Reward changes the use and structure of predictive spatial maps
Questo articolo dimostra che la ricompensa influenza le mappe spaziali predittive ippocampali attraverso due meccanismi distinti: i segnali di obiettivo alterano principalmente il modo in cui una mappa esistente viene utilizzata per guidare il comportamento, mentre specifici segnali di insegnamento relativi alla ricompensa guidano la reale plasticità che rimodella la struttura della mappa.
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
Il cervello contiene un sistema specializzato di creazione di mappe che permette agli animali di navigare nel proprio mondo. Nell'ippocampo, una regione situata in profondità all'interno del cervello, esistono neuroni chiamati cellule di luogo. Ciascuna di queste cellule si attiva quando un animale si trova in un punto specifico, illuminando efficacemente una coordinata su una mappa interna. Per decenni, gli scienziati hanno saputo che questa mappa non è statica; essa cambia in base all'esperienza. Quando un animale impara dove è nascosto un premio, l'attività di queste cellule di luogo spesso si sposta, raggruppandosi più densamente attorno alla posizione del tesoro. Ma una domanda fondamentale è rimasta senza risposta: il cervello si limita a cambiare il modo in cui usa la propria mappa esistente per concentrarsi sul premio, o riscrive fisicamente la mappa stessa, alterando le connessioni tra i neuroni per creare una nuova rappresentazione dello spazio?
Per rispondere a questo quesito, i ricercatori hanno costruito un modello computazionale che imita il modo in cui il cervello apprende. Hanno creato un agente digitale che esplorava un'arena virtuale quadrata, ricevendo solo informazioni visive su ciò che aveva di fronte, come la distanza dalle pareti e la presenza di oggetti. La rete interna dell'agente era stata addestrata a prevedere la successiva scena visiva basandosi sulla sua vista attuale e sul suo movimento. Attraverso questo processo di previsione, la rete ha sviluppato spontaneamente una mappa spaziale, con distinti gruppi di neuroni che si attivavano in posizioni specifiche, proprio come le cellule di luogo trovate negli animali reali. Questa mappa esisteva prima ancora che l'agente sapesse qualcosa di un premio.
I ricercatori hanno poi introdotto un premio nell'ambiente e hanno addestrato un sistema di controllo separato per guidare l'agente verso di esso. Mentre l'agente imparava a navigare verso il premio, i ricercatori hanno osservato un cambiamento drammatico: le cellule di luogo nella mappa iniziarono a raggrupparsi strettamente attorno alla posizione del premio. Tuttavia, quando riprodussero esattamente lo stesso percorso che l'agente aveva compiuto prima di apprendere la funzione del premio, utilizzando la rete appena addestrata, l'addensamento era molto più debole. Ciò ha rivelato che la forte concentrazione di attività osservata durante il comportamento orientato all'obiettivo era dovuta in gran parte al fatto che l'agente percorreva rotte diverse e si avvicinava al premio da angolazioni differenti, piuttosto che a una ristrutturazione completa della struttura sottostante della mappa. La mappa era cambiata, ma solo moderatamente.
Lo studio ha ulteriormente esplorato cosa guidi questi cambiamenti aggiungendo un segnale di insegnamento specifico che indicava alla rete quanto fosse vicina al premio. Quando questo segnale era presente, i cambiamenti alla mappa diventavano più grandi e consistenti, spostando i campi di posizione in modo più affidabile verso il premio. I ricercatori hanno anche testato cosa accadeva quando il premio veniva spostato in una nuova posizione. Hanno scoperto che la direzione verso cui l'agente si dirigeva si adattava rapidamente al nuovo obiettivo, ma la posizione fisica dei campi di luogo si spostava più lentamente e manteneva parte della memoria della vecchia posizione del premio. Infine, quando il premio e il segnale di insegnamento venivano rimossi del tutto, la concentrazione di cellule vicino alla precedente posizione del premio svaniva e la mappa tornava verso il suo stato originale.
Queste scoperte suggeriscono che il cervello utilizzi due meccanismi separati per gestire il premio. Un meccanismo cambia il modo in cui la mappa esistente viene utilizzata, permettendo all'animale di concentrare la propria attenzione e il proprio comportamento sull'obiettivo. Il secondo meccanismo, guidato da specifici segnali di apprendimento, rimodella fisicamente la mappa stessa, ma questa rimodellazione è un processo più sottile e graduale rispetto ai cambiamenti comportamentali immediati. La ricerca fornisce un quadro chiaro per comprendere che la mappa spaziale del cervello è sia una rappresentazione stabile del mondo, sia uno strumento flessibile che può essere tarato in base a ciò che l'animale apprezza.
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.