脳全体のニューロンにおける解剖学的コード：スパイク列に埋め込まれた位置情報の頑健な符号化

核心概念

脳内のニューロンは、外部刺激や内部状態を反映するだけでなく、そのスパイクパターンに解剖学的情報を埋め込んでおり、脳構造と機能の関連性を示唆している。

要約

ニューロンのスパイク列に埋め込まれた解剖学的情報の頑健な符号化

論文情報: (論文の完全な書誌情報をここに挿入)
研究目的: 本研究では、ニューロンのスパイク列が、そのニューロンの解剖学的起源に関する情報をコードしているかどうかを調査した。
方法: 研究者たちは、覚醒・行動中のマウスから記録された、複数の脳領域と構造にわたる数千個のニューロンからの高密度記録を分析した。スパイク列のみに基づいてニューロンの解剖学的場所を予測するために、機械学習モデル（多層パーセプトロン、MLP）を使用した。モデルの性能は、ドリフトする格子縞、自然な映画、自発活動など、さまざまな刺激条件下で評価された。
主な結果:

ニューロンのスパイク列のみを用いて、そのニューロンの解剖学的場所を高い精度で予測することができた。
この解剖学的情報は、さまざまな刺激条件下で、また動物個体間、さらには異なる研究室間でも一貫して観察された。
解剖学的情報は、特定のスパイク間隔や刺激に対する反応に特に多く含まれていた。
視覚野では、解剖学的情報は層レベルと一次視覚野と二次視覚野を区別するレベルでは堅牢だったが、個々の二次視覚野を区別するレベルでは堅牢ではなかった。
一方、海馬と視床内の構造は、スパイクパターンに基づいて堅牢に区別することができた。
結論:
本研究の結果は、ニューロンのスパイク列が、外部刺激や内部状態の符号化に加えて、その解剖学的起源に関する情報もコードしていることを示唆している。この発見は、脳の構造と機能の関係についての新たな洞察を提供するものであり、神経発達、マルチモーダル統合、大規模ニューロン記録の解釈など、幅広い分野への応用が期待される。
意義:
この研究は、神経科学における長年の疑問、すなわちニューロンのスパイク列がどのように情報をコードしているのか、という疑問に答えるものである。解剖学的情報の発見は、脳の計算原理の理解に大きな影響を与えるものである。
限界と今後の研究:

本研究ではマウスのデータのみを用いており、他の種でも同様の結果が得られるかどうかは今後の課題である。
ニューロンの解剖学的場所をコードする具体的なメカニズムを明らかにするためには、さらなる研究が必要である。

統計

平均バランス精度は、脳領域識別タスクでは65.10 ± 1.77%から89.47 ± 2.98%に向上しました。
海馬のタスクは35.89 ± 1.42%から51.01 ± 4.50%に向上しました。
視床のタスクは32.79 ± 2.37%から53.21 ± 7.59%に向上しました。
視覚野のタスクは25.52 ± 0.73%から38.48 ± 3.31%に向上しました。
階層的な誘導モデルは、19個のラベル（構造18個と中脳）すべてにおいて、46.91 ± 1.90%のバランス精度を達成しました。
VISp対VISsの二項分類では、79.98 ±3.03 %のバランス精度が観察されました。
VISsは96%の感度を達成しました。
6つの視覚構造を2つの上位構造に変換すると、バランス精度は91.02 ±0.95%に向上しました。
VISpは94.4%の感度を達成しました。
皮質層の誘導モデルは、ISI分布で46.43 ±0.97%（スムージングなし）と62.59 ±1.13%（スムージングあり）、連結PSTHで41.13 ±1.28%（スムージングなし）と52.16 ±2.38%（スムージングあり）のバランス精度を達成しました。
皮質層の変換モデルは、ISI分布で46.52 ±0.63%（スムージングなし）と60.37 ±2.64%（スムージングあり）、連結PSTHで41.66 ±0.51%（スムージングなし）と52.35 ±1.69%（スムージングあり）のバランス精度を達成しました。
層IVの感度は28%でした。
脳領域識別タスクの平均MCCは0.90でした。
海馬構造の平均MCCは0.46でした。
視覚野層の平均MCCは0.41でした。
視床構造の平均MCCは0.30でした。
視覚野上位構造の平均MCCは0.26でした。
視覚野構造の平均MCCは0.18でした。
ドリフトする格子縞モデルの平均バランス精度は80.46%でした。
複合刺激モデルの平均バランス精度は81.28%でした。

