एक गतिशील कनेक्टोम पुरस्कार आधारित अध्ययन के माध्यम से न्यूरल सर्किट के स्थिर गणनात्मक कार्य की उभरने का समर्थन करता है

मस्तिष्क में न्यूरॉनों के बीच साइनैप्टिक कनेक्शन गतिशील होते हैं क्योंकि स्पाइन डायनामिक्स, एक्सोनल स्प्राउटिंग और अन्य प्रक्रियाएँ लगातार जारी रहती हैं। वास्तव में, हाल ही में दिखाया गया कि स्पाइन डायनामिक्स का स्वायत्त साइनैप्स घटक कम से कम पूर्व- और पोस्सिनैप्टिक न्यूरल गतिविधि के इतिहास पर निर्भर घटक के बराबर है। ये डेटा नेटवर्क प्लास्टिसिटी के सामान्य मॉडलों के साथ असंगत हैं और निम्नलिखित प्रश्न उठाते हैं: कैसे न्यूरल सर्किट इन लगातार चल रही प्रक्रियाओं के बावजूद स्थिर गणनात्मक कार्य बनाए रख सकते हैं, और इन लगातार चल रही प्रक्रियाओं के कार्यात्मक उपयोग क्या हो सकते हैं? यहां, हम पुरस्कार-आधारित अध्ययन कार्यों के संदर्भ में इन प्रतीत होने वाले यादृच्छिक स्पाइन डायनामिक्स और पुनः तार प्रक्रियाओं के लिए एक कठोर सैद्धांतिक ढांचा प्रस्तुत करते हैं। हम दिखाते हैं कि स्वायत्त साइनैप्स प्रक्रियाएँ, डोपामाइन जैसे पुरस्कार संकेतों के साथ मिलकर, मस्तिष्क में न्यूरॉनों के नेटवर्क की विशेष गणनात्मक कार्यों के लिए स्वयं को कॉन्फ़िगर करने की क्षमता को समझा सकती हैं, और बाद में नेटवर्क या कार्य में होने वाले परिवर्तनों के लिए स्वतः मुआवजा भी कर सकती हैं। इसके अलावा, हम सैद्धांतिक रूप से और कंप्यूटर सिमुलेशन के माध्यम से दिखाते हैं कि स्थिर गणनात्मक प्रदर्शन लगातार चल रही साइनैप्स-स्वायत्त परिवर्तनों के साथ संगत है। अच्छे गणनात्मक प्रदर्शन पर पहुँचने के बाद, यह मुख्य रूप से कार्य से बेजोड़ आयामों में नेटवर्क आर्किटेक्चर और डायनामिक्स का धीमा प्रवाह उत्पन्न करता है, जैसा कि मोटर कॉर्टेक्स और अन्य क्षेत्रों में न्यूरल गतिविधि के लिए देखा गया है। पुनरागमन अध्ययन के अधिक अमूर्त स्तर पर, उत्पन्न मॉडल पुरस्कार-प्रेरित नेटवर्क प्लास्टिसिटी की समझ में मदद करता है, जिसे नेटवर्क कॉन्फ़िगरेशंस के निरंतर सैंपलिंग के रूप में।