Nöron gruplarının duyusal bilgileri nasıl temsil ettiği, sistem nörobiliminin en temel sorularından biri. Araştırmacılar, bu karmaşık süreci anlamak için uyaran uzayında temsili geometriler kullanıyor - bu geometrilerde mesafeler, uyaranların nöral aktiviteden ne kadar güvenilir şekilde ayırt edilebildiğini yansıtıyor.
Yeni çalışmada bilim insanları, bu mesafelerin nasıl hesaplandığına dair farklı yaklaşımların, nöral kod hakkında tamamen farklı sonuçlar verebileceğini gösterdi. Bu sorunu çözmek için, uyaran çözünürlüğü kaba örnekleme yoluyla kaybolurken mesafelerin nasıl büzüldüğünü yöneten ilk ilkelerden hareketle benzersiz bir Riemann temsili geometrisi geliştirdiler.
Bu yeni yaklaşım, Fisher bilgi metriğinin çok ölçekli bir uzantısını oluşturuyor ve ince uyaran detaylarından kaba genel ayrımlara kadar kodlama yapısını yakalayabiliyor. En önemli bulgu, ortaya çıkan geometrinin popülasyon tarafından kodlanan karşılıklı bilgi ile tam bir ilişki içinde olması.
Araştırmanın sonuçlarına göre, iyi kodlanmış uyaran yönleri - karşılıklı bilgiye daha fazla katkıda bulunanlar - geometrik uzayda genişlerken, kötü kodlananlar daralıyor. Bu keşif, beynin bilgi işleme mekanizmalarını anlamamızda yeni bir perspektif sunuyor.