Mózg na zimno: Po co człowiekowi nauka, czyli o wyjaśnieniach w neurobiologii

W trakcie swojego doktoratu odkryłem nowe zachowanie u gryzoni. Wykazałem, że myszy i szczury przekazują sobie informację o tym, gdzie w środowisku znajduje się jedzenie. Problem w tym, że po wielu latach badań wciąż nie wiem, jak w zasadzie to robią.

Zauważyłem, że w trakcie interakcji często obwąchują się pod ogonami – to miejsce, w którym wydzielane są feromony. Czy to możliwe, żeby za pomocą feromonów dało się przekazywać informację o tym, gdzie coś się znajduje? Niby jak?

Odkryłem, że używają nieco odmiennych wokalizacji niż w innych kontekstach. Czy przekazują sobie informację za pomocą dźwięków? To również wydaje mi się mało możliwe. Ich repertuar jest bardzo niewielki i w niczym nie przypomina złożoności języka ludzi. Skończyłem więc doktorat z myślą, że udało mi się coś odkryć, ale nie wyjaśnić.

A przecież celem nauki jest wyjaśnianie zjawisk! To stwierdzenie oczywiste? Jeśli śledzicie tę naszą serię tekstów, domyślacie się zapewne, że stwierdzenia oczywiste zazwyczaj przestają być takimi, gdy tylko przyjrzeć się im dokładniej. I tak jest w tym przypadku. Dla różnych osób wyjaśnienie będzie czymś innym.

Dla przedstawicielek i przedstawicieli dziedziny zwanej tradycyjną biologią wyjaśnieniem jest przede wszystkim opisanie mechanizmu działania. Wyobraźmy sobie, że obiektem badań jest potencjał czynnościowy. To impuls elektryczny produkowany przez neuron – powstaje najczęściej na skutek pobudzenia neuronu przez inne komórki – i umożliwia mu przekazanie sygnału dalej. Potencjały czynnościowe są podstawowym sposobem komunikacji w mózgu, który w każdej sekundzie produkuje ich setki miliardów. Dzięki nim informacje z narządów zmysłów trafiają do wyższych obszarów układu nerwowego, które – również dzięki przekazywaniu sobie informacji za pomocą potencjałów – analizują otrzymane dane i pozwalają nam stwierdzić na przykład, czy rozmazany kształt na drodze to człowiek, czy zwierzę. Za sprawą tych samych impulsów mózg kontroluje też nasze ruchy i umożliwia właściwą reakcję na to, co dzieje się w otoczeniu.

Wszystko wyglądało lepiej dziesięć czy dwadzieścia lat temu, gdy wydawało się nam jeszcze, że mózg można łatwo podzielić na struktury wykonujące konkretne funkcje.

Typowy biolog będzie zainteresowany opisaniem krok po kroku, jak dochodzi do powstania tego zjawiska: najpierw otwierają się jedne kanały jonowe, później inne, a w końcu do działania wkracza pompa sodowo-potasowa. I wszystko to sprawia, że takie a takie jony przechodzą na drugą stronę błony neuronu, takie a takie dostają się do środka, a sygnał rozprzestrzenia się wzdłuż aksonu.

Tak samo wyglądają oczekiwane wyjaśnienia bardziej złożonych procesów. Jeśli interesuje nas na przykład mózgowe podłoże strachu, będziemy chcieli wiedzieć, jak informacja o zagrożeniu jest przetwarzana przez zmysły, do jakich struktur mózgu trafia i co dokładnie dzieje się wtedy na przykład w ciele migdałowatym. W końcu zaś przedmiotem interpretacji będzie to, jak mózg podejmuje decyzję o tym, czy walczyć, czy uciekać.

Brzmi to wszystko logicznie i większość z nas tak właśnie rozumie wyjaśnianie. Ale...

