A Large-Scale Anatomically and Electrophysiologically Constrained Model of Hippocampus at Behavioral Time Scales
Questo articolo presenta un framework computazionale accelerato da GPU che costruisce e ottimizza un modello ippocampale su larga scala, anatomicamente vincolato, con 250.000 neuroni, riproducendo con successo le dinamiche biologiche chiave e raggiungendo velocità di simulazione sufficienti per scale temporali comportamentali attraverso una nuova strategia di ottimizzazione a due stadi.
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 umano è un vasto e intricato paesaggio di miliardi di cellule, ognuna delle quali è una minuscola unità elettrica che si attiva in schemi complessi per creare pensiero, memoria e movimento. Per capire come funziona questo meccanismo, gli scienziati spesso costruiscono modelli informatici che imitano la struttura del cervello. Tuttavia, un problema persistente ha tormentato questi sforzi: i modelli sono solitamente troppo semplici per essere realistici, oppure sono così dettagliati da richiedere anni per essere eseguiti su un computer, rendendo impossibile simulare i secondi o i minuti necessari a un animale per attraversare una stanza. I ricercatori hanno faticato a costruire un modello che fosse al contempo anatomicamente preciso — corrispondente alla reale connettività del cervello — e abbastanza veloce da girare in tempo reale.
Un team di ricercatori ha ora costruito una simulazione massiccia e altamente dettagliata dell'ippocampo, la parte del cervello responsabile della memoria e della navigazione. Hanno creato una versione digitale di questa regione cerebrale contenente circa 250.000 neuroni individuali e 20 milioni di connessioni tra di essi. A differenza dei tentativi precedenti che si affidavano a congetture o regole semplificate, questo modello è stato costruito direttamente da mappe sperimentali di come le cellule cerebrali siano effettivamente collegate tra loro. I ricercatori hanno utilizzato potenti processori grafici, lo stesso tipo di chip presenti nei videogiochi di fascia alta, per far girare la simulazione a una velocità circa 20 volte superiore al tempo biologico reale. Ciò ha permesso loro di osservare l'evoluzione della rete nel corso di lunghi periodi, osservando come le cellule interagissero per produrre il comportamento.
Il risultato più sorprendente è stato che il modello ha generato schemi di navigazione senza essere stato esplicitamente istruito per farlo. I ricercatori hanno fornito al cervello digitale segnali che rappresentavano un animale virtuale che si muoveva in uno spazio, ma non hanno programmato i neuroni affinché riconoscessero posizioni specifiche. Nonostante ciò, la rete ha sviluppato spontaneamente delle "cellule di luogo" (place cells) — neuroni che si attivavano solo quando l'animale virtuale si trovava in un punto specifico. Questo è accaduto naturalmente a causa del modo in cui le cellule erano connesse e di come rispondevano l'una all'altra. La simulazione ha dimostrato che la capacità del cervello di mappare lo spazio emerge dalla struttura fisica dei suoi circuiti e dalla tempistica dei suoi segnali elettrici, piuttosto che da un manuale di istruzioni pre-scritto.
Per raggiungere questo obiettivo, il team ha dovuto superare due grandi ostacoli. In primo luogo, dovevano tradurre dati anatomici complessi, che solitamente descrivono gruppi di cellule, in una mappa di connessioni tra ogni singolo neurone. Hanno sviluppato un metodo per trasformare queste mappe a livello di popolazione in un diagramma di cablaggio preciso, assicurando che il cervello digitale somigliasse e agisse come uno reale. In secondo luogo, dovevano far girare la simulazione abbastanza velocemente da essere utile. Ottimizzando il software per l'esecuzione su hardware grafico, hanno ridotto il tempo necessario per simulare un secondo di attività cerebrale a una frazione di secondo. Questa velocità è cruciale perché permette agli scienziati di far girare il modello per ore o giorni, osservando processi a lungo termine come l'apprendimento e il consolidamento della memoria, che sono impossibili da studiare in modelli più lenti e dettagliati.
I ricercatori hanno anche sviluppato un modo intelligente per calibrare il modello. Invece di cercare di rendere perfetto ogni singolo numero sin dall'inizio, hanno utilizzato un processo in due fasi. Prima, hanno regolato la forza delle connessioni tra coppie di neuroni per farla corrispondere alle misurazioni note di laboratorio. Successivamente, hanno lasciato che l'intera rete girasse e hanno regolato nuovamente le connessioni mentre la simulazione era ancora in corso, perfezionando il sistema finché l'attività complessiva del gruppo di cellule non corrispondeva a quella osservata negli animali viventi. Questa regolazione "online" ha significato che non hanno dovuto fermare e riavviare la simulazione ogni volta che apportavano una modifica, risparmiando una quantità immensa di tempo e permettendo una corrispondenza molto più accurata.
Quando il modello è stato messo alla prova, ha prodotto un ricco arazzo di attività cerebrale. I neuroni si sono attivati in schemi ritmici che corrispondevano alle onde cerebrali viste negli animali reali, specificamente i ritmi theta e gamma associati alla navigazione e alla memoria. Le cellule si sono organizzate in gruppi distinti, con alcune che si attivavano rapidamente e altre più lentamente, proprio come avviene in un cervello vivente. Cosa più importante, le mappe spaziali emerse erano stabili e realistiche. I neuroni nei diversi strati dell'ippocampo trasformavano l'input grezzo dall'ambiente in codici di posizione sempre più precisi, passando da schemi generali simili a griglie a un'attivazione specifica su un singolo punto. Questa progressione avveniva automaticamente, guidata esclusivamente dai vincoli fisici della rete e dalle proprietà elettriche delle cellule.
Questo lavoro suggerisce che la capacità del cervello di comprendere lo spazio è una conseguenza diretta del suo cablaggio fisico e del modo in cui le sue cellule comunicano. I ricercatori non hanno dovuto programmare il concetto di "luogo" nel modello; esso è emerso naturalmente dalla complessità del sistema. Sebbene l'attuale modello rappresenti solo una frazione dell'intero ippocampo, il team ha dimostrato che i loro metodi possono essere scalati per simulare l'intera regione. Stimano che, con i moderni sistemi informatici ad alta memoria, un modello su scala completa potrebbe girare a circa 50 volte la velocità del tempo reale. Questo apre la porta alla simulazione dell'intero ippocampo nell'arco di un giorno o di una settimana, permettendo agli scienziati di osservare come i ricordi si formano e si stabilizzano nel tempo.
Lo studio evidenzia anche un nuovo approccio per comprendere il cervello, uno che colma il divario tra i dettagli microscopici delle singole cellule e la scala macroscopica dell'intero organo. Combinando dati anatomici precisi con una computazione veloce e flessibile, i ricercatori hanno creato uno strumento per testare come i cambiamenti nella struttura del cervello influenzino la sua funzione. Questo framework non è solo un'immagine statica del cervello; è un sistema dinamico che può essere modificato e osservato in azione. Offre un modo per esplorare i meccanismi della memoria e della navigazione in un ambiente controllato, fornendo una nuova lente attraverso la quale guardare l'intricata macchina della mente. Il successo di questa simulazione suggerisce che le regole che governano il cervello sono scritte nella sua struttura fisica, in attesa di essere decodificate da modelli che siano sia dettagliati che abbastanza veloci da stare al passo con il flusso del pensiero.
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.