Unifying spatial and episodic representations in the hippocampus through flexible memory use

Dit artikel stelt met een computationeel model dat de primaire functie van de hippocampus het opslaan en ophalen van episodische herinneringen is, waarbij ruimtelijke representaties een afgeleide verschijnsel zijn die ontstaan uit deze geheugenfunctie.

De kern

De Hippocampus: De Meester-Organisator van Je Herinneringen (en niet alleen een GPS)

Stel je voor dat je hersenen een enorme, drukke bibliotheek zijn. De hippocampus is de supersterke bibliothecaris in het midden van deze bibliotheek.

Vroeger dachten wetenschappers dat deze bibliothecaris twee heel verschillende banen had, afhankelijk van welk dier je was:

1. Bij mensen was hij de meester van verhalen: hij hielp je om te onthouden wat je gisteren at of hoe je je eerste zoen voelde (episodisch geheugen).
2. Bij ratten leek hij vooral een GPS: hij hielp hen om niet verdwaald te raken in een doolhof (ruimtelijk geheugen).

Dit was verwarrend. Waarom zou hetzelfde deel van de hersenen bij de ene soort een verhalenverteller zijn en bij de andere een navigatie-app?

Het Nieuwe Inzicht: Het is allemaal één en hetzelfde!

De onderzoekers van dit paper (uit Duitsland) hebben een slim computermodel gebouwd om dit raadsel op te lossen. Hun conclusie is verrassend simpel: De hippocampus is altijd een verhalenverteller. Hij is er om herinneringen op te slaan en later weer op te halen.

De "GPS-functie" die we bij dieren zien, is eigenlijk gewoon een bijwerking. Als een dier een taak moet oplossen die ruimte vereist (zoals een doolhof vinden), leert de hippocampus automatisch om ruimtelijke informatie op te slaan, omdat dat nodig is om de "verhaal-taak" te voltooien.

Hoe werkt hun computermodel? (De "Slimme Notitieblok")

De onderzoekers bouwden een robot-geest met een speciaal soort geheugen, gebaseerd op een techniek die ze "Fast Weight Memory" noemen. Je kunt dit vergelijken met een slim notitieblok dat je altijd bij je hebt:

• Het Notitieblok (Het Geheugen): Dit is het deel dat snel schrijft. Als je iets ziet, schrijft het model het direct op, net als een flits van inspiratie.
• De Schrijver (De Controller): Dit is een slimme assistent die beslist wat er opgeschreven moet worden en wanneer je moet lezen. Hij leert dit zelf door te oefenen.

Wat leerde het model? (De Magie)

Het model kreeg verschillende taken, zonder dat de onderzoekers vertelden hoe het moest denken. Het mocht zelf uitvinden wat het moest onthouden.

1. De Herinnerings-Taken:

   • Taak: "Kijk naar een foto van een 'A' en onthoud deze. Later, als ik een 'A' zie, moet je de exacte foto teruggeven."
   • Resultaat: Het model leerde om "concepten" te maken. Het ging niet elke pixel apart onthouden, maar zocht naar het idee van de letter. Dit lijkt op de beroemde "concept-cellen" in het menselijk brein die reageren op bijvoorbeeld "Jennifer Aniston" of "de Eiffeltoren", ongeacht hoe ze eruitzien.

2. De Navigatie-Taken (Het Doolhof):

   • Taak: "Zoek een onzichtbare schat in een doolhof en vind hem later weer terug."
   • Resultaat: Het model leerde een kaart van de ruimte. Maar het deed nog meer! Het leerde complexe wiskundige berekeningen om te weten: "De schat ligt 3 stappen naar links en 2 stappen naar voren."
   • De Analogie: Stel je voor dat je een schatkaart tekent. Je model tekende niet alleen de kaart, maar leerde ook hoe je die kaart moet lezen terwijl je loopt. Het model ontwikkelde zelfs cellen die reageerden op de richting van de wind (hoofdrichting) en de afstand tot de schat, precies zoals we bij vleermuizen in de natuur hebben gezien.

