Unifying spatial and episodic representations in the hippocampus through flexible memory use

Este artículo propone un modelo computacional que demuestra que la función principal del hipocampo es almacenar y recuperar memorias episódicas, de las cuales emergen las representaciones espaciales como una consecuencia de la adaptación a tareas específicas, desafiando así la visión tradicional de que el espacio es su función primordial.

Lo esencial

¡Claro que sí! Imagina que el hipocampo (una pequeña estructura en forma de caballito de mar dentro de tu cerebro) es como el director de orquesta de una banda musical muy especial.

Durante años, los científicos han discutido sobre qué hace realmente este director. Algunos decían: "¡Es el director de navegación! Solo sabe tocar la partitura de 'dónde estamos'". Otros decían: "¡No, es el director de la memoria! Solo sabe tocar 'qué pasó ayer'".

Este paper propone una idea nueva y fascinante: El hipocampo es un director de orquesta extremadamente flexible. No tiene una sola canción fija. Si la banda necesita tocar una canción de navegación, él aprende a tocarla. Si necesitan tocar una canción de memoria, aprende esa también. La música que toca depende de lo que la banda necesita hacer en ese momento.

Aquí te explico cómo lo descubrieron usando una analogía de un robot explorador:

1. El Robot y su "Cuaderno Mágico"

Los investigadores crearon un robot virtual (un modelo informático) que tiene dos partes principales:

• Un cerebro rápido (LSTM): Que piensa y aprende poco a poco.
• Un cuaderno mágico de escritura rápida (FWM): Este es el truco. Es como un cuaderno donde puedes escribir una idea con un solo trazo y borrarla o leerla al instante. No necesita estudiar años para aprender; aprende en una sola experiencia.

El robot no sabe de antemano si va a jugar a "escondidas" (navegación) o a "memoria fotográfica" (recordar imágenes). Tiene que decidir él mismo: ¿Qué debo guardar en el cuaderno y cuándo debo leerlo para ganar?

2. Cuando el Robot Juega a "Memoria" (El Museo de Objetos)

Le dieron al robot un juego de recordar imágenes (como dígitos o letras).

• Lo que pasó: El robot aprendió a guardar la "esencia" de la imagen en su cuaderno.
• La analogía: Imagina que ves un perro. En lugar de guardar una foto pixelada, tu cerebro guarda la idea de "perro". En el modelo, aparecieron "células de concepto": neuronas que se encendían solo cuando veían, por ejemplo, la letra "A", ignorando si era grande o pequeña. ¡Es como tener una etiqueta mágica que dice "Esto es una A"!
• Conclusión: El cerebro puede crear categorías abstractas si eso ayuda a recordar.

3. Cuando el Robot Juega a "Navegación" (El Tesoro Oculto)

Luego, cambiaron el juego. Ahora el robot debía buscar un tesoro invisible en un laberinto.

• Lo que pasó: ¡El robot empezó a dibujar mapas! Pero no solo eso.
• La analogía: Imagina que el robot tiene una brújula interna. Cuando encuentra el tesoro, escribe en su cuaderno: "El tesoro está aquí". Pero lo más increíble es que, al leer el cuaderno después, el robot no solo recuerda dónde está el tesoro, sino que hace cálculos geométricos.
  • Calcula: "Si estoy mirando al norte y el tesoro está a mi derecha, debo girar".
  • El modelo descubrió que para encontrar el tesoro, necesitaba crear "células de vector de objetivo" (como si tu cerebro te dijera: "¡Gira 30 grados a la izquierda y camina 5 pasos!").
• Conclusión: Las células de lugar (las que saben dónde estás) y las células de dirección (las que saben hacia dónde miras) surgen porque son útiles para resolver el problema de encontrar el tesoro, no porque el cerebro esté "programado" solo para eso.

4. El Código de Barras de los Eventos (La Historia de la Ardilla)

El paper también habla de un experimento con pájaros que esconden semillas.

• La analogía: Imagina que una ardilla esconde una nuez bajo una piedra.
  • Si vuelve al mismo lugar, su cerebro no solo piensa "estoy en la piedra".
  • Su cerebro crea un "código de barras" único para ese evento específico: "Estoy en la piedra + escondí una nuez + es de día + tengo hambre".
  • Si pasa por la misma piedra pero solo para pasear (sin esconder nada), el código de barras es diferente.
• Lo que hizo el robot: El robot aprendió a crear estos códigos de barras. Cuando volvía al mismo lugar para recuperar su "nuez", su cerebro se activaba de forma idéntica a cuando la escondió. Esto explica cómo recordamos eventos específicos (episodios) aunque ocurran en el mismo lugar físico.

