مطالعه‌ای عظیم نشان می‌دهد اکثر نورون‌های قشر مغز «عمومی‌کار» هستند و نظریه کتاب‌های درسی را بازنویسی می‌کند

برای دهه‌ها، کتاب‌های درسی مقدماتی علوم اعصاب، مغز را به عنوان یک ماشین بسیار تخصصی توصیف کرده‌اند. در این دیدگاه کلاسیک، نورون‌های منفرد مانند چرخ‌دنده‌های اختصاصی با وظایف مشخص عمل می‌کنند—مانند «آشکارسازهای لبه» در قشر بینایی یا سلول‌هایی که فقط هنگام تشخیص یک چهره خاص فعال می‌شوند.[6]

این نظریه «خط برچسب‌گذاری شده» (labeled line) چارچوبی تمیز و شهودی برای درک نحوه پردازش جهان توسط مغز ارائه می‌داد. با این حال، مطالعه‌ای برجسته که این هفته در مجله Nature منتشر شد، به طور سیستماتیک این فرض را از بین برده و ثابت می‌کند که نورون‌های تک‌منظوره و فوق‌تخصصی به جای هنجار عصبی، استثناهایی نادر هستند.[6]

این تحقیق که توسط محققان مؤسسه زاکرمن دانشگاه کلمبیا و مؤسسه مغز پاریس هدایت شد، نشان می‌دهد که اکثریت قریب به اتفاق نورون‌ها در قشر مغز، «عمومی‌کاران» همه‌کاره هستند.[1]

این سلول‌ها به جای انجام یک کار مشخص و تعریف‌شده، دائماً چندوظیفه‌ای عمل می‌کنند و به ترکیبات متغیر اطلاعات حسی، حرکت و تصمیم‌گیری پاسخ می‌دهند.[1][5]

شواهد اصلی برای این تغییر الگو از یک مجموعه داده بی‌سابقه به دست آمده است. تیم تحقیقاتی فعالیت بیش از ۱۴,۰۰۰ نورون منفرد را در ۴۳ ناحیه متمایز از قشر مغز موش تجزیه و تحلیل کردند.[5]

این مقیاس از مشاهده به لطف «آزمایشگاه بین‌المللی مغز» (International Brain Laboratory) امکان‌پذیر شد، کنسرسیومی جهانی که وظایف رفتاری و تکنیک‌های ثبت داده را استانداردسازی کرد تا یک «نقشه مغزی گسترده» عمومی ایجاد کند.[3]

با ثبت داده‌ها به طور همزمان از مناطق بسیار زیاد، در حالی که موش‌ها یک وظیفه پیچیده تصمیم‌گیری را انجام می‌دادند، محققان سرانجام توانستند مشاهده کنند که چگونه کد عصبی در کل سلسله مراتب حسی-شناختی تغییر می‌کند.[2]

ادعای اصلی این مطالعه این است که ساختار کد عصبی به شدت وابسته به مقیاس و مختص مکان است. در دروازه‌های حسی اولیه—مانند لایه‌های اولیه قشر بینایی—محققان شواهد قوی از متخصصان اختصاصی پیدا کردند.[1]

این نورون‌های حسی دقیقاً همان‌طور که کتاب‌های درسی پیش‌بینی می‌کنند رفتار می‌کنند و در پاسخ به محرک‌های بینایی خاص به طور قابل اعتماد فعال می‌شوند. با این حال، با حرکت سیگنال‌ها به عمق مناطق شناختی مرتبه بالاتر مغز، این تخصص از بین می‌رود.[1][5]

در این مناطق تداعی‌گر، دسته‌بندی نورون‌ها به گروه‌های عملکردی متمایز به طور فزاینده‌ای دشوار می‌شود. در عوض، آن‌ها از چیزی استفاده می‌کنند که دانشمندان علوم اعصاب آن را «بازنمایی‌های با ابعاد بالا» می‌نامند، که در آن چندین ویژگی به طور همزمان با هم ترکیب می‌شوند.[5][6]