3. De "Barcode" (Het Speciale Gebeurtenis):

   • Taak: "Verstop voedsel op een plek en haal het later weer op."
   • Resultaat: Het model leerde dat elke plek in het doolhof een dubbele identiteit had.
     • Identiteit 1: "Dit is de hoek van het doolhof" (Ruimte).
     • Identiteit 2: "Hier heb ik gisteren een pinda verstopt!" (Gebeurtenis).
   • Dit verklaart waarom hersencellen soms reageren op een plek, maar dan ineens heel anders als er een specifieke gebeurtenis plaatsvindt. Het is alsof je een post-it met een barcode op een plank plakt. De plank is de ruimte, de barcode is het verhaal.

De Grootste Les

De belangrijkste boodschap van dit paper is: Ruimte is niet speciaal voor de hippocampus.

De hippocampus is een flexibele machine. Hij doet wat nodig is om de taak te voltooien.

• Als je een verhaal moet onthouden, maakt hij een verhaal-kaart.
• Als je een doolhof moet vinden, maakt hij een ruimte-kaart.
• Als je een schat moet vinden, maakt hij een combinatie van beide.

Het model voorspelt dat als je een dier (of mens) een nieuwe, vreemde taak leert (bijvoorbeeld het onthouden van geluiden of gezichten), de hippocampus automatisch een kaart van dat maakt. De ruimte is dus niet de hoofdrolspeler; het is gewoon een van de vele dingen die de meester-organisator kan regelen.

Kortom: De hippocampus is geen GPS die per ongeluk verhalen vertelt. Het is een super-herinneringsmachine die, als het moet, een GPS kan worden.

Technische samenvatting

Probleemstelling

Een fundamentele vraag in de neurowetenschap is waarom de hippocampus essentieel lijkt voor episodisch geheugen bij mensen, terwijl deze bij veel andere diersoorten voornamelijk ruimtelijke representaties (zoals plaatscellen) vertoont. Bestaande theorieën zijn vaak verdeeld: sommige zien ruimtelijke navigatie als de primaire functie, terwijl anderen de hippocampus als een auto-associatief of hetero-associatief geheugensysteem beschouwen. Er is weinig computermodeling die deze twee perspectieven (ruimtelijke navigatie en episodisch geheugen) verenigt. De auteurs stellen de hypothese dat de primaire functie van de hippocampus het opslaan en ophalen van episodische herinneringen is, en dat ruimtelijke representaties een emergent gevolg zijn van deze geheugenfunctie wanneer deze wordt ingezet voor navigatietaken.

Methodologie

De auteurs ontwikkelden een computationeel model gebaseerd op Fast Weight Memory (FWM), een type Memory-Augmented Neural Network (MANN). Het model is ontworpen om autonoom te leren wat, wanneer en hoe informatie in het langetermijngeheugen (LTM) moet worden opgeslagen en opgehaald, zonder vooraf gedefinieerde strategieën.

Modelarchitectuur:

• Input: Externe input ($x_t$) wordt verwerkt door een Convolutional Neural Network (CNN).
• Controller: Een Long Short-Term Memory (LSTM) netwerk fungeert als controller.
• Geheugen (FWM): Een matrix die via een Hebbiaanse leerregel wordt bijgewerkt. De LSTM genereert vier componenten:
  1. Writing strength ($\beta_t$): Hoe sterk er wordt geschreven.
  2. Writing key ($k_t$) en Writing value ($v_t$): Wat er wordt opgeslagen.
  3. Reading key ($q_t$): Wat er wordt opgehaald.
• Output: De opgehaalde waarde ($m_t$) wordt gecombineerd met de LSTM-uitvoer en verwerkt door een downstream netwerk (DS) voor de uiteindelijke taakuitvoer.
• Leermechanisme: De CNN, LSTM en DS worden "langzaam" getraind via backpropagation (gradient descent), terwijl de FWM-matrix "snel" wordt bijgewerkt per tijdstap.

Experimentele Opzet:
Het model werd getest op vier soorten taken:

1. Auto-associatief geheugen: Reconstructie van een beeld op basis van een soortgelijke cue.
2. Hetero-associatief geheugen: Voorspellen van het volgende item in een memoriseerde reeks.
3. Ruimtelijke navigatie ("Guidance"): Een agent moet een onzichtbaar doel vinden en later terugkeren (reinforcement learning).
4. Caching-taak: Een simulatie van vogels die zaden verstoppen en later terugvinden (gebaseerd op experimenten van Chettih et al., 2024).

Belangrijkste Bijdragen en Resultaten

1. Flexibele Oplossing voor Auto- en Hetero-associatief Geheugen
Het model slaagde erin beide geheugentaken op te lossen door de schrijfstijl en -inhoud aan te passen aan de taak.

