Az agy információfeldolgozó képességeiről gyakran azt állítják, hogy a neuronokat összekötő kapcsolatok trillióiban rejlik. Az elmúlt néhány évtizedben azonban a növekvő kutatások csendben áthelyezték a figyelem egy részét az egyes neuronokra, amelyek a jelek szerint sokkal nagyobb számítási felelősséget viselnek, mint ami korábban elképzelhetőnek tűnt.
A bizonyítékok hosszú sorában a legújabb az, hogy a tudósok egy új típusú elektromos jelet fedeztek fel az emberi agykéreg felső rétegeiben. Laboratóriumi és modellezési vizsgálatok már kimutatták, hogy az agykérgi neuronok dendritikus karjaiban lévő apró rekeszek egyenként is képesek bonyolult matematikai logikai műveleteket végrehajtani. Most azonban úgy tűnik, hogy az egyes dendritikus rekeszek egy olyan különleges számítást – “kizárólagos VAGY” – is képesek elvégezni, amelyet a matematikai teoretikusok korábban az egyneuronos rendszerek által megoldhatatlannak minősítettek.
“Úgy vélem, hogy csak a felszínét kapargatjuk annak, hogy mit is csinálnak valójában ezek a neuronok” – mondta Albert Gidon, a berlini Humboldt Egyetem posztdoktori munkatársa, a Science folyóiratban e hónap elején bemutatott tanulmány első szerzője.
A felfedezés jelzi, hogy az idegrendszer tanulmányozása során egyre nagyobb szükség van arra, hogy az egyes neuronok mint kiterjedt információfeldolgozók jelentőségét is figyelembe vegyék. “Az agyak sokkal bonyolultabbak lehetnek, mint gondolnánk” – mondta Konrad Kording, a Pennsylvaniai Egyetem számítógépes idegtudósa, aki nem vett részt a mostani munkában. Ez arra is késztethet néhány informatikust, hogy átértékelje a mesterséges neurális hálózatok stratégiáit, amelyeket hagyományosan a neuronok egyszerű, nem intelligens kapcsolóként való felfogása alapján építettek fel.
A buta neuronok korlátai
Az 1940-es és ’50-es években egy kép kezdte uralni az idegtudományt: a “buta” neuron, egy egyszerű integrátor, egy pont a hálózatban, amely csupán összegzi a bemeneteit. A sejt elágazó nyúlványai, az úgynevezett dendritek, jelek ezreit kapták a szomszédos neuronoktól – egyesek gerjesztő, mások gátló jeleket. A neuron testében ezeket a jeleket súlyozzák és összeszámolják, és ha az összeg meghalad valamilyen küszöbértéket, a neuron elektromos impulzusok (akciós potenciálok) sorozatát lövi ki, amelyek a szomszédos neuronok ingerlését irányítják.
Nagyjából ugyanebben az időben a kutatók rájöttek, hogy egyetlen neuron logikai kapuként is működhet, hasonlóan a digitális áramkörökhöz (bár még mindig nem világos, hogy az agy valójában mennyire számol így az információ feldolgozásakor). Egy neuron például akkor volt ténylegesen ÉS-kapu, ha csak akkor lépett működésbe, ha elegendő számú bemenetet kapott.
A neuronok hálózatai tehát elméletileg bármilyen számítást elvégezhetnek. Mégis, a neuron e modellje korlátozott volt. Nemcsak az irányadó számítási metaforái voltak leegyszerűsítőek, de a tudósok évtizedekig nem rendelkeztek olyan kísérleti eszközökkel, amelyekkel egyetlen idegsejt különböző komponenseiről felvételt készíthettek volna. “Ez lényegében azt jelenti, hogy a neuron egy térbeli ponttá omlik össze” – mondta Bartlett Mel, a Dél-kaliforniai Egyetem számítástudományi neurológusa. “Nem volt semmilyen belső artikulációja az aktivitásnak.” A modell figyelmen kívül hagyta azt a tényt, hogy az egy adott neuronba áramló több ezer bemenet különböző helyeken landolt a különböző dendritek mentén. Figyelmen kívül hagyta azt a (végül megerősített) elképzelést, hogy az egyes dendritek egymástól eltérően működhetnek. És figyelmen kívül hagyta annak lehetőségét, hogy a számításokat más belső struktúrák is elvégezhetik.
