Ученые с помощью 16-лучевого двухфотонного микроскопа обнаружили, что шумовые всплески, которые рождаются одновременно в разных нейронах, ограничивают кодирование информации в популяциях из тысячи и более клеток в зрительной коре мышей. Самый сильный вид шума не перекрывался с активностью, которая была связана с сенсорными стимулами. Таким образом, система защищает сигнал от основной части помех, а ограничивающим фактором является более слабая шумовая активность. Статья опубликована в журнале Nature.
Нервные клетки обладают спонтанной активностью, и зачастую для кодирования сигналов они используют не электрические импульсы сами по себе, а изменение частоты их возникновения. В таком случае шум нейронов мешает регистрировать слабые стимулы; возможно, именно он лимитирует точность кодирования информации в нервных клетках. Однако восприятие стимулов базируется на работе целых нейронных сетей, а не отдельных клеток. Усреднение сигналов от различных клеток может снизить амплитуду шума и помочь выделить чистый сигнал. Или наоборот — если помехи отдельных нейронов со схожими характеристиками возникают одновременно, то нужный сигнал еще больше гасится.
Ранее исследовали лишь шум, который возникает в парах клеток, но в таких экспериментах высока погрешность измерения. Олег Румянцев из Стэндфордского университета и его коллеги регистрировали активность целых нейронных популяций, чтобы выделить паттерны шума и оценить его влияние на точность кодирования. Для этого ученые создали двухфотонный микроскоп, в котором 16 лазерных лучей сканировали область зрительной коры мышей площадью в четыре квадратных миллиметра.
Исследователи наблюдали за активностью нейронов пяти мышей, которым предъявляли зрительные стимулы (наклонные контрастные полоски). Для этого использовали кальциевую визуализацию, в которой метка связывается со свободным кальцием в цитоплазме клеток и начинает флуоресцировать. Чем ярче флуоресценция, тем выше концентрация кальция — явный показатель активности нервных клеток. У каждого животного удавалось наблюдать одновременно за одной-двумя тысячами нейронов.
Чтобы оценить, совпадают ли шумовые всплески у разных клеток, ответы отдельных нейронов переставили между попытками в компьютерной модели. В таком случае индивидуальный ответ на стимул оставался тем же, а совпадение шума было исключено. Затем ученые посчитали индекс распознавания стимулов нейронными популяциями на основе ответа на полосы, наклоненные в разные стороны (30 градусов от вертикальной оси).
Суммарно у пяти животных регистрировали больше восьми тысяч нейронов, в основном в первичной зрительной коре. Из них около пяти тысяч клеток хотя бы слабо отвечали на стимул. Коэффициенты позитивной корреляции шума между нейронами, которые регистрировали одновременно, достаточно сильно различались: у клеток, которые схожим образом реагировали на два стимула, корреляция шума была в среднем вдвое выше. При перемешивании ответов отдельных нейронов между попытками коэффициент корреляции шума не был равен нулю, хотя его распределение было более узким. Это говорит о том, что для наблюдения шумовых эффектов необходимо регистрировать большое количество нейронов.
Нейронные популяции выделяли стимул в течение первых 500 миллисекунд его предъявления, затем индекс распознавания выходил на плато и оставался постоянным до исчезновения зрительного сигнала. Возможно, мозг нивелирует влияние шумовых всплесков, суммируя активность нейронов во времени. Точность кодирования стимула выходила на плато, когда размер популяции превышал примерно тысячу нейронов. Если бы позитивной корреляции шума не было, то каждая новая клетка увеличивала бы качество передачи информации.
Вектор шума с наибольшей амплитудой оказался перпендикулярным нейронной активности, которая кодировала зрительные сигналы — таким образом, система ограждает точность кодирования от большей части шумовых помех. Ограничивающим фактором являются более слабые шумовые всплески, которые нельзя отделить от чистого сигнала. За счет них и происходит насыщение информации при больших размерах популяций нейронов
Двухфотонная микроскопия позволяет регистрировать активность отдельных нейронов в реальном времени даже у движущихся животных. Можно даже исследовать клеточные популяции, когда животное находится в лабиринте — для этого мышей помещают в виртуальную реальность, а движутся они по вращающемуся шару.