Yeni bir araştırmaya göre, farelerin beyin korteksindeki çoğu nöron uzman değil. Bunun yerine, çok çeşitli sinyallere tepki veriyorlar.
Her hücrenin tek bir işleve odaklanmak yerine, büyük çoğunluğu aynı anda birden fazla sinyali işliyor ve bir hayvanın gördüğü şeylerle yapmayı seçtiği eylemler arasında bir köprü kuruyor. Bu durum, beyinlerin karmaşık süreçlerini anlamak için önemli ipuçları sunuyor.
Bu sonuç, beynin bilgi organizasyonu konusundaki uzun süredir devam eden tartışmalara ışık tutuyor.
Çalışma ayrıca, beynin görünürdeki karmaşıklığının pratik bir avantaja sahip olduğunu gösteriyor; basit devrelerin aynı hücrelerden çok çeşitli kararları çıkarmasına olanak tanıyor. Bu durum, 19. yüzyılda Hermann von Helmholtz’un yaptığı gibi, sinir sisteminin temel prensiplerini anlamaya yönelik çabaların devam ettiğini gösteriyor.
Uzun Süredir Devam Eden Bir Tartışma
On yıllardır, nörobilim, uzmanlaşmış nöronlar fikrine dayanıyordu. Örneğin, bazı hücreler yalnızca belirli bir açıyla olan çizgilere tepki verirken, hipokampustaki “yer hücreleri” yalnızca bir hayvan belirli bir konumdaysa aktif hale gelir. Bu durum, 20. yüzyılın başlarında Santiago Ramón y Cajal tarafından yapılan çalışmalarla detaylı olarak incelenmiştir.
Bu temiz ve odaklanmış tepkiler, beynin dünyayı nasıl kodladığına dair bir model oluşturdu. Ancak bu düzenli resim her yerde geçerli değildi. Düşünce ve seçimle ilgili beyin bölgelerinde, tek nöronlar aynı anda karmaşık kombinasyonlara tepki veriyordu; bu özellik “karışık seçicilik” olarak bilinir.
Stefano Fusi, ,’deki bir nörobilim profesörü, uzun yıllardır bu çeşitliliğin bir sorun değil, bir özellik olduğunu savunuyor.
Kararlar Uzman Nöronları İçermiyor
Bu hipotezi test etmek için, ekip, farelerin beyin korteksindeki 43 farklı bölgede kaydedilen 14.000’den fazla nöronu analiz etti. Bu deney, hayvanların davranışlarını anlamak için kullanılan önemli bir yöntemdir.
Deney kurulumu basitti: Çizgili bir alan, ekranın sol veya sağ tarafında görünür ve fare, su içmek için küçük bir tekerleği kullanarak alanı merkeze doğru çekerdi. Bu basit görev, hayvanların karar verme süreçlerini anlamak için kullanılan yaygın bir yaklaşımdır.
Neredeyse her bölgede, nöronlar düzenli gruplara ayrılmayı reddetti.
Yalnızca birkaçincil duyusal alan – görme, işitme ve dokunma için ilk duraklar – açık tiplerde kümelenen hücrelere sahipti. Bu durum, duyusal sistemlerin organizasyonunu anlamak için önemli bir referans noktasıdır.
Her yerde, farklı nöron türleri arasındaki sınırlar belirsizleşiyordu. Bu bulgu, devam eden bir tartışmanın ortasına düşüyor.
Yakınlaştırma, uzaklaştırma
Uzmanlaşma tamamen kaybolmuyor; sadece daha büyük bir ölçekte kendini gösteriyor.
Araştırmacılar, tek bölgelere odaklanmayı bırakıp tüm korteksteki nöronları bir araya getirdiğinde, net kategoriler yeniden ortaya çıktı. Bu yaklaşım, 17. yüzyılda Robert Hooke’un mikroskopla yaptığı ilk detaylı gözlemlerin, daha sonra Antonie van Leeuwenhoek tarafından geliştirilen daha gelişmiş mikroskoplarla yapılan çalışmaların modern versiyonu gibi düşünülebilir.
Bu büyük ölçekli gruplamalar, beynin bağlantı şemasıyla örtüşüyordu. Birbirine yakın bölgelerdeki nöronlar benzer özellikler gösterirken, uzak bölgelerdeki nöronlar farklılıklar sergiliyordu. Bu durum, 19. yüzyılda Paul Broca ve Carl Wernicke tarafından yapılan çalışmalarla ortaya konulan dil merkezlerinin önemini hatırlatıyor.
Bu imzalar o kadar belirgindi ki, genel bir veri tabanından alınan bir nöronun tepki profilini analiz eden bir sistem, nöronun hangi bölgeden geldiğini şansa bağlı olarak tahmin edilenden daha doğru bir şekilde belirleyebiliyordu. Bu, Claude Shannon’ın bilgi teorisine katkılarının modern bir uygulaması gibi düşünülebilir.
Bu nedenle, eski tartışmanın her iki tarafı da kısmen haklıydı. Tek bir bölgeye yakından bakıldığında, nöronlar daha çok genelci özellikler gösteriyor; her biri biraz her şeyden sorumluydu. Bu durum, 20. yüzyılın başlarında Santiago Ramón y Cajal tarafından yapılan nöron dokusu üzerine yapılan detaylı çalışmalarla benzerdir.