De ez az 1980-as években kezdett megváltozni. Az idegtudós Christof Koch és mások által végzett modellező munka, amelyet később padon végzett kísérletek is alátámasztottak, kimutatta, hogy az egyes neuronok nem egyetlen vagy egységes feszültségjelet fejeznek ki. Ehelyett a feszültségjelek a dendritek mentén a neuron testébe haladva csökkentek, és gyakran egyáltalán nem járultak hozzá a sejt végső kimenetéhez.
A jeleknek ez a kompartmentalizációja azt jelentette, hogy a különálló dendritek egymástól függetlenül dolgozhattak fel információt. “Ez ellentétben állt a pont-neuron hipotézissel, amelyben egy neuron egyszerűen összead mindent, függetlenül a helyétől” – mondta Mel.
Ez arra késztette Kochot és más idegtudósokat, köztük Gordon Shepherdöt a Yale School of Medicine-en, hogy modellezzék, hogy a dendritek szerkezete elvileg lehetővé teszi, hogy a neuronok ne egyszerű logikai kapuként, hanem komplex, több egységből álló feldolgozó rendszerként működjenek. Szimulálták, hogy a dendritikus fák számos logikai műveletnek adhatnak otthont, egy sor összetett feltételezett mechanizmuson keresztül.
Később Mel és néhány kollégája közelebbről megvizsgálta, hogyan kezelhet a sejt több bemenetet az egyes dendriteken belül. Amit találtak, az meglepte őket: A dendritek helyi tüskéket generáltak, saját nemlineáris bemeneti-kimeneti görbéjük volt, és saját aktivációs küszöbértékekkel rendelkeztek, amelyek különböztek a neuron egészének küszöbértékeitől. A dendritek maguk is működhettek ÉS-kapuként, vagy egy sor más számítástechnikai eszközként.
Mel és korábbi végzős hallgatója, Yiota Poirazi (ma a görögországi Molekuláris Biológiai és Biotechnológiai Intézet számítógépes idegtudósa) rájöttek, hogy ez azt jelenti, hogy egyetlen neuront kétrétegű hálózatként tudnak elképzelni. A dendritek nemlineáris számítási alegységekként szolgálnának, amelyek bemeneteket gyűjtenének és közbenső kimeneteket adnának ki. Ezek a jelek aztán a sejttestben egyesülnek, ami meghatározza, hogy a neuron egésze hogyan reagáljon.
Az, hogy a dendritszintű aktivitás valóban befolyásolja-e a neuron tüzelését és a szomszédos neuronok aktivitását, még mindig nem volt világos. De ettől függetlenül, Shepherd szerint ez a helyi feldolgozás felkészítheti vagy kondicionálhatja a rendszert arra, hogy másképp reagáljon a jövőbeli bemenetekre, vagy segíthet új módon bekábelezni azt.
Bármi is legyen a helyzet, “a tendencia akkor az volt, hogy “OK, légy óvatos, a neuron erősebb lehet, mint gondoltad”” – mondta Mel.”
Shepherd egyetértett. “Az agykéregben zajló feldolgozás teljesítményének nagy része valójában küszöbérték alatti” – mondta. “Egy egyneuronos rendszer több lehet, mint egy integráló rendszer. Lehet két réteg, vagy akár több is.” Elméletileg szinte bármilyen elképzelhető számítást elvégezhet egyetlen neuron, elegendő dendrittel, amelyek mindegyike képes elvégezni a saját nemlineáris műveletét.
