The limbic navigation system as a hierarchical RNN
Questo articolo introduce una rete neurale ricorrente gerarchica che, attraverso l'addestramento tramite integrazione di percorso, riproduce con successo le rappresentazioni neurali chiave, i motivi di circuito e i fenomeni dinamici del sistema di navigazione limbico del cervello, offrendo un quadro biologicamente interpretabile per collegare i meccanismi neurali al comportamento spaziale.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Per capire come un animale trovi la strada per tornare a casa, gli scienziati guardano a un sistema di navigazione specializzato all'interno del cervello noto come sistema di navigazione limbico. Questo sistema agisce come una bussola e una mappa interna, permettendo alle creature di tracciare la propria posizione e orientamento senza bisogno di vedere punti di riferimento. Esso si basa su tipi distinti di cellule nervose che si attivano secondo schemi specifici: alcune segnalano in che direzione l'animale è rivolto, altre misurano quanto velocemente si sta muovendo, e un terzo gruppo crea un modello a griglia che segna la posizione nello spazio. Per decenni, i ricercatori hanno cercato di capire come questi diversi segnali vengano elaborati e combinati. Sebbene alcuni modelli abbiano avuto successo nel ricreare i modelli di attivazione delle singole cellule, essi spesso trattano il cervello come una singola macchina piatta, ignorando il fatto che il vero cervello elabora la direzione e la velocità in stadi separati e connessi.
Un team di ricercatori dell'University College London ha costruito un nuovo tipo di modello computazionale per colmare questo divario. Hanno creato una rete neurale ricorrente gerarchica, un sistema progettato per imitare la struttura a strati del cervello. Invece di fornire al computer un singolo segnale di velocità e direzione pre-confezionato, gli hanno dato due input separati: uno per quanto velocemente l'animale sta ruotando e un altro per quanto velocemente si sta muovendo in avanti. Il modello è organizzato in quattro strati distinti che trasmettono le informazioni in un ordine specifico, molto simile a una catena di montaggio in una fabbrica dove le materie prime vengono trasformate passo dopo passo in un prodotto finito. I primi strati gestiscono i segnali di rotazione, mentre gli strati successivi combinano quelle direzioni con la velocità per calcolare l'esatta posizione dell'animale in uno spazio bidimensionale.
Quando i ricercatori hanno addestrato questo sistema a eseguire il compito dell'integrazione del percorso — ovvero tenere traccia della propria posizione basandosi esclusivamente sul movimento — esso ha imparato a fare molto più che risolvere il problema matematico. La rete ha sviluppato spontaneamente rappresentazioni interne che somigliano sorprendentemente alle cellule biologiche reali trovate nei cervelli di ratti e topi. Il primo strato del modello ha prodotto cellule che si attivano quando l'animale ruota a sinistra o a destra, rispecchiando le cellule della velocità angolare. Man mano che il segnale si spostava al secondo strato, le cellule diventavano più focalizzate sulla sola direzione, somigliando alle cellule della direzione della testa. Negli strati più profondi, la rete ha generato cellule che si attivano secondo un modello a griglia, proprio come le famose cellule a griglia trovate nella corteccia entorinale del cervello. Fondamentalmente, il modello ha prodotto anche cellule che combinano direzione e posizione, un tipo complesso di cellula osservato in natura ma raramente visto in modelli informatici più semplici.
I ricercatori non hanno costretto il modello ad assomigliare al cervello; hanno semplicemente lasciato che apprendesse il compito. Eppure, le connessioni interne che ha formato corrispondevano ai noti schemi biologici. La rete ha sviluppato una struttura ad anello dove l'attività poteva fluire fluidamente in un cerchio, una caratteristica ritenuta essenziale per mantenere un senso di direzione stabile. Ha inoltre creato connessioni specifiche e asimmetriche tra le cellule che hanno permesso al sistema di spostare correttamente la propria mappa interna quando l'animale ruotava. Quando gli scienziati hanno testato la robustezza del modello, hanno scoperto che poteva navigare per distanze molto più lunghe di quelle viste durante l'addestramento, suggerendo che avesse appreso un principio generale di movimento piuttosto che aver semplicemente memorizzato percorsi specifici.
Per vedere come queste parti lavorano insieme, il team ha eseguito esperimenti virtuali disabilitando gruppi specifici di cellule all'interno del modello. Quando hanno silenziato le cellule responsabili della rilevazione delle rotazioni a sinistra, il senso interno di direzione del modello ha iniziato a derivare continuamente verso destra. Quando hanno interrotto le connessioni tra gli strati di rilevamento della direzione e quelli di rilevamento della posizione, i modelli a griglia che segnano la posizione hanno iniziato a rompersi e a perdere la loro forma. Questi risultati rispecchiano gli esperimenti del mondo reale in cui danneggiare aree cerebrali specifiche negli animali porta a una disorientamento simile, confermando che il modello ha catturato le relazioni causali tra i diversi tipi di cellule.
In un test finale e sofisticato, i ricercatori hanno introdotto un impulso ritmico nel modello, imitando le naturali onde theta del cervello, che sono oscillazioni elettriche lente che avvengono durante il movimento. Facendo in modo che due gruppi di cellule di rotazione si inibissero a vicenda a turno in ritmo con queste onde, il modello ha iniziato a far oscillare la sua mappa interna avanti e indietro. Questo ha prodotto un "theta sweep" (scansione theta), un fenomeno in cui il cervello simula brevemente posizioni a sinistra e a destra della posizione attuale dell'animale in rapida successione. Questo comportamento, osservato di recente negli animali reali, è emerso naturalmente nella simulazione senza che i ricercatori lo avessero esplicitamente programmato.
Lo studio suggerisce che il complesso sistema di navigazione del cervello non è una collezione casuale di parti, ma una gerarchia altamente organizzata dove direzione e velocità vengono elaborate separatamente prima di essere combinate. Costruendo un modello che rispetta questa struttura, i ricercatori hanno creato un gemello digitale capace di riprodurre il comportamento di neuroni reali e dei circuiti che li connettono. Questo approccio offre un nuovo e potente modo per testare le idee su come funziona il cervello, permettendo agli scienziati di eseguire esperimenti virtuali che sarebbero difficili o impossibili da svolgere su animali viventi. Il lavoro indica che l'architettura specifica del sistema di navigazione cerebrale non è solo un accidente biologico, ma una soluzione necessaria al problema di tracciare la posizione in un mondo in movimento.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.