Jeśli chcemy wytłumaczyć jakiś mózgowy mechanizm, musimy określić jego granice. Gdzie – dajmy na to – obwód neuronalny przetwarzający informację o zagrożeniu ze strony drapieżnika, zaczyna się i kończy? Czy neurony w nabłonku węchowym, które wykrywają substancję alarmową (m.in. składniki moczu drapieżników albo chondroitynę, która pochodzi ze skóry zranionych osobników i u ryb wywołuje natychmiastową reakcję ucieczki) są częścią tego mechanizmu? Czy też wyższe struktury, które odbierają informację z wielu zmysłów – nie tylko węchu, ale i wzroku czy słuchu – i na podstawie złożonej analizy wysyłają sygnał dalej?

Wszystko to wyglądało lepiej dziesięć czy dwadzieścia lat temu, gdy wydawało się nam jeszcze, że mózg można łatwo podzielić na struktury wykonujące konkretne funkcje. Dziś wiemy jednak, że choć z taką specjalizacją mamy do czynienia, funkcje bywają dużo bardziej rozproszone. W podejmowanie decyzji zaangażowane są dziesiątki struktur. Nie inaczej jest ze strachem – kolejne badania wykazują zaangażowanie coraz to nowych obszarów.

A to nie wszystko. Działanie różnych mechanizmów jest zależne od kontekstu, co jest wyzwaniem dla badań prowadzonych w laboratorium. W korze wzrokowej możemy znaleźć na przykład neurony, których aktywność jest powiązana z konkretnym kolorem: przykładowo reagują tylko wtedy, gdy małpa patrzy na zielone bryły geometryczne, ale nie reagują, gdy bryły są czerwone. Efekt ten występuje jednak tylko tak długo, jak zwierzęciu pokazywane są abstrakcyjne, uproszczone bodźce. Ten sam neuron może zmienić swoje zachowanie, gdy zwierzę będzie patrzyło na „naturalne” obrazy – choćby zdjęcia drzew.

Badania pokazują też, że praca różnych obszarów mózgu może przebiegać inaczej, gdy zwierzę jest głodne albo kiedy się porusza. Ciekawym modulatorem mechanizmów jest również stres. Od lat prowadzi się badania nad wpływem ketaminy na depresję. Co ciekawe, w wielu laboratoriach zauważono, że ten związek chemiczny wydaje się wpływać na zachowania depresyjne u gryzoni laboratoryjnych tylko wtedy, gdy eksperyment przeprowadza mężczyzna, a obserwacje te zostały zweryfikowane w eksperymentach. Odpowiada za to najprawdopodobniej właśnie stres: zapach wydzielany przez mężczyzn bywa dla gryzoni awersyjny, co skutkuje zmianą sposobu oddziaływania ketaminy.

I tu powstaje pytanie: do jakiego stopnia powinniśmy uwzględniać kontekst w naszych wyjaśnieniach mechanizmów biologicznych? Które konteksty są ważne, a które możemy pominąć?

Inne podejście mają osoby zajmujące się modelowaniem matematycznym pracy układu nerwowego. Dla nich wyjaśnieniem będzie najczęściej zestaw równań, opisujących zachowanie danego systemu. Przebieg potencjału czynnościowego możemy opisać np. za pomocą równania opracowanego w 1952 r. – po latach precyzyjnych eksperymentów – przez Alana Hodgkina i Andrewa Huxleya, czyli w zależności od właściwości elektrycznych neuronu, napływu i odpływu różnych jonów. Pozwala to bardzo dobrze przewidzieć, jak neuron zachowa się w różnych warunkach. Samo w sobie nie daje jednak informacji o tym, jak działają kanały jonowe czy pompa sodowo-potasowa. Podobnie jak inne modele, zawiera pewne uproszczenia, jest jednak bardzo dobrym narzędziem opisu.

Naukowczynie i naukowcy z zacięciem obliczeniowym budują też modele opisujące bardziej wysokopoziomowe zjawiska. Istnieją te matematyczne dotyczące podejmowania decyzji przez zwierzęta, działania pamięci przestrzennej czy zachowań takich jak walka i ucieczka. Zazwyczaj wprowadzamy do nich różne parametry – stopień pobudzenia zwierzęcia czy jego odległość od drapieżnika itp. – i na tej podstawie próbujemy przewidzieć, jak przebiegnie zachowanie. Modele te nie są perfekcyjne, ale potrafią wskazywać nam różne tendencje.

