Task learning increases information redundancy of neural responses in macaque visual cortex

Uit onderzoek aan makaken blijkt dat het leren van een taak de redundantie van neurale responsen in het visuele cortex verhoogt, wat de hypothese ondersteunt dat het brein informatie via generatieve inferentie optimaliseert in plaats van door redundantie te verminderen.

De kern

Hoe ons brein leert: Van een solistisch orkest naar een koor

Stel je je hersenen voor als een enorm orkest dat muziek speelt. De muzikanten zijn je zenuwcellen (neuronen) en de muziek is de informatie die je ziet, hoort of voelt.

Vroeger dachten wetenschappers dat leren een proces was van efficiëntie. Ze dachten: "Als je iets nieuws leert, moeten de muzikanten stoppen met elkaar na te doen. Iedereen moet zijn eigen, unieke partituur spelen zodat er geen geluidsoverlap is. Zo wordt het geluid helder en efficiënt." Dit is het idee van "redundantie verminderen": minder herhaling, meer duidelijkheid.

Maar deze nieuwe studie, gedaan met apen (makaken), vertelt een heel ander verhaal. Het blijkt dat leren juist leidt tot meer herhaling, en dat is eigenlijk een goed ding!

Hier is wat er precies gebeurt, vertaald naar alledaagse taal:

1. Het Verhaal van de Aap en de Lijnen

De onderzoekers lieten twee apen een spelletje spelen. Ze moesten op een scherm kijken naar wazige lijnen en raden of die horizontaal of verticaal waren (of schuin). In het begin waren de lijnen erg wazig en de apen maakten veel fouten. Na verloop van tijd (wekenlang) werden ze er heel goed in.

Terwijl ze leerden, keken de onderzoekers naar de hersenen van de apen (specifiek een deel dat V4 heet, waar visuele informatie wordt verwerkt). Ze keken niet naar één zenuwcel, maar naar een heel team van honderden tegelijk.

2. De Verassende Ontdekking: Meer Overlap is Beter

Wat ze zagen, was verrassend. Naarmate de apen beter werden in het spel, begonnen hun zenuwcellen meer op elkaar te lijken. Ze begonnen hun antwoorden te synchroniseren.

• De oude theorie: "Stop met samenzweren! Elke cel moet zijn eigen ding doen."
• De nieuwe ontdekking: "Laten we samenwerken! Laten we dezelfde informatie delen."

In de taal van de wetenschap noemen ze dit redundantie (herhaling). De studie toont aan dat deze herhaling toeneemt als je iets leert.

3. De Metafoor: De Telefoon en het Koor

Om te begrijpen waarom dit slim is, stel je twee scenario's voor:

• Scenario A (De oude theorie - Solisten): Je hebt 100 mensen die een boodschap naar jou sturen. Als ze allemaal iets anders zeggen, moet je heel hard luisteren om het juiste woord te vinden. Als één persoon een fout maakt, is die informatie weg.
• Scenario B (De nieuwe theorie - Het Koor): Stel je voor dat 100 mensen een koor vormen. Ze zingen allemaal precies hetzelfde liedje. Als één persoon een noot mist, hoor je het nog steeds perfect omdat de andere 99 het zingen.

De studie laat zien dat het brein kiest voor Scenario B als het leert. De zenuwcellen beginnen als een koor te zingen. Ze delen informatie met elkaar via "terugkoppeling" (signalen die van hoger in het brein terugkomen naar de zenuwcellen die zien).

4. Waarom is dit slim?

Je zou denken: "Maar als ze allemaal hetzelfde zeggen, is dat niet zonde van de ruimte?"
Nee, integendeel.

Stel je voor dat je een slecht signaal hebt (zoals een wazige lijn op het scherm). Als elke zenuwcel alleen zou kijken, zou het signaal misschien te zwak zijn om te vertrouwen. Maar als ze allemaal samenwerken en hun kennis combineren, wordt het signaal sterker.

De studie toont aan dat door deze "overlegging" (redundantie):

1. Elke individuele cel slimmer wordt: Ze dragen meer waardevolle informatie in zich.
2. Het team robuuster wordt: Als één cel een fout maakt, halen de anderen het op.
3. Het brein een "voorspeller" wordt: In plaats van alleen te kijken naar wat er nu is, gebruikt het brein wat het al weet (ervaring) om te voorspellen wat er gaat komen. De zenuwcellen zeggen eigenlijk: "Ik zie een lijn, en omdat ik weet dat lijnen vaak samen voorkomen, denk ik dat de rest van de lijn er ook zo uitziet."

