Несмотря на научный и технологический прогресс, мозг продолжает оставаться одной из самых загадочных и сложных систем. Фактически любой процесс, протекающий в организме человека, в той или иной степени курируется мозгом. Многие из этих процессов протекают без нашего ведома, но выполняют жизненно важную функцию. Другие же требуют сфокусированности и ясного сознания. Человек не может решать головоломки или выполнять сложные языковые задачи находясь в бессознательном состоянии. По крайней мере так считалось ранее. Ученые из Медицинского колледжа Бейлора (Хьюстон, штат Техас, США) обнаружили, что человек, находясь под общей анестезией, все же способен выполнять сложные языковые задачи. Какие именно задачи выполняли испытуемые, какие показатели считывались, и что нового данное исследование говорит о мозге человека? Ответы на эти вопросы мы найдем в докладе ученых.

Основа исследования

Центральный вопрос когнитивной нейронауки — в какой степени обработка сложной информации зависит от сознательного восприятия. Известные теории сознания предполагают, что сложные процессы распознавания образов, семантической интерпретации и прогнозирования требуют сознательного доступа, особенно когда эти вычисления включают интеграцию в нескольких временных масштабах или абстракцию за пределы непосредственных сенсорных характеристик. В то же время данные психологии и нейронауки свидетельствуют о том, что существенная обработка может происходить вне сознания, включая перцептивную дискриминацию, статистическое обучение и аспекты понимания языка. Эти данные позволяют предположить, что нейронные цепи — даже те, которые удалены от сенсорных рецепторов и двигательных эффекторов — могут продолжать кодировать и преобразовывать осмысленную структуру сенсорного ввода даже при нарушении сознания. Одним из контекстов, в котором можно рассмотреть этот вопрос, является общая анестезия, которая обеспечивает обратимое и хорошо изученное состояние бессознательности. Хотя анестезия существенно изменяет крупномасштабную динамику мозга и подавляет поведенческую реактивность, в ряде исследований сообщалось об остаточных сенсорных реакциях в ранних корковых областях во время анестезии. В данном исследовании ученые изучили, сохраняются ли нейронные корреляты обработки информации более высокого порядка во время анестезии в гиппокампе — области, анатомически и функционально удаленной от первичных сенсорных и моторных систем.

Подготовка к опытам

Изображение №1

Ученые провели интраоперационную запись активности гиппокампа с использованием зондов Neuropixels у семи пациентов, перенесших переднюю височную лобэктомию. Записи проводились в передней части тела после резекции латеральной височной коры и до резекции медиальных височных структур, таких как парагиппокампальная извилина и миндалевидное тело (1a–1g). После короткой базовой записи проводились записи во время предъявления слуховых стимулов, состоящих из чистых тонов (три пациента) или подкаста (четыре пациента; 1h). Во всех записях наблюдались 651 нейрон. Средняя частота разрядов была низкой (1.8 ± 1.1 Гц). Артефакты движения, представляющие собой серьезную проблему для записи активности коры головного мозга человека с помощью нейропикселей, были значительно менее заметны, чем в корковых записях (1i), предположительно из-за центрального расположения гиппокампа и его закрепления твердой мозговой оболочкой средней черепной ямки. В соответствии с этой гипотезой, уменьшение артефактов движения было особенно очевидным при сравнении частотных диапазонов дыхания и сердцебиения с контрольной записью, выполненной в коре головного мозга до резекции.

Результаты исследования

Изображение №2

В задании с необычными стимулами трем пациентам предъявлялись идентичные 100-миллисекундные тоны, перемежающиеся с необычными стимулами (20%, тоны более высокой/низкой частоты; 2a) со случайной асинхронностью начала стимулов (1–3 с). Большинство нейронов (n = 122 из 172, 70.9%) показали вызванные тоном ответы (2b), что соответствует установленным слуховым ответам в гиппокампе. У всех нейронов латентность ответов демонстрировала двухфазную временную динамику (модель гауссовой смеси, подобранная методом максимизации ожидания; 2b, 2c). Нейроны кодировали идентичность тона (обобщенные линейные смешанные эффекты (GLME от generalized linear mixed effect); n = 39 из 172, 22.7% нейронов; 2d). Не было различий в доле нейронов, которые значимо реагировали на каждый тип «необычного стимула»; таким образом, эффекты дискриминации тона отражают сбалансированный сдвиг в популяционном ответе, а не предпочтительную акустическую характеристику одного из тонов.