Niezależnie jednak od tego, jak są skuteczne, modele zazwyczaj nie mówią nam wiele o mechanizmie, który stoi za danym zjawiskiem. Układ równań pozwoli nam przewidzieć, jak zwierzę zareaguje na dany bodziec, ale nie zdradzi, jakie obwody neuronalne za tym stoją. Stąd bierze się częsta krytyka modeli wykorzystywanych w biologii: mówi się, że nie są one realistyczne biologicznie i że ich założenia rzadko są spełniane w naturze, jak w słynnym dowcipie o fizyku i sferycznych kurczakach w próżni.

Ci, którzy tworzą modele matematyczne, często cytują Richarda Feynmana, który mawiał, że czego nie potrafimy stworzyć, tego nie rozumiemy. Dziś wiemy, że jednak jest inaczej, czego świetnym przykładem są sieci neuronowe. Współczesne modele, takie jak ChatGPT, robią rzeczy, które do niedawna potrafiły jedynie nasze mózgi – przetwarzają język, interpretują i tworzą obrazy. Problem w tym, że sami nie do końca wiemy, jak dokładnie to robią – są szalenie złożone i próba pełnego zrozumienia ich działania stanowi niemal osobną dziedzinę badań. Modele zatem mogą czasem odtwarzać jakieś zjawisko, ale jednocześnie być na tyle złożone, by nie przybliżać nas zanadto do jego zrozumienia.

To prowadzi nas zaś do kolejnego pytania: czy wyjaśnienie jest nauce rzeczywiście potrzebne? Wiele stosowanych w psychiatrii leków działa, choć nie pojmujemy mechanizmów ich działania. Interfejsy mózg-komputer, umożliwiające posługiwanie się robotycznymi protezami, są coraz skuteczniejsze, choć dalecy jesteśmy od pojęcia mózgowych mechanizmów kontroli naszych ruchów. Tam, gdzie celem nauki są rozwiązania praktyczne – walka z chorobami czy zastosowania przemysłowe – wyjaśnienie ma wartość o tyle, o ile umożliwia lepsze wykonanie danego zadania.

Co jednak z naukami podstawowymi?

Twierdzenie, od którego zaczęliśmy – że ich celem jest wyjaśnienie – jest raczej pewnym ideałem lub mitem, w który naukowczynie i naukowcy często wierzą. Wystarczy jednak czasem przyjrzeć się temu, jak naprawdę robiona jest nauka, by taką jej wizję podważyć.

A jak jest robiona naprawdę?

Wyobraźmy sobie kompletnie fikcyjny scenariusz: chcemy zbadać mózgowe podłoże upodobania myszy do sera. Nasze badania rozpoczynamy od przeglądu literatury, dowiadujemy się, jakie struktury mózgu wydają się w ten proces zaangażowane. Musimy zastanowić się, co wybrać – ograniczają nas czas i środki!

W neurobiologii zazwyczaj przeprowadzamy – z grubsza – dwa rodzaje eksperymentów. Z jednej strony obrazujemy pracę mózgu za pomocą elektrod lub mikroskopów, aby sprawdzić, czy aktywność neuronów w danym obszarze układu nerwowego koreluje z zachowaniem. Z drugiej – manipulujemy aktywnością komórek nerwowych, np. za pomocą światła, żeby wykazać, że aktywność tej struktury jest przyczynowo powiązana z zachowaniem. Łączenie tych dwóch podejść daje nam większą pewność, że to, co obserwujemy, nie jest tylko przypadkową korelacją.

Dokonując wyboru, kierujemy się często już na samym początku naszymi możliwościami eksperymentalnego dostępu do danej struktury. Jeśli jest ona położona płytko pod czaszką, możemy wykorzystać na przykład mikroskop dwufotonowy w celu obrazowania aktywności neuronów – dzięki temu nagramy więcej komórek niż gdybyśmy mieli do czynienia ze strukturą położoną głębiej.

