16 сентября 2026 года журнал Nature опубликовал исследование Developmental xenocortication using human-derived organoids in mice («Развитие человеческой коры в мозге мышей с использованием органоидов человеческого происхождения»). Авторы — Konstantin Kaganovsky, Kevin W. Kelley, Thomas Gschwind и коллеги из лаборатории нейробиолога Серджиу Пашки в Стэнфордском университете.

Главный результат: исследователи создали мышей, у которых пересаженная человеческая ткань заняла большую часть объёма коры головного мозга, сформировала разнообразные типы клеток и установила связи с нервной системой животного. При этом мыши не приобрели человеческий мозг или человеческие когнитивные способности.

Нахуя?

Человеческие нейроны трудно изучать в условиях, воспроизводящих развитие живого мозга. Клеточные культуры позволяют исследовать молекулярные процессы и электрическую активность, но в них отсутствует полноценная система кровоснабжения, а возможности формирования связей между удалёнными областями ограничены.

Один из способов решить эту проблему — выращивать из человеческих стволовых клеток органоиды мозга и пересаживать их животным. Органоиды способны воспроизводить некоторые этапы развития человеческой коры, однако в обычном мозге мыши у них возникает конкуренция с собственной нервной тканью хозяина за пространство и ресурсы.

Авторы решили изменить условия для трансплантата, а именно: вместо пересадки человеческой ткани в мозг с уже сформированной корой они создали мышей, у которых большая часть коры и гиппокампа не развивалась. Это позволило человеческой ткани расти в значительно большем объёме.

На первом этапе учёные использовали индуцированные плюрипотентные стволовые клетки человека — это такие клетки, которые получают, перепрограммируя зрелые клетки организма, например клетки кожи или крови. Затем их направляют по пути развития клеток коры головного мозга, получая трёхмерные кортикальные органоиды.

На втором этапе исследователи использовали условный нокаут гена Esco2 в клетках, экспрессирующих Emx1, на фоне иммунодефицита SCID. Это приводило к выраженному уменьшению числа возбуждающих глутаматергических нейронов неокортекса и гиппокампа. Общий объём мозговой ткани у таких мышей был примерно на 50% меньше, чем у контрольных животных.

На третьем этапе в мозг новорожденных мышей пересаживали по четыре человеческих кортикальных органоида. В исследованной группе из 29 животных трансплантат сохранился у 86,2%. Между вторым и третьим месяцами после пересадки его объём увеличился приблизительно в 4,7 раза.

И человеческая ткань заняла большую часть коркового объёма!

Через три месяца после пересадки человеческая ткань составляла в среднем 91,9% совокупного объёма корковой ткани у семи исследованных мышей.

И трансплантат образовал связи с нервной системой мыши!

Исследователи использовали антероградное и ретроградное отслеживание нейронных проекций. Они обнаружили, что аксоны человеческих нейронов проходят через подкорковые структуры, достигают верхнего холмика четверохолмия и в отдельных случаях продолжаются до шейного отдела спинного мозга. Со стороны мыши входящие проекции в трансплантат поступали, в частности, из таламуса, паллидума и палеокортекса.

Но наличие анатомической связи само по себе ещё не доказывает, что она выполняет определённую функцию. Поэтому авторы отдельно исследовали электрическую активность трансплантированной ткани.

В человеческой ткани регистрировалась согласованная электрическая активность!

Этот этап описывать не буду, но результат свидетельствует о формировании электрически активной сети. Это не означает, что там появилась полноценная функциональная организация зрелой человеческой коры, но энивей.

Изменилось ли поведение мышей?

Да! Но однозначно интерпретировать результаты трудно.

Исследователи сравнивали три группы: обычных мышей, мышей с генетически уменьшенной корой и гиппокампом и мышей с теми же генетическими изменениями, которым пересадили человеческие органоиды.

В тесте на рабочую память, основанном на спонтанном чередовании посещаемых рукавов Y-образного лабиринта, обычные мыши и животные с трансплантатом показывали результаты выше случайного уровня. Мыши без большей части собственной коры и гиппокампа такого результата не демонстрировали.

При этом в тестах ходьбы и координации у животных с трансплантатом сохранялись некоторые нарушения. Анализ спонтанного поведения также показал отличия от контрольной группы. Следовательно, человеческая ткань могла частично компенсировать отдельные последствия отсутствия коры, но не восстанавливала нормальное поведение по всем исследованным показателям.

