Ricerche

Confrontando i modelli della memoria di lavoro con i dati del mondo reale, i ricercatori del MIT hanno scoperto che le informazioni non risiedono nell'attività neurale persistente, ma nello schema delle loro connessioni.

Tra il momento in cui leggi la password Wi-Fi nel cartello del bar e il momento che puoi inserirla nel tuo laptop, devi tenerla in mente. Se ti sei mai chiesto come lo fa il tuo cervello, stai facendo una domanda sulla memoria di lavoro, che i ricercatori tentano di capire da decenni. Ora i neuroscienziati del MIT hanno pubblicato una nuova intuizione chiave per spiegare come funziona.

In uno studio pubblicato su PLOS Computational Biology, gli scienziati del Picower Institute for Learning and Memory hanno confrontato le misurazioni dell'attività delle cellule cerebrali di un animale mentre eseguiva un compito di memoria di lavoro, con i dati calcolati da vari modelli di computer che rappresentavano 2 teorie del meccanismo che sottende il tenere a mente le informazioni.

I risultati erano fortemente favorevoli alla nuova nozione secondo cui una rete di neuroni memorizza le informazioni apportando cambiamenti di breve durata nello schema delle loro connessioni (sinapsi) e hanno confutato l'alternativa tradizionale secondo la quale la memoria è mantenuta da neuroni che rimangono costantemente attivi (come un motore al minimo).

Anche se entrambi i modelli consentivano di tenere a mente le informazioni, solo le versioni che inducevano le sinapsi a cambiare transitoriamente le connessioni ('plasticità sinaptica a breve termine') producevano modelli di attività neurale che imitavano ciò che si può in realtà osservare nei cervelli reali al lavoro.

L'idea che le cellule cerebrali mantengano i ricordi restando sempre 'accese' può essere più semplice, ha riconosciuto l'autore senior Earl K. Miller, ma non rappresenta ciò che succede in natura e non può produrre la flessibilità sofisticata del pensiero, che può derivare dall'attività neurale intermittente supportata dalla plasticità sinaptica a breve termine.

"Hai bisogno di questi tipi di meccanismi per dare all'attività della memoria di lavoro la libertà di cui ha bisogno per essere flessibile", ha affermato Miller, professore di neuroscienze del Dipartimento di Scienze Cerebrali e Cognitive (BCS) del MIT. “Se la memoria di lavoro fosse solo attività sostenuta, sarebbe semplice come un interruttore della luce. Ma la memoria di lavoro è complessa e dinamica come i nostri pensieri".

Il primo coautore Leo Kozachkov, neo dottorato di ricerca al MIT per il lavoro di modellazione teorica, che include questo studio, ha affermato che è stato cruciale abbinare i modelli di computer ai dati del mondo reale. Kozachkov ha affermato:

"La maggior parte dei ricercatori pensa che la memoria di lavoro 'accada' nei neuroni: l'attività neurale persistente dà origine a pensieri persistenti. Tuttavia, questo punto di vista è stato sottoposto a un recente controllo, perché in realtà non va d'accordo con i dati.

“Usando reti neurali artificiali con plasticità sinaptica a breve termine, mostriamo che l'attività sinaptica (non quella neurale) può essere un substrato per la memoria di lavoro. L'informazione importante del nostro studio è che questi modelli di rete neurale 'plastica' sono più di tipo cerebrale, in senso quantitativo, e hanno anche ulteriori vantaggi funzionali in termini di robustezza".

Imitare con i modelli la natura

Assieme al primo coautore John Tauber del MIT, l'obiettivo di Kozachkov era non solo determinare come si riesce a tenere le informazioni nella memoria di lavoro, ma anche far luce su come la natura lo fa realmente. Ciò ha implicato iniziare misurando l'attività elettrica reale di 'sparo' di centinaia di neuroni nella corteccia prefrontale di un animale mentre eseguiva un gioco che impegna la memoria di lavoro.