Tüm kortekse bakıldığında ise, uzmanlar yeniden ortaya çıkıyor ve beynin anatomisiyle uyumlu bir şekilde sıralanıyordu. Bu durum, 1950’lerde David Hubel ve Torsten Wiesel tarafından görsel korteks üzerine yapılan çalışmaların modern bir versiyonu gibi düşünülebilir.
Neden karmaşıklık faydalı
Bu çeşitlilik, önemli avantajlar sağlıyor. Bir bölgedeki nöronların her biri farklı tepkiler verdiğinde, grup olarak aktiviteyi birçok farklı yöne yayabiliyor ve tek bir noktada yoğunlaşmıyor. Bu durum, 19. yüzyılda Hermann von Helmholtz tarafından tanımlanan sinaptik iletimin önemini vurguluyor.
Bu şekilde yayılan bir örüntüyü okumak kolaydır.
Hatta daha sonraki basit devreler bile, hayvanın gördüğü, seçtiği veya beklediği hakkında neredeyse her türlü “evet” veya “hayır” sorusuna cevap verecek düz bir ayırma çizgisi çizebilir. Bu durum, 20. yüzyılda Alan Turing’in geliştirdiği bilgisayar mimarisine benzer bir esneklik sunuyor.
Bu esneklik, korteksteki çeşitlilikle birlikte arttı.
Bölgeler arasındaki farklar önemliydi. Dokunmaya duyarlı bir bölge, sadece beş farklı durumu kodlarken, daha yüksek düzeyde motor planlama yapan bir bölge, görevin izin verdiği tüm 16 durumu işleyebiliyordu. Bu durum, 20. yüzyılda Francis Crick ve James Watson tarafından DNA’nın yapısının keşfiyle elde edilen bilgi yoğunluğuna benzer bir durum yaratıyordu.
Bu durum, daha önce yapılan ve bir sıçan beyninde sabit kategorilerin olmadığını gösteren bir çalışmanın sonuçlarını yansıtıyor.
Genelci Nöronlar Esneklik Sağlar
Avantajı esnekliktir. Nöronlarını çeşitliliği koruyan bir beyin, prensipte dünyayı yeni şekillerde bölmeyi öğrenebilir ve bunun için yeniden kablolamaya ihtiyaç duymaz.
Bunun nedeni, yeni bir ayrımı oluşturmak için gereken temel yapıların zaten farklı tepkiler yelpazesinde bulunmasıdır.
Sıkıca gruplandırılmış, uzmanlaşmış nöronlar çalıştırmak daha ucuz olabilir ancak çok daha katıdır. Örneğin, 19. yüzyılda Hermann von Helmholtz’un yaptığı çalışmalarla ortaya konulan sinirsel işlemleme prensipleri, beynin nasıl bilgi işlediği konusunda temel bir anlayış sağlamıştır.
Eskiden belirsiz olan şeyler artık ölçülebilir hale geldi. Korteksin geniş bir bölümünde, nöronlar belirli bir amaca yönelik değil, çeşitlilik gösteriyor ve uzmanlaşma bölgeler arasında görülüyor, bölgelerin içinde değil.
Eski “ya bu ya şu” sorusu aslında yanlış bir soruydu, çünkü cevap tamamen bakılan ölçeğe bağlıdır. Bu durum, 20. yüzyılın başlarında Wolfgang Köhler’in yaptığı ve hayvanların problem çözme yeteneklerini inceleyen çalışmalarıyla da paralellik gösteriyor.
Nöronlar Çeşitli Tepkiler Taşıyor
Bu sonuç aynı zamanda beyin verilerini okuyan herkes için bir uyarı niteliğindedir. Çünkü bu zengin yapılar, neredeyse her değişkeni neredeyse her alandan çözebilmemizi sağlıyor. Bu nedenle, bir bölgeden bir sinyalin okunabilmesi, o bölgenin neyle ilgili olduğunu tam olarak göstermez.
Bir şeyi çözmek artık bir beyin bölgesinin onunla ilgilenmesinin kanıtı değildir. Bu durum sadece laboratuvarın ötesine geçiyor. Örneğin, İkinci Dünya Savaşı sırasında Alan Turing’in yaptığı çalışmalar, makine öğrenimi ve yapay zeka alanında çığır açmıştır.
Profesör Fusi uzun zamandır beynin işleyiş şekliyle hesaplama yapan makineler oluşturmak istemiştir. Bu tür çeşitli ve dağıtık kodlama yöntemleri, beyinlerin karmaşık ve sürekli değişen görevleri neden bu kadar iyi başarabildiğini anlamamıza yardımcı olabilir.
Eskiden gürültü gibi görünen hücreler, beynin gerçek tasarımına daha yakın olabilir. Bu çalışma, Nature Communications dergisinde yayınlanmıştır.
Bizi , Earth.com tarafından size sunulan ücretsiz bir uygulama aracılığıyla keşfedin.
Kaynak: Earth