5. ¿Por qué es importante esto?

Antes, pensábamos que el hipocampo era como un GPS (solo para espacio) o una biblioteca (solo para recuerdos).

Este paper dice: El hipocampo es como un "cuchillo suizo" mental.

• Si necesitas navegar, se convierte en un GPS.
• Si necesitas recordar un evento, se convierte en una biblioteca.
• Si necesitas entender una relación social, se convierte en un analista social.

La gran lección: El cerebro no está limitado a un solo tipo de pensamiento. Si aprendes una tarea, el hipocampo se adaptará y creará las "herramientas" (representaciones) necesarias para dominarla. El espacio no es especial; lo especial es aprender y recordar.

En resumen: Tu cerebro es un maestro del disfraz. Se viste de "navegante" cuando tienes que ir a la tienda, y de "historiador" cuando tienes que recordar qué cenaste ayer. Todo depende de lo que necesites hacer en ese momento.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Unifying spatial and episodic representations in the hippocampus through flexible memory use" (Unificación de representaciones espaciales y episódicas en el hipocampo mediante el uso flexible de la memoria), estructurado según los puntos solicitados.

1. El Problema

En neurociencia existe una dicotomía fundamental sobre la función principal del hipocampo:

• En humanos, el hipocampo es esencial para la memoria episódica (recordar eventos específicos).
• En muchas otras especies (como roedores), el hipocampo exhibe predominantemente representaciones espaciales (células de lugar, células de red).

Las teorías existentes suelen tomar una de dos posturas: o bien la representación espacial es la función primaria que facilita la memoria, o bien existe un elemento común (como la integración de caminos) que une ambas funciones. Sin embargo, pocos modelos computacionales han logrado reconciliar estas dos visiones en un solo marco, ya que los modelos de navegación suelen ignorar las células no espaciales, y los modelos de memoria a menudo no incorporan el papel de las células espacialmente sintonizadas.

Hipótesis de los autores: La función primaria del hipocampo es almacenar y recuperar memorias episódicas, y las representaciones espaciales emergen como una consecuencia de esta función de memoria cuando el animal necesita resolver tareas de navegación.

2. Metodología

Los autores desarrollaron un modelo computacional basado en una red neuronal aumentada con memoria (MANN), específicamente adaptando el modelo de Memoria de Pesos Rápidos (Fast Weight Memory - FWM).

• Arquitectura del Modelo:

  • Entrada: Imágenes (grises o RGB) procesadas por una Red Neuronal Convolucional (CNN).
  • Controlador: Una red de Memoria a Largo Plazo (LSTM) que actúa como controlador, aprendiendo lentamente mediante descenso de gradiente.
  • Memoria a Largo Plazo (LTM): Una matriz de pesos rápidos (FWM) que se actualiza "rápidamente" en cada paso de tiempo mediante una regla de aprendizaje hebbiana modificada (regla delta).
  • Componentes de Memoria: El modelo genera dinámicamente cuatro componentes clave: fuerza de escritura ($\beta_t$), clave de escritura ($k_t$), valor de escritura ($v_t$) y clave de lectura ($q_t$).
  • Salida: Una red descendente (DS) combina la salida de la LSTM y el valor de lectura ($m_t$) para generar la acción o reconstrucción de la imagen.

• Enfoque de Aprendizaje:

  • No hay una estrategia predefinida para usar la memoria. El modelo debe aprender autónomamente qué y cuándo escribir/leer para optimizar el rendimiento en la tarea.
  • Se utilizaron dos tipos de aprendizaje: Supervisado para tareas de memoria pura y Refuerzo (RL) para tareas espaciales.

• Tareas Evaluadas:

  1. Memoria Auto- y Hetero-associativa: Reconstrucción de imágenes y predicción de secuencias (usando dígitos y letras).
  2. Navegación (Tarea de "Guía"): El agente debe encontrar una meta invisible y regresar a ella. Se probaron condiciones de "ubicación única" vs. "doble ubicación" con laberintos que se morfaban de cuadrados a círculos.
  3. Tarea de Almacenamiento (Caching): Similar a experimentos con pájaros, donde el agente debe guardar y recuperar comida en ubicaciones específicas, generando "códigos de barras" (barcodes) de eventos.
  4. Navegación en Espacio Continuo: Para probar la invariancia direccional de las células de lugar.