• Bij auto-associatie ontwikkelde het model categorische representaties in de "writing keys" (soortgelijk aan concept-cellen in de menselijke hippocampus), terwijl de "values" de sensorische details behielden.
• Bij hetero-associatie leerde het model om de vorige item als sleutel en het huidige item als waarde op te slaan, waardoor sequenties konden worden gereconstrueerd.

2. Emergente Ruimtelijke Representaties en Attractordynamiek
In de navigatietaken ontwikkelde het model spontaan ruimtelijke representaties zonder dat dit expliciet werd geprogrammeerd.

• Attractordynamiek: Het model reproduceerde experimentele bevindingen over "attractor dynamics" (overgangen tussen attractoren) bij het vervormen van mazen (van vierkant naar cirkel). Afhankelijk van de trainingsconditie (één locatie vs. twee locaties) vertoonde het model ofwel geleidelijke overgangen of scherpe sprongen in activiteit, vergelijkbaar met biologische data.
• Ruimtelijke Codes: De "reading keys" vertoonden activiteit die selectief was voor een combinatie van positie en hoofdrichting (HD), vergelijkbaar met place cells en conjunctieve cellen.

3. "Barcodes" en Episodische Codes
In de caching-taak (verstoppen en terugvinden van voedsel) ontdekte het model twee parallelle codes:

• Een gladde ruimtelijke code die de positie van de agent weergeeft.
• Discrete, gebeurtenisspecifieke "barcodes" die worden geactiveerd bij het verstoppen of terugvinden van voedsel op dezelfde locatie.
• Deze barcodes ontstonden door een hoge mate van gemengde selectiviteit (mixed selectivity) waarbij neurale eenheden meerdere variabelen (agentpositie, doelpositie, gebeurtenistype) gecombineerd codeerden.

4. Geometrische Berekeningen en Doel-Vectoren
Het meest verrassende resultaat was dat het model complexe geometrische berekeningen uitvoerde via het geheugen.

• In plaats van simpelweg de doellocatie op te slaan, leerde het model om de leeswaarde ($m_t$) te gebruiken om de ego-centrische doelpositie te berekenen (richting en afstand ten opzichte van de huidige oriëntatie).
• Dit resulteerde in een emergente representatie van doel-vectoren (goal-vector cells), vergelijkbaar met waarnemingen bij vliegende vleermuizen. Het model voerde een coördinatentransformatie uit van allocentrisch (wereld-georiënteerd) naar ego-centrisch (zelf-georiënteerd) door de interactie tussen de FWM-matrix en de lees-sleutels.

5. Invloed van Bewegingsbeperkingen
Het onderzoek toonde aan dat de mate van richting-modulatie (head-direction modulation) in plaatscellen sterk afhankelijk is van de bewegingsbeperkingen. In een discreet raster (4 richtingen) waren plaatsvelden sterk afhankelijk van de richting, terwijl in een continue ruimte stabielere, richting-onafhankelijke plaatsvelden ontstonden. Dit suggereert dat de aard van de ruimtelijke representatie sterk wordt bepaald door de taakeisen en gedragscontext.

Significantie en Conclusie

De studie biedt een unificerend perspectief op de functie van de hippocampus:

• Episodisch geheugen als primaire functie: De auteurs concluderen dat de hippocampus primair een flexibel geheugensysteem is voor het opslaan en ophalen van eenmalige ervaringen.
• Ruimte als emergent: Ruimtelijke representaties zijn geen vaststaande functie, maar een emergente eigenschap die ontstaat wanneer het geheugensysteem wordt ingezet om ruimtelijke taken op te lossen.
• Universele representatie: Het model voorspelt dat de hippocampus elke taak-relevante variabele zal representeren, ongeacht of deze ruimtelijk, temporair of conceptueel is.

Dit werk demonstreert dat complexe biologische verschijnselen (zoals place cells, barcodes en doel-vectoren) kunnen worden verklaard door een enkel, flexibel computationeel principe: het autonoom leren van het opslaan en ophalen van informatie om een specifieke taak te optimaliseren. Het benadrukt dat de "ruimtelijkheid" van de hippocampus een gevolg is van de noodzaak om ruimtelijke problemen op te lossen, en niet de oorspronkelijke oorzaak van de hippocampale architectuur.