Далее было исследовано представление характеристик стимула. Для двух пациентов ученые сбалансировали идентичность тона и статус «нетипичного стимула» (2a; n = 150 нейронов). На уровне отдельных нейронов (2e) и популяции (2f) нейронные ответы различали стандартные и нетипичные тоны. Это расхождение было наиболее заметно в течение первых 300 мс (24.7%, n = 37 из 150 нейронов, сигнализировали о нетипичных стимулах). Последующий анализ был сосредоточен на этом сегменте эпохи. Следует отметить, что ученые использовали симметричный некаузальный гауссовский фильтр, который одинаково учитывает прошлые и будущие временные точки; небольшое количество ответов до тона является артефактом этого фильтра. Более того, поскольку возбуждающие и тормозящие ответы, вызванные тоном, имели тенденцию взаимно компенсироваться, видимого пика в ответе на стандартный тон нет. Локальные потенциалы поля (LFP от local field potential) также демонстрировали вызванные аномалией ответы, проявляющиеся в отрицательном отклонении вызванного потенциала ответа (ERP от evoked response potential; 2g) и увеличении амплитуды гамма-ритма (2h).

Ученые смоделировали вызванные ответы для всех нейронов как функцию идентичности тона, контекста (стандартный против необычного) и их взаимодействия. Наблюдалось сопоставимое кодирование для всех терминов: кодирование тона (29.3% нейронов значимы), кодирование необычного (24.7% нейронов значимы) и взаимодействие (22.7% нейронов значимы). Абсолютные значения бета-коэффициентов для термина «необычный» были больше, чем для соответствующих терминов «тон» и «смешанная избирательность» (2i). Аналогичные доли нейронов показали значимый эффект необычного (n = 43) у двух пациентов (37 из 127, 29.1%; и 6 из 23, 26.1%). Средняя мощность широкополосного LFP и амплитуда гамма-диапазона также продемонстрировали селективность к тону, аномальным стимулам и смешанным стимулам с аналогичной частотой по всем каналам, но с меньшей значимостью. Эффекты обнаружения тона оставались устойчивыми при более низких уровнях значимости, как и эффекты избирательности по тону.

Ученые использовали метод опорных векторов (SVM от support vector machine) с десятикратной перекрестной проверкой для декодирования характеристик стимулов на уровне отдельных проб в популяции. Идентификация тона была надежно представлена у обоих пациентов по всем нейронам и LFP, с точностью от 0.61 до 0.70 (2j). Идентификация «необычного стимула» была декодируема с вероятностью выше случайной для обоих пациентов вместе взятых. Было обнаружено, что идентичность тона может быть декодирована во всех протестированных частотных диапазонах (диапазон от 0.52 до 0.79). Идентификация «необычного стимула» была декодируема в некоторых частотных диапазонах для обоих пациентов (2k). Таким образом, информация о тоне и аномальных сигналах присутствует как в отдельных нейронах, так и в локальных потенциалах поля, при этом сигналы аномальных сигналов имеют существенно меньшую силу, чем идентичность тона.

Высокая фазово-амплитудная связь гамма-ритма надежно обнаруживала тональные и аномальные стимулы: 26.6% каналов демонстрировали значимое кодирование тонов, 21.96% каналов — значимое кодирование аномальных стимулов, а 24.07% каналов — взаимодействие. При использовании декодирования SVM высокая фазово-амплитудная связь гамма-ритма предсказывала идентичность тона, но не могла декодировать аномальные стимулы. Низкая фазово-амплитудная связь гамма-ритма не кодировала значимо тоны, аномальные стимулы или их взаимодействие. Низкая фазово-амплитудная связь гамма-ритма могла слабо декодировать как идентичность тона, так и статус аномального стимула у p6 (пациент 6), но не у p5 (пациент 5).

