Новые особенности в работе нервных клеток экспериментально обнаружили исследователи из университета Бар-Илан в Израиле, 6 января сообщает Phys.org.

На протяжении более ста лет предполагалось, что каждый нейрон после прохождения импульса переходит в состояние покоя на примерно две-три миллисекунды. За этим периодом покоя следует более длительный период заикания нейрональных реакций до тех пор, пока не будет достигнута полная отзывчивость.

Ученые обнаружили, что во-первых, продолжительность времени покоя может превышать 20 миллисекунд. Это почти в 10 раз больше, чем предполагалось ранее. Также длительные рефрактерные периоды еще больше увеличиваются в зависимости от предшествующей активности нейронов.

Во-вторых, период покоя чувствителен к источнику входного сигнала. Стимуляция нейрона с разных направлений приводит к различным рефрактерным периодам.

В-третьих, нейрон является очень точным элементом с резким переходом от рефрактерного периода к полной отзывчивости, без промежуточной фазы заикания, когда одна и та же стимуляция нейрона приводит к вызванному всплеску только с некоторой вероятностью.

«Мы пришли к этому выводу, используя новую экспериментальную установку, но в принципе эти результаты, как и другие анизотропные свойства нейронов, могли быть обнаружены с использованием технологии, существующей с 1980-х годов. Вековое убеждение, укоренившееся в научном мире, привело к этой задержке на несколько десятилетий», — сказал профессор Идо Кантер из физического факультета университета Бар-Илан.

Эти новые результаты требуют пересмотра функциональных возможностей нейронов за пределами традиционных рамок. В частности, это дает основание для изучения происхождения дегенеративных заболеваний.

«Наши результаты могут стать отправной точкой для выяснения происхождения этих заболеваний. Эта работа также открывает новые горизонты для передовых алгоритмов глубокого обучения и приложений на основе искусственного интеллекта, имитирующих анизотропные свойства нейронов, вместо изотропных узлов, используемых в современных приложениях машинного обучения», — заключил Кантер.