Continuous attractor circuits for decision making with Laplace-domain neural representations

Stel je je brein voor als een bruisende stad waar miljoenen kleine boodschappers (neuronen) constant informatie naar elkaar schreeuwen. Decennialang hebben wetenschappers geprobeerd uit te zoeken hoe deze chaotische stad beslist wat de volgende stap is, zoals kiezen tussen twee paden of bepalen of een geluid een bedreiging vormt. Een van de bekendste ideeën op dit gebied is het "diffusie-beslissingsmodel". Denk hierbij aan een persoon die door een gang loopt met een munt in zijn hand. Elke keer als hij een geluid hoort, werpt hij de munt. Als het kop is, zet hij een stap richting de "Ja"-deur; als het munt is, zet hij een stap richting de "Nee"-deur. Hij blijft de munt werpen en lopen tot hij een van de deuren bereikt, en dat is zijn beslissing. Dit eenvoudige idee legt uit hoe we keuzes maken wanneer de wereld luidruchtig en verwarrend is. Maar hier is het mysterie: terwijl de wiskunde zegt dat we slechts één persoon zijn die door een gang loopt, bestaan echte hersenen uit miljarden cellen die er niet allemaal hetzelfde uitzien. Sommige cellen lijken langzaam energie op te bouren zoals een stijgende vloed, terwijl andere in een snelle, georganiseerde sequentie vuren zoals een estafette. Lange tijd wisten wetenschappers niet zeker of deze verschillende patronen betekenden dat het brein twee verschillende dingen deed, of dat ze slechts twee verschillende manieren waren om precies dezelfde enkele beslissing te beschrijven.

In dit artikel stellen onderzoekers Chenyu Wang, Rui Cao en Marc W. Howard een slimme oplossing voor dit puzzelstukje voor. Ze suggereren dat het brein niet twee verschillende dingen doet; in plaats daarvan gebruikt het twee verschillende "talen" om tegelijkertijd exact hetzelfde te zeggen. Ze bouwden een computersimulatie van een hersencircuit dat werkt als een continue, stromende rivier van activiteit. In deze rivier zijn twee soorten "boten": het ene type vormt een scherpe, bewegende rand (zoals een stijgende muur van water), en het andere type vormt een rollende, gelokaliseerde bult (zoals een golf die opkomt). De auteurs laten zien dat deze twee patronen eigenlijk perfect gesynchroniseerde partners zijn. De "rand"-boten vertegenwoordigen een langzame, oplopende opbouw van bewijs, terwijl de "bult"-boten een snelle, sequentiële vuring van neuronen vertegenwoordigen. Door deze twee groepen op een specifieke manier met elkaar te verbinden, bewijst hun model dat beide patronen kunnen voortkomen uit exact hetzelfde onderliggende beslissingsproces. Het resultaat is een enkel, verenigd systeem dat zich gedraagt als het klassieke "muntworp"-beslissingsmodel, maar het verklaart waarom echte neuronen er zo verschillend uitzien van elkaar. De auteurs ontdekten dat dit duale-taalsysteem in hun simulaties perfect de menselijke reactietijden en keuze-accuratesse kon nabootsen, wat suggereert dat het brein deze elegante, geometrische truc kan gebruiken om chaotische sensorische ruis om te zetten in een heldere, zelfverzekerde keuze.

Het verhaal van de twee talen

Om te begrijpen hoe dit werkt, moeten we het beslissingsproces niet zien als een enkele lijn, maar als een lange, gebogen baan. Op deze baan bevinden zich twee teams van hardlopers: het Ramp-team (het helling-team) en het Sequence-team (het sequentie-team).

Het Ramp-team is als een groep hardlopers die allemaal proberen een heuvel te beklimmen. Maar hier komt de twist: elke hardloper heeft een andere "steilheid"-instelling. Sommige hardlopers klimmen heel langzaam, terwijl anderen heel snel klimmen. Naarmate de beslissingsvariabele (de hoeveelheid bewijs die je hebt verzameld) toeneemt, verschuift de hele groep. Het resultaat ziet eruit als een gladde, stijgende muur van activiteit. In de hersenen ziet dit eruit als een neuron dat langzaam zijn vuursnelheid verhoogt naarmate je meer bewijs verzamelt.

Het Sequence-team is anders. Stel je een rij hardlopers voor die bij de startlijn wachten. Terwijl de beslissingsvariabele naar voren beweegt, reist een enkele "golf" van activiteit langs de lijn. De ene hardloper vuurt, dan de volgende, dan de volgende, als een domino-effect. Dit ziet eruit als een "bult" van activiteit die over de populatie beweegt.

