[公開日] 2025年4月17日午後2時（米国東部夏時間）
[著者] William Wright, Takaki Komiyama
人々は日々、絶えず学び、新しい記憶を形成しています。新しい趣味を始めたり、友人に勧められたレシピを試してみたり、最新の世界ニュースを読んだりすると、脳はこれらの記憶の多くを 何年も、あるいは何十年も 保存します。
しかし、脳はどのようにしてこの驚くべき偉業を成し遂げるのでしょうか？
Science誌に最近発表された研究で、私たちは 脳が学習に用いる「ルール」 のいくつかを特定しました。
脳における学習
人間の脳は 数十億個の神経細胞 で構成されています。これらのニューロン (neurons) は、コンピューターがバイナリコード (binary code) を使ってデータを伝送するのと同じように、情報を伝達する電気パルスを伝導します。
これらの電気パルスは、シナプス (synapses) と呼ばれるニューロン間の接続を介して他のニューロンと通信されます。個々のニューロンには、樹状突起 (dendrites) と呼ばれる枝分かれした突起があり、他の細胞から数千もの電気入力を受け取ることができます。樹状突起はこれらの入力をニューロン本体に伝え、ニューロン本体はそこで これらのすべての信号を統合 して、独自の電気パルスを生成します。
脳内で様々な情報や経験の表現を形成するのは、特定のニューロン群に伝わるこれらの電気パルスの 集合的な活動 です。
神経科学者 (neuroscientists) たちは何十年もの間、脳はニューロン同士のつながり方を変えることで学習すると考えてきました。新しい情報や経験がニューロン同士のコミュニケーション方法を変え、集合的な活動パターンを変えると、一部のシナプス結合は強くなり、他のシナプス結合は弱くなります。このシナプス可塑性 (synaptic plasticity) のプロセスこそが、脳内で新しい情報や経験の表現を生み出すのです。
しかし、脳が学習中に正しい表現を生成するためには、適切なシナプス結合が適切なタイミングで適切な変化を起こさなければなりません。学習中にどのシナプスを変化させるかを選択するために脳が用いる「ルール」（神経科学者が「クレジット割り当て問題: the credit assignment problem」と呼ぶもの）は、ほとんど解明されていませんでした。
ルールの定義
私たちは、学習中の脳内の個々のシナプス結合の活動をモニタリングし、どの結合が強くなるか弱くなるかを決定する活動パターンを特定できるかどうかを調べることにしました。
これを実現するために、マウスのニューロンに、シナプスと神経活動に応じて光るバイオセンサーを遺伝子コード化しました。マウスが、音の合図を受けてレバーを特定の位置まで押して水を飲むという課題を学習する間、この活動をリアルタイムでモニタリングしました。
私たちは、ニューロン上のシナプスがすべて同じ規則に従っているわけではないことを発見し、驚きました。例えば、科学者はしばしば、ニューロンはヘブの規則 (Hebbian rules) 、つまり常に同時に発火するニューロンは互いに結びつくという規則に従うと考えてきました。しかし実際には、同じニューロンの樹状突起上の異なる位置にあるシナプスは、接続が強くなるか弱くなるかを決定する際に 異なる規則に従っている ことが分かりました。一部のシナプスは、常に同時に発火するニューロンは接続を強化するという従来のヘブの規則に従っていました。一方、他のシナプスは、ニューロンの活動とは全く独立して、異なる行動をとっていました。
私たちの研究結果は、ニューロンが単一の画一的なルールではなく、異なるシナプス群にわたって2つの異なるルールセットを同時に学習に用いることで、受け取る異なる種類の入力をより正確に調整し、脳内で新しい情報を適切に表現できることを示唆しています。
言い換えれば、学習プロセスにおいて異なるルールに従うことで、ニューロンはマルチタスクを実行し、複数の機能を並行して実行できるのです。
将来の応用
この発見は、学習中にニューロン間の接続がどのように変化するかをより明確に理解することを可能にします。変性疾患 (degenerative conditions) や精神疾患 (psychiatric conditions) を含むほとんどの脳疾患 (brain disorders) には、何らかの形で機能不全に陥ったシナプスが関与していることを考えると、この発見は人間の健康と社会にとって重要な意味を持つ可能性があります。
例えば、うつ病 は、脳の特定の領域におけるシナプス接続の過度な弱化によって発症し、快楽を感じにくくなる可能性があります。シナプス可塑性 (synaptic plasticity) が通常どのように機能するかを理解することで、科学者はうつ病の何が問題なのかをより深く理解し、より効果的な治療法を開発できる可能性があります。
これらの発見は、人工知能 (artificial intelligence) にも影響を与える可能性があります。AIの基盤となる人工ニューラルネットワークは、主に 脳の働き にヒントを得ています。しかし、ネットワーク内の接続を更新し、モデルを学習するために研究者が用いる学習ルールは、通常、画一的であり、生物学的に妥当とは言えません。私たちの研究は、より効率的、より優れた性能、あるいはその両方を備えた、より生物学的に現実的なAIモデルを開発するための知見をもたらす可能性があります。
この情報を人間の脳疾患に対する新たな治療法の開発に活用できるようになるまでには、まだ長い道のりがあります。樹状突起の異なるグループにおけるシナプス接続は異なる学習ルールを用いていることを発見しましたが、その理由や仕組みは正確にはわかっていません。さらに、ニューロンが複数の学習方法を同時に使用できることは、情報の符号化能力を高めますが、それがニューロンにどのような特性をもたらすのかはまだ明らかではありません。
今後の研究によってこれらの疑問が解明され、脳の学習方法に関する理解が深まることを期待しています。
この記事は、クリエイティブコモンズライセンス(CCL)の下で The Conversation と各著作者からの承認に基づき再発行されています。日本語訳は archive4ones(Koichi Ikenoue) の翻訳責任で行われています。オリジナルの記事を読めます。original article.
