The limbic navigation system as a hierarchical RNN
Dit artikel introduceert een hiërarchisch recurrent neuraal netwerk dat, door middel van path-integration training, succesvol de belangrijkste neurale representaties, circuitmotieven en dynamische fenomenen van het limbische navigatiesysteem van de hersenen reproduceert, waarmee een biologisch interpreteerbaar kader wordt geboden voor het koppelen van neurale mechanismen aan ruimtelijk gedrag.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Om te begrijpen hoe een dier de weg naar huis vindt, kijken wetenschappers naar een gespecialiseerd netwerk binnen de hersenen dat bekend staat als het limbische navigatiesysteem. Dit systeem fungeert als een interne kompas en kaart, waardoor wezens hun positie en oriëntatie kunnen volgen zonder dat ze landschappelijke herkenningspunten nodig hebben. Het vertrouwt op verschillende soorten zenuwcellen die in specifieke patronen vuren: sommige signaleren welke kant het dier op kijkt, andere meten hoe snel het beweegt, en een derde groep creëert een roosterachtig patroon dat de locatie in de ruimte markeert. Decennialang hebben onderzoekers geprobeerd te begrijpen hoe deze verschillende signalen worden verwerkt en gecombineerd. Hoewel sommige modellen erin zijn geslaagd de vuurpatronen van individuele cellen te reproduceren, behandelen ze de hersenen vaak als een enkele, platte machine, waarbij ze voorbijgaan aan het feit dat de echte hersenen richting en snelheid in afzonderlijke, verbonden stadia verwerken.
Een team onderzoekers aan University College London heeft een nieuw soort computermodel gebouwd om deze kloof te overbruggen. Ze creëerden een hiërarchisch recurrent neuraal netwerk, een systeem dat ontworpen is om de gelaagde structuur van de hersenen na te bootsen. In plaats van de computer één enkel, vooraf verpakt snelheid- en richtingssignaal te voeren, gaven ze het twee aparte inputs: één voor hoe snel het dier draait en een andere voor hoe snel het naar voren beweegt. Het model is georganiseerd in vier afzonderlijke lagen die informatie in een specifieke volgorde doorgeven, vergelijkbaar met een lopende band in een fabriek waar grondstoffen stap voor stap worden getransformeerd tot een eindproduct. De eerste lagen verwerken de draaisignalen, terwijl de latere lagen die richtingen combineren met snelheid om de exacte locatie van het dier in een tweedimensionale ruimte te berekenen.
Wanneer de onderzoekers dit systeem trainden om de taak van path integration (padintegratie) uit te voeren — het bijhouden van de eigen positie op basis van enkel beweging — leerde het meer dan alleen het oplossen van het wiskundige probleem. Het netwerk ontwikkelde spontaan interne representaties die opvallend veel leken op de echte biologische cellen die worden gevonden in de hersenen van ratten en muizen. De eerste lagen van het model produceerden cellen die vuurden wanneer het dier naar links of rechts draaide, wat de angular velocity cells (hoeksnelheidscellen) weerspiegelde. Naarmate het signaal naar de tweede laag bewoog, werden de cellen meer gefocust op richting alleen, wat leek op head direction cells (koprichtingscellen). In de diepere lagen genereerde het netwerk cellen die in een roosterpatroon vuurden, net als de beroemde grid cells (roostercellen) in de entorhinale cortex van de hersenen. Cruciaal was dat het model ook cellen produceerde die richting en locatie combineerden, een complex type cel dat in de natuur wordt waargenomen maar zelweg voorkomt in eenvoudigere computermodellen.
De onderzoekers dwongen het model niet om op de hersenen te lijken; ze lieten het simpelweg de taak leren. Toch kwamen de interne verbindingen die het vormde overeen met bekende biologische patronen. Het netwerk ontwikkelde een ringvormige structie waarin activiteit soepel in een cirkel kon stromen, een kenmerk dat essentieel wordt geacht voor het behouden van een stabiel gevoel van richting. Het creëerde ook specifieke, asymmetrische verbindingen tussen cellen die het systeem in staat stelden de interne kaart correct te verschuiven wanneer het dier draaide. Toen de wetenschappers de robuustheid van het model testten, ontdekten ze dat het veel grotere afstanden kon navigeren dan het tijdens de training had gezien, wat suggereert dat het een algemeen principe van beweging had geleerd in plaats van slechts specifieke paden te hebben onthouden.
Om te zien hoe deze onderdelen samenwerken, voerde het team virtuele experimenten uit door specifieke groepen cellen binnen het model uit te schakelen. Wanneer ze de cellen die verantwoordelijk zijn voor het detecteren van draaiingen naar links uitschakelden, begon het interne richtingsgevoel van het model continu naar rechts te driften. Wanneer ze de verbindingen tussen de richting-detecterende lagen en de locatie-detecterende lagen doorsneden, begonnen de roosterpatronen die de locatie markeren uit elkaar te vallen en hun vorm te verliezen. Deze resultaten spiegelen experimenten in de echte wereld, waarbij het beschadigen van specifieke hersengebieden bij dieren leidt tot vergelijkbare desoriëntatie, wat bevestigt dat het model de causale relaties tussen verschillende celtypen heeft gevangen.
In een laatste, geavanceerde test introduceerden de onderzoekers een ritmische puls in het model, waarmee de natuurlijke theta-golven van de hersenen werden nagebootst, die langzame elektrische oscillaties zijn die optreden tijdens beweging. Door twee groepen draaicellen elkaar ritmisch te laten remmen in overeenstemming met deze golven, begon het model zijn interne kaart snel heen en weer te vegen. Dit produceerde een "theta sweep", een fenomeen waarbij de hersenen kortstondig locaties links en rechts van de huidige positie van het dier simuleren in snelle opeenvolging. Dit gedrag, onlangs waargenomen bij echte dieren, ontstond op natuurlijke wijze in de simulatie zonder dat de onderzoekers het expliciet hadden geprogrammeerd.
De studie suggereert dat het complexe navigatiesysteem van de hersenen geen willekeurige verzameling onderdelen is, maar een hoogst georganiseerde hiërarchie waarbij richting en snelheid apart worden verwerkt voordat ze worden gecombineerd. Door een model te bouwen dat deze structuur respecteert, hebben de onderzoekers een digitale tweeling gecreëerd die het gedrag van echte neuronen en de circuits die hen verbinden, kan reproduceren. Deze aanpak biedt een krachtige nieuwe manier om ideeën over hoe de hersenen werken te testen, waardoor wetenschappers virtuele experimenten kunnen uitvoeren die moeilijk of onmogelijk zouden zijn op levende dieren. Het werk geeft aan dat de specifieke architectuur van het navigatiesysteem van de hersenen niet slechts een biologisch toeval is, maar een noodzakelijke oplossing voor het probleem van het bijhouden van een positie in een bewegende wereld.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.