por
Desde el momento en que lee la contraseña de Wi-Fi en el tablero del menú de una cafetería hasta el momento en que puede regresar a su computadora portátil para ingresarla, debe tenerla en cuenta. Si alguna vez se ha preguntado cómo hace esto su cerebro, se está haciendo una pregunta sobre la memoria de trabajo que los investigadores han estado luchando por explicar durante décadas. Ahora, los neurocientíficos del MIT han publicado una nueva información clave para explicar cómo funciona.
En un estudio en Biología Computacional PLOS, Los científicos del Instituto Picower para el Aprendizaje y la Memoria compararon las mediciones de la actividad de las células cerebrales en un animal que realizaba una tarea de memoria de trabajo con el resultado de varios modelos informáticos que representaban dos teorías del mecanismo subyacente para tener en cuenta la información. Los hallazgos favorecieron fuertemente la noción más reciente de que una red neuronal almacena información al hacer cambios de corta duración en el patrón de sus conexiones, o sinapsis, y contradice la alternativa tradicional de que las neuronas mantienen la memoria. ).
Si bien ambos modelos permitían tener en cuenta la información, solo las versiones que permitían que las sinapsis alteraran transitoriamente las conexiones («plasticidad sináptica a corto plazo») producían patrones de actividad neuronal que imitaban lo que realmente se observaba en cerebros reales en funcionamiento. La idea de que las células cerebrales retienen los recuerdos al estar siempre «activadas» puede ser más simple, está de acuerdo el autor principal Earl K. Miller, pero no representa lo que la naturaleza hace y no puede producir flexibilidad, sofisticación de pensamiento que puede resultar de las intermitencias. actividad neuronal respaldada por plasticidad sináptica a corto plazo.
«Se necesitan este tipo de mecanismos para dar a la actividad de la memoria de trabajo la libertad que necesita para ser flexible», dice Miller, profesor de neurociencia de Picower en el Departamento de Ciencias Cognitivas y del Cerebro (BCS) del MIT. . “Si la memoria de trabajo fuera solo una actividad sostenida, sería tan simple como un interruptor de luz, pero la memoria de trabajo es tan compleja y dinámica como nuestros pensamientos.
El coautor principal Leo Kozachkov, quien obtuvo su doctorado en el MIT en noviembre por el trabajo de modelado teórico que incluye este estudio, dijo que era crucial hacer coincidir los modelos de computadora con los datos del mundo real.
«La mayoría de la gente piensa que la memoria de trabajo ‘ocurre’ en las neuronas: la actividad neuronal persistente da lugar a pensamientos persistentes. Sin embargo, esta visión ha sido objeto de un intenso escrutinio recientemente porque no se ajusta realmente a los datos», dice Kozachkov, quien fue co-supervisado por el coautor principal Jean-Jacques Slotine, profesor de BCS e ingeniería mecánica.»Usando redes neuronales artificiales con plasticidad sináptica a corto plazo, mostramos que la actividad sináptica (en lugar de la actividad neuronal) puede ser un sustrato para la memoria de trabajo . La conclusión importante de nuestro artículo es que estos modelos de redes neuronales «plásticas» se parecen más a un cerebro, en un sentido cuantitativo, y también tienen ventajas funcionales adicionales en términos de robustez. »
Combina patrones con la naturaleza.
Trabajando junto con el coautor principal John Tauber, un estudiante graduado del MIT, el objetivo de Kozachkov no era solo determinar cómo se podría retener en la mente la información de la memoria de trabajo, sino arrojar luz sobre cómo lo hace realmente la naturaleza. Eso significó comenzar con mediciones de «verdad en el terreno» de la actividad eléctrica «señaladora» de cientos de neuronas en la corteza prefrontal de un animal mientras jugaba un juego de memoria de trabajo. En cada uno de los muchos trucos, el animal veía una imagen que luego desaparecía. Un segundo después vería dos imágenes, incluida la original, y tenía que mirar la original para ganar una pequeña recompensa. El momento clave es ese segundo intermedio, llamado “período de demora”, durante el cual se debe tener presente la imagen antes de la prueba.
