потенциальные входящие синапсы от разных исходных нейронов. Первое предложение всегда принимается, но каждое следующее даётся всё труднее. Один параметр задаёт, насколько быстро падает готовность принять новые контакты. Несмотря на простоту, это правило позволяет автору точно и для любого конечного размера сети вычислить, сколько входов в среднем получает каждый нейрон и как сильно варьируются эти количества. По мере роста сети типичное число входов на нейрон увеличивается лишь пропорционально логарифму размера сети, а разброс вокруг типичного значения остаётся ограниченным. Проще говоря, правило автоматически препятствует тому, чтобы нейроны становились чрезмерно чрезмерно связанными по мере масштабирования системы.

Возникающие закономерности длины связей и «короткие пути»

Само правило «переполнения» не упоминает физическое расстояние, однако реальные мозги вложены в пространство и большинство синапсов локальны. Чтобы учесть это, модель предполагает, что потенциальные партнёры рассматриваются в порядке близости. Поразительно, что при применении того же штрафа за переполнение к списку, упорядоченному по расстоянию, получающиеся связи охватывают широкий диапазон длин очень специфическим образом: вероятность связи на расстоянии d примерно пропорциональна 1/d. Это означает много коротких связей, но также постоянный поток более длинных связей на каждом пространственном масштабе. Пара за парой эффективная вероятность соединения двух регионов убывает с расстоянием примерно так же, как в известных «маломировых» моделях, которые изначально задавали вручную. Здесь такое поведение появляется само по себе из локального эффекта переполнения в сочетании с пространственным упорядочением, а не из навязанной формулы расстояния.

Как локальная проводка формирует глобальную активность

Помимо статической проводки, статья исследует, что эти сети делают на практике, когда нейроны обновляют свои состояния вкл/выкл по простому пороговому правилу: нейрон включается, если достаточно многих его входов включены. Автор использует сочетание аналитических инструментов и моделирования, чтобы отследить, как изменяется доля активных нейронов и какие конечные паттерны активности наиболее вероятны. Ключевое наблюдение в том, что детальная форма гистограммы числа входов — не только её среднее — сильно влияет на положение точки перегиба между угасанием активности и её распространением почти на всю сеть. Сравнивая с классическими случайными сетями с тем же средним числом входов, исследование показывает, что распределение, вызванное переполнением, смещает эти «границы бассейнов», оставляя узнаваемый отпечаток правила формирования проводки на крупномасштабной динамике.

Кластеризация, «короткие пути» и долгоживущие паттерны

Поскольку правило приёма зависит только от того, сколько входов у нейрона уже есть, модель может переставлять порядок кандидатов без изменения статистики входов. Автор использует это, чтобы строить сети от сильно локальных, сеткоподобных компоновок до более перемешанных, богатых «короткими путями», при этом для каждого нейрона сохраняется одно и то же число входов. Структурные меры показывают, что версия с пространственным упорядочением демонстрирует признаки маломировой сети: сильную локальную кластеризацию наряду с короткими путями между удалёнными узлами, благодаря нескольким дальним связям, возникающим из широкого распределения длин. Динамически же эти геометрические детали главным образом влияют на поведение рядом с точкой перегиба. Локально кластерные сети склонны поддерживать долго живущие, нетривиальные паттерны активности — такие как циклы или смешанные состояния — тогда как сильно перемешанные варианты чище сходятся к одному из двух однородных исходов (все вкл или все выкл), как предсказывают упрощённые аналитические аппроксимации.

От микроскопических ограничений к макроскопическим паттернам мозга

В целом работа показывает, что базовый эффект переполнения — убывающая способность нейрона принимать новые синапсы — может помочь объяснить, как реальные нервные системы остаются разреженно, но надёжно связанными, как они приобретают многомасштабную, маломировую проводку без жёстко прописанных правил расстояния и как их крупномасштабная активность реагирует на возмущения. Модель даёт конкретные, проверяемые предсказания для распределения синаптических входов, разброса длин связей и чувствительности сетевой активности к начальным условиям. Главный вывод для читателя: глобальная организация и богатая динамика не обязательно требуют сложных инструкций — они могут возникнуть из одного биологически правдоподобного ограничения, применённого одинаково в процессе роста.

Цитирование: Fukushima, M. Analytically tractable model of synaptic crowding explains emergent small-world structure and network dynamics. Sci Rep 16, 11748 (2026). https://doi.org/10.1038/s41598-026-47213-2

Ключевые слова: переполненность синапсов, маломировые сети, связность мозга, динамика сети, пороговые модели