Fare Fareli primer görsel kortekste fonksiyonel iki parçalı değişmezlik

Beyin Görsel Karmaşıklığı Nasıl Aşar

Kalabalık içinde bir arkadaşı bulmak ya da yapraklı bir dalda bir kuşu fark etmek zahmetsiz görünür, ancak bu dikkat çekici bir yetenek gerektirir: beynimiz önemli şeyleri, ışıklandırma, mesafe ve arka plan sürekli değişse bile tanıyabilmelidir. Bu makale fare beynindeki küçük devrelerin böyle esnek görmeyi nasıl başardığını araştırıyor. Yazarlar, bireysel nöronların dünyaya bakışlarını beklenmedik bir şekilde iki parçaya bölerek nesne kenarlarına duyarlı kalırken dikkat dağıtan ayrıntıları görmezden geldiklerini ortaya koyuyor.

Akıllı Bilgisayarlarla Görsel Beyni İncelemek

Çalışma, gözlerden gelen görüntüleri ilk işleyen bölge olan primer görsel kortekse odaklanıyor. Araştırmacılar şeritler gibi basit desenler sunmak yerine, uyanık farelere on binlerce zengin, doğal fotoğraf gösterirken on binlerce nöronun aktivitesini kaydetti. Ardından her nöronun herhangi bir yeni görüntüye nasıl yanıt vereceğini tahmin etmek için derin öğrenme modeli eğittiler. Bu model, gerçek beyin dokusunun bir “dijital ikizi” olarak işlev gördü: hayvanlarda doğrudan test edilmesi pratik olmayan sayısız sentetik görüntüyle sorgulanabilen hızlı, esnek bir temsil.

Farklı Görüntüler, Aynı Nöron Coşkusu

Dijital ikizi kullanarak ekip, her nöron için en uyaran görüntüyü (favori resmi) ve ardından bir dizi “çeşitlendirilmiş uyaran girdi” üretti. Bunlar birbirinden olabildiğince farklı görünen ancak hepsi aynı hücreyi güçlü biçimde aktive eden 20 görüntüydü. Bu özel görüntüleri farelere tekrar gösterdiklerinde, gerçek nöronlar modelin tahmin ettiği kadar güçlü bir şekilde aydınlandı; bu da sentez yönteminin beynin gerçek özelliklerini ortaya çıkardığını doğruladı. Bu görüntülerdeki desenler her nöronun neye önem verdiğini ve hangi görüntü değişikliklerini coşkusunu kaybetmeden tolere edebildiğini özetliyordu.

Bireysel Nöronların İçinde Şaşırtıcı Bir İki Parçalı Görüş

Birçok nöron beklenen biçimde davrandı; basit kenarlara veya yer değişse bile yanıtı değişmeyen dokulara tepki verdiler. Ancak geniş bir grup, yazarların “iki parçalı değişmezlik” adını verdiği yeni bir davranış sergiledi. Bu nöronlar için izledikleri görsel alan yamacının etkili biçimde iki örtüşmeyen bölgeye ayrıldığı görüldü. Bir bölgede nöron belirli, sabit bir deseni talep ederken, diğer bölgede tercih edilen ince taneli dokunun herhangi bir versiyonu orada göründüğü sürece, o doku yer değiştirse bile güçlü biçimde yanıt veriyordu. Bu kombinasyon—rigid bir desenin esnek bir doku algılayıcıyla yan yana bulunması—erken görsel hücrelerin klasik modelleriyle açıklanamaz ve bu nöronların yüzey ayrıntısındaki farklılıkların geçişlerine özel olarak ayarlandığını düşündürür.

Gürültülü Dünyada Nesne Kenarlarını Algılamak

Araştırmacılar sonra bu iki parçalı yapının gerçek sahnelerde ne işe yarayabileceğini sordular. Her nöronu güçlü biçimde aktive eden doğal kırpmaları aramak için bir milyondan fazla etiketlenmiş kuş fotoğrafını taradılar. Bu etkili kırpmalar genellikle kuş ile arka plan arasındaki kenarı içeriyordu. Dahası, nöronun değişken girdiye tolerans gösteren tarafı tipik olarak ince ayrıntılara—ince tüyler, kabuk ya da çakıl—eğilimliyken, sabit taraf daha düzgün, düşük frekanslı desenleri tercih ediyordu. Ekip kuş görüntülerini basit ızgaralar kullanarak yeniden inşa ettiğinde, bu nöronların genellikle iki tarafın doku keskinliğinde farklılık gösterdiği sınırları güçlü biçimde tercih ettiklerini buldu; bazen yön farklılıkları da eşlik ediyordu. Başka bir deyişle, bu hücreler görsel dünyanın kaba yapısından ince yapısına ani geçiş gösterdiği yerleri işaretlemeye yönelik gibi görünüyor; bu, nesneleri çevresinden ayırmak için güçlü bir ipucu sağlar.

Devre Bağlantılarını Esnek Görmeye Bağlamak

Bu hesaplamayı fiziksel kablolamaya bağlamak için yazarlar, yanıtları ve binlerce fare görsel nöronunun sinaptik bağlantılarını eş zamanlı haritalayan devasa bir “fonksiyonel konektomik” veri kümesine yöneldiler. Dijital-ikiz yaklaşımlarını burada uyguladıklarında, giriş alan (postsinaptik) nöronların genellikle daha fazla değişmezlik—çeşitlendirilmiş uyaran girdilere karşı daha yüksek tolerans—gösterdiğini buldular. Aynı zamanda, daha düşük değişmezliğe sahip nöronlar daha fazla bağlantı kurma eğilimindeydi. Bu desen uzun zamandır var olan bir fikri destekliyor: daha karmaşık, toleranslı yanıtlar birçok daha basit girdinin havuzlanmasıyla oluşturulur; ancak burada bu hiyerarşi yalnızca beyin bölgeleri arasında değil, tek bir kortikal katman içinde de gösteriliyor.

Beyinler ve Makineler İçin Neden Önemli

Bu bulgular topluca fare görsel korteksinde yeni bir düzenleyici ilkeyi ortaya koyuyor: birçok nöron görüş alanlarını bir kararlı bölge ve bir doku açısından esnek bölge olarak ayırarak, ince ayrıntı farklılıklarıyla şekillenen sınırların doğal dedektörleri haline geliyor. Bu iki parçalı yapı yöntemler arasında sağlam görünüyor ve gerçek dünya nesne kenarlarıyla uyumlu; bu, beynin karışık sahneleri segmentlere ayırmasına ilişkin somut bir devre düzeyi mekanizma sunuyor. Temel sinirbilimin ötesinde, çalışma yapay görme sistemleri için de tasarım fikirleri öneriyor: benzer bölünmüş alan birimlerinin eklenmesi, bilgisayar görmesini arka plan değişikliklerine karşı daha dayanıklı kılarken nesne konturlarına olan keskin duyarlılığı koruyabilir.

Atıf: Ding, Z., Tran, D., Ponder, K. et al. Functional bipartite invariance in mouse primary visual cortex receptive fields. Nat Neurosci 29, 851–863 (2026). https://doi.org/10.1038/s41593-026-02213-3

Anahtar kelimeler: görsel korteks, doku segmentasyonu, nöronal değişmezlik, nesne kenarları, hesaplamalı sinirbilim