El equipo observó constantemente lo que el laboratorio de Miller ha visto muchas veces antes: las neuronas aumentan mucho cuando ven la imagen original, solo aumentan de forma intermitente durante el retraso, luego aumentan de nuevo cuando las imágenes deben recuperarse durante la prueba (estas dinámicas se rigen por una interacción de los ritmos cerebrales de las frecuencias beta y gamma). En otras palabras, el picoteo es fuerte cuando la información debe almacenarse inicialmente y cuando debe recuperarse, pero solo es esporádica cuando debe mantenerse. El pico no es persistente durante el retraso.
Además, el equipo entrenó a «decodificadores» de software para leer la información de la memoria de trabajo de las mediciones de actividad máxima. Fueron muy precisos cuando el pico era alto, pero no cuando era bajo, como en el período de retraso. Esto sugiere que el dopaje no representa información durante el retraso. Pero planteó una pregunta crucial: si el dopaje no tiene información en mente, ¿qué lo hace?
Investigadores como Mark Stokes de la Universidad de Oxford han propuesto que los cambios en la fuerza relativa o «peso» de las sinapsis podrían almacenar información en su lugar. El equipo del MIT puso a prueba esta idea mediante el modelado por computadora de redes neuronales que incorporan dos versiones de cada teoría principal. Al igual que con el animal real, las redes de aprendizaje automático se entrenaron para realizar la misma tarea de memoria de trabajo y producir actividad neuronal que también podría ser interpretada por un decodificador.
El resultado es que las redes informáticas que permitieron la plasticidad sináptica a corto plazo para codificar información crecieron cuando el cerebro real creció y no lo hicieron cuando no lo hizo. Las redes con picos constantes como método para mantener la memoria crecieron todo el tiempo, incluso cuando el cerebro natural no lo hizo. Y los resultados del decodificador revelaron que la precisión disminuyó durante el período de retraso en los modelos de plasticidad sináptica, pero se mantuvo anormalmente alta en los modelos de picos persistentes.
En otra capa de análisis, el equipo creó un decodificador para leer información de pesos sinápticos. Descubrieron que durante el período de retraso, las sinapsis representaban información de la memoria de trabajo que el pico no representaba.
De las dos versiones del modelo que exhibieron plasticidad sináptica a corto plazo, la más realista se llamó «PS-Hebb», que presenta un ciclo de retroalimentación negativa que mantiene la red neuronal estable y robusta, dice Kozachkov.
Cómo funciona la memoria de trabajo
Además de adaptarse mejor a la naturaleza, los patrones de plasticidad sináptica también otorgaron otros beneficios que probablemente sean importantes para los cerebros reales. Una era que los modelos de plasticidad retenían información en sus pesos sinápticos incluso después de que hasta la mitad de las neuronas artificiales hubieran sido ‘cortadas’. Los patrones de actividad persistente colapsaron después de perder solo el 10-20% de sus sinapsis. Y, agregó Miller, el dopaje ocasional requiere menos energía que el dopaje persistente.
Además, dijo Miller, las ráfagas rápidas de picos, en lugar de los picos persistentes, dan suficiente tiempo para almacenar más de un elemento en la memoria. La investigación ha demostrado que las personas pueden retener hasta cuatro cosas diferentes en su memoria de trabajo. El laboratorio de Miller está planeando nuevos experimentos para determinar si los patrones con picos intermitentes y el almacenamiento de información basada en el peso sináptico coinciden adecuadamente con los datos neuronales de la vida real cuando los animales necesitan tener en cuenta varias cosas en lugar de una sola imagen.
Además de Miller, Kozachkov, Tauber y Slotine, los otros autores del artículo son Mikael Lundqvist y Scott Brincat.
La Oficina de Investigación Naval, la Fundación JPB y ERC y VR Startup Grants financiaron la investigación.