Ограничения

Во-первых, трансплантат оставался незрелым. По транскриптомным признакам некоторые возбуждающие нейроны соответствовали стадии развития человеческой коры примерно в середине второго триместра беременности. Три месяца после пересадки не означают, что ткань прошла три месяца нормального человеческого развития.

Во-вторых, у ткани не сформировалась полноценная слоистая организация. В человеческой коре нейроны располагаются в шести слоях с характерными связями между ними. В трансплантате обнаружили локальную организацию клеток, но непрерывная нормальная слоистая структура отсутствовала.

В-третьих, мыши сохранили нервную систему своего вида. В них не заменяли все нейроны человеческими. Значительная часть подкорковых структур и другие компоненты нервной системы оставались мышиными.

В-четвёртых, поведенческие результаты не доказывают появления человеческих когнитивных функций. Ни человеческое сознание, ни человеческий интеллект, ни языковые способности в этом исследовании не демонстрировались.

Итоги

Это существенный методологический шаг в исследованиях человеческого развития коры. В 2020-м исследователи пересаживали органоиды человеческой коры в префронтальную кору мышей. В 2022-м исследователи пересадили органоиды в зрительно связанную область коры мышей и при предъявлении зрительных стимулов в трансплантированной ткани регистрировали соответствующие электрические реакции. А теперь вот это.

Нынешнее исследование показало, что у нас есть возможность изучать человеческие нейроны в живой нервной системе на нескольких уровнях одновременно: от экспрессии генов и клеточного созревания до электрической активности, связей с другими структурами и поведенческих показателей.

Это особенно перспективно для исследований заболеваний, которые начинаются во время развития нервной системы. Например, можно получить индуцированные плюрипотентные стволовые клетки пациента, вырастить из них кортикальные органоиды и проверить, какие особенности развития человеческих нейронов связаны с конкретным генетическим вариантом. В дальнейшем можно исследовать, изменяет ли потенциальное лечение эти особенности.

паписутэс на тг

Сейчас многие «бредят» обучением игре на укулеле и нейрогимнастикой, хотя в истории России есть инструменты поинтересней (например, кантеле или гусли) и с такой «распальцовкой», что количество новых нейронных связей после освоения аппликатуры поможет вам взглянуть на этот мир совсем под другим углом.

Поближе познакомиться с этим легендарным инструментом и его звучанием можно в социальных сетях эклектик-фолк проекта KANTELATOR.

Когда речь идет про моделирование работы мозга, то возникает проблема «не видеть лес за деревьями». Модель каждого, взятого по отдельности нейрона, может работать достаточно хорошо. Можно даже связать их в достаточно стабильную нейронную цепь. Но дальнейшее моделирование «поведения, близкого к реальному», становится вызовом. До сегодняшнего дня.

Ученые создали биологически обоснованную вычислительную модель, которая имитирует реальные нейронные цепи. Модель создавалась людьми «вручную», на основе собранных научных данных. Её специально НЕ обучали на животных. А вот цель была как раз в том, чтобы модель освоила задачу визуальной категоризации, и чтобы выполнение этой задачи соответствовало тому, как эту же задачу решают настоящие лабораторные животные. Ключевые параметры задачи: точность, изменчивость и лежащие в основе нейронные ритмы.

Используя заложенные правила в работе синапсов и учитывая крупномасштабную архитектуру коры головного мозга, полосатое тело, ствол мозга и системы, модулируемые ацетилхолином, модель воспроизвела конкретные паттерны обучения, включая усиление синхронизации между разными областями во время принятия правильных решений. А, как мы знаем, именно синхронизация мозга лежит в основе мышления.

Также было выявлено множество «несоответствующих нейронов», которые предсказывали ошибки в обучении. Сигнал, полученный из искусственной модели, исследователи распознали в данных, полученных от животных. А распознать его удалось только после того, как модель его выявила.

Таким образом, эта биомиметическая платформа стала мощной моделью для изучения изменений в нейронных сетях, связанных с заболеваниями. А также идеальным плацдармом для тестирования терапевтических вмешательств in silico, открывая новый путь для разработки нейротерапевтических препаратов следующего поколения.

