Город нейронов: почему одни думают быстро, а другие медленно экспресс
В мозге мыши около 70 миллионов нейронов, и связи между ними распределены далеко не поровну: у одних клеток всего пара десятков контактов, у других — тысячи. Это как город, где есть тихие переулки и многолюдные площади. Но до сих пор было неясно, как такая неоднородность влияет на саму работу мозга.
Исследователи построили компьютерную модель, где связи между клетками можно было делать более или менее неравномерными. Оказалось, что клетки с большим числом связей — хабы — начинают работать медленнее: они как бы накапливают приходящие сигналы, прежде чем ответить. А клетки с малым числом связей, наоборот, реагируют быстро. Так в одной сети появляются и «быстрые» и «медленные» нейроны, хотя правила у всех одинаковые.
Проверка на реальных данных подтвердила теорию: в крошечном кусочке мозга мыши, который учёные картировали с разрешением в одну тысячную миллиметра, нейроны с большим числом входящих связей действительно имели более медленные времена отклика. Это значит, что неравномерность связей — не случайный шум, а важный механизм, позволяющий мозгу одновременно обрабатывать и быстрые сигналы (например, движение), и медленные (например, настроение).
Такой принцип может пригодиться и в искусственных нейронных сетях: если сделать связи неравномерными, сеть сможет обрабатывать данные на разных скоростях, как это делает мозг.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2603.04149
Structural and functional heterogeneity are hallmarks of cortical circuits, from broad degree distributions in the mouse connectome to diverse intrinsic neuronal timescales. Yet a mechanistic link between connectivity heterogeneity and functional diversity is lacking. To bridge this gap, we introduce a random recurrent network in which connectivity is generated by a configuration model with tunable degree heterogeneity and synaptic weights exhibiting varying levels of correlation. Using generating-functional methods, we derive a heterogeneous dynamical mean-field theory (hDMFT) with degree-conditioned stochastic dynamics. The theory shows that the interaction of partial symmetry in the weights and degree heterogeneity induces a non-Markovian memory term in the form of an emergent self-coupling whose strength scales with degree and produces a broad distribution of activity timescales. We obtain analytic stability criteria demonstrating that degree heterogeneity lowers the critical gain and localizes unstable modes onto hubs. The resulting rich dynamical landscape includes silent, chaotic, and multistable regimes, which we uncover via spectral, replica, and Lyapunov exponent analyses. We highlight the computational benefits of the observed timescale heterogeneity by revealing that, under an external input drive featuring a broadband spectrum, slow hub neurons act as integrators, demixing slow input components. Finally, instantiating the model with the empirically measured topology from the MICrONS cubic-millimeter mouse connectome explains the broad range of single-neuron timescales and their positive correlation with in-degree observed in resting-state recordings. Our results provide a mechanistic link between connectome topology, neural dynamics, and computation, identifying hubs in partially symmetric networks as a natural substrate for multiplexed processing across timescales.
В кубическом миллиметре мозга мыши содержится около 100 000 нейронов и почти миллиард синапсов — это больше, чем звёзд в нашей галактике на том же объёме.