Neurální komplet je populace buněk nervového systému (nebo kultivovaných neuronů), které se podílejí na určitém nervovém výpočtu.
Pojem neurální komplet pochází z práce Charlese Sherringtona, který popsal fungování CNS jako systém reflexních oblouků, z nichž každý se skládá z propojených excitačních a inhibičních neuronů. V Sherringtonově schématu jsou motoneurony konečnou společnou cestou řady nervových obvodů různé složitosti: motoneurony integrují velké množství vstupů a posílají svůj konečný výstup svalům.
Donald Hebb teoreticky rozvinul koncept neurálního ansámblu ve své slavné knize „Organizace chování“ (1949). Definoval „buněčnou sestavu“ jako „difúzní strukturu zahrnující buňky v mozkové kůře a diencefalon, schopnou krátce působit jako uzavřený systém, který poskytuje usnadnění dalším takovým systémům“. Hebb navrhl, že v závislosti na funkčních požadavcích by se jednotlivé mozkové buňky mohly účastnit různých buněčných sestav a být zapojeny do více výpočtů.
V 80. letech Apostolos Georgopoulos a jeho kolegové Richard Kettner, Andrew Schwartz a Kenneth Johnson zformulovali hypotézu populačního vektoru, aby vysvětlili, jak populace neuronů motorické mozkové kůry kódují směr pohybu. Tato hypotéza byla založena na pozorování, že jednotlivé neurony mají tendenci vypouštět více pro pohyby v určitých směrech, takzvaných preferovaných směrech pro jednotlivé neurony. V populačním vektorovém modelu jednotlivé neurony „hlasují“ pro své preferované směry pomocí jejich palebné rychlosti. Konečný hlas je vypočítán vektorovým součtem jednotlivých preferovaných směrů vážených neuronálními rychlostmi. Tento model se ukázal být úspěšným v popisu motoricko-kortexového kódování směru dosahu a byl také schopen předvídat nové efekty. Například Georgopoulosův populační vektor přesně popsal mentální rotace prováděné opicemi, které byly vycvičeny k překládání míst vizuálních podnětů do prostorově posunutých míst cílového dosahu.
Neuronální komplety kódují informace způsobem poněkud podobným principu fungování Wikipedie – vícenásobné úpravy mnoha účastníky. Neurovědci zjistili, že jednotlivé neurony jsou velmi hlučné. Například zkoumáním aktivity pouze jednoho neuronu ve zrakové kůře je velmi obtížné rekonstruovat vizuální scénu, na kterou se vlastník mozku dívá. Stejně jako jediný účastník Wikipedie, ani jednotlivý neuron „neví“ všechno a je pravděpodobné, že udělá chybu. Tento problém je vyřešen tím, že mozek má miliardy neuronů. Zpracování informací mozkem je zpracování populace a je také distribuováno – v mnoha případech každý neuron ví o všem něco málo a čím více neuronů se účastní práce, tím přesnější je kódování informací. V distribuovaném schématu zpracování mohou jednotlivé neurony vykazovat neuronální šum, ale populace jako celek tento šum zprůměruje.
Jako alternativa k hromadnému působení velkých nervových kompletů byla navržena aktivita vysoce specializovaných buněk jako mechanismus neuronálního kódování. Ve vizuálním systému jsou takové buňky často označovány jako babičkovské neurony. Babičkovský neuron vystřelí pouze tehdy, když pozorovatel uvidí svou babičku. Neurovědci zjistili, že některé neurony skutečně poskytují lepší informace než ostatní a populace takových expertních neuronů má zlepšený poměr signálu a šumu. Nicméně základní princip skupinového kódování platí: velké neuronální populace si vedou lépe než jednotlivé neurony.
Má se za to, že vznik specifických neurálních sestav poskytuje funkční prvky mozkové aktivity, které provádějí základní operace informačního zpracování (viz Fingelkurts An.A. a Fingelkurts Al.A., 2004; 2005).
Neuronální kód neboli „jazyk“, kterým neuronové soubory hovoří, je velmi vzdálen pochopení. V současné době existují dvě hlavní teorie o neuronovém kódu. Teorie kódování frekvence uvádí, že jednotlivé neurony kódují behaviorálně významné parametry podle jejich průměrné rychlosti střelby a přesný čas výskytu neuronových hrotů není důležitý. Teorie časového kódování naopak uvádí, že přesné načasování neuronových hrotů je důležitým mechanismem kódování.
