Учёные нашли скрытые связи в нейронах мозга

Учёные сделали важный шаг в понимании того, как работает человеческий мозг. Выяснить, как именно миллиарды нейронов общаются между собой — задача не из лёгких. Каждый нейрон общается с другими с помощью коротких электрических импульсов. Всё наше мышление, память и любые действия основываются на «разговорах» между этими крошечными клетками. Задача нейробиологов — не только понять, что говорит каждая клетка, но и выяснить, кто на кого влияет и как течёт информация внутри этого шумного «чата».

До сих пор ученые записывали эти самые электрические импульсы, которые называли spike'ами (от англ. spike — «шип, всплеск»), и смотрели, как они выглядят со временем. Однако такие записи — вовсе не аккуратные ровные линии, а хаотичные, появляющиеся то тут, то там, и, кажется, совершенно непредсказуемо. Поэтому выяснить, кто на кого повлиял: это нейрон А спровоцировал нейрон Б, или оба просто откликнулись на нейрон-тайного дирижёра, или совпало — задача нетривиальная.

Стандартные методы поиска причинно-следственных связей в данных часто бессильны перед подобным хаосом: мозг работает нелинейно и с нарушением привычных ритмов, а большинство существующих методов рассчитаны на ровные, предсказуемые данные. Это долго тормозило попытки построить карту связей между конкретными нейронами.

На помощь пришли японские исследователи из Университета науки г. Токио и университета Сайтама. Они предложили свежий подход, который может выявлять скрытые причинные связи прямо по разрозненным «спайкам», без лишних предположений. Главные действующие лица: доцент Кадзуя Савада и его коллеги профессор Тоору Икэгути и доцент Ютака Шимада.

В центре метода — модифицированная версия теории CCM (convergent cross mapping), которую раньше использовали для изучения сложных систем. Суть проста: если нейрон А действительно влияет на нейрон Б, то в сигнале Б должна быть отчетливая «тень» активности А, которую можно вычислить по одноклеточным данным. Если по «жизни» нейрона Б удаётся достаточно точно предсказать прошлое нейрона А, значит между ними есть связь.

Проблема в том, что традиционный CCM плохо подходит для рваных и неравномерно записанных сигналов. Японцы изменили два ключевых момента. Во-первых, вместо времени появления импульсов смотрели на промежутки между ними (их называют ISI, interspike intervals — интервалы между всплесками). Во-вторых, изобрели способ сопоставлять интервалы от разных нейронов — ведь «импульсы» обычно не совпадают по времени, нужно было выровнять точки данных.

С этими трюками новая методика позволяет не просто поглядывать на сигналы, а строить из них точные схемы: если точность предсказаний растёт по мере увеличения данных, это явный признак настоящей взаимосвязи.

На моделях нейронных сетей со связанными, односторонне и вообще не связанными клетками метод сработал чётко. Даже если в симуляции подмешивали немного «шума» для реалистичности — новая схема справлялась лучше старых. Это позволяет надеяться на реальные карты работы мозга, построенные не только по анатомическим данным.

Как подчёркивает Савада, теперь можно искать не только «физическую» связь, но и функциональные — как клетки реально влияют друг на друга. Это важно при исследованиях болезней, например, эпилепсии, шизофрении или биполярных расстройствах, предполагаемых в сбоях мозговых сетей.

Пока метод тестировали на малых сетях (2-3 нейрона), следующий этап — масштабировать его для больших «живых» мозговых карт.

Кстати, техника обещает быть полезной и за пределами мозга: любые события, которые случаются «рвано» и хаотично, например, в экономике, геологии или логистике, теоретически можно изучать тем же методом.

Исследование под названием «Detecting causality based on state space reconstruction from interspike intervals for neural spike trains» опубликовано 28 июля 2025 года.