Το κλειδί της για την μοντελοποίηση του εγκεφάλου της:Αγνοήστε τις σωστές λεπτομέρειες

Τον Μάιο του 2013, η μαθηματικός Carina Curto παρακολούθησε ένα εργαστήριο στο Άρλινγκτον της Βιρτζίνια, με θέμα "Φυσικές και Μαθηματικές Αρχές Δομής και Λειτουργίας του Εγκεφάλου" — μια συνεδρία καταιγισμού ιδεών για τον εγκέφαλο, ουσιαστικά. Τον προηγούμενο μήνα, ο Πρόεδρος Ομπάμα είχε εκδώσει μια από τις «Μεγάλες Προκλήσεις» του στην επιστημονική κοινότητα ανακοινώνοντας την πρωτοβουλία BRAIN (Brain Research through Advancing Innovative Neurotechnologies), με στόχο να υποκινήσει μια επανάσταση που είχε καθυστερήσει εδώ και καιρό στην κατανόηση του οργάνου των τριών κιλών μας στον επάνω όροφο. Πριν από το εργαστήριο, οι εκατό περίπου συμμετέχοντες συνεισέφεραν ο καθένας σε μια λευκή βίβλο που αφορούσε το ερώτημα τι θεωρούσαν ότι ήταν το πιο σημαντικό εμπόδιο για την πρόοδο στην επιστήμη του εγκεφάλου. Οι απαντήσεις διέτρεχαν τη γκάμα - ορισμένες διερεύνησαν γενικότερα, αναφέροντας την "απόλυτη πολυπλοκότητα" του εγκεφάλου, ενώ άλλες εμβαθύνουν σε λεπτομέρειες σχετικά με την πειραματική τεχνολογία.

Η Curto, αναπληρώτρια καθηγήτρια στο Pennsylvania State University, ακολούθησε μια διαφορετική προσέγγιση στην καταχώρισή της, προσφέροντας μια επισκόπηση της μαθηματικής και θεωρητικής τεχνολογίας:

Η τάση στην Ευρώπη —για παράδειγμα, με το Blue Brain Project και το Human Brain Project — είναι η εκτέλεση περίπλοκων μοντέλων σε υπερυπολογιστές, με στόχο τη δημιουργία μιας ψηφιακής ανακατασκευής και προσομοίωσης του ανθρώπινου εγκεφάλου. Η Curto βλέπει την αξία σε τέτοιες επιχειρήσεις, αλλά υποστηρίζει ότι αυτά τα μοντέλα είναι συχνά άσχημα, δυσκίνητα, δυσνόητα και προβληματικά στη χρήση τους:

Επί του παρόντος, η Curto εργάζεται με ένα όμορφο μοντέλο που ονομάζεται μοντέλο συνδυαστικού κατωφλίου-γραμμικών δικτύων, το οποίο αναπτύσσει σε συνεργασία με την Katherine Morrison του Πανεπιστημίου του Βόρειου Κολοράντο, με χρηματοδότηση από μια επιχορήγηση BRAIN Initiative. Ενσωματώνοντας συνδυαστική, γραμμική άλγεβρα, διαφορικές εξισώσεις και δυναμικά συστήματα, το μοντέλο διευκολύνει τη μελέτη του για το πώς η ακριβής συνδεσιμότητα μέσα στον εγκέφαλο διαμορφώνει την αναδυόμενη δυναμική της νευρικής δραστηριότητας.

