Rekabetçi etkileşimler memeli beyin ağ dinamiklerini ve hesaplamayı şekillendirir

Zihni anlamak için neden önemli

Beyinler genellikle bölgelerin düşünmek, hissetmek ve hareket etmek için birlikte çalıştığı uyumlu etkinlik ağları olarak tasvir edilir. Ama gerçek beyinler aynı zamanda itme ve çekişlerle doludur: bazı alanlar birbirini güçlendirirken, diğerleri karşıt yönlere çeker. Bu çalışma, bu gizli çekişmenin memeli beyinlerinin — insan, makak ve fare dahil — gerçekte nasıl işlediğini nasıl şekillendirdiğini soruyor ve beyin bölgeleri arasındaki rekabetin bir hata değil, beyin aktivitesini daha gerçekçi, daha bireysel ve daha karmaşık hesaplama kapasitesine sahip kılan yaşamsal bir özellik olduğunu gösteriyor.

Beynin kablolaması işbirliğini ve rekabeti nasıl yönlendirir

Yazarlar basit bir bilmeceden başlıyor: beynin yapısal kablolama diyagramı veya konnektomu, çoğunlukla liflerin nereden geçtiğini söyler, bu bağlantıların dostça yardımcı mı yoksa karşıt mı davrandığını söylemez. Çoğu büyük ölçekli beyin modeli, birbirine bağlı bir bölge daha aktif olduğunda ortaklarını da artırmaya eğilimli olduğu varsayımını sessizce benimser. Oysa biyoloji, yerel devrelerdeki inhibitör nöronlardan ekosistemlerde ve sosyal ağlarda dengeleyici geribildirimlere kadar rekabetçi etkileşimlerle doludur. Bu nedenle ekip, her uzun menzilli bağlantıya pozitif (işbirlikçi) veya negatif (rekabetçi) etki atayabilen bütün-beyin bir model kurar ve hangi karışımın insanlarda, makaklarda ve farelerde fonksiyonel MR ile ölçülen gerçek etkinlik desenlerini en iyi şekilde yeniden ürettiğini sorar.

Gerçek anatomiden sanal beyinler inşa etmek

Bunu yapmak için araştırmacılar ağ sinirbiliminde standart bir matematiksel işçi atı kullanır: her beyin bölgesi için uç noktaya yakın duran bir dizi doğrusal olmayan osilatör. Bu osilatörler doğal olarak fMRI’de görülen yavaş dalgalara benzer dalgalanan, ritmimsi sinyaller üretir; ne tamamen gürültülü ne de mükemmel düzenli. Osilatörleri, her türün yapısal bağlantılarına göre bağlarlar — insan diffüzyon MRIsı, iz ve görüntülemeyi harmanlayan makak verileri ve farelerde saf izleme verileri — ve ardından simüle edilmiş etkinliğin zaman içindeki eş-etkinleşme desenleriyle eşleşmesi için mevcut bağlantıların gücünü ve işaretini yineleyerek ayarlarlar. Sonuç, ‘üretici bağlantılılık’ matrisi: yapısal diyagramın fonksiyonelleştirilmiş bir versiyonu olup, yapının canlı beynin dinamiklerine yol açmak için nasıl ağırlıklandırılması gerektiğini yakalar.

Rekabet gerekli bir bileşen olarak ortaya çıkıyor

Model negatif ve pozitif etkileri kullanmasına izin verildiğinde bunu istekle yapıyor. Türler arasında, etkin bağlantıların yaklaşık dörtte biri ile beşte biri arasında rekabetçi hale geliyor. Bu negatif bağlantılar rastgele dağılmıyor: işbirlikçi olanlara göre genellikle daha zayıf, daha uzun menzilli ve daha az sıkı kümelenmiş olmaya eğilimli olarak, modüler pozitif toplulukları çaprazlayan yaygın bir ağ oluştururlar. Bunları kaldırmak, modelin gerçek veriyle uyuşmasını hızla bozuyor. Rekabet dahil edildiğinde, simüle edilen ile ampirik fonksiyonel bağlantılılık arasındaki benzerlik dramatik şekilde artıyor; farelerde 0,95’e kadar korelasyonlara ulaşıyor ve yalnızca pozitif modele kıyasla insanlarda iki kattan fazla artış gösteriyor. İyileştirilmiş model ayrıca bölgeler arasındaki gerçekçi düzeyde anticorrelation (karşıt korelasyon) üretiyor ve beyin taramalarında uzun süredir gözlemlenen yaygın ‘terazi’ desenleriyle uyum sağlıyor.

