神経科学：構造化された小脳の接続性はレジリエントなパターン分離を支える

小脳は、意図した指令と実行された指令の間のエラーの検出と修正を補助すると考えられており、社会的行動、認知および感情にとって重要である。運動制御の計算は、リアルタイムでエラーを修正するために高速に実行される必要があり、また、雑音に対してレジリエントでありながら、微細なエラー修正のためにパターン間の小さな違いに敏感でなければならない。小脳での情報処理に関する有力な理論では、主にランダムネットワーク接続性が仮定され、これがネットワーク第一層の符号化能力を高めるとされている。しかし、符号化能力を最大化すると、雑音に対するレジリエンスは低下する。今回我々は、神経回路がこの根本的なトレードオフにどのように対処しているのかを理解するために、自動化した大規模透過型電子顕微鏡と畳み込みニューラルネットワークに基づく画像分割を用いて、マウスの小脳皮質におけるフィードフォワード接続性をマッピングした。その結果、一般的なモデルとは異なり、回路の入力層と出力層のいずれにも、一般的なモデルとは異なる冗長性と選択性のある接続性モチーフが見られることが分かった。数値シミュレーションでは、これらの冗長で非ランダムな接続性モチーフは、全体的な符号化能力に対して無視できるほどのコストで雑音に対するレジリエンスを高めることが示唆された。本研究は、神経ネットワーク構造が、符号化能力と冗長性の間のトレードオフを支え得る仕組みを明らかにし、人工ニューラルネットワークの設計に関連する生物学的ネットワーク構造の原理を明らかにするものである。

目次へ戻る