Konkurrerande interaktioner formar däggdjurs hjärnnätsverksdynamik och beräkning

Varför detta är viktigt för att förstå sinnet

Hjärnor avbildas ofta som harmoniska nätverk av aktivitet, där regioner samarbetar för att tänka, känna och agera. Men verkliga hjärnor är också fulla av dragkamp: vissa områden förstärker varandra medan andra drar i motsatta riktningar. Denna studie frågar hur den dolda dragkampen formar hur däggdjurs hjärnor — inklusive människors, makakernas och mössens — faktiskt fungerar, och visar att konkurrens mellan hjärnregioner inte är en bugg utan en väsentlig egenskap som gör hjärnaktiviteten mer realistisk, mer individuell och mer kapabel till komplex beräkning.

Hur hjärnans kopplingar vägleder samarbete och rivalitet

Författarna börjar från ett enkelt pussel: hjärnans strukturella kopplingsschema, eller connectom, berättar mest om var fibrerna löper, inte om dessa förbindelser fungerar som vänligt stöttande eller som motsättande rivaler. De flesta storskaliga hjärnmodeller antar tyst att om en ansluten region blir mer aktiv så tenderar den att öka sina partners aktivitet också. Men biologin är full av konkurrerande interaktioner — från inhibitoriska neuroner i lokala kretsar till balanserande återkoppling i ekosystem och sociala nätverk. Teamet bygger därför en helhjärnsmodell som kan tilldela varje långdistansförbindelse ett positivt (samarbetsinriktat) eller negativt (konkurrensinriktat) inflytande och frågar vilken blandning som bäst återger de faktiska aktivitetsmönstren mätta med funktionell MRI hos människor, makaker och möss.

Bygga virtuella hjärnor från verklig anatomi

För att göra detta använder forskarna en standard matematisk arbetskraft i nätverksneurovetenskapen: en uppsättning icke-linjära oscillatorer balanserade nära en tröskel, en per hjärnregion. Dessa oscillatorer producerar naturligt fluktuerande, rytmliknande signaler liknande de långsamma vågor som ses i fMRI, varken fullständigt brusiga eller perfekt regelbundna. De kopplar oscillatorerna enligt varje arts strukturella förbindelser — från mänsklig diffusions-MRI, makakdata som blandar tract-tracing och avbildning, och ren tract-tracing i möss — och justerar sedan iterativt styrkan och tecknet för dessa befintliga länkar så att den simulerade aktiviteten matchar de observerade mönstren av samaktivering över tid. Resultatet är en ”generativ konnektivitets”-matris: en funktionaliserad version av kopplingsschemat som fångar hur struktur måste viktas för att ge upphov till den levande hjärnans dynamik.

Konkurrens framträder som en nödvändig ingrediens

När modellen tillåts använda negativa såväl som positiva inflytanden gör den det entusiastiskt. Över arter blir ungefär en fjärdedel till två femtedelar av de effektiva förbindelserna konkurrerande. Dessa negativa länkar är inte utspridda slumpmässigt: de tenderar att vara svagare, av längre räckvidd och mindre tätt klustrade än de samarbetsinriktade, och bildar ett diffust nät som korsar mer modulära positiva samhällen. Att ta bort dem försämrar snabbt hur väl modellen matchar riktiga data. Med konkurrens inkluderad ökar likheten mellan simulerad och empirisk funktionell konnektivitet dramatiskt, och når korrelationer så höga som 0,95 hos möss och mer än fördubblas hos människor jämfört med enbart-positiv modell. Den förbättrade modellen producerar också realistiska nivåer av anticorrelation mellan regioner, vilket motsvarar de utbredda "gungbrädemönster" som länge observerats i hjärnskanningar.

Konkurrens överensstämmer med djupa biologiska skillnader

Teamet frågar sedan om placeringen av konkurrerande länkar speglar djupare biologisk organisation. De jämför var negativa modellförbindelser faller med kartor över många kortikala egenskaper, inklusive celltyper, genuttryck, receptorfördelning, mikrostruktur och myelinisering. Över människor, makaker och möss förenar konkurrerande länkar föredragsvis regioner som ligger på motsatta ändar av dessa biologiska gradienter — till exempel områden rika på en typ av inhibitorisk interneuron versus områden rika på en annan, eller starkt myeliniserade sensoriska zoner versus transmodala associationsområden. I praktiken är storskalig dragkamp starkast mellan kortikala territorier som är uppbyggda och finjusterade på mycket olika sätt, vilket tyder på att makroskalig konkurrens är förankrad i bevarade molekylära och cellulära kontraster.

Rikare dynamik och mer individuella hjärnor

Att inkludera konkurrens gör mer än att förbättra statiska ögonblicksbilder av konnektivitet. När de anpassade modellerna körs framåt för att generera syntetisk hjärnaktivitet visar den kooperativ–konkurrerande versionen mer realistiskt temporärt beteende. Den undviker orealistiskt hög global synkroni och rör sig istället genom ett balanserat regime som alternerar integration och segregationen, en egenskap känd som metastabilitet. Den visar också starkare hierarki, där vissa regioner är bättre placerade för att väcka utbredda aktivitetskaskader eller för att skicka mer information än de tar emot. Mått på synergistisk information — idén att par av regioner tillsammans bär mer prediktiv kraft än någon av dem ensam — stiger mot empiriska nivåer. Viktigt är att dessa förbättringar inte uttryckligen eftersträvades under anpassningen; de uppstår naturligt när konkurrerande interaktioner tillåts.

Från realistisk aktivitet till beräkning och kognition

Eftersom inga två hjärnor är exakt likadana måste en övertygande modell vara både trogen och personlig. De kooperativ–konkurrerande modellerna visade sig mer "fingeravtrycksbara": de passade varje individs konnektivitet bättre än andras och upplevde ett större tapp i noggrannhet när de kopplades till fel försöksperson, både hos människor och hos makaker och möss. För människor testade författarna också hur väl omedelbara modellaktivitetmönster matchade stora databaser av hjärnkartor kopplade till specifika mentala funktioner, såsom uppmärksamhet eller minne. Modeller med konkurrens producerade spontana mönster som mer liknade dessa kanoniska kognitiva kretsar, vilket antyder mer "sinneslik" dynamik i vila. Slutligen, när de modellerade näten användes som kopplingsschema i artificiella "reservoir computing"-system som utförde en minnesuppgift, visade de med konkurrerande länkar högre beräkningskapacitet och bättre förmåga att bevara tidigare indata.

Vad detta betyder för att förstå hjärnor och bygga modeller

Enkelt uttryckt visar studien att däggdjurs hjärna fungerar bäst på en knivsudd mellan samarbete och konkurrens. Starka, lokala positiva band binder närliggande regioner till specialiserade moduler, medan svagare, långdistans negativa band ställer olika system mot varandra och strukturerar informationsflödet över cortex. Denna arkitektur reproducerar inte bara de finförgrenade egenheterna hos individuella hjärnor, utan ger också naturligt dynamik som är mångfacetterad, hierarkisk och beräkningsmässigt kraftfull. För framtida hjärnmodellering — vare sig för att förstå medvetande, simulera sjukdom eller designa neuromorfa datorer — är budskapet tydligt: att utelämna storskalig konkurrens innebär att man lämnar bort en kärnprincip i hur verkliga hjärnor beräknar.

Citering: 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

Nyckelord: hjärnnätverk, neuralt konkurrens, connectommodellering, funktionell konnektivitet, neuromorfisk databehandling