Нейронаука

Нейронаука вивчає, як нервова система створює сприйняття, рух, пам’ять і думку, і робить це на різних масштабах — від відкриття одного іонного каналу в мембрані клітини до мільйонів нейронів, що синхронізуються в ритми, які фіксує шапочка ЕЕГ на вашій голові. Цей хаб об’єднує кожну інтерактивну симуляцію нейронауки на mysimulator.uk в одній точці входу, тож замість заучування диференціального рівняння з підручника ви можете подати струм, налаштувати силу зв’язку і побачити ту саму математику, що керує справжніми нейронами, прямо у браузері.

Основа всієї галузі — потенціал дії, і симуляція нейрона Ходжкіна-Хакслі відтворює точні рівняння на основі провідності, які Алан Ходжкін і Ендрю Хакслі використали, щоб отримати Нобелівську премію 1963 року. Подайте струм у симульований гігантський аксон кальмара, і ви побачите, як потенціал-залежні натрієві канали відкриваються вибухово, спричиняючи швидку деполяризацію, а потім калієві канали відкриваються повільніше, реполяризуючи мембрану й забезпечуючи рефрактерний період, протягом якого нейрон не може спрацювати знову. Кожен спайк у кожній іншій симуляції на цій сторінці — хоч би як абстраговано — врешті-решт зводиться до цього механізму.

Спайк марний, поки не досягне іншої клітини, і симуляція синапсу показує, що відбувається при цій передачі: потенціал дії, що надходить, запускає приплив кальцію, кальцій запускає вивільнення везикул, нейромедіатор дифундує через синаптичну щілину, а зв’язування з рецептором створює або збуджувальний постсинаптичний потенціал (ЗПСП), що підштовхує наступний нейрон до спрацювання, або гальмівний (ГПСП), що відштовхує від нього. Симуляції синаптичної пластичності й довготривалої потенціації показують, що цей зв’язок не фіксований — точний час між пресинаптичним і постсинаптичним спайком визначає, чи синапс зміцниться, чи послабшає, за правилом, яке називають пластичністю, залежною від часу спайків (STDP), і яке широко вважають клітинною основою навчання й пам’яті. Правило BCM формалізує пов’язану ідею з ковзним порогом модифікації, що адаптується до недавньої активності, утримуючи навчання стабільним, а не некерованим.

Окремі нейрони рідко діють поодинці; симуляція центрального генератора патернів показує, як невеликий контур із взаємно гальмівних нейронів може створювати ритмічний руховий вихід — почергові рухи ніг при ходьбі, ритм дихання — повністю самостійно, без потреби в повторюваному сигналі з мозку чи сенсорному зворотному зв’язку. Масштабуючись далі, популяції нейронів синхронізуються так само, як будь-які зв’язані осцилятори: симуляція синхронізації Курамото демонструє загальну математику (яку також використовують для опису світлячків, що спалахують синхронно, й генераторів енергомережі, що фіксуються на спільній частоті), а симуляції нейронних осциляторів та ЕЕГ мозкових хвиль застосовують ту саму математику зв’язаних осциляторів до реальних кіркових ритмів — альфа-хвиль розслабленого неспання, бета-хвиль активної концентрації та повільніших тета- й дельта-хвиль, пов’язаних із сонливістю й глибоким сном.

Симуляції імпульсних нейронних мереж об’єднують окремі нейрони в невеликі мережі leaky integrate-and-fire одиниць, повних збуджувальних і гальмівних популяцій та синапсів STDP, і дозволяють спостерігати, як растрова діаграма переходить від неорганізованого асинхронного спрацювання до щільно синхронізованих сплесків при зміні зв’язності та балансу збудження/гальмування — того ж балансу, що причетний до станів на кшталт епілепсії, коли він надто зміщується в бік синхронності. На іншому кінці масштабу нейросудинне сполучення й симуляція BOLD-сигналу пов’язують нейронну активність із чимось вимірним ззовні черепа: нейрони, що спрацьовують, викликають розширення локальних судин через оксид азоту, і результуюча зміна оксигенації крові — це саме той сигнал, який виявляє фМРТ-сканер — зв’язок між спайком в одній клітині й кольоровою плямою на скані мозку.

Разом ці симуляції простежують повну дугу теми — від одного потенціал-залежного іонного каналу до популяційних ритмів, що визначають стани свідомості, і сигналів кровотоку, що дозволяють нам спостерігати, як думає живий мозок. Кожна модель тут — справжнє чисельне інтегрування базових рівнянь: чотирьох зв’язаних диференціальних рівнянь Ходжкіна-Хакслі, моделі фазового зв’язку Курамото, рівнянь спайків leaky integrate-and-fire — а не готова анімація, тож зміна параметра змінює реальну динаміку, а не лише картинку. Це робить хаб корисним, чи ви студент, що будує інтуїцію перед іспитом з нейронауки, викладач, що шукає одну регульовану демонстрацію, чи просто цікавитеся, як три фунти електрохімічної тканини створюють усе, що ви переживаєте.