Yaşam bilimleriÖn baskıSimülasyon3 dk okuma

SİNEĞİN SİNİR BAĞLANTILARI GERÇEKTE NEYE KARAR VERİYOR?

Bilim insanları artık yetişkin meyve sineğinin sinir kordonunun sinaps sinaps eksiksiz bağlantı şemalarına sahip: biri bir erkekten (MANC), biri bir dişiden ve biri de bir erkeğin tüm merkezi sinir sisteminden (MaleCNS). Bu konektomlar üzerine kurulan simülasyonlar şimdiden duyusal yanıtları ve yürümeye benzeyen ritmik bacak etkinliğini yeniden üretiyor.

Ama yürüyen bir model, kesin bağlantı düzeninin önemli olduğunu kanıtlamaz. Birbirine bağlı birimlerden oluşan ağlar kolayca salınır ve kaba istatistikler — her nöronun kaç bağlantısı olduğu — davranışlarının çoğunu zaten belirler. Hong Kong Bilim ve Teknoloji Üniversitesi’nden Isabel Guan ile Hong Kong Politeknik Üniversitesi, Nanyang Teknoloji Üniversitesi ve ZENBOT şirketinden meslektaşları, bacak hareketinin hangi özelliklerinin gerçekten belirli bağlantı düzenine bağlı olduğunu sınamaya koyuldu.

Gerçek bağlantılar karıştırılmış kopyalara karşı

Bacak motor sisteminin modellerini birbirinden bağımsız iki konektomdan kurdular: MaleCNS, 10.173 nöron ve 462.650 bağlantı, ve MANC, 10.440 nöron ve 634.207 bağlantı. Bağlantı güçleri basitçe sinaps sayılarıydı, hiç eğitilmedi. Girdi yalnızca, etkinleşmesi ileri yürümeyi başlatan iki inen nöron, DNg100 üzerinden geldi; çıktı, her bacağın dört ekleminde ekstansör ve fleksör havuzlarına gruplanan motor nöronlardan okundu — 20 antagonist çift.

Her gerçek ağ, her biri gerçek yapının daha fazlasını koruyan altı aileden 30 karıştırılmış ağla karşılaştırıldı: bağlantı sayısı, hücre tipleri arasındaki bağlantılar, her nöronun girdi ve çıktı sayısı, bacağa ya da gelişimsel soy hattına göre bloklar. Karar ölçütleri sonuçlar görülmeden önce kaydedildi; yazarlar bunu konektom modellemesinde nadir bir uygulama olarak tanımlıyor. Simülasyonları yeniden çalıştırmak, konektom başına 4.692 kaydın tümünü yuvarlama hatası düzeyinde yeniden üretti.

Ritim ucuz, koordinasyon değil

  • Ritim sıradandır. Karıştırılmış pek çok ağ gerçekler kadar iyi salındı, bazıları daha da iyi: parametre taramasında 0,70’e karşı 0,96’ya kadar.
  • Sırayla çalışma özgüdür. Gerçek bağlantılar karşıt havuzları her karıştırılmış ağdan daha güçlü biçimde sırayla çalıştırdı: MaleCNS’te en fazla 0,147’ye karşı 0,312 puan, MANC’te en fazla 0,084’e karşı 0,173.
  • Etki, incelenen dört bacak ekleminin ilki olan toraks–koksa ekleminde yoğunlaşıyor. MaleCNS’te koordineli durum, en uzun simülasyonların beş dakikasının tamamı boyunca sürdü.

Bir asırdan eski bir ilke

Neden? Bir asırdan uzun süre önce C. S. Sherrington karşılıklı innervasyonu (reciprocal innervation) önerdi: bir kası uyaran yollar onun antagonistini baskılar. Ekip, her nöronun her çiftin iki havuzunu nasıl etkilediğini ölçtü. Her iki gerçek konektomda karşılıklı innervasyon endeksi güçlü biçimde pozitifti — 0,48 ve 0,38 — ve karıştırılmış her ağda negatifti. Nöronların iki havuz üzerinde uyguladığı etkinin %88’i (MaleCNS) ve %83’ü (MANC) onları zıt yönlere itiyor; karıştırmadan sonra bu oran %16–49. İki yoldan işliyor: bir havuzu uyarıp, baskılayıcı bir ara nöron aracılığıyla diğerini susturan uyarıcı nöronlar; ve bir havuzu susturup diğerini serbest bırakan baskılayıcı nöronlar.

Belirleyici test, premotor girdileri bir havuzdan antagonistine taşırken her motor nöronun toplam girdisini yalnızca %2–4 değiştirdi. Koordinasyon çöktü: MaleCNS’te puan yaklaşık −0,08’e düştü, yani karşıt havuzlar artık birlikte ateşliyordu; havuz içi kontrol karıştırmaları ise puanın neredeyse %90’ını korudu.

Sınırlar

Bunlar hayvan üzerinde değil, bir model üzerinde elde edilen sonuçlar: beden yok, duyusal geri bildirim yok, tek bir nöron modeli, öngörülen nörotransmiter işaretleri ve baskılayıcı kabul edilen glutamat — önceki çalıştırmalarda uyarıcı kabul edildiğinde gerçek bağlantıların üstünlüğü kayboldu. Motor nöronların eklemlere atanmasının yaklaşık dörtte biri yaklaşık ve MANC bulguları daha küçük farklarla yeniden üretti. Yazarlar ayrıca kod yazmak ve metin taslağı hazırlamak için Anthropic’in Claude’u dahil yapay zekâ asistanları kullandıklarını belirtiyor.

Bir sinir sistemini modelleyen herkes için dersleri: bağlantıları ritim üzerinde değil, koordinasyon üzerinde sınayın; çünkü karıştırılmış bir ağ da zamanı aynı iyilikte tutabilir.