From movement to cognitive maps: recurrent neural networks reveal how locomotor development shapes hippocampal spatial coding

Dit onderzoek toont aan dat recurrente neurale netwerken aantonen hoe de veranderende statistieken van postnatale locomotoriek, en de daaruit voortvloeiende sensorische ervaringen, de opeenvolgende ontwikkeling van ruimtelijke codering in de hippocampus van ratten mechanistisch verklaren.

De kern

Van Krabben tot Kaarten: Hoe Lopen Leren Je Brein een Kaart van de Wereld Laat Maken

Stel je voor dat je pas geboren bent. Je weet niet waar je bent, je weet niet hoe de kamer eruitziet, en je weet zeker niet hoe je bij je moeder moet komen. Je hersenen hebben nog geen "GPS" of een mentale kaart van de wereld. Maar hoe komt dat er dan toch?

Dit onderzoek, gepubliceerd voor de conferentie ICLR 2026, probeert precies dat mysterie op te lossen. De auteurs kijken naar ratten (ja, ratten, maar hun hersenen werken op een vergelijkbare manier als de onze) en vragen zich af: Hoe ontwikkelt het vermogen om een mentale kaart te maken zich, en wat heeft dat te maken met hoe ze leren lopen?

Hier is de uitleg, vertaald naar begrijpelijke taal met een paar creatieve vergelijkingen.

1. Het Grote Geheim: De "GPS" in je Brein

In je hersenen zit een deel dat de hippocampus heet. Dit is je interne GPS. Het bevat speciale cellen:

• Plaatscellen: Deze gaan af als je op een specifieke plek bent (bijvoorbeeld "ik sta nu bij de koelkast").
• Richtingscellen: Deze gaan af als je naar een specifieke kant kijkt (bijvoorbeeld "ik kijk naar het raam").

Wetenschappers wisten al lang dat deze cellen niet direct na de geboorte werken. Ze ontwikkelen zich in een bepaalde volgorde. Eerst komen de richtingscellen, dan de plaatscellen, en heel laat komen de "roostercellen" (die een soort rasterpatroon maken om afstanden te meten). Maar waarom gebeurt dit in deze volgorde? En wat drijft dit proces?

2. De Hypothese: Het Brein is een Voorspeller

De auteurs van dit paper hebben een slim idee: Je hersenen leren een kaart maken door te voorspellen wat je als volgende gaat zien.

Stel je voor dat je hersenen een filmkijker zijn. Als je je hoofd draait, voorspellen ze: "Als ik nu naar links kijk, zie ik de muur." Als je beweegt, voorspellen ze: "Als ik twee stappen zet, zie ik de deur."
Om dit goed te kunnen doen, moet je hersenen niet alleen kijken, maar ook voelen hoe je beweegt (je evenwicht en snelheid).

3. De Experimenten: Een Digitale Rat in een Virtuele Wereld

De onderzoekers hebben een computermodel gemaakt van een rat. Ze hebben een Recurrent Neural Network (RNN) gebruikt. Dat is een soort kunstmatige hersenen die goed is in het onthouden van dingen die net gebeurd zijn.

• De Input: De computer-rat kreeg beelden van een virtuele kamer (wat hij zag) en gegevens over zijn beweging (hoe snel hij liep en hoe hij draaide).
• De Taak: De rat moest voorspellen wat hij volgende zou zien op het scherm.
• De Volgorde: Ze trainden de computer-rat niet direct als een volwassen rat. Ze begonnen met de bewegingen van een babyrat (die nog kruipt), dan een peuterrat (die waggelt), en uiteindelijk een volwassen rat (die hard rent).

4. De Grote Ontdekking: Beweging vormt de Kaart

Wat ze ontdekten, is fascinerend:

• Het Krabben (Baby): Als de rat nog kruipt en onhandig beweegt, zijn de "GPS-cell" in het computerbrein nog slordig. Ze weten niet precies waar ze zijn.
• Het Waggelen (Peuter): Als de rat begint te lopen, worden de bewegingen stabieler. De computer-rat begint langzaam te begrijpen dat "linksom draaien" betekent dat de wereld in zijn beeldscherm naar rechts verschuift.
• Het Rennen (Volwassen): Als de rat volwassen is en soepel rent, beginnen de cellen in het computerbrein zich perfect te gedragen als echte plaats- en richtingscellen. Ze vormen een scherpe, betrouwbare kaart van de omgeving.

De kernboodschap: Het is niet genoeg om alleen meer beelden te zien. Het is de specifieke manier waarop je beweegt die je hersenen dwingt om een kaart te tekenen. De statistieken van je beweging (snelheid, draaiing, stabiliteit) zijn de bouwstenen van je mentale kaart.

