Революция в голове. Как новые нервные клетки омолаживают мозг

Прорывом здесь было конкретное указание на «контексты», которые в дальнейшем сыграли важную роль. Но в опытах был и некоторый изъян. Запоминание контекста – это определенно нечто более значимое, чем мигательный рефлекс, но контекст здесь был в основе своей отрицательным. Отсюда и близость к травматизации. Нетрудно предположить, что все то же может быть верно и для позитивной ситуации, но доказано это не было. Тем не менее с помощью условного рефлекса страха мы смогли выяснить массу подробностей о том, каким образом новые нейроны участвуют в обучении, обусловленном деятельностью гиппокампа.

Путь указывают компьютерные модели

И все же некоторые исследователи, и я в том числе, чувствовали, что по-настоящему выяснить, зачем нужны новые нервные клетки, таким образом невозможно. Мы считали, что ключом к пониманию нейрогенеза взрослых должна быть функция зубчатой извилины. Новые клетки – зернистые, они встраиваются в ее сеть. Структура связей в зубчатой извилине хорошо известна, поэтому можно было ставить очень конкретные вопросы о том, как эта сеть изменится, если добавить пару новых нейронов.

Для этого можно смоделировать зубчатую извилину на компьютере и проверить, что будет, если изменить в этой модели количество клеток. Сложность с подобными компьютерными моделями в том, что результат, конечно, очень сильно зависит от их устройства: настолько, что некоторые утверждают, будто с их помощью можно доказать все, что угодно, и они показывают лишь, в чем именно были предвзяты их создатели. Разумеется, в этом есть доля истины, но в конечном счете отсюда следует только то, что такая модель требует очень тщательного рассмотрения с учетом решений, которые она предлагает, и что лучше всего сравнить между собой несколько моделей.

Так и произошло, потому что разные группы ученых испробовали этот подход параллельно и с совершенно разными идеями.

Самые обширные исследования на эту тему провел Брэд Аймон, который работал с Фредом Гейджем. Его модель была самой сложной и очень далеко продвинула науку вперед^{50}. Однако, как ни странно, его прогнозы оказались совсем недалеки от того, что на основании гораздо более простых моделей предположили мы с моим коллегой Лауренцем Вискоттом или канадская исследовательница Сью Беккер. В конечном итоге это сильно успокаивало: гипотеза была в достаточной степени независима от модели, на основе которой ее развивали.

Брэд Аймон видит в новых клетках возможность снабдить информацию своего рода временнóй отметкой, в результате чего они помогают соответствующим образом регистрировать вещи, связанные друг с другом по времени. Это тоже контекстуализация, в данном случае в первую очередь временнáя. И хотя в случае условного рефлекса страха исходно речь шла о пространственном обусловливании (клетка, лифт и т. д.), конечно же, важно, как именно нахождение в данном контексте связано с неприятным опытом во времени. Только так может сформироваться условный рефлекс.

Здесь напрашивалось очень интересное обобщение. Дело в том, что уже некоторое время существовала теория, согласно которой важная функция гиппокампа состоит в так называемой сепарации паттернов (pattern separation), то есть в способности воспринимать различные, но похожие между собой и близкие во времени раздражители отдельно. Это та же временнáя отметка, но в другом обличье, и здесь был сделан существенный шаг вперед.

Последовала целая череда работ, где удалось более или менее хорошо показать, что новые нервные клетки действительно способны улучшить деятельность зубчатой извилины в плане сепарации паттернов. Модели Аймона выдержали испытание экспериментом, гипотеза, полученная на компьютере, подтвердилась.

Мы с Лауренцем Вискоттом придумали значительно более простую модель сети гиппокампа^{51}. Согласно нашему предположению, функция новых клеток должна быть настолько базовой, что она проявилась бы даже в существенно редуцированных моделях. Так оно и было. Наша модель показала, что гиппокампальная сеть с новыми нейронами, сталкиваясь с новыми условиями, делает меньше ошибок, чем в отсутствие новых клеток. Если хорошенько подумать, это не так уж далеко от идеи сепарации паттернов, но у нас на уме был несколько иной аспект: мы думали о гибкости. Новые нейроны могли бы быть решением главной проблемы сетей: как они обращаются с новой информацией? Наша модель подтвердила, что нужно совсем немного новых клеток, и сеть будет менее склонна к ошибкам, когда от нее требуется гибкая реакция.

Парковочная аналогия