Αυτή η αλληλεπίδραση συνδεσιμότητας-δυναμικής εξακολουθεί να είναι πολύ ελάχιστα κατανοητή, εν μέρει λόγω της έλλειψης δεδομένων και τεχνολογίας μέχρι αρκετά πρόσφατα. Σε αυτό το μέτωπο, η πρωτοβουλία BRAIN έχει υποστηρίξει δύο διορθωτικά μέτρα. Το ένα είναι μια ώθηση για την κλιμάκωση της τεχνολογίας για την καταγραφή χιλιάδων νευρώνων που πυροδοτούνται ταυτόχρονα (αντί, ας πούμε, η εγγραφή μόνο μερικών εκατοντάδων, όπου το πρότυπο είχε μείνει στάσιμο). Η άλλη ώθηση είναι η προώθηση της «connectomics», η μελέτη των συνδέσεων εντός του εγκεφάλου, με τον εντοπισμό, τον χαρακτηρισμό και τη χαρτογράφηση των δεσμών μεταξύ των νευρώνων.

«Μαθηματικά, η αλληλεπίδραση μεταξύ συνδεσιμότητας και δυναμικής είναι ένα πραγματικά δύσκολο πρόβλημα», σχολίασε ο Curto. Ακόμα κι αν οι επιστήμονες έχουν πλήρη γνώση και έλεγχο του κυκλώματος, είναι ακόμα δύσκολο να προβλέψουμε τη δυναμική. «Και εξαιτίας αυτού, η θεωρία έχει κάπως κολλήσει. Είναι δύσκολο, θεωρητικά, να γίνει αυτή η σύνδεση μεταξύ δομής και δυναμικής."

Ωστόσο, το μόνο εργαστήριο που χρειάζεται πραγματικά η Curto είναι ο μαυροπίνακας της (και περιστασιακά μόνο μολύβι και χαρτί) — αν και μερικές φορές χρησιμοποιεί προσομοιώσεις υπολογιστή για να ελέγξει το μοντέλο και να δημιουργήσει ιδέες. «Είναι πραγματικά διασκεδαστική και όμορφη δουλειά. Αλλά φαίνεται επίσης πραγματικά σχετικό με μεγάλα, θεμελιώδη ερωτήματα της νευροεπιστήμης», είπε. "Νομίζω ότι βρήκα το μοντέλο που είναι στο γλυκό σημείο."

Quanta μίλησε με την Curto τον Μάιο, λίγο πριν και μετά την παρουσίαση της τελευταίας της δουλειάς σε ένα συνέδριο για τα «connectomes» (χάρτες νευρικών συνδέσεων) στην ερευνητική πανεπιστημιούπολη Janelia στο Ιατρικό Ινστιτούτο Howard Hughes στη Βιρτζίνια. Η συνέντευξη έχει συμπυκνωθεί και επεξεργαστεί για λόγους σαφήνειας.

Είστε μαθηματικός νευροεπιστήμονας, αλλά έχετε σκοπό να γίνετε θεωρητικός φυσικός και το διδακτορικό σας. στο Πανεπιστήμιο Duke διερεύνησε ερωτήματα αλγεβρικής γεωμετρίας στη θεωρία χορδών. Τι συνέβη;

Λοιπόν ναι, "Τι έγινε;" Πολλοί με ρωτούν αυτό. Μου άρεσαν τα μαθηματικά που έμαθα στο γυμνάσιο, αλλά απογοητεύτηκα λίγο με τη θεωρία χορδών, μόνο από επιστημονική άποψη. Εξακολουθεί να είναι ένας πολύ καλός τομέας της φυσικής για να εμπνεύσετε ενδιαφέροντα μαθηματικά και να δημιουργήσετε συνδέσεις με όλα τα είδη μαθηματικών που συνήθως δεν θεωρούνται εφαρμοσμένα. Αλλά από την οπτική γωνία κάποιου που ήθελε πάντα να βρίσκεται στη διεπαφή της επιστήμης και των μαθηματικών, γινόταν όλο και λιγότερο ικανοποιητικό.