Neuronální oscilace, které synchronizují aktivitu neuronů v kompletu, se zdají být důležitým kódovacím mechanismem. Například oscilace byly navrženy tak, aby podtrhly vazbu vizuálních funkcí (Gray, Singer a další). V přídavcích jsou fáze spánku a bdění spojeny s odlišnými oscilačními vzory.
Relativně jednoduché neuronální komplety pracují v míše, kde ovládají základní automatismy, jako je monosynaptický šlachový reflex a reciproční innervace svalů. Patří mezi ně excitační i inhibiční neurony. Centrální vzorové generace, které sídlí v míše, jsou komplexnější komplety pro koordinaci pohybů končetin během pohybu. Neurální komplety vyšších mozkových struktur, jako je mozková kůra, bazální ganglia a mozeček, nejsou zcela pochopeny, navzdory rozsáhlé literatuře o neuroanatomii těchto oblastí.
Poté, co byly zavedeny techniky multielektrodových záznamů , se stal úkol dekódování informací z velkých neuronálních kompletů v reálném čase proveditelným. Jestliže, jak ukázal Georgopoulos, jen několik primárních motorických neuronů dokázalo přesně předpovědět pohyb ruky ve dvou rovinách, rekonstrukce pohybu celé končetiny by měla být možná s dostatkem simultánních záznamů. Souběžně se zavedením enormní podpory neurovědy z DARPA několik laboratorních skupin použilo miliony dolarů na vytvoření rozhraní mezi mozkem a strojem. Z těchto skupin byly dvě úspěšné v experimentech, které ukázaly, že zvířata mohou ovládat externí rozhraní s modely na základě své nervové aktivity, a že jakmile se ovládání přesune z ruky na model mozku, zvířata se mohou naučit ho ovládat lépe. Tyto dvě skupiny vedou John Donoghue a Miguel Nicolelis a obě se svými metodami podílejí na pokusech na lidech. Úspěch obou skupin následoval po finančním tahu z DARPA.
John Donoghue založil společnost Cyberkinetics, aby usnadnil komercializaci rozhraní mezi mozkem a strojem. Od Richarda Normanna koupili Utažské pole. Spolu s kolegy Hatsopoulosem, Paninským, Fellowsem a Serruyou poprvé ukázali, že neuronové komplety mohou být použity k ovládání externích rozhraní tím, že opice ovládá kurzor na obrazovce počítače svou myslí (2002).
Miguel Nicolelis spolupracoval s Johnem Chapinem, Johanem Wessbergem, Markem Laubachem, Josém Carmenou, Michailem Lebeděvem, Sidartou Ribeirem a dalšími kolegy ukázal, že aktivita velkých nervových kompletů dokáže předpovídat polohu paže. Tato práce umožnila vytvoření rozhraní mozek-stroj – elektronických zařízení, která čtou záměry pohybu paže a převádějí je do pohybů umělých pohonů. Carmena a kol. (2003) naprogramovali nervové kódování v rozhraní mozek-stroj, což umožnilo opici ovládat natahovací a uchopovací pohyby robotickou paží, a Lebeděv a kol. (2005) argumentovali, že mozkové sítě se reorganizují, aby vytvořily nové znázornění robotického přívěsku kromě znázornění vlastních končetin zvířete.
Kromě studií Nicolelise a Donoghuea vyvíjejí skupiny Andrewa Schwartze a Richarda Andersena dekódovací algoritmy, které rekonstruují behaviorální parametry z aktivity neuronálního souboru. Například Andrew Schwartz používá populační vektorové algoritmy, které dříve vyvinul s Apostolosem Georgopoulosem.
Zajímavé je, jak předpověděl Hebb, že jednotlivé neurony v populaci mohou přispívat informacemi o různých parametrech. Například Miguel Nicolelis a jeho kolegové uvedli, že jednotlivé neurony současně kódovaly polohu paže, rychlost a sílu sevření ruky, když opice prováděly natahovací a uchopovací pohyby. Michail Lebeděv, Steven Wise a jejich kolegové uvedli prefrontální neurony mozkové kůry, které současně kódovaly prostorové lokace, kterým se opice věnovaly, a ty, které si uložily do krátkodobé paměti. Obě se zúčastnily a zapamatované lokace mohly být dekódovány, když byly tyto neurony považovány za populační.
K řešení otázky, kolik neuronů je potřeba k získání přesného odečtu z populační aktivity, použil Mark Laubach v laboratoři Nicolelis analýzu poklesu neuronů. V této analýze měřil kvalitu odečtu neuronů jako funkci počtu neuronů v populaci. Kvalita odečtu se zvyšovala s počtem neuronů – zpočátku velmi výrazně, ale pak bylo potřeba podstatně větší množství neuronů ke zlepšení odečtu.