5. Conclusie: Het Brein is een Generatief Brein

De belangrijkste les is dat ons brein niet werkt als een simpele camera die alleen beelden opneemt en opslaat (zoals een digitale camera). Het werkt meer als een kunstenaar die een schilderij maakt.

Het brein neemt de ruwe gegevens van de ogen en combineert ze met wat het al weet (wat het "verwacht"). Het bouwt een beeld op. Om dat beeld goed te maken, moeten alle onderdelen van het brein met elkaar communiceren en informatie delen.

Kort samengevat:
Wanneer we iets nieuws leren, maken onze hersenen niet alles "strakker" en "efficiënter" door alles anders te maken. Ze maken het juist sterker door meer samenwerking en herhaling te creëren. Het is alsof je van een groep solisten verandert in een goed georkestreerd koor: meer geluidsoverlap, maar een veel mooier en betrouwbaarder resultaat.

Technische samenvatting

Titel: Taaklearning verhoogt informatieredundantie van neurale responsen in de visuele cortex van makaken

Auteurs: Shizhao Liu, Anton Pletenev, Ralf M. Haefner, Adam C. Snyder
Instituut: University of Rochester, USA

---

1. Het Probleem en de Theoretische Context

De kernvraag van dit onderzoek is hoe het brein zintuiglijke informatie optimaliseert voor besluitvorming in nieuwe taken. Er bestaan twee fundamenteel verschillende theoretische perspectieven die tegenstrijdige voorspellingen doen over de rol van redundantie (overlappende informatie) in neurale representaties tijdens learning:

• Het "Klassieke" Perspectief (Discriminatie/Decoding):

  • Veronderstelt dat leren en aandacht de representatie optimaliseren voor downstream-decoding door redundantie te verminderen.
  • Correlaties tussen neuronen worden gezien als "ruis" of inefficiëntie die de totale informatiecapaciteit van een populatie beperkt.
  • Voorspelling: Tijdens learning zouden informatie-beperkende correlaties moeten afnemen om de gedragsprestatie te verbeteren.

• Het "Generatieve Inference" Perspectief (Bayesiaans):

  • Veronderstelt dat visuele verwerking een interne generatief model inverteert om "posterior beliefs" (aannames over de oorzaak van stimuli) te vormen.
  • Feedback-signalen communiceren prior-kennis tussen hersengebieden. Neuronen integreren deze priors met zintuiglijke bewijslast.
  • Voorspelling: Tijdens learning zouden prior-kennis en feedback leiden tot een toename van redundantie. Neuronen delen informatie met elkaar, wat resulteert in sterkere correlaties, maar dit verhoogt de marginale informatie die elk individueel neuron draagt.

Het doel van de studie was om deze twee hypotheses empirisch te testen door te kijken naar veranderingen in informatieredundantie terwijl dieren een visuele discriminatietaken leerden.

---

2. Methodologie

Dieren en Experimenteel Ontwerp:

• Onderwerpen: Twee volwassen mannelijke rhesusmakaken (Macaca mulatta).
• Taken: De dieren leerden twee grove oriëntatiediscriminatietaken:
  1. Cardinaal: Discriminatie tussen 0° en 90°.
  2. Obliqu: Discriminatie tussen 45° en 135°.
• Stimuli: Dynamisch ruispatroon (white noise) met gecontroleerde oriëntatie-energie. De "coherentie" (signaalsterkte) varieerde om de taakmoeilijkheid te manipuleren.
• Proces: De dieren voerden de taken uit over een periode van weken. Elke fase van training werd een "epoch" genoemd. Er werden vier epochen in totaal geanalyseerd (twee dieren × twee taken).

Neurale Registratie:

• Locatie: Visuele cortex V4.
• Apparatuur: 96-kanaals Utah-array implantaten.
• Data: Registratie van spike-tijden van zowel single units als multi-units.
• Vergelijking: Er werden sessies vergeleken tussen "early learning" (begin van training) en "late learning" (geoptimaliseerde prestaties). Ook werden "passive viewing" sessies (dieren kijken zonder taak) uitgevoerd om te controleren op veranderingen in de feedforward-paden.