Στα μισά του μεταπτυχιακού άρχισα να ψάχνω για κάτι άλλο. Κάθισα σε ένα μάθημα οικονομικών, το οποίο ήταν εντελώς βαρετό, γιατί ξόδευαν όλο τον χρόνο τους αναθεωρώντας τον διανυσματικό λογισμό και δεν με ενδιέφερε να το μάθω αυτό για έκτη φορά στη ζωή μου. Και τότε ανακάλυψα τη νευροεπιστήμη κάπως τυχαία. Κάθισα σε ένα μάθημα και πήγα σε κάποιες ομιλίες, συμπεριλαμβανομένης μιας ομιλίας του Larry Abbott, ο οποίος είναι ένας πολύ διάσημος θεωρητικός νευροεπιστήμονας στο Πανεπιστήμιο Columbia και πρώην φυσικός. Μίλησε για το οπτικό σύστημα, αλλά είχε αυτόν τον τρόπο να προσεγγίζει τα ζητήματα της νευροεπιστήμης όπως θα έκανε ένας θεωρητικός φυσικός. Και είπα στον εαυτό μου, "Ω, αυτό μοιάζει με αυτό που πίστευα ότι θα ήταν η θεωρητική φυσική."

Η προσέγγιση των προβλημάτων όπως θα έκανε ένας θεωρητικός φυσικός — τι συνεπάγεται αυτό;

Υπάρχει ένας συγκεκριμένος τρόπος να βλέπεις τα προβλήματα με τον οποίο προσπαθείς να τα απλοποιήσεις με τρόπους που συχνά δεν αρέσουν στους βιολόγους. Οι βιολόγοι είναι συχνά αφοσιωμένοι στις λεπτομέρειες αυτού που μελετούν. Πιστεύουν ότι αυτές οι λεπτομέρειες είναι σημαντικές και για πολλές ερωτήσεις είναι σημαντικές. Αλλά ανάλογα με την ερώτηση, ορισμένες λεπτομέρειες μπορεί να μην είναι. Ένας θεωρητικός φυσικός απλοποιεί ένα πρόβλημα με τρόπο που το καθιστά επιδεκτικό σε μαθηματική ανάλυση, διατηρώντας παράλληλα την ουσία αυτού που είναι περίπλοκο, την ουσία του φαινομένου που προσπαθεί κανείς να κατανοήσει. Φυσικά, η απλοποίηση πρέπει να εξαρτάται από την ερώτηση που κάνετε.

Για μένα ήταν εντυπωσιακό ότι αυτό το είδος εκπαίδευσης ή τρόπος σκέψης μπορούσε να εφαρμοστεί στη νευροεπιστήμη. Δεν είχα ιδέα σε εκείνο το σημείο της ζωής μου ότι η νευροεπιστήμη - ή οποιοδήποτε πεδίο της βιολογίας, για εκείνο το θέμα - θα μπορούσε να αντιμετωπιστεί παραγωγικά χρησιμοποιώντας τις προσεγγίσεις ή τους τρόπους σκέψης που μπορεί να έχει ένας φυσικός ή ένας μαθηματικός. Ποτέ δεν είχα σπουδάσει πραγματικά βιολογία. Από το γυμνάσιο το απέφευγα πάντα, γιατί είχα ένα τρομερό μάθημα βιολογίας στην ένατη δημοτικού που απομνημόνευε απλώς μέρη των πραγμάτων και είμαι απαίσιος στο να απομνημονεύσω.

Αυτό ήταν ένα από τα πράγματα που με οδήγησαν στη φυσική, γιατί οι φυσικοί είναι πολύ περήφανοι που μπορούν να αντλήσουν πράγματα από τις πρώτες αρχές, και όλα λογικά ταιριάζουν μεταξύ τους. Πολλοί άνθρωποι έχουν λανθασμένη εντύπωση για τα μαθηματικά λόγω μιας κακής τάξης στο γυμνάσιο ή μιας κακής εμπειρίας με τα μαθηματικά νωρίς. Αυτό συνέβη σε μένα με τη βιολογία.