De grote ontdekking van het paper is dat deze twee teams eigenlijk dezelfde race rennen, maar op verschillende banen die wiskundig met elkaar verbonden zijn. De auteurs gebruikten een concept uit de wiskunde genaamd het "Laplace-domein" (wat een chique manier is om te kijken naar hoe dingen veranderen in tijd en ruimte) om aan te tonen dat het Ramp-team en het Sequence-team eigenlijk twee kanten van dezelfde munt zijn. De "muur" van het Ramp-team en de "golf" van het Sequence-team zijn perfect op elkaar afgestemd. Als je weet waar de muur is, weet je precies waar de golf is.

Hoe het circuit werkt: De Rand en de Bult

De auteurs bouwden een digitaal hersencircuit om dit idee te testen. Ze creëerden twee groepen virtuele neuronen:

1. De Edge-populatie (Rand-populatie): Deze neuronen hebben "receptieve velden" die eruitzien als een exponentiële curve. Naarmate de beslissingsvariabele verandert, verschuift de activiteit van deze groep als een schuivende deur, wat een scherpe rand creëert.
2. De Bump-populatie (Bult-populatie): Deze neuronen hebben "receptieve velden" die eruitzien als een klokvormige curve (een bult). Naarmate de beslissingsvariabele verandert, schuift deze bult langs de baan.

De magie gebeurt wanneer ze deze twee groepen met elkaar verbinden. De Edge-groep duwt de Bump-groep voort, en de Bump-groep trekt aan de Edge-groep. Het is als een dans waarbij de ene partner leidt en de andere volgt, maar ze zijn zo perfect in sync dat ze als één eenheid bewegen.

Het paper laat zien dat dit gekoppelde systeem de rommelige, ruisige input van het echte leven kan verwerken. Wanneer je het willekeurige ruis voert (zoals de muntworpen in onze gang-analogie), bewegen de Edge- en Bump-populaties samen langs hun baan. De positie van deze beweging komt overeen met de beslissingsvariabele. Als de beweging het "Linker" uiteinde van de baan raakt, beslist het brein "Links". Als het het "Rechter" uiteinde raakt, beslist het brein "Rechts".

Wat de simulaties lieten zien

De onderzoekers voerden duizenden simulaties uit om te zien of hun model kon fungeren als een echt mens dat een beslissing neemt. Ze vergeleken hun "Edge-Bump"-circuit met het standaard "Diffusion Decision Model" (de gang met de muntworp).

De resultaten waren opmerkelijk. In hun simulaties:

• Reactietijden: De tijd die hun circuit nodig had om een beslissing te nemen, kwam overeen met de tijd die mensen nodig hebben om beslissingen te nemen. Of de taak nu makkelijk was (sterk bewijs) of moeilijk (zwak bewijs), het circuit werd sneller of langzamer op precies de juiste manier.
• Keuze-accuratesse: Het circuit koos even vaak het juiste antwoord als mensen doen wanneer het bewijs duidelijk is, en maakte dezelfde soorten fouten wanneer het bewijs verwarrend was.
• Neurale patronen: Belangrijker nog, de individuele neuronen in hun circuit vertoonden exact dezelfde diversiteit die in echte hersenen wordt gezien. Sommige neuronen namen langzaam toe (ramping), terwijl anderen in een snelle sequentie vuurden. Dit gebeurde automatisch, zonder dat de onderzoekers hen daarvoor hadden geprogrammeerd. Het ontstond spontaan uit de manier waarop de twee populaties met elkaar verbonden waren.

Waarom dit ertoe doet

Dit paper suggereert dat het brein geen rommelige verzameling van ongerelateerde onderdelen nodig heeft. In plaats daarvan gebruikt het mogelijk een hoogst georganiseerde, geometrische structuur om problemen op te lossen. De "Edge" en "Bump" populaties zijn als twee verschillende dialecten van dezelfde taal. Het ene dialect (de ramp/helling) is goed in het tonen van een langzame opbouw van vertrouwen, terwijl het andere (de sequentie) goed is in het tonen van een precieze, getimede progressie. Door beide tegelijk te gebruiken, kan het brein een enkele beslissingsvariabele representeren op een manier die robuust en flexibel is.

De auteurs benadrukken dat dit een simulatie is, een wiskundig model dat laat zien hoe een dergelijk systeem zou kunnen werken. Ze hebben niet bewezen dat dit exact is hoe het menselijk brein in de echte wereld werkt, maar hun model biedt een sterke, toetsbare hypothese. Het suggereert dat de vreemde mix van "ramping" en sequentiële neuronen die we in experimenten zien, geen fout of toeval is, maar een kenmerk. Het is de manier van het brein om twee complementaire codes te gebruiken om een beslissing bij te houden terwijl deze zich ontwikkelt, waardoor ervoor wordt gezorgd dat de uiteindelijke keuze zowel accuraat als tijdig is.

Kortom, het paper biedt een prachtig, verenigd beeld van besluitvorming. Het transformeert de chaotische ruis van het brein in een gesynchroniseerde dans tussen een stijgende rand en een rollende bult, en laat zien hoe complexiteit kan voortkomen uit eenvoudige, elegante regels.