Изображение №3

Затем ученые исследовали временную эволюцию реакции на необычный стимул. В нейронах, избирательно реагирующих на необычные стимулы (n = 43), было обнаружено, что реакция на необычный стимул становилась более отчетливой (как следует из декодируемости) в течение эксперимента (примерно 10 минут; пример нейронов показан на 3a). Разделив задачу на первую и вторую половины (для каждого блока), ученые обнаружили значительное увеличение кодирования необычного стимула у обоих пациентов (3b). Также наблюдалось снижение кодирования идентичности тона от первой ко второй половине каждого блока, что позволяет предположить наличие компенсаторных механизмов (3c). Используя скользящее окно из 50 стимулов, ученые обнаружили непрерывное увеличение точности декодирования «необычного стимула» на протяжении 10 минут эксперимента (зеленый на 3d). Это увеличение эффективности декодирования «необычного стимула» сопровождалось снижением точности кодирования тонов (фиолетовый на 3d). Наблюдалась значительная отрицательная корреляция между изменением траекторий точности декодирования «необычного стимула» и тонов. Это согласуется с гипотезой о том, что нейронная популяция жертвовала тональными ответами ради представлений «необычного стимула» в течение эксперимента. Фазово-амплитудная связь продемонстрировала значительную разницу в точности декодирования тонов между первой и второй половиной эксперимента с «необычным стимулом» у обоих пациентов. Декодирование «необычного стимула» значительно увеличилось только во второй половине задания на «необычный стимул» у пациента p6, но не у пациента p5. Связь частоты спайков показала значительное увеличение как декодирования тона, так и декодирования «необычного стимула» между половинами задания, и у обоих пациентов.

Ученые создали нейронные векторы среднего стандартного тона, а также каждого отдельного пробного стимула (43-мерные векторы, состоящие из среднего ответа нейронов, реагирующих на стимулы). Было выявлено постепенное расхождение в евклидовом расстоянии между стандартным и нестандартным векторами в течение сессии (слева на 3e). Различимость была еще сильнее при рассмотрении угла косинуса, что указывает на то, что эффект не является просто следствием увеличения ответа в нейронах, реагирующих на стимулы (справа на 3e). Эти эффекты были в основном согласованы для отдельных пациентов.

Эти результаты показывают, что гиппокамп не просто улучшает кодирование с помощью модуляции усиления; вместо этого, аномальные ответы отражают вращение вектора нейронной популяции в многомерном пространстве, что означает, что нейронная пластичность изменяет форму многообразия нейронных ответов. Таким образом, сложная перестройка ответов может происходить даже под общей анестезией.

Для получения более глубокого понимания механизмов на уровне отдельных нейронов ученые обратились к рекуррентной нейронной сети (RNN от recurrent neural network) с непрерывной скоростью, обученной для выполнения задачи обнаружения сигнала, аналогичной задаче, использованной для обработки данных Neuropixels (3f). Модель сети прошла три этапа обучения, имитируя различные контексты, использованные в экспериментальных данных, при этом на каждом этапе варьировалась распространенность определенных тонов (3g, 3h). Для имитации двух слуховых тонов модель получала гауссовский белый шум по двум входным каналам, каждый из которых соответствовал одному из двух тонов (тон A и тон B). В каждом испытании к одному из двух каналов в течение короткого окна стимуляции добавлялось кратковременное смещение +1.0, указывающее на наличие соответствующего тона.

Тон А предъявлялся сети в 80% случаев, после чего следовал промежуточный период без какого-либо воздействия (washout period), а затем этап с обратными вероятностями по сравнению с первым. К концу обучения (от 1400 до 2600 попыток) модель смогла различать идентичность тонов (3h). Примечательно, что, несмотря на явное обучение только на различении идентичности тонов, модель смогла выполнять не только различение идентичности, но и классификацию контекста (идентичность «нестандартного стимула», 3i) с помощью линейного декодирования SVM. Модель также воспроизвела закономерность, наблюдаемую в евклидовом и векторном угловом расстоянии между стандартными и «нестандартными» стимулами (3j). Это предполагает, что расхождение стимулов может быть обусловлено локальными вычислениями, а не наследуется от других сетей. Следует отметить, что, хотя стандартный тон звучит в 80% случаев, нейронная сеть была обучена делать бинарный выбор между двумя альтернативами. Таким образом, теоретический показатель случайности остается на уровне 50%.