Ως μεταπτυχιακός φοιτητής, τελικά κάθισα σε ένα μάθημα νευροεπιστήμης και άρχισα να μαθαίνω όλο και περισσότερα. Και μετά πήρα την απόφαση στο τέταρτο έτος του απολυτηρίου μου ότι όταν τελείωσα το διδακτορικό μου, επρόκειτο να στραφώ στη νευροεπιστήμη. Δεν σχεδίαζα να εγκαταλείψω το υπόβαθρό μου στα μαθηματικά και τη φυσική, αλλά αποφάσισα να το εφαρμόσω στη νευροεπιστήμη και όχι στη θεωρία χορδών.

Προς το τέλος του τέταρτου έτους μου, υπήρχε ένας καθηγητής, ο Κεν Χάρις, τότε στο Πανεπιστήμιο Ράτγκερς, ο οποίος έστελνε ανεπιθύμητα μηνύματα σε τμήματα μαθηματικών σε όλη τη χώρα. Έστειλε ένα email σε όλους στο τμήμα μαθηματικών του Πανεπιστημίου Duke σχετικά με τον τρόπο με τον οποίο προσπαθούσε να στρατολογήσει άτομα με μαθηματικά και φυσικά υπόβαθρα στο εργαστήριό του στις νευροεπιστήμες. Πήγα να συναντήσω τον Χάρις και μου πρότεινε δουλειά ως μεταδιδάκτορας, ουσιαστικά επί τόπου. Αφού πήρα το διδακτορικό μου, πέρασα τρία χρόνια στο εργαστήριό του, κάνοντας κυρίως ανάλυση δεδομένων και παραδοσιακές υπολογιστικές νευροεπιστήμες — μαθαίνοντας ένα εντελώς νέο σύνολο εργαλείων και πολλές νευροεπιστήμες.

Έχετε μετανιώσει;

Οχι δεν είναι πραγματικά. Νωρίς όταν έκανα αυτή τη μετάβαση, το μόνο πράγμα για το οποίο μετάνιωσα ήταν ότι δεν ήξερα πόσα μαθηματικά θα χρησιμοποιούσα. Μπήκα κατευθείαν μέσα. Έλεγα:«Θα μάθω νευροεπιστήμη, δεν θα ανησυχώ για την εφαρμογή συγκεκριμένων μαθηματικών εργαλείων, απλώς θα είμαι ανοιχτόμυαλος και θα βυθιστώ στον εαυτό μου». Ήταν σχεδόν σαν ένα πρόγραμμα ανταλλαγών, όταν πηγαίνεις σε μια άλλη χώρα και ζεις με μια οικογένεια και βυθίζεσαι στη νέα κουλτούρα και γλώσσα. Αυτό έκανα με τις νευροεπιστήμες. Απλώς μπήκα πλήρως και δεν προσπάθησα να επιβάλω το δικό μου ιστορικό σε αυτό.

Υπήρχαν στιγμές που σκέφτηκα, «Εντάξει, δεν πρόκειται να ξανακάνω πραγματικά μαθηματικά. Δεν πρόκειται ποτέ να αποδείξω άλλο θεώρημα, γιατί το μόνο που κάνω είναι ανάλυση δεδομένων και υπολογιστική εργασία, και είναι ενδιαφέρον, αλλά δεν είναι πραγματικά μαθηματικά». Και έτσι είχα αυτό το συναίσθημα μερικές φορές, με κάποια λύπη.

Αλλά τότε ήταν κάπως εκπληκτικό. Μετά από μερικά χρόνια, άρχισα να έχω τις δικές μου ιδέες. Άρχισα να κάνω ερωτήσεις που είχαν νόημα για τους νευροεπιστήμονες και να έχω ιδέες για το πώς θα μπορούσα να αντιμετωπίσω ορισμένα προβλήματα νευροεπιστήμης που ήταν αρκετά μαθηματικά — φέρνοντας εργαλεία ακόμη και από τομείς των μαθηματικών όπως η τοπολογία και η ανταλλακτική άλγεβρα και η συνδυαστική που δεν χρησιμοποιούνταν παραδοσιακά. Αυτό ήταν πολύ συναρπαστικό. Χρησιμοποίησα πολύ πιο εξελιγμένα μαθηματικά, αλλά εξακολουθώ να αντιμετωπίζω ερωτήσεις που είχαν νόημα για τη νευροεπιστήμη.