In ciascuno dei tanti test, all'animale veniva mostrata un'immagine che poi scompariva. Un secondo dopo vedeva 2 immagini, compresa l'originale, e doveva guardare l'originale per guadagnare un po' di ricompensa. Il momento chiave è quel secondo di intervallo, chiamato 'periodo di ritardo', in cui l'immagine deve essere tenuta a mente prima del test.

Il team ha osservato costantemente ciò che il laboratorio di Miller ha visto molte volte prima: i neuroni 'sparano' molto quando vedono l'immagine originale, sparano solo a intermittenza durante il ritardo, e quindi sparano 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 sparo è forte quando le informazioni devono essere inizialmente archiviate e quando devono essere richiamate, ma è solo sporadico quando devono essere mantenute. Lo sparo non è persistente durante il posticipo.

Inoltre, il team ha addestrato i 'decodificatori' del software a leggere le informazioni sulla memoria di lavoro dalle misurazioni dell'attività di sparo. Erano molto precise quando lo sparo era frequente, ma non quando era rarefatto, come nel periodo di ritardo. Ciò ha suggerito che lo sparo non rappresenta le informazioni durante il ritardo. Ma ciò ha sollevato una domanda cruciale: se lo sparo non trattiene le informazioni, cosa lo fa?

I ricercatori, che comprendevano Mark Stokes all'Università di Oxford, hanno ipotizzato che le informazioni possono invece essere archiviate con cambiamenti nella forza relativa, o 'carichi' (weights), delle sinapsi. Il team del MIT ha testato quell'idea modellando al computer le reti neurali, inglobando 2 versioni di ciascuna teoria principale. Come per l'animale reale, le reti di apprendimento automatico sono state addestrate a svolgere lo stesso compito di memoria di lavoro e a produrre attività neurali che potrebbero anche essere interpretate da un decodificatore.

La conclusione è che le reti computazionali che hanno permesso alla plasticità sinaptica a breve termine di codificare le informazioni sparavano quando il cervello reale sparava e non lo facevano quando il cervello non sparava. Le reti che presentavano sparo costante, come metodo per mantenere la memoria, sparavano continuamente, incluso quando il cervello naturale non lo faceva. E i risultati del decodificatore hanno rivelato che l'accuratezza è crollata durante il periodo di ritardo nei modelli di plasticità sinaptica, ma è rimasta innaturalmente alta nei modelli di sparo persistente.

In un altro livello di analisi, il team ha creato un decodificatore per leggere le informazioni dai carichi sinaptici. Hanno scoperto che durante il periodo di ritardo, le sinapsi rappresentavano le informazioni della memoria di lavoro che lo sparo [dei neuroni] non rappresentava.

Tra le due versioni del modello che presentavano plasticità sinaptica a breve termine, la più realistica è stata chiamata 'PS-Hebb', che presenta un circuito di reazione negativo, mantenendo la rete neurale stabile e robusta, ha affermato Kozachkov.

Funzionamento della memoria di lavoro

Oltre che corrispondere meglio alla natura, i modelli di plasticità sinaptica hanno anche altri vantaggi che probabilmente contano per il cervello reale. Uno era che i modelli di plasticità hanno conservato le informazioni nei loro carichi sinaptici anche dopo che la metà dei neuroni artificiali era stata 'ablata' (asportata).

I modelli di attività persistenti si sono interrotti dopo aver perso solo il 10-20% delle loro sinapsi. E, ha aggiunto Miller, lo sparo solo occasionale richiede meno energia dello sparo persistente. Inoltre, ha detto Miller, raffiche rapide di sparo, piuttosto che sparo persistente, lascia più tempo per conservare più di un elemento in memoria. La ricerca ha dimostrato che le persone possono mantenere fino a 4 cose diverse nella memoria di lavoro.

I piani del laboratorio di Miller prevedono nuovi esperimenti per determinare se i modelli con sparo intermittente e immagazzinamento di informazioni basato sul carico sinaptico possono corrispondere in modo appropriato ai dati neurali reali quando gli animali devono tenere a mente più cose piuttosto che una sola.