Рекуррентные нейронные сети (RNN), основанные на скорости передачи данных, предоставляют удобную основу для исследования того, как возбуждающе-тормозные (E–I от excitatory–inhibitory) взаимодействия приводят к возникновению этих механизмов. С этой целью ученые использовали модель E–I RNN, отражающую известный состав кортикальных цепей, которые преимущественно являются возбуждающими (около 80%) с меньшей долей тормозных нейронов (около 20%). Чтобы более полно использовать структуру E–I модели, ученые провели систематический анализ повреждений, в ходе которого они избирательно повреждали каждый из четырех подтипов рекуррентных связей (E к I, E к E, I к E, I к I), устанавливая соответствующие веса равными нулю. Затем ученые повторно вычислили производительность декодирования SVM как для идентичности тона, так и для контекста «необычного стимула».

Систематическое повреждение каждого из четырех типов рекуррентных синаптических связей (E-E, E-I, I-E, I-I) показало, что тормозные связи необходимы для кодирования как тональных, так и аномальных категорий, поскольку повреждение связей I-E и I-I привело к наиболее выраженному снижению точности декодирования как для идентичности тона, так и для контекста аномального стимула. Эти результаты указывают на то, что тормозная обратная связь, как непосредственно на возбуждающие нейроны, так и внутри тормозных популяций, играет критическую роль в формировании представлений на уровне популяции. Тормозные связи были важны для кодирования как идентичности тона, так и контекста аномального стимула.

Изображение №4

Далее ученые проверили, может ли бессознательный гиппокамп выполнять еще более сложные функции, связанные с анализом семантических и синтаксических особенностей естественной речи. У четырех участников (p6, p8, p9 и p11) регистрировалась нейронная активность во время воспроизведения 10–20-минутных эпизодов подкаста. Ученые сопоставляли нейронную активность с началом и концом слов (n = 3024 слова для p6; n = 1565 слов для p8 и p9; n = 962 слова для p11) и вычисляли вызванные словами нейронные ответы (4a).

Учитывая описанные выше необычные эффекты, ученые сначала предположили, что мозг будет реагировать по-разному в зависимости от лексической частоты слов, которую определяли с помощью стандартной базы данных. Была обнаружена статистически значимая корреляция между частотой разряда и частотой слов у всех четырех пациентов по отдельности (4b). В частности, ученые обнаружили значительную положительную корреляцию в активности отдельных нейронов и между пациентами, а также умеренную, но значительную отрицательную корреляцию во всех шести диапазонах LFP. Примечательно, что длительность лексического слова также значительно кодируется. Для устранения возможных искажающих факторов между длительностью и частотой слов ученые повторно провели анализ нейронных ответов с использованием подмножеств слов в ограниченном диапазоне длительности, а именно 0–200 мс, 200–400 мс и 400–600 мс, и последовательно наблюдали положительную корреляцию. Более того, линейная модель, включающая как логарифмическую длительность слова, так и логарифмическую частоту слова, по-прежнему выявляла значимость частоты слова как предиктора частоты разряда нейронов.

Эти результаты позволяют предположить, что бессознательный гиппокамп имеет доступ к семантической информации, передаваемой каждым словом. Чтобы явно проверить эту возможность, был проведен регрессионный анализ частоты разрядов каждого нейрона относительно семантических векторных представлений каждого слова, которое демонстрировало ответ. В пространстве семантических векторных представлений похожие слова (такие как «dog» и «cat») находятся ближе (евклидово расстояние, d = 1.8), чем непохожие слова (например, «dog» и «pen», d = 2.5). Используя десятикратную перекрестную проверку, ученые обнаружили, что среднеквадратичная ошибка линейной модели превосходит ошибку для перемешанных данных по всем параметрам (4c), при этом средняя корреляция между истинными и предсказанными частотами разряда составила 0.397 ± 0.007.