A nemrég megjelent Science tanulmányban a kutatók egy lépéssel továbbvitték ezt az elképzelést: Azt javasolták, hogy egyetlen dendritikus rekesz képes lehet egyedül is elvégezni ezeket az összetett számításokat.
Váratlan tüskék és régi akadályok
Matthew Larkum, a Humboldt idegkutatója és csapata egy másik kérdéssel a fejében kezdte vizsgálni a dendriteket. Mivel a dendritikus aktivitást eddig elsősorban rágcsálókon tanulmányozták, a kutatók azt akarták megvizsgálni, hogy az elektromos jelátvitel hogyan különbözhet az emberi neuronokban, amelyeknek sokkal hosszabbak a dendritjeik. Az emberi agykéreg 2. és 3. rétegéből nyertek agyszöveti szeleteket, amelyek különösen nagy, sok dendrittel rendelkező neuronokat tartalmaznak. Amikor ezeket a dendriteket elektromos árammal stimulálták, valami furcsát észleltek.
Váratlan, ismétlődő tüskéket láttak – és ezek a tüskék teljesen másnak tűntek, mint az egyéb ismert neurális jelzések. Különösen gyorsak és rövidek voltak, mint az akciós potenciálok, és a kalciumionok áramlásából eredtek. Ez azért volt figyelemre méltó, mert a hagyományos akciós potenciálokat általában nátrium- és káliumionok okozzák. És bár korábban már megfigyeltek kalcium-indukált jelátvitelt rágcsálók dendritjeiben, ezek a tüskék sokkal hosszabb ideig tartottak.
Még furcsább, hogy a dendritekbe táplált több elektromos ingerlés ahelyett, hogy növelte volna a neuron tüzelésének intenzitását, csökkentette azt. “Hirtelen többet stimulálunk, és kevesebbet kapunk” – mondta Gidon. “Ez felkeltette a figyelmünket.”
Azért, hogy kiderítsék, mit okozhat az újfajta tüskézés, a tudósok összefogtak Poirazi és a görögországi laboratóriumának egyik kutatójával, Athanasia Papoutsival, akik közösen létrehoztak egy modellt, amely tükrözi a neuronok viselkedését.
A modell szerint a dendrit két külön bemenetre reagálva tüskézett – de nem tette ezt, amikor ezeket a bemeneteket kombinálták. Ez egy nemlineáris számítással volt egyenértékű, amelyet kizárólagos VAGY (vagy XOR) néven ismerünk, és amely akkor eredményez 1-es bináris kimenetet, ha a bemenetek közül az egyik (de csak az egyik) 1.
Ez a megállapítás azonnal megütötte a számítástechnikai közösség tetszését. Az XOR-funkciókat sokáig lehetetlennek tartották egyetlen neuronban: Marvin Minsky és Seymour Papert informatikusok 1969-ben megjelent Perceptrons című könyvükben bizonyították, hogy az egyrétegű mesterséges hálózatok nem képesek XOR-t végrehajtani. Ez a következtetés annyira lesújtó volt, hogy sok informatikus ezt tette felelőssé azért, hogy a neurális hálózatok kutatása egészen az 1980-as évekig hanyatlásnak indult.
A neurális hálózatok kutatói végül megtalálták a Minsky és Papert által azonosított akadály megkerülésének módját, és az idegtudósok a természetben is találtak példákat ezekre a megoldásokra. Poirazi például már tudta, hogy az XOR egyetlen neuronban is lehetséges: mindössze két dendrit együttesen képes erre. De ezekben az új kísérletekben ő és kollégái egy plauzibilis biofizikai mechanizmust ajánlottak fel ennek elősegítésére – egyetlen dendritben.
“Számomra ez a rendszer rugalmasságának egy újabb fokát jelenti” – mondta Poirazi. “Ez csak azt mutatja, hogy ennek a rendszernek sokféle számítási módja van”. Mégis, rámutat arra, hogy ha már egyetlen neuron is képes megoldani egy ilyen jellegű problémát, “miért venné a rendszer a fáradságot, hogy bonyolultabb egységeket találjon ki a neuronon belül?”
