Ученые отследили, как мозг переключается между "новой" и "старой" памятью

В эксперименте с мышами, оснащенными крохотными камерами для отслеживания глаз и электродами в мозге, исследователи выявили, что во время коротких «под-этапов» сна без быстрого движения глаз (non-REM сон) происходит переигрывание недавно полученной информации.

Источник: «Sleep micro-structure organizes memory replay», Nature (2024). DOI: 10.1038/s41586-024-08340-w

Главный признак — изменение диаметра зрачка. Когда зрачок сужается, активируются свежие воспоминания, которые мозг «повторяет» и закрепляет. А когда зрачок снова расширяется, система переходит к обновлению более старых воспоминаний. Такой чередующийся механизм не дает нам «забыть всё» при освоении чего-то нового: иначе каждая новая информация могла бы затмить имеющиеся знания.

Исследователи обучали группу мышей ряду заданий: например, искать воду или небольшие лакомства в лабиринте. Затем грызунам прикрепляли крошечные «шпионские» камеры перед глазами и устанавливали электроды для записи активности мозга. Когда мыши засыпали после освоения нового навыка, ученые отслеживали, как изменяются их зрачки, и фиксировали сигналы нейронов во время сна.

Оказалось, что вспышки «пересмотра» воспоминаний длятся считанные доли секунды — около 100 миллисекунд. Именно в такие моменты мозг обрабатывает информацию, полученную за день, и объединяет ее с уже накопленным опытом. При этом новизна и прошлый опыт «разбираются» по разным слотам времени: когда зрачок сужается, идёт работа с новыми данными, а при его расширении включаются старые воспоминания.

Это открытие показало, что сон устроен сложнее, чем предполагалось раньше. Мыши, как и люди, переживают более дробные фазы non-REM сна, в течение которых мозг попеременно обрабатывает то новые, то прежние знания. Если в этот короткий, но важный для консолидации период вмешаться, то воспоминания (будь то новое умение или старая информация) могут закрепиться хуже.

Полученные данные помогут не только в создании методов улучшения памяти у людей, но и в разработке более эффективных алгоритмов обучения для искусственных нейронных сетей. Ведь принцип «новое-старое-новое-старое» позволяет оптимизировать процесс и не терять накопленные сведения, продолжая познавать новое.