На протяжении десятилетий классическая теория синаптической пластичности, предложенная Дональдом Хеббом в середине XX века, была краеугольным камнем нейробиологии и понимания механизмов памяти и обучения. Известное правило «нейроны, которые активируются вместе, соединяются прочнее» легло в основу многочисленных экспериментов и моделей, объясняющих, как формируются долговременные воспоминания и изменение мозговых связей. Однако последние исследования, проведенные с использованием передовых методов визуализации и вычислительного моделирования, показывают, что классические представления о синаптической пластичности не всегда справляются с описанием реальных процессов, происходящих в мозге живых животных, особенно в гиппокампе – области, ответственной за пространственную навигацию и память.Гиппокамп играет ключевую роль в формировании когнитивных карт окружающего пространства через активность так называемых клеток расположения. Эти клетки генерируют специфические электрические импульсы при прохождении животного через определенные участки пространства и обеспечивают тем самым внутреннюю навигационную систему мозга.
В последние годы с помощью современных методов, таких как кальциевая визуализация активности нейронов у мышей, стало возможным наблюдать за динамикой изменений этих клеток в реальном времени в процессе обучения животного новым маршрутам в виртуальной среде.Новое исследование, проведенное группой ученых во главе с Марком Шеффилдом из Чикагского университета, обнаружило, что классическая модель Хебба не способна адекватно описать поведение клеток расположения в гиппокампе во время обучения. Вместо неё лучше подходит модель, основанная на пластичности синапсов на поведенческом временном масштабе (BTSP), которая допускает усиление связей между нейронами даже при несинхронной активации. По сути, BTSP предполагает, что один особый сложный электрический импульс в постсинаптическом нейроне запускает каскад кальциевых сигналов, распространяющихся по дендритам. Эти сигналы усиливают синаптические связи с теми пресинаптическими нейронами, которые активировались в течение нескольких секунд до или после данного импульса.
Такая временная протяженность пластичности существенно отличается от быстрых и точных интервалов, описываемых классической моделью Хебба.Работа Шеффилда и коллег показала, что применение правил BTSP к компьютерным моделям нейронов гиппокампа позволило воспроизвести смещения полей расположения клеток CA1, наблюдаемые у мышей в лабораторных условиях. Модели, основанные на классическом правиле «спайк-тайминг-депендентной пластичности» (STDP), не смогли вызвать подобное поведение: поля становились шире, но не смещались вдоль маршрута. В свою очередь, BTSP адекватно придавала гибкость и подвижность пространственной карте мозга, что согласуется с фактами из наблюдений за живыми животными.Это открытие представляет собой важный сдвиг в понимании функционирования мозга.
Доктор Джейсон Шеперд из Университета Юты отметил, что это заставляет пересмотреть давно устоявшиеся представления о том, как формируются и изменяются нейронные сети во время обучения. Он подчеркнул: «Классические правила пластичности, которые мы изучали десятилетиями, возможно, не описывают истинной картины того, как работает мозг». Такое заявление подчеркивает значимость новых данных для всей области когнитивной нейронауки.По мере того как животные осваиваются с новой окружающей средой, количество активных клеток расположения возрастает, а их поля начинают смещаться разными способами: некоторые клетки сдвигаются назад по маршруту, другие – вперед, а часть остаётся стабильной. Это отражает сложные изменения внутренней карты пространства у животного и, соответственно, адаптационные механизмы мозговых сетей в процессе обучения.
Моделирование показало, что BTSP способна не только объяснить эти смещения, но также задать параметры синаптической пластичности, которые приведут к разнообразным динамикам активности нейронов.Интересно, что при изучении клеток CA3 гиппокампа, расположенных несколько выше в иерархии, классические и даже стандартные BTSP-модели оказались недостаточными для точного описания активности. Для них потребовалась модифицированная версия BTSP, что указывает на существование множества пластичных механизмов, которые могут действовать в разных нейронных популяциях. Это добавляет сложности, но и реалистичности в наши представления о том, как мозг приспосабливается к новым условиям.Несмотря на впечатляющие результаты, учёные подчёркивают, что классическая пластичность Хебба не должна быть полностью отвергнута.
Скорее, она является частью более широкой палитры механизмов обучения и памяти, которые мозг использует в разных контекстах. Тимоти О’Лири из Кембриджского университета отметил, что биологические системы слишком сложны, чтобы сводить их работу к единой универсальной формуле, и попытки сделать это зачастую не учитывают всю полноту происходящих процессов.Развитие современных нейровизуализационных и вычислительных технологий открывает новые возможности для глубинного исследования механизмов синаптической пластичности в естественных условиях. Возможность записывать активность сотен и тысяч нейронов в реальном времени, экспериментировать с разными моделями и выявлять конкретные паттерны ослабления или усиления связей значительно расширяет горизонты понимания работы мозга.В свете вышеперечисленного становится очевидно, что мозг – это не однотипный механизм, который работает строго по жёстким правилам, а динамичная и адаптивная система, использующая различные уровни и виды пластичности в зависимости от задач и условий.
Понимание этих процессов не только углубляет наши знания о когнитивных функциях, но и может напрямую повлиять на разработку новых методов терапии нейродегенеративных заболеваний, обучения и реабилитации после повреждений мозга.Результаты исследования Шеффилда и коллег представляют собой важный шаг к переосмыслению устоявшихся теорий и демонстрируют, что обучение в живых организмах гораздо сложнее и многообразнее, чем предполагалось ранее. Практическое значение этих открытий заключается в расширении арсенала моделей нейропластичности и методик, помогающих лучше понять общее устройство мозга и его способность к обучению и адаптации в реальном мире.