Analyse en Metingen:

• Fisher Informatie (FI): De auteurs berekenden de lineaire Fisher Informatie ($I$) om de hoeveelheid informatie over de stimulus te kwantificeren.
  • $I_{real}$: De werkelijke Fisher Informatie van de populatie (met correlaties).
  • $I_{shuffle}$: De Fisher Informatie na het "shuffelen" van trials, waardoor alle noise-correlaties worden vernietigd (neem aan dat neuronen onafhankelijk zijn).
• Redundantie ($I_{redundancy}$): Gedefinieerd als het verschil: $I_{redundancy} = I_{shuffle} - I_{real}$. Een positieve waarde duidt op informatie-beperkende correlaties (redundantie).
• Learning Index: Een maatstaf voor de prestatie van het dier, gebaseerd op de overeenkomst tussen het gedragspatroon van het dier en dat van een "ideal observer", gecombineerd met hoe goed de keuze verklaard wordt door de stimulus.

---

3. Belangrijkste Resultaten

1. Toename van Redundantie tijdens Learning:

• De studie vond sterke ondersteuning voor de Bayesiaanse/Generatieve Inference-hypothese.
• $I_{redundancy}$ nam significant toe naarmate de dieren de taak leerden (over weken).
• Er was een sterke positieve correlatie tussen de Learning Index (gedragsprestatie) en de informatieredundantie. Dieren met betere prestaties vertoonden sterkere informatie-beperkende correlaties, niet zwakkere.

2. Oorzaak van de Toename:

• De toename in redundantie was niet het gevolg van een afname in de totale informatie ($I_{real}$).
• In tegendeel: zowel $I_{real}$ als $I_{shuffle}$ namen toe tijdens learning.
• De toename in $I_{shuffle}$ (die de som is van de marginale informatie per neuron) groeide sneller dan de toename in $I_{real}$. Dit betekent dat elk individueel neuron meer informatie over de taak ging dragen, en deze informatie werd gedeeld (gedistribueerd) over de populatie via feedback.
• Dit bevestigt het model dat redundantie toeneemt omdat neuronen "posterior beliefs" delen die zijn gevormd door het integreren van prior-kennis en sensorische bewijslast.

3. Dynamiek binnen een Trial:

• Redundantie nam niet alleen toe over weken, maar ook binnen een enkele trial (tijdens het verzamelen van sensorisch bewijs).
• Naarmate de trial vorderde, namen de correlaties toe, wat overeenkomt met het accumuleren van informatie en het updaten van prior-voorverwachtingen in een generatief model.

4. Actieve Taak vs. Passief Kijken:

• De toename in redundantie was specifiek gekoppeld aan actieve taak-uitvoering.
• Tijdens "passive viewing" (zonder taak) nam de redundantie niet systematisch toe met learning. Dit suggereert dat het een dynamisch, toestand-afhankelijk proces is gedreven door feedback, en geen structurele verandering in de feedforward-paden.

5. Rol van Neuronale Sensitiviteit:

• Het effect was het sterkst bij neuronen met een hoge taak-sensitiviteit (hoge $d'$). Deze neuronen vertoonden de grootste toename in redundantie tijdens late learning.

---

4. Bijdragen en Significantie

Theoretische Implicaties:

• Uitdaging aan het Klassieke Model: De resultaten weerleggen het wijdverbreide idee dat leren in de sensorische cortex altijd leidt tot efficiëntere, minder redundante representaties. In plaats daarvan kan learning leiden tot meer redundantie als bijproduct van het optimaliseren van individuele neuronen voor het delen van informatie.
• Ondersteuning voor Generatieve Inference: De bevindingen bieden sterk empirisch bewijs dat de hersenen werken volgens een hiërarchisch Bayesiaans inferentiemodel, waarbij feedback-signalen prior-kennis distribueren over sensorische populaties.
• Interpretatie van Correlaties: Het artikel herinterpreteert "informatie-beperkende correlaties". In plaats van schadelijke ruis die moet worden onderdrukt, blijken deze correlaties een noodzakelijk bijproduct te zijn van het delen van informatie dat de prestatie van individuele neuronen verbetert.

Methodologische Bijdrage:

• Het onderzoek koppelt gedragsprestatie direct aan veranderingen in Fisher Informatie en redundantie over een langere tijdschaal (weken van training), wat zeldzaam is in de literatuur.
• Het onderscheidt duidelijk tussen veranderingen in de totale populatie-informatie en de marginale informatie per neuron.

Conclusie:
De studie concludeert dat sensorische verwerking in de hersenen een generatief inferentieproces weerspiegelt. Tijdens het leren van een taak verhoogt het brein de redundantie in neurale responsen om de informatie die elk individueel neuron draagt te maximaliseren en te delen. Dit proces is dynamisch, afhankelijk van de taak-engagement, en treedt zowel op over dagen van training als binnen enkele honderden milliseconden tijdens een enkele trial.