В целом, эти результаты совпадают с результатами, полученными в отдельной группе бодрствующих пациентов, которые выполняли аналогичное задание с регистрацией активности отдельных нейронов. В частности, у бодрствующих пациентов средняя корреляция была несколько ниже и составила 0.226 ± 0.009 (356 нейронов у 10 пациентов). Однако, учитывая, что в разговорном английском языке много повторяющихся слов, эти результаты теоретически могут быть искажены тем фактом, что клетки демонстрировали согласованные реакции на слова, возможно, даже совпадающие с акустическими характеристиками. Чтобы показать, что нейроны обобщают свои реакции на различные векторные представления слов, ученые повторно провели анализ, используя только уникальные слова (n = 743, 571, 571 и 329 слов для четырех пациентов соответственно). Был обнаружен значимый результат в 75.4% зарегистрированных нейронов (251 из 333 нейронов, содержащих не менее 50 слов с ненулевым ответом; 4d). Эти показатели снова были сопоставимы с показателями, наблюдаемыми в бодрствующей группе (73.2% нейронов; 246 из 336). Другими словами, можно предсказать частоту разрядов нейронов в ответ на данное слово на основе ответов на другие слова, используя их сходство в семантическом пространстве, демонстрируя, что бессознательный гиппокамп имеет доступ к абстрактным семантическим связям между словами.

Затем было проанализировано представление признаков слов. Каждое слово было отнесено к одной из двенадцати семантических категорий (4e). Почти все нейроны (85.6%, n = 321 из 375) продемонстрировали некоторую форму избирательности по семантическим категориям (4f). Это число аналогично соответствующему числу у бодрствующих пациентов (76.1%, n = 271 из 356). Нейроны проявляли избирательность по нескольким семантическим категориям, что согласуется с ранее опубликованными результатами у бодрствующих пациентов. В частности, 239 из 375 (63.7%) нейронов различали как минимум 2 из 12 категорий. Из 375 нейронов 54 (14.4%) различали как минимум 4 категории (4g), медиана составила 3 категории на нейрон. Соответствующие показатели у бодрствующих пациентов составили 232 из 356 и 139 из 356 соответственно.

Далее было обнаружено, что 298 из 375 нейронов несли информацию о части речи (4h), при этом у бодрствующих пациентов эти показатели были почти идентичны: 298 из 356. И снова наблюдалось широкое представительство различных категорий (4i). Большинство нейронов (80.0%) различали существительные и несуществительные, но ни один не различал глаголы и несуществительные. Эти показатели были сопоставимы у бодрствующих пациентов (79.5% и 0%). В целом, медианное число представленных категорий частей речи составило 4 из 11 (4j), при этом 259 из 375 (69.1%) нейронов различали как минимум две категории, а 106 из 375 (28.3%) — как минимум четыре. Аналогичные показатели наблюдались и у бодрствующих пациентов: 251 из 356 (70.5%) нейронов различали как минимум 2 категории; 141 из 356 (39.6%) нейронов различали как минимум 4 категории.

Примечательно, что была обнаружена умеренная, но значимая корреляция между числом семантических категорий и числом представленных категорий частей речи в разных нейронах. Это предполагает, что нейроны, реагирующие на язык, могут представлять множество признаков.

Далее была изучена способность гиппокампа к декодированию слов по отдельности. Ученые использовали SVM для сравнения каждой категории со всеми остальными. Было обнаружено, что все категории как в семантике, так и в частях речи декодируются на уровне отдельных слов (4k, 4l). Семантические категории имели более высокую среднюю точность классификации (60.5 ± 4.0%), чем категории частей речи (56.5 ± 5.3%). Таким образом, как семантическая, так и синтаксическая информация декодируется в реальном времени в анестезированном гиппокампе.

Далее было исследовано, может ли анестезированный гиппокамп представлять недавние или будущие слова. Ученые повторно провели линейную регрессию, предсказывая предыдущие и будущие слова. Было установлено, что нейронные ответы соответствовали не только семантическим особенностям предыдущих слов (отрицательные индексы на 4m), что может быть связано с кратковременной памятью, но и семантике будущих слов (положительные индексы на 4m).

Таким образом, активно поддерживается не только недавняя речь, но и кодирование слов контекстуализируется таким образом, что можно декодировать будущие слова из этих кодировок; этот тип контекстуализации имеет решающее значение для понимания речи. Однако эти результаты не обязательно подразумевают активное предсказание, выходящее за рамки контекстуализации. Более того, частота разрядов многих нейронов модулировалась неожиданностью, показателем, который количественно определяет вероятность каждого слова как функцию предыдущих слов (4n, 4o). Аналогичные результаты наблюдались у бодрствующих пациентов.

