Мозг балансирует на грани хаоса и порядка — или нам просто так казалось. 88 процентов до полного безумия

Идея о «критическом мозге» много лет звучала почти как красивая универсальная формула. Нейробиологи предполагали, что мозг работает возле особой границы между порядком и хаосом, где нервные сети сохраняют устойчивость, но при этом быстро перестраиваются, чутко реагируют на сигналы и поддерживают богатую внутреннюю динамику. Новая работа в Physical Review Letters не разрушает эту картину, но заметно усложняет разговор. Авторы показали, что многие популярные признаки критичности в данных о работе мозга могут возникать как статистический мираж.

Исследователи давно искали следы критического режима по характерным масштабным закономерностям в нейронной активности. Обычно для такой проверки анализируют спектр собственных значений ковариационной матрицы или применяют подход, в котором сигналы постепенно объединяют в более крупные кластеры и смотрят, как меняется статистика. Проблема в том, что оба метода легко сбиваются, когда данные содержат медленные временные колебания, а наблюдений слишком мало. В такой ситуации даже система без реального коллективного взаимодействия между участками мозга способна выглядеть «почти критической».

Соавтор работы Рубен Кальво Ибаньес объяснил, что главный источник ошибки возникает из сочетания временных корреляций и неполной выборки. Команда построила простую модель мозговой активности, где отдельные области вообще не связаны друг с другом. В такой схеме коллективная динамика отсутствует по определению. Однако стоило добавить медленные входные сигналы с длинной автокорреляцией, как статистика начала демонстрировать знакомые степенные закономерности, которые раньше могли принять за признак критичности.

Для fMRI такая ловушка особенно опасна. BOLD-сигнал меняется медленно, а сами сессии записи обычно короткие. В результате метод легко принимает особенности измерения за фундаментальное свойство мозга.

Чтобы отделить настоящую коллективную динамику от артефактов, авторы предложили более жесткую схему проверки. Сначала команда использовала линейную рекуррентную модель, где области мозга влияют друг на друга через обратные связи. Сила этих связей задается параметром g. При росте g сеть приближается к границе неустойчивости, то есть к критической точке. Затем исследователи рассмотрели намеренно противоположный случай с g, равным нулю, когда никакого взаимодействия между областями нет. Такой контраст помог показать, насколько убедительно ложные признаки критичности могут возникать даже в полностью «разомкнутой» системе.

Дальше авторы добавили три практических инструмента проверки. Первый прием случайно сдвигает временные ряды для разных областей мозга и разрушает реальную координацию между ними, но сохраняет медленные колебания. Второй объединяет данные разных участников, чтобы увеличить число наблюдений и ослабить ошибки выборки. Третий сравнивает полученные показатели с предсказаниями рекуррентной модели, а не с артефактным фоном.

Проверку провели на наборе LEMON с fMRI-сканами состояния покоя от 136 здоровых участников. Анализ охватил 183 области мозга, а длительность записи для каждого человека составляла примерно десять минут. На объединенных данных проявились уже не мнимые, а устойчивые признаки режима, близкого к критическому. Эффективная сила связи составила около 0,88, где значение 1,0 соответствует самой критической точке.

После случайного сдвига временных рядов такие признаки почти полностью исчезли. Результат показал, что исходный сигнал действительно содержал коллективную динамику, а не только статистические искажения. При этом мозг, по выводам авторов, не сидит точно на критической границе. Нервные сети держатся немного ниже опасного порога.

Такое положение выглядит даже более правдоподобным. Работа рядом с критической точкой может сохранять главные вычислительные преимущества, включая богатую многомасштабную динамику и сильное, но управляемое усиление сигналов, при этом снижая риск неустойчивости и «разгона» активности. Иначе говоря, мозг, возможно, выбирает не экстремум, а осторожную близость к нему.

Следующий шаг для команды связан с моделями, которые учитывают реальную архитектуру связей в мозге. Исследователи также хотят проверить, меняется ли расстояние до критической точки с возрастом, болезнью или в разных когнитивных состояниях. Авторы добавляют, что предложенная схема пригодится не только в нейронауке. Любая область, где ищут признаки «почти критической» динамики, теперь получила удобный способ проверить, не скрывается ли за красивой теорией обычный статистический артефакт.