Beyinde tek nöronlar “kategorik” değil ama kodlar net: Yeni ölçüm α-diversity ile ayrılabilir temsiller

Beynin kabuğunda, tek tek nöronların tepkileri birbirinden belirgin biçimde farklı görünebilir. Bu çeşitlilik çoğu zaman “gürültü” olarak yorumlansa da, yeni bir çalışma bunun daha temel bir role sahip olabileceğini savunuyor. Nature’da yayımlanan bulgular, korteksteki hiyerarşi boyunca uzanan nöral bölgelerde, bireysel nöronların seçicilik profillerinin son derece değişken olmasının; yine de okunabilir ve doğrusal olarak ayrılabilir popülasyon kodlarına imkân veren bir yapısal kaynak olduğunu öne sürüyor.

Çalışmanın hareket noktası, nöronların tepkilerinin “kategorik” göründüğünden daha karmaşık olduğuna dair doğrudan bir gözlem. Araştırmacılar, farklı kortikal bölgelerde nöronların uyarıcı özelliklere karşı yanıtlarını betimleyen seçicilik profillerinin yüksek çeşitlilik taşıdığını rapor ediyor. Ancak bu çeşitlilik, sinyalin güvenilirliğini azaltan bir kusur gibi ele alınmıyor. Bunun yerine ekip, çeşitliliği temsil gücüyle ilişkilendirerek, yüksek boyutlu (high-dimensional) ve sınıflandırma için uygun biçimde birbirinden ayrılabilen temsillerin nasıl kurulabileceğine dair birleştirici bir çerçeve öneriyor.

Bu çerçevenin ana yeniliği, araştırmacıların “seçicilik değişkenliğini” nicel hale getirme biçiminde yatıyor. Ekip, farklı nöronların yanıt profillerindeki çeşitliliği yalnızca nitel bir düzensizlik gibi incelemek yerine, bireysel nöronların davranışını tüm nöron popülasyonu bağlamında tanımlamaya yardımcı olan yeni bir ölçüt geliştiriyor. Bu ölçüt α-diversity olarak adlandırılıyor.

α-diversity, yanıt profillerinin regresyon katsayıları için kurulan tam uzay içindeki “katılım payını” temel alacak şekilde tasarlanıyor. Daha açık ifadeyle, katılımın yoğunlaştığı boyut sayısını temsil eden bir kavram olan participation ratio yaklaşımıyla ilişkilendirilen α-diversity, tek bir nöronun yanıt profilinin kaç etkin boyutta yer aldığını yakalamayı amaçlıyor. Böylece araştırmacılar, seçiciliği farklı olan nöronların aslında ne kadar farklı işlevsel “boyutlara” bağlandığını ölçmeyi hedefliyor.

Çalışmanın önemli iddiası, bu boyutsal yaklaşımın “nadir kategorik ama güçlü ayrılabilir” temsilleri açıklamada işe yaradığı. Beyindeki nöronların tepkileri tek tek bakıldığında birbirinin aynısı olmadığında, sistemin tek tek nöronlar üzerinden kesin bir kategoriye kilitlenmediği düşünülebilir. Buna rağmen, popülasyon düzeyinde temsillerin yeterince ayrılabilir kalabildiği görülüyor. Araştırmacılar, nöral popülasyon kodlarının okunabilirliğinin; yani farklı uyaranlara karşı oluşan popülasyon yanıtlarının, uygun bir okuyucu (decoder) tarafından ayrıştırılabilmesinin, tek tek nöronların çeşitliliğiyle çelişmek zorunda olmadığını vurguluyor.

Makale, kortikal hiyerarşinin farklı basamaklarında bu prensibi test ediyor: seçici profillerdeki çeşitlilik, yapısal bir kaynak olarak ele alındığında, popülasyon temsillerinin yüksek boyutlulukla birlikte yüksek ayrılabilirlik sergileyebildiği gösteriliyor. Buradaki “ayrılabilirlik” yaklaşımı, popülasyon kodlarının doğrusal okuma veya doğrusal ayırım çerçeveleri içinde ne kadar iyi ayrıştırılabildiği fikrine dayanıyor. Çalışma, doğrusal ayrılabilirliğin, yalnızca nöronların tipik olarak “kategorik” görülmesine değil, seçiciliklerin uzayda nasıl dağıldığına bağlı olabileceğini öne çıkarıyor.

Bu sonuçlar, nöral kodlamayı anlamak için kullanılan bazı sezgilerin yeniden değerlendirilmesine işaret ediyor. Eğer çeşitlilik, gerçekten de “gürültü” değilse, o zaman beyin ağlarının bilgi işleme stratejileri, tek tek nöronların benzerliğini en üst düzeye çıkarmaktan ziyade, temsilleri kurarken boyutsal zenginliği korumaya daha fazla odaklanıyor olabilir. α-diversity gibi ölçüler, bu tür hipotezleri farklı deneysel koşullarda ve farklı kortikal devrelerde karşılaştırmaya elverişli bir yol sağlayabilir.

Nature’daki çalışma; korteksteki hiyerarşi boyunca, nadiren kategorik görünen ama yine de birbirinden ayrılabilen temsillerin nasıl ortaya çıktığına dair bütüncül bir yaklaşım sunuyor. Bunun en pratik sonucu, popülasyon temsillerinin gücünü yalnızca ortalama seçicilik veya basit varyans istatistikleriyle değil; yanıt profillerinin etkin olarak kaç boyutta “yer aldığını” ölçen bir çerçeveyle daha doğrudan okumak olabilir.