Ключевые факты для понимания использования нейросетей в моделировании работы мозга

Я прекрасно понимаю, что материал специфический. Поэтому в этом разделе, согласно с новой традицией статей, будет дана краткая развертка терминов. Они помогут проще понять суть статьи, в чем её новизна и потенциал.

Биологический подход к проектированию: модель построена на основе реальных правил связности нейронов, динамике передачи нейромедиаторов и архитектуре биологических вычислений.

Эмергентный реализм: свойство модели воспроизводить поведение при обучении. А именно, бета-синхронизацию и схемы принятия решений, аналогичные тем, что наблюдались у лабораторных животных. Это при том, что система обучалась БЕЗ биологических наборов данных.

Раскрытые скрытые сигналы: открытие «несогласованных нейронов» выявляет ранее не замеченную активность, предсказывающую ошибки. И эта же активность наблюдается и в реальном мозге.

Источник: Институт Пиковера Массачусетского технологического института

Искусственный интеллект и лабораторные модели животных

Новая вычислительная модель мозга, основанная на базовой биологии и физиологии, выполнила две основные задачи. В первую очередь, модель, точно так же, как и лабораторные животные, освоила простую задачу визуального категорического обучения. А во вторую очередь, модель выявила нетипичную активность группы нейронов, которую исследователи, работавшие с животными над выполнением той же задачи, ранее не замечали в своих данных.

С моделью работала группа ученых из Дартмутского колледжа, Массачусетского технологического института и Государственного университета Нью-Йорка в Стоуни-Брук.

Ключевое достижение в том, что модель принципиально не обучали на данных экспериментов на животных. Вместо этого модель создали с нуля, чтобы точно воспроизвести процесс объединения нейронов в единые цепи. А также исследовать обмен электрическими и химическими сигналами в более широких областях мозга, обеспечивающих когнитивные функции и поведение.

Исследовательская группа дала модели ту же задачу, которую ученые ранее выполняли с животными. Суть задачи в том, чтобы рассматривать узоры из точек и определять, к какой из двух более широких категорий относятся эти узоры. В этой задаче модель показала очень похожую нейронную активность и поведенческие результаты. Причем освоение навыка шло практически с тем же самым неравномерным паттерном прогресса, что и у животных.

Авторы исследования и их слово

Мы собрали графики мозговой активности искусственной модели, которые затем сравнили с данными, полученными на лабораторных животных. И поразительное совпадение этих графиков сильно шокирует.

Ричард Грейнджер, профессор психологии и нейробиологии в Дартмутском университете и ведущий автор исследования.

Цель создания модели, а также последующих ее версий, разработанных после написания статьи, состоит не только в представлении о природе работы мозга, но и в том, как мозг может работать по-разному при заболеваниях и какие методы лечения могли бы исправить эти отклонения. Идея заключается в создании платформы для биомиметического моделирования мозга, чтобы обеспечить более эффективный способ открытия, разработки и совершенствования нейротерапевтических препаратов. Например, разработка лекарств и тестирование их эффективности могут проводиться на более ранних этапах процесса на нашей платформе, до того, как возникнут риски и затраты, связанные с клиническими испытаниями.

Эрл К. Миллер, профессор Пиковера в Институте обучения и памяти Пиковера при Массачусетском технологическом институте.

Миллер, Грейнджер и другие члены исследовательской группы основали компанию Neuroblox.ai для разработки биотехнологических приложений на основе полученных моделей. Соавтор исследования Лилианна Р. Мухика-Пароди, профессор биомедицинской инженерии в Университете Стоуни-Брук и ведущий научный руководитель проекта Neuroblox, стала генеральным директором компании.

Искусственный интеллект и создание биомиметической модели мозга

Модель была разработана докторантом Дартмутского университета Анандом Патхаком и отличается от многих других моделей тем, что включает в себя одновременно и мелкие детали, такие как способы соединения отдельных пар нейронов, и крупномасштабную архитектуру, в том числе влияние нейрогормонов, таких как ацетилхолин, на обработку информации в разных участках мозга.

Ананд Патхак и его команда доработали конструкции так, чтобы те соответствовали ограничениям реального мозга. Например, тому, как нейроны синхронизируются под воздействием более широких ритмов.

Актуальные же модели конкурентов фокусируются только на малых или больших масштабах, но не на обоих одновременно. Из-за чего не видят «лес за деревьями».

Как работает искусственная нейросетевая модель мозга?