5. Een Nieuw Geheim: De "Twee-in-Één" Cellen

Een van de coolste ontdekkingen is dat de computer-rat een nieuw patroon voorspelde, dat ze daarna ook in echte ratten vonden:

In het begin zijn er cellen die alleen weten waar je bent, en cellen die alleen weten waar je naartoe kijkt. Maar naarmate de rat opgroeit, ontstaan er cellen die beide dingen tegelijk doen. Ze zeggen: "Ik ben bij de deur EN ik kijk naar links."
Dit is als een GPS die niet alleen zegt "Je bent hier", maar ook "Je rijdt in de richting van de stad". De onderzoekers vonden dat dit "twee-in-één" systeem cruciaal is voor het volwassen worden van het navigatiesysteem.

6. Waarom is dit belangrijk?

Vroeger dachten we misschien dat je hersenen gewoon "opstarten" zoals een computer die opstart. Dit onderzoek zegt: Nee, je hersenen worden gevormd door wat je doet.

• Als je beweegt zoals een baby, leer je als een baby.
• Als je beweegt als een volwassene, leer je als een volwassene.
• Het is de ervaring van bewegen die de kaart tekent.

Dit heeft grote gevolgen voor hoe we denken over ontwikkeling. Het suggereert dat als je kinderen (of patiënten met neurologische problemen) niet de juiste bewegingservaringen geeft, hun hersenen misschien geen goede mentale kaarten kunnen maken.

Samenvatting in één zin

Je hersenen bouwen een mentale kaart van de wereld niet zomaar op; ze tekenen die kaart lijn voor lijn, gebaseerd op hoe je lichaam door de ruimte beweegt, net zoals een tekenaar die een landschap schetst terwijl hij er zelf doorheen loopt.

Technische samenvatting

Probleemstelling

De hippocampus bevat neuronen (zoals plaatscellen, richtingcellen en gridcellen) die een cognitieve kaart van de omgeving vormen, essentieel voor ruimtelijk geheugen en navigatie. Hoewel recent onderzoek de tijdslijn van de ontwikkeling van deze neuronen bij ratten heeft gekarakteriseerd (bijv. richtingcellen verschijnen eerst, gevolgd door plaatscellen en tot slot gridcellen), ontbreekt er een unificerend mechanistisch model dat verklaart waarom en hoe deze ruimtelijke representaties in deze specifieke volgorde ontstaan.

De centrale vraag is: welke factoren drijven de ontogenese (ontwikkeling) van ruimtelijke codering aan? Bestaande theorieën suggereren een rol voor sensorische ervaring, maar het is onduidelijk of het de snelheid van sensorische verandering is, of juist de specifieke statistieken van de beweging (locomotie) die cruciaal zijn. Experimentele manipulaties van het motorische systeem bij jonge dieren zijn moeilijk en invasief, wat de noodzaak onderstreept voor computationele modellen om deze relatie te onderzoeken.

Methodologie

De auteurs combineren computationele analyse van postnatale locomotorische ontwikkeling met een Recurrent Neural Network (RNN) model dat fungeert als een kunstmatige hippocampus.

1. Analyse van Locomotorische Ontwikkeling:

• Data: De auteurs aggregaten data uit meerdere eerdere studies waarbij ratten (leeftijd P11 tot P25 en volwassenen) een open veld verkenden.
• Clustering: Ze berekenden kansdichtheidsfuncties voor snelheid, rotatiesnelheid en overgangskansen tussen ruimtelijke bins. Met behulp van t-SNE en Gaussische mengmodellen (GMM) identificeerden ze drie distincte ontwikkelingsfasen gebaseerd op bewegingsstatistieken:
  • Crawl (Kruipen): Median leeftijd ~P13.5.
  • Walk (Lopen): Median leeftijd ~P16.
  • Run (Rennen): Median leeftijd ~P20.
  • Adult: Volwassen ratten.
• Simulatie: Met de toolbox RatInABox werden synthetische trajecto's gegenereerd die de statistieken van deze vier fasen nabootsen. Hieruit werden visuele frames (panoramische camera, 32x16 pixels) en vestibulaire input (snelheid en rotatie) gegenereerd.

2. Het RNN Model:

• Architectuur: Een enkelvoudige laag RNN met 500 verborgen eenheden.
• Taak: Het model is getraind om de volgende visuele frame ($Y_{t+1}$) te voorspellen op basis van de huidige visuele input ($Y_t$) en vestibulaire input (snelheid $v_t$ en rotatie $\omega_t$).
• Trainingsstrategie: De modellen werden sequentieel getraind, beginnend bij de "crawl"-fase en doorlopend naar "walk", "run" en "adult". De gewichten van het ene stadium werden gebruikt als startpunt (fine-tuning) voor het volgende stadium, wat continue leren tijdens ontwikkeling simuleert.
• Grid Cell Input: Voor de volwassen fase werd een variant getraind waarbij de verborgen laag geïnitieerd werd met een lineaire projectie van 25 gridcellen, gebaseerd op het feit dat gridcellen pas laat in de ontwikkeling stabiel worden.