Σε ποια κατεύθυνση οδεύει η έρευνά σας αυτήν τη στιγμή;

Μια ερευνητική κατεύθυνση στην οποία έχω προχωρήσει, και ο λόγος που προσκλήθηκα στο συνέδριο της Janelia, σχετίζεται με το μεγαλύτερο έργο της προσπάθειας κατανόησης της σχέσης μεταξύ της δομής συνδεσιμότητας ενός δικτύου και της δυναμικής του — η δυναμική είναι τα πρότυπα της νευρωνικής δραστηριότητας που έχουμε παρατηρήστε σε νευρωνικές καταγραφές.

Για παράδειγμα, μπορεί να έχετε κάποιο σύνολο νευρώνων που ενεργοποιούνται με κανονική ακολουθία. Θα μπορούσατε να καταγράφετε, ας πούμε, 10 νευρώνες, και θα μπορούσατε να βλέπετε ξανά και ξανά την ακολουθία των:3, 5, 6, 7, 9… 3, 5, 6, 7, 9… και επαναλαμβάνεται. Το ερώτημα θα ήταν:Γιατί βλέπετε αυτό το μοτίβο δραστηριότητας; Τι σας λέει για τις υποκείμενες συνδέσεις μεταξύ των νευρώνων και τι σας λένε οι συνδέσεις για το μοτίβο δραστηριότητας; Πώς επηρεάζει η δομή του δικτύου την πιο εφήμερη δυναμική; Πώς χρησιμοποιούνται αυτά τα μοτίβα δραστηριότητας για την κωδικοποίηση και τη μετάδοση πληροφοριών στον εγκέφαλο;

Και αναπτύξατε τα "δικτυακά τραγούδια" σας για να εξηγήσετε αυτήν την αλληλεπίδραση;

Α, βρήκες τα τραγούδια του δικτύου! Αυτό ήταν ένα είδος τέχνασμα? Χρησιμοποίησα τα τραγούδια σε ομιλίες πριν από μερικά χρόνια και ο κόσμος τα αγάπησε. Η ιδέα ήταν να δείξουμε τη ρυθμική δραστηριότητα που παράγουν αυτά τα δίκτυα. Μερικές φορές είναι δύσκολο να το αντιληφθεί κανείς απλώς κοιτάζοντας τις πλοκές.

Ρύθμισα λοιπόν τη δραστηριότητα στη μουσική:Έχετε μεμονωμένους νευρώνες και τους ρυθμούς πυροδότησης τους. Τα επίπεδα δραστηριότητάς τους ανεβοκατεβαίνουν και ως συλλογικός πληθυσμός παράγουν ρυθμούς. Έκανα κάτι πολύ απλό:ανέθεσα μια νότα κλειδιού πιάνου σε κάθε νευρώνα και μετά χρησιμοποίησα τον ρυθμό πυροδότησης του νευρώνα για να διαμορφώσω το πλάτος. Όταν έχει υψηλή ένταση, αυτή η νότα παίζει δυνατά και όταν είναι χαμηλή, δεν παίζει καθόλου. Είναι ένας άλλος τρόπος να αναπαραστήσουμε το ίδιο πράγμα που υπάρχει στην πλοκή, απλώς μια λύση σε μια διαφορική εξίσωση. Αλλά μπορείτε να το ακούσετε, και κατά κάποιο τρόπο το αυτί παίρνει επαναλαμβανόμενα μοτίβα καλύτερα από το μάτι. Είναι στην πραγματικότητα απλώς ένας τρόπος να μετατρέψετε τις ίδιες πληροφορίες σε ήχο, ώστε η ρυθμικότητα να είναι πιο εμφανής. Είναι πολύ ωραίο ότι αυτά τα δίκτυα είναι πολύ ρυθμικά.