抽出されたキーインサイト

A conserved code for anatomy: Neurons throughout the brain embed robust signatures of their anatomical location into spike trains

by Tolossa,G. B... 場所 www.biorxiv.org 07-13-2024

https://www.biorxiv.org/content/10.1101/2024.07.11.603152v3

深掘り質問

ニューロンのスパイク列に埋め込まれた解剖学的情報は、脳の損傷や疾患によってどのように変化するのか？

脳の損傷や疾患は、ニューロンのスパイク列に埋め込まれた解剖学的情報に、様々な形で影響を与える可能性があります。

接続性の変化: 脳卒中や外傷性脳損傷といった損傷は、ニューロン間の接続を破壊したり、新たな異常な接続を生み出したりする可能性があります。これは、特定の脳領域からの入力が失われたり、予期せぬ入力を受けたりすることで、スパイク列のパターンを変化させ、解剖学的情報の符号化を混乱させる可能性があります。
神経細胞の死滅: アルツハイマー病やパーキンソン病などの神経変性疾患では、特定の脳領域で神経細胞が死滅します。これは、その領域のニューロンからのスパイク列が失われることを意味し、解剖学的情報の全体的な表現に影響を与える可能性があります。
神経伝達物質の変化: 多くの神経疾患は、ドーパミンやセロトニンなどの神経伝達物質のレベルの変化を伴います。これらの変化は、ニューロンの興奮性や抑制性に影響を与え、スパイク列のパターンを変化させる可能性があります。
可塑性: 脳は損傷や疾患に対して可塑性を示し、残存するニューロンが新たな接続を形成したり、機能を変化させたりすることがあります。この可塑性は、解剖学的情報の符号化を変化させ、損傷を受けた脳領域の機能を補償しようとする可能性があります。
これらの変化は、解剖学的情報の符号化が静的なものではなく、脳の状態や経験によって変化する動的なものであることを示唆しています。脳損傷や疾患におけるこれらの変化を理解することは、診断や治療法の開発に役立つ可能性があります。

人間のニューロンにおいても、マウスと同様の解剖学的符号化が見られるのか？

人間のニューロンにおいても、マウスと同様の解剖学的符号化が見られる可能性は高いですが、まだ明確な結論は出ていません。

倫理的な制約: マウスのような侵襲的な実験を人間に対して行うことは倫理的に問題があり、技術的にも困難です。そのため、人間の単一ニューロンから高密度な記録を取得することは容易ではありません。
脳の複雑さ: 人間の脳はマウスの脳よりもはるかに複雑で、より多くのニューロンと接続が存在します。この複雑さが、解剖学的情報の符号化をより複雑にしている可能性があります。
しかし、いくつかの間接的な証拠から、人間のニューロンも解剖学的情報を符号化している可能性が示唆されています。

脳波: 脳波（EEG）などの非侵襲的な記録技術を用いた研究では、特定の脳波パターンが特定の脳領域の活動と関連していることが示されています。これは、人間のニューロンも解剖学的な情報を反映した活動パターンを示している可能性を示唆しています。
脳機能イメージング: 機能的磁気共鳴画像法（fMRI）などの脳機能イメージング技術を用いた研究では、特定の認知タスク遂行中に特定の脳領域が活性化することが示されています。これは、人間の脳においても、機能と解剖学的構造の間に一定の関係があることを示唆しています。
今後、技術の進歩により、人間の単一ニューロン活動を高密度に記録することが可能になれば、解剖学的符号化に関するより詳細な情報が得られると期待されます。

この発見は、脳波などの非侵襲的な記録技術を用いて、脳の構造と機能をマッピングする新しい方法の開発につながるのか？

はい、この発見は、脳波などの非侵襲的な記録技術を用いて、脳の構造と機能をマッピングする新しい方法の開発につながる可能性を秘めています。

脳波とスパイク列の関係: 脳波は、多数のニューロンの同期した活動によって生じる電気信号です。個々のニューロンのスパイク列が解剖学的情報を符号化しているならば、脳波にもその情報が含まれている可能性があります。
機械学習による解析: 機械学習を用いることで、脳波データから解剖学的情報を抽出することが可能になるかもしれません。例えば、特定の脳波パターンと特定の脳領域の活動との関連性を学習させることで、脳波から脳の活動地図を作成できる可能性があります。
この技術が実現すれば、

個人差の理解: 個人の脳の構造や機能の個人差をより詳細に理解することができ、パーソナライズされた医療や教育に役立つ可能性があります。
脳疾患の診断: 脳波から解剖学的情報を抽出することで、脳腫瘍や脳卒中などの脳疾患の診断をより正確に行えるようになる可能性があります。
BMI技術の進歩: 脳波から思考や意図を読み取るブレイン・マシン・インターフェース（BMI）技術の開発にも大きく貢献する可能性があります。
しかし、脳波は多数のニューロンの活動が混ざり合った信号であるため、個々のニューロンのスパイク列から得られる情報に比べて解像度が低く、ノイズが多いという課題もあります。この課題を克服するために、信号処理技術の進歩や、脳波と他の脳機能イメージング技術との組み合わせなどが期待されます。