3. Analyse en Validatie:

• Ruimtelijke Tuning: De activiteit van de verborgen eenheden werd geanalyseerd om "rate maps" (plaatscodering) en "polar maps" (richtingcodering) te genereren.
• Metrieken: Ruimtelijke informatie ($SI_r$) en richtingselectiviteit (resultante vectorlengte, $SId$) werden berekend.
• Vergelijking: De modelresultaten werden direct vergeleken met experimentele recordings van CA1-neuronen bij ratten in dezelfde ontwikkelingsfasen.
• Controles: Er werden controlexperimenten uitgevoerd om te testen of de resultaten simpelweg het gevolg waren van een hogere snelheid van sensorische verandering (door de tijd tussen frames te vergroten bij kruipende trajecto's) of simpelweg meer trainingsdata.

Belangrijkste Bijdragen en Resultaten

1. Locomotorische Statistieken Drijven Ruimtelijke Ontwikkeling:
Het model reproduceerde succesvol de biologische tijdslijn van de ontwikkeling van ruimtelijke cellen.

• Richtingcellen (Head Direction Cells): Verschenen vroeg in de ontwikkeling (tijdens de "walk"-fase), wat overeenkomt met biologische data (P15).
• Plaatscellen (Place Cells): Ontwikkelden zich later en werden sterker naarmate de beweging complexer werd ("run" en "adult").
• Grid Cell Invloed: Het model toonde aan dat voor volwassen niveaus van plaatscodering, de input van gridcellen noodzakelijk was. Zonder deze input bereikte het model niet de experimenteel waargenomen precisie.

2. Nieuwe Voorspelling: Conjunctieve Codering:
Een van de meest opvallende bevindingen is dat de toename in richtingselectiviteit bij plaatscellen voornamelijk plaatsvindt via conjunctieve plaats-richting cellen (cellen die zowel positie als richting coderen), en niet door het verschijnen van pure richtingcellen.

• Validatie: De auteurs analyseerden bestaande hippocampale recordings en bevestigden deze voorspelling: er is een significante toename in cellen die zowel als plaats- als richtingcellen functioneren tijdens de ontwikkeling. Dit was een eerder onbekend patroon in de ontwikkelingsliteratuur.

3. Belangrijke Nuancering: Het is niet alleen "Snelheid van Verandering":
De auteurs weerlegden de hypothese dat het simpelweg gaat om de snelheid waarmee sensorische input verandert.

• Toen ze RNN's trainden op "crawl"-trajecto's met extreem lange tijdsgaten (om de voorspelbaarheid te vergroten tot volwassen niveau), faalden deze modellen om volwassen ruimtelijke representaties te ontwikkelen.
• Conclusie: Het is de specifieke statistiek van de beweging (de kinematica van kruipen, lopen en rennen) die essentieel is voor het vormen van een allocentrische (wereld-gecentreerde) kaart, niet alleen de voorspelbaarheid van de input.

4. Robuustheid:
De resultaten bleven stabiel bij variaties in het aantal verborgen eenheden, trainingsduur en input-dimensies. Lesion-studies (het uitschakelen van ruimtelijk getunede eenheden) toonde aan dat deze eenheden kritiek werden voor de taakprestatie naarmate het model ouder werd, wat bevestigt dat ze functioneel zijn voor ruimtelijk kennisverwerving.

Significantie en Implicaties

• Mechanistisch Link: Het paper vestigt een causaal mechanistisch verband tussen de ontwikkeling van het motorische systeem (locomotie) en de ontogenese van de hippocampus. Het suggereert dat de hersenen zich ontwikkelen in reactie op de veranderende statistieken van de sensorimotorische ervaring.
• Rol van Locomotie: Het benadrukt dat de manier waarop een dier beweegt (de kinematica) fundamenteel is voor het construeren van een cognitieve kaart. Dit ondersteunt de theorie van "embodied cognition" in de neurobiologie.
• Voorspellende Macht: Het model leverde een testbare voorspelling op (de toename van conjunctieve cellen) die experimenteel werd bevestigd, wat de kracht van computationele modellen in de neurowetenschap onderstreept.
• Neuro-ontwikkelingsonderzoek: De bevindingen hebben implicaties voor het begrijpen van neuro-ontwikkelingsstoornissen waarbij de motorische of sensorische ontwikkeling verstoord is, aangezien dit direct de vorming van ruimtelijk geheugen zou kunnen beïnvloeden.
• AI en Navigatie: Voor de ontwikkeling van autonome agenten en navigatie-algoritmen suggereert dit dat het simuleren van natuurlijke, progressieve bewegingspatronen essentieel is voor het leren van robuuste ruimtelijke representaties, in plaats van alleen het versnellen van de input-snelheid.

Kortom, dit werk toont aan dat de "cognitieve kaart" niet alleen een passief resultaat is van het waarnemen van de wereld, maar actief wordt gevormd door de evolutionaire en ontwikkelingsmatige veranderingen in hoe een organisme zich door die wereld beweegt.