Jeśli przeprowadzimy kilka pierwszych eksperymentów, mamy szansę zaobserwować wiele różnych zależności. Zazwyczaj jednak obiektem naszych dalszych badań stają się najwyraźniejsze efekty. Jeśli będziemy pobudzać różne grupy neuronów możemy odkryć, że niektóre manipulacje zwiększają apetyt na ser w znacznym stopniu, inne – w mniejszym. Prawie zawsze zdecydujemy się wtedy skupić na tych, które dają wyraźniejszy efekt – choćby z przyczyn statystycznych.

Podobnie było z moim projektem. Skupiłem się na tym, jak informacja o lokalizacji pokarmu wpływa na to, jak mózg reprezentuje przestrzeń. Wedle badań prowadzonych od lat 70. mózg tworzy sobie mapę otoczenia. Komórki miejsca, znajdujące się w strukturze zwanej hipokampem, są aktywne tylko wtedy, gdy zwierzę przebywa w określonym miejscu; wszystkie komórki kodujące daną lokację składają się na jego mózgową mapę. Mapa ta jest zazwyczaj stabilna – ta sama komórka będzie aktywna w tym samym rogu klatki przez kolejne dni – chyba że w środowisku coś się zmieni. Wystarczy, by pojawił się w niej nowy obiekt, a mapa ulega częściowemu lub całkowitemu przekształceniu. Chciałem sprawdzić, czy nowa informacja – o tym, że w danym środowisku znajduje się jedzenie – może mieć podobny efekt.

Wiedza i wyjaśnienia są wręcz niejako produktem ubocznym procesu naukowego.

Zdecydowałem się na to z kilku powodów. Hipokamp leży płytko pod czaszką, dzięki czemu jest łatwo dostępny, a jego aktywność można nagrywać za pomocą miniaturowych mikroskopów montowanych na głowie zwierzęcia. Mysz może swobodnie chodzić z nimi po klatce, a to jest w moich eksperymentach kluczowe. Badanie mózgowej mapy miejsca jest też relatywnie łatwe, a jej potencjalne zmiany są proste do zmierzenia i wyrażenia za pomocą liczb. Hipokamp i komórki miejsca stanowiły więc idealny punkt wyjścia do badań nad mózgowym podłożem zachowania, które odkryłem. Ważną motywacją był też fakt, że stosunkowo łatwo byłoby zaprojektować eksperymenty oparte o aktywowanie lub hamowanie komórek nerwowych w hipokampie po to, by zbadać inne związki między tą strukturą a zachowaniem.

Podejmując decyzję, jaki eksperyment przeprowadzić, kierujemy się zatem w nauce często możliwością kontroli systemu, który badamy. Bierzemy pod uwagę możliwości techniczne i to, w jakim stopniu nasze manipulacje pozwalają wpływać na obserwowany proces. Im więcej eksperymentów przeprowadzimy, tym więcej zależności zaobserwujemy, za każdym razem rozwijając te kierunki badań, które dają nam najwyraźniejszy efekt. Z czasem prowadzi to oczywiście do gromadzenia coraz szerszej wiedzy – możemy np. wyróżnić zestaw struktur powiązanych z badanym zachowaniem i stwierdzić, która na jaki jego aspekt wpływa. Wiedza i wyjaśnienia są wręcz niejako produktem ubocznym procesu naukowego. Tak długo, jak badaczki i badacze czują, że ich eksperymenty przynoszą jakieś efekty i otwierają nowe drogi, tak długo niedostatkami ich wyjaśnień mogą nie zaprzątać sobie głowy.

Dlatego też lata spędzone nad badaniem obwąchujących się myszy nie wydają mi się zmarnowane. Nie wyjaśniłem zbyt wiele, ale otworzyłem wiele nowych dróg działania. I o to chyba ostatecznie chodzi.