Krakauer, J. W., Ghazanfar, A. A., Gomez-Marin, A., MacIver, M. A., & Poeppel, D. (2017). Neuroscience needs behavior: correcting a reductionist bias. Neuron, 93(3), 480-490.
選択的遺伝子ターゲティングから光遺伝学的回路制御、コネクトーム全体のマッピングまで、神経科学研究に利用できるツールはますます充実している。これらのアプローチは、脳と行動の関連を理解するための還元主義的プログラムに対する、根強い、しばしば暗黙の信念と結びついている。このプログラムの目的は、必要性と充足性の主張を検証できる神経操作による因果説明である。しかし私たちは、同じように重要な別のアプローチとして、行動を注意深く理論的・実験的に分解することによって、別の理解の形を模索することを主張する。具体的には、タスクの詳細な分析と、タスクが引き出す行動の詳細な分析は、構成要素となるプロセスとその基礎となるアルゴリズムを発見するのに最適な方法である。ほとんどの場合、行動の神経実装の研究は、そのような行動研究の後に行うのが最適であると我々は主張する。このように、脳と行動の関係に関しては、より多元的な神経科学の概念を提唱する。すなわち、行動研究は理解を提供し、神経介入は因果関係を検証する。
Sternbergはこれを「プロセッサーとプロセッサーが実行するプロセスの区別」*1 と表現している。ここで取り上げる核心的な疑問は、動作を支配するプロセスをプロセッサの検査から推測するのが最善かどうかということである。皮肉なことに、コンピューターサイエンスのアナロジーは、1つのマイクロプロセッサー（脳に類似）に数多くの神経科学技術を適用し、それが3つの古典的なビデオゲーム（行動に類似）をどのように制御するかを理解しようとした挑発的な研究によって一巡した*2。この実験にとって重要だったのは、答えが先験的にわかっていたことである。プロセッサの動作は、アルゴリズムのフローチャートとして描くことができる。その結果、プロセッサに介入型の神経科学を施しても、プロセッサがどのように動作するのかを説明することはできないことが判明した。
下位レベルの特性だけを見て、システムの振る舞いとその下位レベルの特性との対応関係を推測することは非常に難しいことが容易に理解できる。
新たなテクノロジーによって、膨大かつ複雑なデータセットの取得が可能になり、それに伴ってそれらを分析する手段も複雑化している。その結果、計算やデータ解析の専門家が必要とされるようになり、行動の詳細な機能分析、発達の軌跡、進化的基盤などを開発する生物レベルの思想家が重視されなくなった。この文脈では何が説明とみなされるのか」、「理解しようとしている行動のメカニズムとは何か」、「脳を理解するとはどういうことか」といった深くて茨の道的な問いは脇に追いやられてしまう。神経科学における重点は、こうした大局的な問題から、技術、モデルシステム、そしてそれらが生み出す膨大なデータを分析するために必要なアプローチの開発へと移行している。技術主導の神経科学は、代用バイアスとして知られるものの一例と考えられる。「［...］難しい問題に直面したとき、私たちはしばしばその代用に気づかず、代わりに簡単な問題に答えてしまう」*3。
神経データと行動の間のマッピングをアルゴリズム的な意味で（相関的、あるいは因果的な意味だけでなく）提供する新しい概念的枠組みを開発することに取って代わることはできない。ツール主導の傾向は脳と行動の関係を理解するには十分ではない。新しい手法で得られた神経データは、そのような神経データと行動の間のマッピングをアルゴリズム的な意味で（相関的、あるいは因果的な意味だけでなく）提供する新しい概念的枠組みを開発することに取って代わることはできない。この課題を達成するには、行動を構成要素やサブルーチンに注意深く分解した上で、仮説や理論を立てる必要がある*4。
複数の手法や結果の種類、さらには生物種が詰め込まれた論文の中で、行動が単に急ごしらえの付け足しとして含まれることは、不穏なほどよくあることだ。まるで、重要な論文と見なされるためには、すべての論文が方法論的十種競技である必要があるかのようだ。
脳と行動の関連を理解することの意味を形式化するために考案されたフレームワークの最もよく知られた例は、デイヴィッド・マーの「複雑系の理解レベル」であり、もともとは神経生理学における還元主義的な研究に対する批判として作られたものである*5。
マーの主な直観は、神経系がどのようなアルゴリズム（レベル2）を採用しているかを、神経系のハードウェア（または実装；レベル3）から推測することは、神経系が解決しようとしている計算問題（レベル1）の分析を通じてそれを理解することに比べてはるかに難しいということであった。マーの主な反論は、ニューロンからの記録によって脳を理解しようとすることは、説明ではなく記述にしかつながらないというものであった。神経活動や神経結合の記述は、それらが行動を引き起こすために何をしているかを知ることと同義ではない。
例えばオプトジェネティクスや経頭蓋磁気刺激によって神経回路を直接操作できる技術が存在し、相関関係だけでなく因果関係も発見できると主張する人もいるかもしれない*6。しかし、重要な点は、因果メカニズム的な説明は、構成モジュールがどのように計算を行い、それが組み合わさって行動を生み出すのかを理解することとは質的に異なるということである。
光遺伝学的操作や類似の操作によって見出された行動を呼び起こすための十分かつ必要な条件を知ることは、ロボットやコンピューターに問題の行動を実行させるために必要なルールを知ることにははるかに及ばない。したがって、「脳はどのようにして行動を引き起こすのか」という問いであれば、まず「なぜ脳はその行動を行うのか」を問い、次に「どのようにして脳はその行動を行うのか」を問うことになる。空を飛ぶことに例えて、鳥の飛行が適応行動であることに同意したら、鳥は足をくねらせるのではなく、羽ばたかせることによって飛ぶのだと判断する。このことが分かれば、翼を構成する羽毛の研究を始めることができる。このように考えると、羽ばたきが飛行に不可欠であることを理解することは、その後の羽毛の研究を助けることになる。
*1:Sternberg, S. (2011). Modular processes in mind and brain. Cognitive neuropsychology, 28(3-4), 156-208. p.158
*2:Jonas, E., & Kording, K. P. (2017). Could a neuroscientist understand a microprocessor?. PLoS computational biology, 13(1), e1005268.
*3:Kahneman, D. (2011). Thinking, fast and slow. macmillan. p.12
*4:Cooper, R. P., & Peebles, D. (2015). Beyond single‐level accounts: The role of cognitive architectures in cognitive scientific explanation. Topics in cognitive science, 7(2), 243-258.
*5:Marr, D. (1982). Vision: A computational approach.
*6:Bickle, J. (2015). Marr and reductionism. Topics in cognitive science, 7(2), 299-311.
