Facebooktwitterredditpinterestlinkedinmailby feather

Tenere a mente le informazioni può significare immagazzinarle tra le sinapsi

I ricercatori hanno confrontato l'output (attività in alto e accuratezza del decodificatore in basso) associato a dati neurali reali (colonna di sinistra) e diversi modelli di memoria di lavoro a destra. Quelli che meglio somigliavano ai dati reali erano i modelli "PS" caratterizzati da plasticità sinaptica a breve termine. Credito: Miller Lab/The Picower Institute del MIT
I ricercatori hanno confrontato l’output (attività in alto e accuratezza del decodificatore in basso) associato a dati neurali reali (colonna di sinistra) e diversi modelli di memoria di lavoro a destra. Quelli che meglio somigliavano ai dati reali erano i modelli “PS” caratterizzati da plasticità sinaptica a breve termine. Credito: Miller Lab/The Picower Institute del MIT

Tra il momento in cui leggi la password Wi-Fi dalla bacheca del menu del bar e il momento in cui puoi tornare al tuo laptop per inserirla, devi tenerlo a mente. Se ti sei mai chiesto come fa il tuo cervello, stai ponendo una domanda sulla memoria di lavoro che i ricercatori hanno cercato di spiegare per decenni. Ora i neuroscienziati del MIT hanno pubblicato una nuova intuizione chiave per spiegare come funziona.

In uno studio su PLOS Computational Biology, gli scienziati del Picower Institute for Learning and Memory hanno confrontato le misurazioni dell’attività delle cellule cerebrali in un animale che esegue un compito di memoria di lavoro con l’output di vari modelli di computer che rappresentano due teorie del meccanismo sottostante per tenere a mente le informazioni . I risultati hanno fortemente favorito l’idea più recente secondo cui una rete di neuroni memorizza le informazioni apportando cambiamenti di breve durata nel modello delle loro connessioni, o sinapsi, e contraddicevano l’alternativa tradizionale secondo cui la memoria è mantenuta dai neuroni che rimangono persistentemente attivi (come un motore al minimo ).

Sebbene entrambi i modelli consentissero di tenere a mente le informazioni, solo le versioni che consentivano alle sinapsi di cambiare transitoriamente le connessioni (“plasticità sinaptica a breve termine”) producevano schemi di attività neurale che imitavano ciò che veniva effettivamente osservato nei cervelli reali al lavoro. L’idea che le cellule cerebrali mantengano i ricordi essendo sempre “accese” può essere più semplice, ha riconosciuto l’autore senior Earl K. Miller, ma non rappresenta ciò che la natura sta facendo e non può produrre la sofisticata flessibilità del pensiero che può derivare da intermittenti attività neurale supportata da plasticità sinaptica a breve termine.

“Sono necessari questi tipi di meccanismi per dare all’attività della memoria di lavoro la libertà di cui ha bisogno per essere flessibile”, ha affermato Miller, Picower Professor Neuroscience presso il Department of Brain and Cognitive Sciences (BCS) del MIT. “Se la memoria di lavoro fosse solo un’attività sostenuta da sola, sarebbe semplice come un interruttore della luce. Ma la memoria di lavoro è complessa e dinamica come i nostri pensieri”.

Co-autore principale Leo Kozachkov, che ha conseguito il dottorato di ricerca. al MIT a novembre per il lavoro di modellazione teorica, incluso questo studio, ha affermato che la corrispondenza dei modelli di computer con i dati del mondo reale è stata fondamentale.

“La maggior parte delle persone pensa che la memoria di lavoro ‘succeda’ nei neuroni: l’attività neurale persistente dà origine a pensieri persistenti. Tuttavia, questa visione è stata oggetto di un recente esame perché non concorda realmente con i dati”, ha affermato Kozachkov, che è stato co-supervisionato da co-senior autore Jean-Jacques Slotine, professore di BCS e ingegneria meccanica.

 

“Utilizzando reti neurali artificiali con plasticità sinaptica a breve termine, mostriamo che l’attività sinaptica (invece dell’attività neurale) può essere un substrato per la memoria di lavoro. come, in senso quantitativo, e hanno anche ulteriori vantaggi funzionali in termini di robustezza.”

Modelli di corrispondenza con la natura

Insieme al co-autore principale John Tauber, uno studente laureato del MIT, l’obiettivo di Kozachkov non era solo quello di determinare come le informazioni sulla memoria di lavoro potessero essere tenute in mente, ma di far luce su come la natura effettivamente le fa. Ciò significava iniziare con misurazioni “verità di base” dell’attività elettrica di “spiking” di centinaia di neuroni nella corteccia prefrontale di un animale mentre giocava a un gioco di memoria di lavoro.