Также было обнаружено, что семантика кодировалась во всех шести диапазонах, хотя и менее точно, чем в данных отдельных нейронов (4c). Ученые также обнаружили кодирование семантической категории во всех диапазонах и, опять же, менее сильно, чем в данных отдельных нейронов (4f, 4g). Аналогично, было выявлено значительное кодирование частей речи во всех частотных диапазонах, хотя и менее сильно, чем семантическая категория (4i, 4j). Подход SVM смог классифицировать части речи и семантическую категорию примерно так же хорошо, как и отдельные нейроны во всех диапазонах (4k, 4l). Апериодический наклон превзошел отдельные спектральные характеристики в прогнозировании семантических вложений и надежно кодировал множество семантических категорий и категорий частей речи (62.5% и 25.0% закодировали не менее 8 категорий соответственно).

Ученые также обнаружили убедительные результаты фазово-амплитудной связи для языковых данных. Фазово-амплитудная связь в диапазоне тета-диапазона и низких гамма-диапазонов превзошла спектральные характеристики в прогнозировании семантических вложений и аналогично кодировала множественные семантические и POS-категории (74.5% и 73.0% закодировали не менее 8 категорий соответственно). Фазово-амплитудная связь с использованием высокочастотного гамма-диапазона (70–150 Гц) показала сопоставимое прогнозирование семантических вложений и улучшенное кодирование семантических и POS-категории (99.3% и 98.7% закодировали не менее 8 категорий соответственно). Однако связь частоты спайков в тета-диапазоне не приводила к значимому кодированию семантических вложений или категорий (7% и 2% нейронов кодировали одну семантическую категорию и категорию части речи соответственно; ни один нейрон не кодировал две или более категорий). В совокупности эти результаты свидетельствуют о высокой восстанавливаемости лингвистической информации в мозге под наркозом.

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные материалы к нему.

Эпилог

В рассмотренном нами сегодня труде ученые установили, что мозг человека в бессознательном состоянии под общей анестезией способен выполнять сложные лингвистические задачи.

Ученые записали активность сотен отдельных нейронов в гиппокампе — области мозга, отвечающей за память. Записи проводились во время общей анестезии у пациентов, перенесших операцию по поводу эпилепсии. Эти процедуры предоставили исследователям редкую возможность непосредственно изучить эту часть мозга. Ученые использовали зонды Neuropixels — передовую технологию, которая ранее никогда не применялась в гиппокампе для такого рода исследований. Это позволило им наблюдать, как мозг реагирует на звуки и речь, даже когда пациенты не осознавали происходящего.

В первом эксперименте пациентам предъявляли серию повторяющихся тонов с периодическими неожиданными звуками. Исследователи обнаружили, что нейроны в гиппокампе постоянно обнаруживали эти необычные тоны. Что еще более интересно, мозг со временем стал лучше их распознавать. Это говорит о том, что обучение или нейронная пластичность все еще происходили во время анестезии.

Затем пациентам были предоставлены записи подкастов. Гиппокамп продемонстрировал явные признаки обработки языка в реальном времени. Паттерны нейронной активности показали, что мозг может различать разные части речи, включая существительные, глаголы и прилагательные.

Куда более интересным сокрытием стало то, что нейронные сигналы можно использовать для прогнозирования следующих слов еще до их произнесения. Другими словами, мозг потенциально предвидит, что произойдет дальше в рассказе, даже без осознанного восприятия. Ранее такое предиктивное кодирование ассоциировалось с бодрствованием и внимательностью, но здесь оно происходит в бессознательном состоянии.

Результаты исследования показывают, что важные когнитивные способности, включая понимание языка и прогнозирование, могут не зависеть от осознанного восприятия. Вместо этого само сознание может возникать в результате коммуникации между несколькими областями мозга, а не в результате активности в одной области, такой как гиппокамп. Эта работа также может внести вклад в будущие коммуникационные технологии, включая речевые протезы, разработанные для людей, потерявших способность говорить.

Немного рекламы

Спасибо, что остаетесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?