Наш разум может помочь нам принимать решения, размышляя о будущем и предсказывая последствия своих действий. Представьте, например, что вы пытаетесь найти дорогу в новый ресторан рядом с вашим домом. Ваш мозг может построить мысленную модель вашего района и спланировать маршрут, по которому вы должны добраться туда. Ученые обнаружили, что структура мозга, называемая передней поясной корой (ACC), которая, как известно, важна для принятия решений, участвует в использовании таких ментальных моделей для обучения. Новое исследование мышей, опубликованное сегодня в Neuron, подчеркивает сложный психический механизм, который помогает мозгу моделировать результаты различных действий и делать лучший выбор. «Нейробиология обучения на основе моделей все еще плохо изучена», - сказал Томас Акам, доктор философии, исследователь из Оксфордского университета и ведущий автор новой статьи. «Здесь мы смогли идентифицировать структуру мозга, которая участвует в этом поведении, и продемонстрировать, что ее деятельность кодирует множество аспектов процесса принятия решений». Расшифровка того, как мозг строит ментальные модели, имеет важное значение для понимания того, как мы адаптируемся к изменениям и гибко принимаем решения: например, что мы делаем, когда обнаруживаем, что одна из дорог на пути к новому ресторану закрыта для строительства. «Эти результаты были очень захватывающими», - сказал старший автор Руи Коста, DVM, доктор философии, директор и генеральный директор Колумбийского института Цукермана, который начал это исследование, будучи исследователем в Центре неизведанного Шампалимо, где была собрана большая часть данных. «Эти данные определяют переднюю поясную часть коры головного мозга как ключевую область мозга при принятии решений на основе моделей, в частности, при прогнозировании того, что произойдет в мире, если мы решим выполнить одно конкретное действие, а не другое». Без модели или без модели? Большой проблемой при изучении нейронной основы обучения на основе моделей является то, что оно часто работает параллельно с другим подходом, называемым обучением без моделей. При обучении без моделей мозг не прикладывает много усилий для создания симуляций. Он просто полагается на действия, которые принесли хорошие результаты в прошлом. Например, вы можете использовать мысленный подход без моделей, путешествуя в любимый ресторан. Поскольку вы уже были там раньше, вам не нужно тратить умственную энергию на построение маршрута. Вы можете просто следовать своему привычному пути и позволить своему разуму сосредоточиться на других вещах. Чтобы изолировать вклад этих двух когнитивных схем - на основе моделей и без моделей - исследователи составили двухэтапную головоломку для мышей. В этом задании животное сначала выбирает одно из двух расположенных в центре отверстий, чтобы сунуть нос. Это действие активирует одно из двух других отверстий сбоку, каждое из которых имеет определенную вероятность обеспечить глоток воды. «Как и в реальной жизни, субъект должен выполнять расширенную последовательность действий с неопределенными последствиями, чтобы получить желаемый результат», - сказал д-р Акам. Чтобы хорошо выполнить задачу, мышам нужно было вычислить две ключевые переменные. Во-первых, какое отверстие сбоку с большей вероятностью обеспечит питье воды. Во-вторых, какое из отверстий в центре активировало это боковое отверстие. Как только мыши усвоили задачу, они выбирали последовательность действий, обеспечивающую наилучший результат. Однако, в дополнение к этому основанному на модели способу решения головоломки, мыши могут также изучать простые предсказания без использования моделей, например «верх - это хорошо», исходя из того, какой выбор обычно приводил к вознаграждению в прошлом. Затем исследователи изменили эксперимент таким образом, чтобы животные были гибкими. Время от времени боковой порт, с большей вероятностью предоставляющий напиток, переключался - или отображение между центральным и боковым портами менялось. Выбор животных по мере изменения ситуации показал, какие стратегии они использовали для обучения. «Свободное от моделей и основанное на моделях обучение должно порождать разные модели выбора», - сказал д-р Акам. «Изучая поведение испытуемых, мы смогли оценить вклад любого подхода». Когда команда проанализировала результаты, около 230 000 индивидуальных решений, они узнали, что мыши использовали подходы на основе моделей и без моделей параллельно. «Это подтвердило, что задача подходила для изучения нейронной основы этих механизмов», - сказал д-р Коста. «Затем мы перешли к следующему шагу: исследованию нейронной основы этого поведения». Нейронная карта обучения на основе моделей Команда сосредоточилась на области мозга, называемой передней поясной извилиной корой (АКК). «Предыдущие исследования установили, что ACC участвует в выборе действия, и предоставили некоторые доказательства того, что он может участвовать в прогнозировании на основе моделей», - пояснил д-р Коста. «Но никто не проверял активность отдельных нейронов ACC в задаче, предназначенной для различения этих различных типов обучения».
Исследователи обнаружили тесную связь между активностью нейронов ACC и поведением их мышей. Просто глядя на паттерны активности в группах клеток, ученые могли расшифровать, собиралась ли мышь выбрать то или иное отверстие, например, или же она получала глоток воды. Помимо представления текущего местоположения животного в задаче, нейроны ACC также кодировали, какое состояние может наступить следующим. «Это явилось прямым доказательством того, что ACC участвует в построении прогнозов на основе моделей конкретных последствий действий, а не только того, хороши они или плохи», - сказал д-р Акам. Более того, нейроны ACC также представляли, был ли результат действий ожидаемым или неожиданным, тем самым потенциально обеспечивая механизм для обновления прогнозов, когда они оказываются ошибочными. Команда также отключила нейроны ACC, пока животные пытались принимать решения. Это мешало животным гибко реагировать на изменение ситуации, что свидетельствует о том, что у них были проблемы с использованием прогнозов на основе моделей. Понимание того, как мозг управляет сложным поведением, таким как планирование и последовательное принятие решений, является большой проблемой для современной нейробиологии. «Наше исследование - одно из первых, которое продемонстрировало возможность изучения этих аспектов принятия решений на мышах», - сказал д-р Акам. «Эти результаты позволят нам и другим построить механистическое понимание гибкого принятия решений».