In ognuno dei tanti giri all’animale veniva mostrata un’immagine che poi scompariva. Un secondo dopo vedeva due immagini compreso l’originale e doveva guardare l’originale per guadagnare una piccola ricompensa. Il momento chiave è quel secondo intermedio, chiamato “periodo di ritardo”, in cui l’immagine deve essere tenuta presente prima del test.

Il team ha costantemente osservato ciò che il laboratorio di Miller ha visto molte volte prima: i neuroni aumentano molto quando vedono l’immagine originale, aumentano solo in modo intermittente durante il ritardo e poi aumentano di nuovo quando le immagini devono essere richiamate durante il test (queste dinamiche sono governate da un’interazione di ritmi cerebrali di frequenza beta e gamma). In altre parole, lo spiking è forte quando le informazioni devono essere inizialmente memorizzate e quando devono essere richiamate, ma è solo sporadico quando deve essere mantenuto. Il picco non è persistente durante il ritardo.

Inoltre, il team ha addestrato i “decodificatori” del software per leggere le informazioni sulla memoria di lavoro dalle misurazioni dell’attività di picco. Erano molto precisi quando il picco era alto, ma non quando era basso, come nel periodo di ritardo. Ciò ha suggerito che il picco non rappresenta informazioni durante il ritardo. Ma ciò ha sollevato una domanda cruciale: se lo spiking non tiene a mente le informazioni, cosa fa?

Ricercatori tra cui Mark Stokes dell’Università di Oxford hanno proposto che i cambiamenti nella forza relativa, o “pesi”, delle sinapsi potrebbero invece immagazzinare le informazioni. Il team del MIT ha messo alla prova questa idea modellando computazionalmente reti neurali che incarnano due versioni di ciascuna teoria principale. Come con l’animale reale, le reti di apprendimento automatico sono state addestrate per eseguire lo stesso compito di memoria di lavoro e per emettere attività neurale che potrebbe anche essere interpretata da un decodificatore.

Il risultato è che le reti computazionali che consentivano alla plasticità sinaptica a breve termine di codificare le informazioni aumentavano quando il cervello reale aumentava e non lo facevano quando non lo faceva. Le reti che presentano picchi costanti come metodo per mantenere la memoria hanno picchi continui, anche quando il cervello naturale non lo faceva. E i risultati del decodificatore hanno rivelato che l’accuratezza è diminuita durante il periodo di ritardo nei modelli di plasticità sinaptica, ma è rimasta innaturalmente alta nei modelli di picchi persistenti.

In un altro livello di analisi, il team ha creato un decodificatore per leggere le informazioni dai pesi sinaptici. Hanno scoperto che durante il periodo di ritardo, le sinapsi rappresentavano le informazioni della memoria di lavoro che il picco non rappresentava.

Tra le due versioni del modello che presentavano plasticità sinaptica a breve termine, quella più realistica era chiamata “PS-Hebb”, che presenta un ciclo di feedback negativo che mantiene la rete neurale stabile e robusta, ha detto Kozachkov.

Funzionamento della memoria di lavoro

Oltre ad abbinare meglio la natura, i modelli di plasticità sinaptica hanno anche conferito altri vantaggi che probabilmente contano per i veri cervelli. Uno era che i modelli di plasticità conservavano le informazioni nelle loro ponderazioni sinaptiche anche dopo che almeno la metà dei neuroni artificiali era stata “ablata”. I modelli di attività persistenti si sono interrotti dopo aver perso solo il 10-20 percento delle loro sinapsi. E, ha aggiunto Miller, solo l’aggiunta occasionale richiede meno energia rispetto all’aggiunta persistente.

Inoltre, ha affermato Miller, rapide esplosioni di picchi piuttosto che picchi persistenti lasciano spazio nel tempo per memorizzare più di un elemento in memoria. La ricerca ha dimostrato che le persone possono contenere fino a quattro cose diverse nella memoria di lavoro. Il laboratorio di Miller pianifica nuovi esperimenti per determinare se i modelli con picchi intermittenti e memorizzazione delle informazioni basata sul peso sinaptico corrispondano in modo appropriato ai dati neurali reali quando gli animali devono tenere a mente più cose anziché una sola immagine.

Oltre a Miller, Kozachkov, Tauber e Slotine, gli altri autori dell’articolo sono Mikael Lundqvist e Scott Brincat.

Facebooktwitterredditpinterestlinkedinmailby feather