Метафорические «деревья», называемые в исследовании «примитивами», представляют собой небольшие цепи. Каждая такая цепь состоит из нескольких нейронов и соединяется на основе электрических и химических принципов работы реальных клеток. За счет чего и выполняет свои основные вычислительные функции.

Например, в модели коры головного мозга одна из примитивных структур содержит возбуждающие нейроны, которые получают входные сигналы от зрительной системы через синаптические связи, на которые воздействует нейромедиатор глутамат.

Затем эти возбуждающие нейроны синхронизируют активность с тормозящими нейронами, конкурируя за сигнал к отключению других возбуждающих нейронов. Вся эта архитектура работает по принципу «победитель забирает всё», она характерна для всего мозга и регулирует всю обработку информации.

Моделирование обучения и помех при обучении

В более крупном масштабе модель охватывает четыре области мозга, необходимые для выполнения основных задач обучения и памяти: кору головного мозга, ствол мозга, полосатое тело и структуру «тонически активного нейрона» (ТАН), которая вносит небольшой «шум» в систему посредством всплесков ацетилхолина.

Например, когда модель приступала к задаче классификации тех самых узоров из точек, TAN сначала работала во благо, поддерживая вариативность в обработке визуальных данных, чтобы модель могла обучаться, исследуя различные варианты и возможные результаты.

По мере обучения модели, цепи коры головного мозга и полосатого тела усиливали связи, подавляющие TAN, что позволяло модели действовать на основе полученных знаний с возрастающей согласованностью.

При этом, в процессе обучения модели проявлялись свойства, характерные для реального мира. При этом включая паттерны, которые полностью эквивалентны исследованиям на животных. По мере обучения кора головного мозга и полосатое тело становились все более синхронизированными в бета-диапазоне частот мозговых ритмов. И эта возросшая синхронность коррелировала с моментами, когда модель (и животные) правильно определяли категорию увиденного.

Выявление «несоответствующих» нейронов

Но модель также выделила группу нейронов, около 20 процентов, активность которых, предсказывала вероятность ошибок. Когда эти так называемые «несогласованные» нейроны влияли на нейронные цепи, модель выдавала неверную категоризацию. По словам ученых, сначала они решили, что это особенность модели. Но затем они изучили данные о реальном мозге, собранные лабораторией Миллера, когда животные выполняли ту же задачу.

Только тогда мы вернулись к уже имеющимся у нас данным, будучи уверенными, что этого там быть не может, потому что кто-нибудь обязательно бы об этом сказал. И тут мы поняли, что такая активность нейронов никогда ранее не была замечена или проанализирована.

По словам ученых.

Миллер сказал, что эти нелогичные клетки могут выполнять определенную функцию в другой ситуации. Ведь они ухудшают результат при выполнении конкретной задачи, но что, если эти правила изменятся? Другие эксперименты с альтернативными вариантами приведут к тому, что мозг столкнется с новым набором условий.

Хоть модель и превзошла ожидания команды, ученые отметили, что группа расширяет её, чтобы сделать достаточно сложной для решения более разнообразных задач и в различных условиях. Например, они добавили больше участков мозга и новые нейрогормоны. Они также начали тестировать, как вмешательства препаратов влияют на её динамику.

Финансирование: исследование было поддержано Фондом исследований мозга Басзуки (США), Управлением военно-морских исследований и фондом Freedom Together Foundation.

Ответы на ключевые вопросы

В: Насколько точно биомиметическая модель соответствовала реальному поведению животных?

О: Она освоила задачу визуальной категоризации с практически такими же паттернами прогресса, нейронной активности и динамики обучения, как и животные. Причем без обучения на биологических данных.

В: Какую новую закономерность выявила модель?

О: Модель выявила популяцию «несоответствующих нейронов», активность которых приводила к ошибкам. Когда исследователи проверили старые данные, полученные на животных, обнаружилась та же закономерность, которая была незамеченной.

В: Почему эта модель важна для нейронауки и терапии?

О: Это готовая платформа для исследования процессов в мозге, моделирования патологических состояний и тестирования нейротерапевтических средств перед переходом к рискованным и дорогостоящим клиническим испытаниям.

Традиционно, больше материалов про мозг, психику и сознание, а также про инструменты, с помощью которых можно вмешаться в их работу, вы найдете в сообществе Neural Hack. Заглядывайте, чтобы держать под рукой полезный и практичный контент!