Введение
Роль мозжечка в двигательном обучении была продемонстрирована с помощью нейрофизиологических исследований и компьютерных моделей. Организованная модульная схема и нейронная пластичность в разных областях необходимы для достижения адаптации и запоминания мозжечковых сигнальных команд при выполнении конкретных задач. В частности, пластичность коры головного мозга является основным механизмом обучения: долговременная потенциация (ДВП) и долговременная депрессия (ДВД) изменяют активность клеток Пуркинье (КП), которые модулируют мозжечковый выход. Эксперименты на животных показали, что повреждение корковых ДВД препятствует адаптации задач управляемых мозжечком, таких как кондиционирование ока (КО) и вестибулярно-глазной рефлекс (ВГР). Во время КО, после многократного парного представления условного раздражителя (УР) и безусловного раздражителя (БР), субъект учится производить условный ответ (УО), опережая БР. Во время вестибулярно-глазного рефлекса, когда субъект смотрит на цель, а голова движется, компенсирующее движение глаз удерживает взгляд на цели.
В обеих задачах мозжечок контролирует модуляцию выходных сигнальных команд, благодаря синаптической пластичности. Таким образом, повреждение кортикальной ДВД приводит к нарушению обучения. Изменения кортикальной ДВД была связана с патологиями человека, однако, основные исследования проводятся на животных, так как трудно оценить вклад единичных повреждений у пациентов. Поэтому необходим новый инструмент для исследования патологических состояний, чтобы заполнить пробел между исследованиями на животных и человеком и обеспечить более глубокое понимание болезней мозжечка. Перспективным решением является модификация реалистичных вычислительных моделей нейронных цепей человека и их последующее внедрение в моделирование замкнутых контуров для воспроизведения неправильного поведения.
В данном исследовании, был использован этот подход для исследования ДВД степень повреждения мозжечка во время КО и ВГР, показывая перспективную роль вычислительной нейрологии в понимании патологий.
Материалы и методы
Моделирование проводилось с помощью реалистичной спайковой нейронной сети (СНС), представляющей собой мозжечковый микрокомплекс, с физиологической топологией и коэффициентами связи. Для моделирования КО и ВГР были предоставлены два входных сигнала (информацию о состоянии и вредоносный стимул/ошибку), которые были закодированы конкретными группами нейронов и зависели от протокола. Выходная сигнальная команда выдавала время-событие (УО) при преодолении порога во время КО, в то время как во время ВГР сигнал непрерывно приводил в движение глаз.
Сеть включала в себя конкретные правила обучения на трех участках кортикальной и ядерной пластичности. Здоровая модель смогла добиться быстрой адаптации благодаря кортикальной пластичности и медленному закреплению двигательных возможностей благодаря ядерной пластичности. Параметры правил обучения были оптимизированы с помощью генетического алгоритма. Степень повреждения ДВД воспроизвели путем уменьшения параметра правила обучения, регулирующего кортикальную ДВД, с 10% до 70% сокращений.
Каждая симуляция состояла из 100 повторений:
- КО: 10 блоков из 10 испытаний с 9 повторениями УР-БР и 1 одиночным УР; УР длился 350 мс; БР длился 100 мс и был сотерминирован с УР.
- ВГР: в каждом исследовании цель была зафиксирована, когда голова двигалась в течение 1 с в соответствии с синусоидальной траекторией с амплитудой 5° и частотой 1 Гц.
Для оценки результата был рассчитан процент УО по блокам из 10 проб для КО и средняя квадратичная ошибка взгляда (СКОВ) для ВГР, погрешность взгляда была разницей между желаемым и фактическим перемещением глаз.
Результаты
Во время КО основным эффектом от ДВД было снижение скорости, которое замедляло получение сигнальной информации. Фактически, при снижении уровня ДВД на 10-50%, модель достигала тех же процентов УО, что и в здоровых условиях во время поздних блоков приобретения, но обучение происходило медленнее. Однако в случае серьезных повреждений (снижение на 70%) кондиционирования не произошло: существенного улучшения процента УО в течение испытаний не наблюдалось, максимум 10% УО. Этот случай совпал с результатами экспериментов на мышах с повреждением ДВД, в которых процент УО не увеличился значительно в конце протокола.
Во время моделирования ВГР, при повреждениях до 50%, СКОВ уменьшается на протяжении всех испытаний, настраивая выходную сигнальную команду, без каких-либо значительных задержек в обучении. В частности, в случае промежуточного повреждения значение СКОВ снижалось так же быстро, как и в здоровых условиях, но остаточная стоимость была выше.
Этот результат отличается от результатов моделирования КО, где кондиционирование происходило в конце приобретения даже для промежуточного повреждения. С другой стороны, когда уровень ухудшения показателей ДВД был выше, СКОВ не снизилась в ходе выполнения задания, что свидетельствует о том, что обучение было полностью скомпрометировано, как и в КО. Этот случай воспроизводит тот же недостаток адаптации, что и у мышей во время ВГР в справочном исследовании De Zeeuw и др.
Заключение
Настоящее исследование представляет собой успешный пример использования реалистичных моделей зон мозга для моделирования патологий. Были оценены поведенческие последствия повреждения кортикальной ДВД во время двух различных задач управляемых мозжечком. Модель смогла воспроизвести тот же недостаток моторного обучения, что и в экспериментах на животных; затем, связав низкоуровневые нарушения и неправильное поведение, был предсказан размер ущерба в эталонных исследованиях. Кроме того, можно достичь более глубокого понимания роли кортикальной ДВД. Фактически, задержка кондиционирования при моделировании повреждений до 50% доказала, что этот механизм пластичности является основополагающим для быстрого обучения. Однако, в случае более сложных задач, таких как ВГР, кортикальная ДВД имеет решающее значение не только для ассоциации времени, но и для непрерывной настройки амплитуды и фазы выхода.
Дальнейший анализ низкоуровневой нейронной активности и синаптических весов прольет свет на лежащие в их основе измененные механизмы. В частности, это может помочь проверить компенсационные механизмы и предложить возможные методы лечения.
Затем можно использовать тот же подход для моделирования различных патологий, связанных с повреждением нервных популяций, таких как глушение КП для моделирования дегенерации коры головного мозга.
Наконец, исследование патологий с помощью вычислительной модели может предложить новые элементы, которые будут введены в модель. Это позволит повысить реалистичность и надежность моделирования, что позволит использовать модель в качестве клинического инструмента для более быстрой диагностики и оценки лечения.