Processzorok a processzorokban
Kétségtelenül nem minden neuron ilyen. Gidon szerint az agy más részein rengeteg kisebb, pontszerű neuron található. Feltehetően tehát ez a neurális komplexitás okkal létezik. Akkor miért van szükség arra, hogy egy neuronon belül egyes rekeszek képesek legyenek arra, amire az egész neuron, vagy neuronok kis hálózata is képes? A kézenfekvő lehetőség az, hogy egy többrétegű hálózatként viselkedő neuron sokkal nagyobb feldolgozási kapacitással rendelkezik, és ezért többet tud tanulni vagy tárolni. “Talán egy mély hálózat van egyetlen neuronon belül” – mondta Poirazi. “És ez sokkal erősebb a nehéz problémák megtanulása, a megismerés szempontjából.”
Talán, tette hozzá Kording, “egyetlen neuron is képes lehet igazán összetett funkciókat kiszámítani.”. Például önmagában képes lehet arra, hogy felismerjen egy tárgyat”. Poirazi szerint az ilyen nagy teljesítményű egyedi neuronok segíthetnek az agynak az energiatakarékosságban is.
Larkum csoportja azt tervezi, hogy hasonló jeleket keres rágcsálók és más állatok dendritjeiben, hogy megállapítsák, vajon ez a számítási képesség csak az emberre jellemző. Továbbá túl akarnak lépni a modelljük keretein, hogy az általuk megfigyelt idegi aktivitást tényleges viselkedéssel hozzák összefüggésbe. Eközben Poirazi most azt reméli, hogy össze tudja hasonlítani az ezekben a dendritekben zajló számításokat azzal, ami egy neuronhálózatban történik, hogy kiderítse, milyen előnyei lehetnek az előbbieknek. Ez magában foglalja majd más típusú logikai műveletek vizsgálatát, és annak feltárását, hogy ezek a műveletek hogyan járulhatnak hozzá a tanuláshoz vagy a memóriához. “Amíg ezt nem térképezzük fel, nem tudjuk megmondani, hogy ez a felfedezés mennyire erős” – mondta Poirazi.
Noha még sok munka vár ránk, a kutatók úgy vélik, hogy ezek az eredmények jelzik, hogy újra kell gondolni, hogyan modellezik az agyat és annak tágabb funkcióit. A különböző neuronok és agyi régiók összekapcsolódására való összpontosítás nem lesz elegendő.
Az új eredmények a gépi tanulás és a mesterséges intelligencia területén felmerülő kérdéseket is befolyásolni fogják. A mesterséges neurális hálózatok a pontmodellre támaszkodnak, a neuronokat csomópontokként kezelik, amelyek összeszámolják a bemeneteket, és az összeget egy aktivitási függvényen keresztül továbbítják. “Nagyon kevesen vették komolyan azt az elképzelést, hogy egyetlen neuron komplex számítási eszköz lehet” – mondta Gary Marcus, a New York-i Egyetem kognitív tudósa, a mélytanulással kapcsolatos egyes állítások szókimondó szkeptikusa.
Hozzátette, hogy bár a Science cikke csak egy eredmény az ezt az elképzelést bizonyító munkák széleskörű történetében, a számítógépes tudósok talán jobban reagálnak rá, mert a kérdést az XOR-probléma szempontjából fogalmazza meg, amely oly sokáig kísértette a neurális hálózatok kutatását. “Azt mondja, hogy ezen tényleg el kell gondolkodnunk” – mondta Marcus. “Az egész játék – hogy kitaláljuk, hogyan hozzunk ki okos megismerést a buta neuronokból – lehet, hogy rossz.”
“Ez egy szuper tiszta demonstrációja ennek” – tette hozzá. “Ez a zaj fölött fog szólni.”
Vélemény, hozzászólás?