С момента изобретения метод Денка был модифицирован и усовершенствован, и сегодня ряд лабораторий использует его в разных вариациях для решения различных задач. Но главной заслугой Денка являлся концептуальный прорыв: осознание возможности осуществить полное картографирование и анализ всех связей, которые лежат в основе работы головного мозга. Разумеется, нам еще предстоит решить массу технических проблем, например, придумать надежные способы отслеживания дальних связей – сначала между соседними областями мозга (скажем, между зонами V1 и V2), а затем и между более удаленными друг от друга. И даже тогда останутся важные вопросы: какие нейромедиаторы используются в тех или иных синапсах? Какие сообщения они несут? Но все это обязательно произойдет. Я не сомневаюсь: в конце концов – в очень долгосрочной перспективе – коннектом станет фундаментом, который ляжет в основу нашего понимания любых сложных нейронных сетей.
Что Винфрид Денк будет делать дальше? Какие новые и неожиданные идеи придут ему в голову в ночные часы глубоких размышлений? Кто знает, но, судя по прошлым достижениям, это будет чем-то захватывающим.
НЕЙРОННЫЕ СЕТИ ПОД МИКРОСКОПОМ
Область машинного обучения – это поприще гиков-белоручек, на три четверти специалистов по информатике и на четверть – нейробиологов. Исследованием интеллекта занимаются люди другой породы – те, кто не прочь заняться черной работой и хочет знать наверняка, на основе осязаемых физических фактов, как работает мозг.
Первый вопрос, который обычно приходит в голову экспериментальному исследователю мозга вроде меня: «Как, черт возьми, можно изучать эти нервные сети, которые состоят из десятков тысяч нейронов, разбросанных по всему мозгу? Регистрировать активность сразу нескольких тысяч нейронов? И, будь это даже возможно, как потом переработать все эти данные?» Десять лет назад такое действительно казалось нереальным, но сейчас мы начинаем делать первые шаги в этом направлении.
Как часто бывает, прогресс стал возможен благодаря объединению достижений из нескольких очень разных областей. Во-первых, двухфотонная лазерная микроскопия не только обеспечила более высокое разрешение по сравнению с традиционным микроскопом, но и благодаря своей проникающей способности дала нам возможность заглянуть вглубь тканевых образцов; в случае с мозгом это означает, что мы можем увидеть несколько слоев коры. Как вы уже знаете, первая версия такого микроскопа была разработана Винфридом Денком, одним из самых креативных умов в научном мире и (я надеюсь) будущим лауреатом Нобелевской премии. Некий исследователь сравнил разницу между традиционной и двухфотонной микроскопией с просмотром цветного телевизора в ярко освещенной и темной комнате. Еще одно преимущество двухфотонной микроскопии в том, что она позволяет наблюдать клетки, не повреждая их (что является проблемой при использовании традиционного конфокального микроскопа).
Во-вторых, благодаря генной инженерии мы получили возможность встраивать в нейроны мозга белковую молекулу, которая мерцает (говоря научным языком, меняет свою флуоресценцию) при активизации нейрона. Если смотреть через конфокальный микроскоп на образец генно-модифицированной нервной ткани, в которую встроена такая молекула, можно в режиме реального времени наблюдать за активностью отдельных нейронов.
Третьим прорывом мы обязаны биологам, изучающим поведение насекомых. Представьте, что вам нужно отследить траекторию движения жука, чтобы понять, какие сигналы заставляют его поворачивать налево, а какие – направо. Один из способов – поручить своему постдоку снять на видео бегущего жука и затем детально описать его маршрут. Но экспериментаторы придумали, как автоматизировать этот процесс. На панцирь жука приклеивается стационарная платформа так, чтобы его лапы болтались в воздухе. Под жуком помещается легкий шарик наподобие мячика для пинг-понга, который подвешен в специальном держателе, практически не создающем трения, так что бегущий жук легко вращает его своими лапами. Компьютер измеряет все повороты мяча, а ваш постдок в это время может заняться чем-то более увлекательным.
Четвертым достижением, которое сегодня мы воспринимаем как данность, стала дешевая вычислительная мощь. Когда двухфотонный микроскоп выдает вам изображения нескольких тысяч клеток, каждая из которых мерцает в соответствии со своим индивидуальным паттерном активности, вы получаете не просто большие, а астрономически большие данные. Без современных вычислительных мощностей мы бы не извлекли из этих гор сырой информации и крупицы полезных знаний.
И, наконец, потребовался талантливый, настойчивый и дерзкий нейробиолог по имени Дэвид Танк из Принстонского университета, один из создателей двухфотонной микроскопии, который соединил вместе все вышеописанные достижения и добавил от себя несколько замечательных новшеств.
«Почему бы нам не нацелиться на звезды? – подумал Танк. – Что, если нам попытаться разглядеть сразу тысячи нейронов у животного, которое находится в сознании, видит разные зрительные стимулы и думает о них?» Вместе с коллегами Танк придумал способ, как зафиксировать мышь в ограничивающей рамке наподобие той, которую инсектологи используют для жуков. Мышь не особенно возражает, потому что ее кормят лакомствами. Как и жук, она стоит на свободно вращающемся шаре. Это генно-модифицированная мышь – в ее корковые нейроны методом генной инженерии встроены молекулы – индикаторы активности. Вокруг себя мышь видит искусственный мир, созданный с помощью технологии виртуальной реальности. И да, у нее в черепе проделано отверстие, через которое Танк и его коллеги с помощью конфокального микроскопа могут наблюдать за активностью корковых нейронов. Исследователи обучают мышь различным задачам – в частности, бегу по виртуальному лабиринту – и следят за тем, как ведут себя ее нейронные сети.
Хотя этот метод еще довольно сырой, он работает. И первое фундаментальное открытие состоит в том, что нейронные сети могут вести себя поразительно стабильным образом: например, в большинстве случаев в ответ на определенный стимул вспыхивает одна и та же группа первичных сенсорных нейронов. Это удивило исследователей, поскольку они предполагали, что нейроны будут мерцать в соответствии с собственной, непонятной нам логикой. Действительно, нейроны в корковых областях, отвечающих за сенсомоторную интеграцию, демонстрируют более гибкие, еще полностью не расшифрованные паттерны активности, иногда устойчивые, иногда меняющиеся. Это вполне объяснимо, так как эти области связывают сенсорный вход и поведенческий ответ на него, который может варьироваться в зависимости от ситуации. Но все это уже концептуальные проблемы, а не технические преграды.
Здесь я прерву свой рассказ. Ученики Танка внедряют этот метод в своих нейробиологических лабораториях; мыши бегают по виртуальным лабиринтам; компьютеры регистрируют паттерны активности их нейронов. От открывающихся перспектив у нейробиологов вскипают мозги. Сможем ли мы увидеть, как образуются клеточные ансамбли? Где в головном мозге хранятся воспоминания – в каком-то одном месте или же они мигрируют? Что делают нейроны, когда мышь спит, когда она чего-то хочет или когда видит другую мышь? Теперь у нас есть инструмент, и все, что нам нужно, – это экспериментировать и еще раз экспериментировать. Оставайтесь на связи: пока вы читаете эту книгу, эксперименты продолжаются!