Τελικά, αυτές οι δυναμικές είναι αυτό που πιστεύουμε ότι οδηγεί στη συμπεριφορά και οδηγεί σε αντιληπτικές εμπειρίες, ανάκληση μνήμης και ούτω καθεξής. Και η δουλειά για την οποία με ενθουσιάζει περισσότερο αυτή τη στιγμή είναι ένα πολύ ωραίο μοντέλο νευρωνικού δικτύου, το συνδυαστικό μοντέλο κατωφλίου-γραμμικών δικτύων. Η συνεργάτιδά μου Katherine Morrison και εγώ παίζουμε με το μοντέλο και αποδεικνύουμε θεωρήματα — μπορούμε πραγματικά να αποδείξουμε θεωρήματα που μας επιτρέπουν να συνδέσουμε τη δομή του γραφήματος με σημαντικά χαρακτηριστικά της δυναμικής. Αυτό ήταν πολύ συναρπαστικό.

Τι σημαίνει να αποδεικνύουμε θεωρήματα για τον εγκέφαλο, ας πούμε έτσι, σε αυτό το πλαίσιο;

Φυσικά, πρέπει να κάνετε ακόμα πειράματα. Το να αποδείξετε κάτι για το αφηρημένο μοντέλο σας δεν είναι απόδειξη ότι έχετε δίκιο για την πραγματική επιστήμη. Ωστόσο, σας δίνει πληροφορίες για πράγματα που στη συνέχεια μπορούν να ελεγχθούν με έναν πιο παραδοσιακό τρόπο, τύπου επιστημονικής μεθόδου.

Κατά μία έννοια, ένα μαθηματικό μοντέλο είναι ένα απλοποιημένο μοντέλο με τον ίδιο τρόπο που ένα σκουλήκι, όπως το Caenorhabditis elegans , είναι ένας πρότυπος οργανισμός:Υπάρχει πολλή δουλειά με το βραβείο Νόμπελ στη νευροεπιστήμη που έγινε σε σκουλήκια, πολύ μικρά πλάσματα με πολύ απλά νευρικά συστήματα, επειδή αυτά τα απλουστευμένα μοντέλα δίνουν πραγματικά μια εικόνα για τον ανθρώπινο εγκέφαλο. Με παρόμοιο τρόπο, μπορούμε να αποδείξουμε θεωρήματα σε απλά μαθηματικά μοντέλα και να αποκτήσουμε πραγματική εικόνα για το πώς λειτουργεί το μοντέλο. Αυτή η διορατικότητα μας δίνει στη συνέχεια πράγματα που πρέπει να αναζητήσουμε στο πραγματικό σύστημα, τον πραγματικό εγκέφαλο.

Όταν μπορείτε να αποδείξετε ένα θεώρημα, συλλαμβάνει βασικά άπειρα παραδείγματα που δεν θα μπορούσατε ποτέ να ελέγξετε μεμονωμένα μόνοι σας — ακόμα και με τους πιο ισχυρούς υπολογιστές. Και συχνά, η ουσία αυτού που χρειάζεται για να λειτουργήσει μια απόδειξη δίνει μια εικόνα των βασικών χαρακτηριστικών που κάνουν το φαινόμενο να ξεχωρίζει. Θα μπορούσατε να ανακαλύψετε κάτι στις προσομοιώσεις παίζοντας με τις παραμέτρους και στη συνέχεια να κάνετε την εικασία:«Νομίζω ότι αυτό το χαρακτηριστικό είναι που προκαλεί το φαινόμενο να συμβεί». Αλλά αν μπορείτε πραγματικά να το αποδείξετε, ακόμα κι αν η απόδειξη απαιτεί μια πιο απλή ρύθμιση, τότε μπορείτε να καταγράψετε τα βασικά χαρακτηριστικά που οδηγούν το φαινόμενο να λειτουργήσει. Το να μπορείτε να κάνετε πραγματικά μαθηματικά σε σχέση με ένα μοντέλο όπως αυτό βοηθάει πολύ στην απόκτηση εικόνας των μηχανισμών που οδηγούν το φαινόμενο.

