Computational simulation reveals the critical role of spike-timing-dependent plasticity in synchrony

Il cervello umano è una vasta rete di miliardi di minuscole cellule elettriche, che emettono costantemente segnali per costruire i nostri pensaggi, i nostri ricordi e le nostre percezioni. Per decenni, gli scienziati hanno dibattuto su come queste cellule si organizzino per archiviare informazioni. Una parte dell'argomentazione suggerisce che l'apprendimento avvenga quando gruppi di neuroni si attivano in perfetta unison, come un coro che canta la stessa nota allo stesso tempo. Questa attività sincronizzata è considerata la firma fisica della formazione di un ricordo. Dall'altro lato, una diversa scuola di pensiero sostiene che, affinché l'informazione sia utile, debba essere varia e imprevedibile. Se ogni cellula si attiva esattamente nello stesso momento, il segnale diventa troppo uniforme per trasportare dettagli complessi, proprio come una stazione radio che trasmette solo un singolo tono. Questa tensione tra la necessità di unità per apprendere e la necessità di varietà per codificare le informazioni ha creato un enigma duraturo nelle neuroscienze.

I ricercatori sanno da tempo che il cervello utilizza una regola specifica per rafforzare le connessioni tra i neuroni: quando due cellule si attivano in una sequenza precisa, il legame tra di esse si rafforza. Questo processo, noto come plasticità dipendente dal tempo di scarica (spike-timing-dependent plasticity), è il meccanismo biologico alla base dell'apprendimento. Tuttavia, non era chiaro come questa regola di apprendimento potesse coesistere con l'idea che l'informazione richieda uno stato caotico e desincronizzato. Se l'apprendimento richiede che le cellule si attivino insieme, come può il cervello fare affidamento anche sul fatto che si attivino separatamente per archiviare ricordi ricchi e dettagliati? Un nuovo studio condotto da scienziati computazionali dell'Università di Toronto e del Krembil Brain Institute propone che queste due forze apparentemente opposte non siano nemiche, ma partner in un ciclo di feedback continuo.

Per risolvere questo mistero, i ricercatori hanno costruito un modello computerizzato dettagliato di una piccola rete di neuroni, imitando il comportamento delle cellule presenti nell'ippocampo, il centro nevralgico della memoria nel cervello. Hanno programmato questa rete virtuale con le stesse regole biologiche seguite dai neuroni reali, inclusi i segnali chimici che eccitano o inibiscono l'attività. Il team ha fornito al modello dati realistiche registrate da ratti che eseguivano un compito visivo, in cui gli animali dovevano distinguere tra immagini di diversa luminosità. Hanno poi eseguito due versioni della simulazione: una in cui il meccanismo di apprendimento era attivo, e un'altra in cui era spento. Confrontando l'attività elettrica dei neuroni virtuali in entrambi gli scenari, sono riusciti a osservare esattamente come il processo di apprendimento cambiasse la temporizzazione degli impulsi.

I risultati hanno rivelato una relazione dinamica e sorprendente tra apprendimento e tempismo. Quando il meccanismo di apprendimento era attivo, i neuroni non rimanevano semplicemente sincronizzati o desincronizzati. Invece, entravano in un ciclo ritmico. All'inizio del processo di apprendimento, i neuroni iniziavano ad allontanarsi nei loro tempi di attivazione, creando uno stato di desincronizzazione. Questo spostamento non era un fallimento del sistema, ma una conseguenza necessaria dell'apprendimento stesso. L'aumento della varietà nei tempi dei segnali serviva effettivamente a regolare la forza dell'apprendimento, impedendo alla rete di incastrarsi in un modello rigido.

Mentre la simulazione continuava per diversi secondi, i ricercatori hanno osservato una danza complessa di sincronizzazione e desincronizzazione, sebbene il pattern non fosse un semplice alternarsi. La rete passava da uno stato sincronizzato a uno desincronizzato e poi, dopo un periodo di attività sparsa, si sincronizzava brevemente prima di allontanarsi nuovamente. Questa fluttuazione era guidata interamente dalle regole di apprendimento. Lo studio suggerisce che il cervello utilizzi questo equilibrio mutevole per gestire l'informazione. La sincronizzazione iniziale permette al cervello di catturare un nuovo pezzo di informazione, mentre la successiva desincronizzazione permette che tale informazione venga archiviata con abbastanza flessibilità da poter essere recuperata in seguito senza interferire con altri ricordi.

Fondamentalmente, le simulazioni hanno mostrato che, senza il meccanismo di apprendimento, i neuroni non esibivano questa stessa fluttuazione regolata. Quando l'apprendimento veniva disabilitato, la rete rimaneva in uno stato misto di sincronizzazione e desincronizzazione che non evolveva nel tempo. Questa scoperta indica che la capacità di passare tra questi stati non è un evento casuale, ma è un risultato diretto del processo di apprendimento del cervello. Lo studio suggerisce che il cervello non sceglie tra sincronizzazione e desincronizzazione; piuttosto, usa il processo di apprendimento per oscillare tra di esse, creando un sistema autoregolato.

Questa prospettiva offre un nuovo modo per comprendere l'antico enigma di come il cervello bilanci ordine e caos. Suggerisce che l'apparente contraddizione tra apprendimento e teoria dell'informazione si risolva vedendoli come parti di un unico processo continuo. L'apprendimento avvia la sincronizzazione necessaria per formare un ricordo, ma l'atto stesso dell'apprendimento spinge il sistema verso la desincronizzazione, che preserva la flessibilità di quel ricordo. I ricercatori hanno scoperto che questo ciclo permette al cervello di mantenere un livello sano di variabilità, prevenendo la sincronizzazione estrema vista in condizioni come l'epilessia o la desincronizzazione estrema associata alla perdita di memoria.

Lo studio, condotto interamente attraverso simulazioni al computer, fornisce un quadro teorico di come questi processi biologici possano funzionare nel cervello reale. Sebbene il modello si basi su dati biologici stabiliti e input realistici, i risultati sono una proposta di come questi meccanismi interagiscano piuttosto che un'osservazione diretta di tessuto vivente. Gli autori suggeriscono che questo ciclo regolatorio potrebbe essere la chiave per comprendere come codifichiamo i dettagli complessi della nostra vita quotidiana. Mostrando che apprendimento e desincronizzazione sono profondamente intrecciati, la ricerca offre una spiegazione coerente di come il cervello riesca a essere sia un registratore stabile di eventi, sia un elaboratore flessibile di nuove informazioni.