Rekabet derin biyolojik farklılıklarla örtüşüyor

Ekip daha sonra rekabetçi bağlantıların yerleşiminin daha derin biyolojik organizasyonu yansıtıp yansıtmadığı sorusunu soruyor. Negatif model bağlantılarının düştüğü yerleri, hücre tipleri, gen ekspresyonu, reseptör dağılımı, mikro yapı ve miyelinleşme gibi pek çok kortikal özelliğin haritalarıyla karşılaştırıyorlar. İnsanlarda, makaklarda ve farelerde, rekabetçi bağlantılar bu biyolojik gradyanların karşı uçlarında yer alan bölgeleri tercihli olarak birbirine bağlıyor — örneğin, bir tür inhibitör interneurondan zengin alanlarla başka bir türden zengin alanlar veya yüksek miyelinli duyu bölgeleri ile transmodal ilişki korteksi arasında. Etkili olarak, büyük ölçekli çekişme, çok farklı şekilde inşa edilmiş ve ayarlanmış kortikal bölgeler arasında en güçlüdür; bu da makroskopik rekabetin korunmuş moleküler ve hücresel karşıtlıklara dayandığını öne sürüyor.

Daha zengin dinamikler ve daha bireysel beyinler

Rekabeti dahil etmek, bağlantılılığın statik anlık görüntülerini geliştirmekten daha fazlasını yapar. Uyumlanan modeller ileriye doğru çalıştırıldığında sentetik beyin etkinliği üretir; işbirlikçi–rekabetçi versiyon daha gerçekçi zamansal davranış gösterir. Gerçekçi olmayan yüksek küresel senkroniden kaçınır, bunun yerine bütünleşme ve ayrışmayı değiştirerek geçişli bir rejimde dolaşır; bu özellik metastabilite olarak bilinir. Ayrıca bazı bölgelerin yaygın etkinlik kaskadlarını ateşleme veya aldıklarından daha fazla bilgi gönderme konumunda olduğu daha güçlü bir hiyerarşi sergiler. Bölgelerin birlikte taşıdığı öngörü gücünün tek başlarına taşıdıklarından daha fazla olduğunu ifade eden sinerjik bilgi ölçümleri ampirik seviyelere doğru yükselir. Kritik olarak, bu iyileşmeler uyarlama sırasında açıkça hedeflenmemiştir; rekabetçi etkileşimlere izin verildiğinde doğal olarak ortaya çıkarlar.

Gerçekçi etkinlikten hesaplama ve bilişe

Hiçbir iki beyin tamamen aynı olmadığı için, ikna edici bir model hem sadık hem de kişisel olmalıdır. İşbirlikçi–rekabetçi modeller daha fazla “parmak izi” verebilir çıktı verdi: her bireyin bağlantılılığını başkalarından daha iyi uydular ve farklı bir denkleme eşleştirildiğinde doğrulukları daha çok düştü; bu, insanlarda olduğu kadar makaklar ve farelerde de gözlendi. İnsanlar için yazarlar ayrıca anlık model etkinlik desenlerinin dikkat veya bellek gibi belirli zihinsel işlevlerle bağlantılı büyük beyin haritaları veri tabanlarıyla ne kadar iyi eşleştiğini test ettiler. Rekabet içeren modeller, bu kanonik bilişsel devreleri daha yakından andıran spontanel desenler üretti; bu da dinlenme halinde daha “zihin-benzeri” dinamikler olduğunu ima ediyor. Son olarak, model türetilmiş ağlar yapay “rezervuar hesaplama” sistemlerinde bir bellek görevi için kablolama olarak kullanıldığında, rekabetçi bağlantılara sahip olanlar geçmiş girdileri daha iyi koruyarak daha yüksek hesaplama kapasitesi gösterdi.

Beyinleri anlamak ve modeller kurmak için ne anlama geliyor

Basitçe söylemek gerekirse, çalışma memeli beyninin işbirliği ile rekabet arasında bir bıçak sırtında en iyi şekilde çalıştığını gösteriyor. Güçlü, yerel pozitif bağlar yakın bölgeleri özel modüllere bağlarken, daha zayıf, uzun menzilli negatif bağlar farklı sistemleri birbirine rakip hale getirerek kortekste bilgi akışını yapılandırır. Bu mimari yalnızca bireysel beyinlerin ince ayrıntılarını yeniden üretmekle kalmaz, aynı zamanda dinamiklerin çeşitli, hiyerarşik ve hesaplama açısından güçlü olmasını doğal olarak sağlar. Bilimsel bilinç, hastalık simülasyonu veya neuromorfik bilgisayar tasarımı olsun, gelecek beyin modellemeleri için mesaj açıktır: büyük ölçekli rekabeti dışarıda bırakmak, gerçek beyinlerin hesaplama biçimlerinin temel bir ilkesini dışarıda bırakmak demektir.

Atıf: 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

Anahtar kelimeler: beyin ağları, nöronal rekabet, konnektom modelleme, fonksiyonel bağlantılılık, neuromorfik hesaplama