3. Contribuciones Clave

1. Unificación de Funciones: Demuestran que una sola arquitectura neuronal, sin módulos especializados predefinidos para el espacio, puede desarrollar tanto representaciones de memoria episódica como representaciones espaciales complejas, dependiendo de la tarea.
2. Emergencia de Representaciones Espaciales: Proponen que las representaciones espaciales (como células de lugar y vectores de objetivo) no son innatas, sino que emergen porque el modelo descubre que es útil almacenar y manipular información espacial para resolver tareas de navegación.
3. Mecanismo de Cálculo Geométrico: Revelan que el proceso de recuperación de memoria en el modelo realiza cálculos geométricos complejos (transformación de coordenadas) para calcular la posición del objetivo en coordenadas egocéntricas, explicando la existencia de "células de vector de objetivo".
4. Explicación de Dinámicas de Atractor: El modelo replica las dinámicas de atractor observadas experimentalmente (transiciones abruptas vs. graduales en laberintos morfados) basándose puramente en las demandas de la tarea y la necesidad de distinguir entornos, sin ser una red de atractor tradicional.

4. Resultados Principales

• Tareas de Memoria:

  • El modelo aprendió a separar la información semántica (clase de la imagen) en las claves de escritura (creando representaciones categóricas similares a las "células de concepto") y la información sensorial detallada en los valores de escritura.
  • En tareas hetero-associativas, el modelo codificó la asociación entre el ítem anterior (clave) y el actual (valor), permitiendo la recuperación de secuencias.

• Representaciones Espaciales y Dinámicas de Atractor:

  • En la tarea de navegación, el modelo desarrolló células que codifican la posición y la dirección de la cabeza (HD).
  • Condición de Ubicación Única: Las representaciones cambiaron gradualmente al morfarse el entorno (similar a ratas entrenadas en la misma ubicación).
  • Condición de Doble Ubicación: Las representaciones mostraron un cambio abrupto (transición de atractor) cuando el entorno cambiaba, replicando hallazgos experimentales de Colgin et al. (2010). Esto surgió porque el agente necesitaba distinguir claramente entre los dos entornos para comportarse correctamente.

• Códigos de Barra (Barcodes) y Memoria Episódica:

  • En la tarea de almacenamiento, el modelo generó representaciones únicas para eventos específicos (guardar/recuperar comida) que coexistían con el código espacial de lugar.
  • Esto explica los hallazgos de Chettih et al. (2024): las neuronas del hipocampo codifican tanto la ubicación (código de lugar suave) como el evento específico (código de barra discreto), dependiendo de la coincidencia de múltiples variables latentes.

• Cálculo Geométrico y Células de Vector de Objetivo:

  • El modelo aprendió a calcular la posición del objetivo en relación consigo mismo (egocéntrica) utilizando la memoria.
  • Las claves de lectura formaron clusters en forma de plátano en el espacio PCA, asociados a la dirección de la cabeza.
  • Los valores de lectura codificaron la dirección y distancia al objetivo, replicando las propiedades de sintonización de las "células de vector de objetivo" observadas en murciélagos (Sarel et al., 2017).

• Invariancia Direccional:

  • En un entorno de estado continuo, el modelo desarrolló células de lugar que eran invariantes a la dirección de la cabeza, mientras que en entornos discretos (cuadrícula) mostraban una fuerte modulación direccional. Esto sugiere que la selectividad direccional de las células de lugar depende de las restricciones conductuales y sensoriales.

5. Significado e Implicaciones

• Revisión del Rol del Hipocampo: El estudio sugiere que el hipocampo es un dispositivo de memoria flexible que representa cualquier variable relevante para la tarea. El espacio no es especial per se; es simplemente una variable que a menudo es crítica para la supervivencia y el comportamiento, por lo que el hipocampo aprende a representarla.
• Explicación de la Diversidad de Células: Proporciona un marco unificado para entender por qué el hipocampo contiene células de lugar, células de concepto, células de vector de objetivo y códigos de barra: todos son soluciones emergentes a problemas de almacenamiento y recuperación de información específica del contexto.
• Modelado Computacional: Demuestra que las redes neuronales con memoria de pesos rápidos pueden aprender a realizar transformaciones geométricas complejas y cálculos vectoriales a través de la recuperación de memoria, sin necesidad de programar explícitamente estas capacidades.
• Limitaciones y Futuro: El modelo carece de restricciones anatómicas directas (como la conectividad recurrente de CA3) y no incluye oscilaciones de theta o replay. Sin embargo, captura los principios esenciales de la función hipocampal, sugiriendo que la memoria episódica es la función primaria y la espacialidad una consecuencia funcional.

En conclusión, el trabajo propone que la memoria episódica es la función primaria del hipocampo, y que las representaciones espaciales son un subproducto emergente de la necesidad de almacenar y recuperar información para navegar y resolver tareas complejas.