Как мы видим? Нейробиология зрительного восприятия

Почему это так важно для нейробиологии? Потому что по большому счету это все, что у нас есть. Мозг – машина связей; если мы будем знать все его связи, мы сможем значительно продвинуться на пути к пониманию того, как работает эта сложнейшая биологическая машина. Винфрид опробовал данный метод на сетчатке глаза и успешно показал, как синаптические связи определяют такое свойство сетчатки, как избирательность к направлению, – причем показал это с такой степенью конкретности и надежности, которая ранее была недостижима при исследовании нейронных сетей.

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.