Нейробиологи расшифровали, как мы принимаем решения, с помощью новой математической модели
Новая математическая модель проливает свет на то, как мозг обрабатывает различные сигналы, такие как зрительные образы и звуки, во время принятия решений. Результаты работы нейробиологов Принстона могут однажды улучшить то, как мозговые цепи выходят из строя при неврологических расстройствах, таких как болезнь Альцгеймера, и могут помочь искусственным мозгам, таким как Alexa или технологиям беспилотных автомобилей, стать более полезными.
Результаты были опубликованы 10 февраля в журнале Nature Neuroscience .
Идя на работу пешком, пассажиры сталкиваются со множеством сенсорных сигналов по пути, например, со светом сигнала пешеходного перехода, который указывает, безопасно ли переходить дорогу или следует остерегаться встречного транспорта. Когда загорается грубая карикатура на идущего человека и люди начинают переходить дорогу, ревущий автомобиль скорой помощи может промчаться по кварталу к перекрестку.
То, как именно мозг обрабатывает противоречивую и взаимосвязанную сенсорную информацию, такую как цветные сигналы и громкие сирены, и принимает разумное решение, давно изучается, но до сих пор остается загадкой.
Одной из областей мозга, имеющих решающее значение для принятия решений, является префронтальная кора , которая расположена сразу за глазами и считается эпицентром высшего познания.
Предыдущие исследования показали, что реакция отдельных клеток мозга в префронтальной коре во время принятия решений многогранна и сложна. Например, нейрон в префронтальной коре может активироваться только в ответ на зеленый сигнал светофора, когда автомобиль блокирует пешеходный переход.
Однако исследователям не удалось достичь единого понимания того, как клетки мозга в префронтальной коре обрабатывают сенсорную информацию, например сигналы светофора, а затем генерируют поведенческие реакции, например, решение перейти улицу в неположенном месте.
Различные математические подходы использовались ранее, чтобы попытаться понять механизмы цепей, связывающие нейронную динамику с поведенческим выходом, каждый со своими ограничениями. Один подход сосредоточен на рекуррентных нейронных сетях , типе модели нейронной цепи, которая состоит из множества рекуррентно связанных единиц. Рекуррентные нейронные сети можно обучить выполнять задачи принятия решений, но плотность их рекуррентных связей затрудняет их интерпретацию.
В своей недавней статье научный сотрудник, доктор философии Кристофер Лэнгдон и доцент кафедры нейронауки Татьяна Энгель предлагают новую математическую модель для лучшего объяснения процесса принятия решений, получившую название модели латентной цепи.
Вместо сложной рекуррентной модели нейронной сети Лэнгдон и Энгель предлагают своего рода деревья вместо подхода леса. Чтобы разобраться в большой сети мозговой активности и попытаться понять, как поведение каждой клетки зависит от другой, возможно, всего несколько главарей нервных клеток смогут объяснить активность всей толпы и повлиять на принятие решений, что нейробиологи называют «низкоразмерным» механизмом.
«Целью исследования было понять, действуют ли низкоразмерные механизмы внутри больших рекуррентных нейронных сетей», — сказал Лэнгдон.
Чтобы проверить свою гипотезу, Лэнгдон и Энгель сначала применили новую модель к рекуррентным нейронным сетям, обученным выполнять задачу принятия решений, зависящую от контекста.
Задание, выполняемое людьми, обезьянами или компьютерами, начинается с фигуры на экране (квадрат против треугольника, контекстная подсказка), за которой следует движущаяся сетка (сенсорная подсказка). В зависимости от фигуры участника просят сообщить либо цвет (красный против зеленого), либо движение (влево против вправо) движущейся сетки.
Используя свою новую модель, Лэнгдон и Энгель обнаружили, что когда движение было важным сигналом для отслеживания участниками, клетки префронтальной коры, которые обрабатывают форму, отключали соседние клетки, которые обращают внимание на цвет. Обратное было верно, когда их просили отличить красный от зеленого.
«Было очень интересно обнаружить интерпретируемый, конкретный механизм, скрывающийся внутри большой сети», — сказал Лэнгдон.
Модель скрытой цепи предсказывает, как должны меняться выборы при изменении силы связей между различными скрытыми узлами. Это мощно, поскольку позволяет исследователям проверять, действительно ли нужна скрытая структура связей для поддержки выполнения задачи. Действительно, авторы обнаружили, что выполнение задачи предсказуемым образом страдало при удалении определенных связей в цепи.
«Самое крутое в нашей новой работе то, что мы показали, как можно перевести все те вещи, которые можно сделать с помощью схемы, в большую сеть», — сказал Лэнгдон. «Когда вы создаете небольшую нейронную схему вручную, есть много вещей, которые вы можете сделать, чтобы убедить себя, что вы ее понимаете. Вы можете играть со связями и возмущать узлы и иметь некоторое представление о том, что должно произойти с поведением, когда вы играете со схемой таким образом».
Человеческий мозг, в котором нейронов больше, чем звезд в Млечном Пути, пугающе сложен. Однако эта новая модель скрытой цепи открывает новые возможности для выявления механизмов, объясняющих, как связь между сотнями мозговых клеток порождает вычисления, которые заставляют людей делать разный выбор.
Проблемы с принятием решений являются отличительной чертой ряда сложных расстройств психического здоровья — от депрессии до синдрома дефицита внимания и гиперактивности.
Раскрывая математические вычисления, выполняемые мозгом, чтобы помочь людям принимать решения, эти результаты могут способствовать лучшему пониманию этих сложных условий и повышению способности технологий принимать решения от цифровых помощников, таких как Alexa, до беспилотных автомобилей. Однако первые шаги включают применение этой новой модели к другим задачам принятия решений, которые обычно используются в лаборатории.
«Многие из жестко контролируемых задач принятия решений, которые изучают экспериментаторы, я считаю, что они, вероятно, имеют относительно простые скрытые механизмы», — сказал Лэнгдон. «Я надеюсь, что мы можем начать искать эти механизмы сейчас в этих наборах данных».