MẠCH THẦN KINH CỦA RUỒI THỰC SỰ QUYẾT ĐỊNH ĐIỀU GÌ

Các nhà khoa học hiện đã có trong tay sơ đồ đấu nối hoàn chỉnh, đến từng khớp thần kinh (synapse), của dây thần kinh bụng ruồi giấm trưởng thành: một của con đực (MANC), một của con cái, và một của toàn bộ hệ thần kinh trung ương của một con đực (MaleCNS). Các mô phỏng dựng trên những bản đồ kết nối thần kinh (connectome) này đã tái tạo được các phản ứng cảm giác và hoạt động nhịp nhàng của chân trông giống như bước đi.

Nhưng một mô hình biết đi không chứng minh rằng cách đấu nối chính xác của nó là quan trọng. Các mạng gồm những đơn vị kết nối với nhau rất dễ dao động, và các thống kê thô — mỗi nơ-ron có bao nhiêu kết nối — đã quyết định phần lớn hành vi của chúng. Isabel Guan ở Đại học Khoa học và Công nghệ Hồng Kông cùng các đồng nghiệp tại Đại học Bách khoa Hồng Kông, Đại học Công nghệ Nanyang và công ty ZENBOT bắt tay kiểm tra xem những đặc điểm nào của chuyển động chân thực sự phụ thuộc vào cách đấu nối cụ thể.

Mạch thật đấu với các bản sao xáo trộn

Họ xây dựng mô hình hệ vận động chân từ hai bản đồ kết nối độc lập: MaleCNS, 10.173 nơ-ron và 462.650 kết nối, và MANC, 10.440 nơ-ron và 634.207 kết nối. Độ mạnh của kết nối đơn giản là số khớp thần kinh, không hề được huấn luyện. Đầu vào chỉ đến qua hai nơ-ron đi xuống DNg100, vốn khi được kích hoạt sẽ khởi động bước đi về phía trước; đầu ra được đọc từ các nơ-ron vận động được gộp thành các nhóm cơ duỗi và cơ gấp tại bốn khớp của mỗi chân — 20 cặp đối kháng.

Mỗi mạng thật được so sánh với 30 mạng xáo trộn thuộc sáu họ, mỗi họ giữ lại nhiều hơn cấu trúc thật: số kết nối, các kết nối giữa các loại tế bào, số đầu vào và đầu ra của từng nơ-ron, và các khối theo chân hoặc theo dòng phát triển. Tiêu chí quyết định được ghi lại trước khi xem kết quả, một thông lệ mà các tác giả mô tả là hiếm gặp trong mô hình hóa connectome; và việc chạy lại mô phỏng đã tái tạo toàn bộ 4.692 bản ghi cho mỗi connectome đến mức sai số làm tròn.

Nhịp điệu thì rẻ, phối hợp thì không

Nhịp điệu là phổ biến. Nhiều mạng xáo trộn dao động tốt ngang mạng thật, có mạng còn tốt hơn: tới 0,96 so với 0,70 trong phép quét tham số.
Sự luân phiên là đặc thù. Mạch thật khiến các nhóm đối kháng thay phiên mạnh hơn mọi mạng xáo trộn: điểm 0,312 so với tối đa 0,147 ở MaleCNS, và 0,173 so với tối đa 0,084 ở MANC.
Hiệu ứng tập trung ở khớp ngực–háng (thorax–coxa), khớp đầu tiên trong bốn khớp chân được nghiên cứu. Ở MaleCNS, trạng thái phối hợp được duy trì suốt năm phút của những mô phỏng dài nhất.

Một nguyên lý từ hơn một thế kỷ trước

Vì sao? Hơn một thế kỷ trước, C. S. Sherrington đã đề xuất sự phân bố thần kinh tương hỗ (reciprocal innervation): các đường dẫn kích thích một cơ thì ức chế cơ đối kháng của nó. Nhóm đã đo cách mỗi nơ-ron ảnh hưởng đến hai nhóm của từng cặp. Ở cả hai connectome thật, chỉ số phân bố thần kinh tương hỗ dương rõ rệt — 0,48 và 0,38 — và âm ở mọi mạng xáo trộn. Trong ảnh hưởng mà các nơ-ron tác động lên cả hai nhóm, 88% (MaleCNS) và 83% (MANC) đẩy chúng theo hai hướng ngược nhau, so với 16–49% sau khi xáo trộn. Cơ chế này hoạt động theo hai cách: các nơ-ron kích thích kích thích một nhóm và, thông qua một nơ-ron trung gian ức chế, làm im nhóm kia; và các nơ-ron ức chế làm im một nhóm và giải phóng nhóm kia.

Phép thử quyết định đã chuyển các đầu vào tiền vận động từ một nhóm sang nhóm đối kháng của nó, trong khi chỉ thay đổi tổng đầu vào của mỗi nơ-ron vận động 2–4%. Sự phối hợp sụp đổ: điểm số rơi xuống khoảng −0,08 ở MaleCNS, nghĩa là các nhóm đối kháng giờ phát xung cùng lúc, trong khi các phép xáo trộn đối chứng bên trong cùng một nhóm vẫn giữ được gần 90% điểm số.

Giới hạn

Đây là kết quả trên một mô hình, không phải trên con vật: không có cơ thể, không có phản hồi cảm giác, chỉ một mô hình nơ-ron, dấu của chất dẫn truyền được dự đoán, và glutamat được coi là ức chế — khi nó được coi là kích thích trong các lần chạy trước, lợi thế của mạch thật biến mất. Khoảng một phần tư việc gán nơ-ron vận động cho các khớp là gần đúng, và MANC tái tạo các phát hiện với biên độ nhỏ hơn. Các tác giả cũng cho biết họ đã dùng các trợ lý AI, trong đó có Claude của Anthropic, để viết mã và soạn thảo văn bản.

Bài học của họ cho bất kỳ ai mô hình hóa một hệ thần kinh: hãy kiểm tra mạch đấu nối dựa trên sự phối hợp, chứ không phải nhịp điệu, vì một mạng xáo trộn cũng có thể giữ nhịp tốt y như vậy.