Για παράδειγμα, υπάρχουν ορισμένα περιοδικά μοτίβα δραστηριότητας που βλέπουμε σε πραγματικά νευρωνικά κυκλώματα και πάντα αναρωτιόμαστε, "Εντάξει, τι προκαλεί την εμφάνιση αυτών των ρυθμών νευρικής δραστηριότητας στο δίκτυο;" Και στο πλαίσιο ενός απλού μοντέλου μπορεί κανείς πραγματικά να αποδείξει, σε κάποιο βαθμό, ποια χαρακτηριστικά προκαλούν την εμφάνιση αυτού του μοτίβου.

Αυτό σας δίνει κάτι να αναζητήσετε. Εάν διαθέτω τα δεδομένα συνδενομικής μου, εάν έχω κάποιες δομικές πληροφορίες σχετικά με το δίκτυο, μπορώ να ελέγξω:Βλέπω το ίδιο δομικό μοτίβο στο δίκτυο που προκαλεί αυτό το φαινόμενο στο μοντέλο μου; Έτσι τα μαθηματικά δίνουν έναν τρόπο δημιουργίας υποθέσεων.

Το μόνο κακό με την παραδοσιακή επιστημονική μέθοδο είναι ότι δεν σας λέει πραγματικά πώς να δημιουργήσετε υποθέσεις εξαρχής. Όταν φτάσετε σε πολύπλοκα συστήματα, υπάρχει αυτή η συνδυαστική έκρηξη πιθανών υποθέσεων και δεν μπορείτε να τις ελέγξετε όλες. Το να έχεις καλά μοντέλα, όμορφα μοντέλα, είναι ένας πολύ ωραίος τρόπος δημιουργίας υποθέσεων με ελεγχόμενο και αυστηρό τρόπο.

Σε γενικές γραμμές, τι βρίσκετε πιο συναρπαστικό στη νευροεπιστήμη;

Το πεδίο εξελίσσεται πολύ γρήγορα αυτή τη στιγμή. Νέοι τύποι νευρώνων ανακαλύπτονται συνεχώς, καθώς και νέες κωδικοποιητικές ιδιότητες νευρώνων επίσης. Μόλις τώρα καταλαβαίνουμε πώς είναι δομημένα τα δίκτυα στον εγκέφαλο.

Θυμάμαι ότι άκουσα για τη δεκαετία του 1960 ως αυτή τη μεγάλη εποχή για τη σωματιδιακή φυσική:Ένα νέο σωματίδιο ανακαλύπτονταν κάθε εβδομάδα και οι θεωρητικοί προσπαθούσαν να καταλάβουν πώς να οργανώσουν τα σωματίδια, τι είδους μαθηματικές δομές θα έπρεπε να εμπλέκονται και τι είδους των συμμετριών ήταν παρόντες, και ούτω καθεξής. Υπήρχαν πολλές ενδιαφέρουσες συνδέσεις με τα μαθηματικά. Αυτό είναι το συναρπαστικό πράγμα στο οποίο ήθελα να γίνω μέρος.

Όταν μπήκα στις νευροεπιστήμες, ήταν κάπως έτσι. Αντί για ένα νέο σωματίδιο που ανακαλύπτεται κάθε εβδομάδα, ήταν ένας νέος τύπος νευρώνων, ή νέοι κανόνες για το πώς συνδέονται οι νευρώνες ή νέα πειράματα που έδειχναν ενδιαφέροντα και εκπληκτικά αποτελέσματα. Έμοιαζε — και εξακολουθεί να μοιάζει με — μια πολύ συναρπαστική παιδική χαρά για έναν θεωρητικό.