یک نورون عمومی‌کار منفرد در این مناطق ممکن است به مغز کمک کند تا یک شکل بصری را تشخیص دهد، حرکت فیزیکی بدن را ردیابی کند و یک انتخاب رفتاری را هدایت کند—همه در یک لحظه.[1]

از منظر تکاملی و محاسباتی، این ساختار بسیار کارآمد است. اگر مغز پستانداران کاملاً به نورون‌های تخصصی متکی بود که به طور منحصر به فرد برای هر زمینه خاص تنظیم شده‌اند، جمجمه‌های ما باید به طور تصاعدی بزرگتر می‌شدند تا همه آن‌ها را در خود جای دهند.[4][6]

«انتخاب‌پذیری ترکیبی» (Mixed selectivity) به مغز اجازه می‌دهد تا جمعیت‌های عصبی یکسان را برای ده‌ها وظیفه محاسباتی جداگانه مجدداً استفاده کند و قدرت پردازش را در یک حجم بیولوژیکی محدود به حداکثر برساند.[4][5]

یک پیامد ریاضی حیاتی این ساختار عمومی‌کار، چیزی است که محققان آن را «نقطه کور رمزگشایی تک‌نورونی» می‌نامند. از آنجا که این سلول‌ها چندین متغیر را به طور همزمان رمزگذاری می‌کنند، تجزیه و تحلیل نرخ فعال‌سازی یک نورون منفرد به تنهایی، رمزگشایی آنچه مغز واقعاً انجام می‌دهد یا درک می‌کند را تقریباً غیرممکن می‌سازد.[5][6]

برای رمزگشایی کد عصبی در مناطق مرتبه بالاتر، دانشمندان باید جمعیت‌های عصبی جمعی را ارزیابی کنند، نه ورودی‌های تک‌سلولی را. معنای سیگنال تنها از فعالیت هماهنگ کل شبکه پدیدار می‌شود.[6]

اشتیاق پیرامون این یافته‌ها نشان‌دهنده عطش عمیق جامعه علوم اعصاب برای مدل‌های به‌روز شده است. در بازتاب اهمیت این بحث، نسخه‌های پیش‌چاپ اولیه این دست‌نوشته، قبل از انتشار مقاله نهایی بازبینی‌شده توسط همتایان، بیش از ۱۱,۰۰۰ بار توسط محققان جهانی دانلود شد.[1][2]

در حالی که شواهد برای نورون‌های عمومی‌کار در قشر مغز موش قوی است، این مطالعه عدم قطعیت‌های ذاتی در مورد تعمیم به انسان را به همراه دارد. مجموعه داده به طور کامل بر مدل‌های جوندگان متکی است که یک وظیفه آزمایشگاهی خاص و استاندارد شده را انجام می‌دهند.[6]

اینکه آیا قشر مغز انسان—که بسیار بزرگتر، چین‌خورده‌تر و از نظر محاسباتی متراکم‌تر است—از همان نسبت دقیق عمومی‌کاران به متخصصان پیروی می‌کند یا خیر، یک پرسش تجربی باز باقی می‌ماند.[4][6]

این یافته‌ها پیامدهای عمیقی برای توسعه رابط‌های مغز و کامپیوتر (BCI) دارند که برای بازیابی حرکت یا گفتار در بیماران فلج طراحی شده‌اند. اگر قشر مغز به بازنمایی‌های با ابعاد بالا و متغیر متکی باشد، الگوریتم‌ها نمی‌توانند به نقشه‌های ثابت و ایستا از فعالیت تک‌نورونی اعتماد کنند.[5][6]

در عوض، نسل بعدی فناوری عصبی باید از یادگیری ماشینی پیشرفته برای رمزگشایی الگوهای پویا و در سطح جمعیت، به صورت بلادرنگ استفاده کند. با فاصله گرفتن از تصویر مغز به عنوان ماشینی ساخته شده از چرخ‌دنده‌های تک‌منظوره، محققان سرانجام واقعیت سیال و سازگار محاسبات بیولوژیکی را پذیرفته‌اند.[1][6]