Roma -Un nuovo modello matematico fa luce su come il cervello elabora diversi segnali, come immagini e suoni, durante il processo decisionale. Le scoperte dei neuroscienziati di Princeton potrebbero un giorno migliorare il modo in cui i circuiti cerebrali vanno storti nei disturbi neurologici, come l’Alzheimer, e potrebbero aiutare i cervelli artificiali, come Alexa o la tecnologia delle auto a guida autonoma, a essere più utili. I risultati sono stati pubblicati sulla rivista Nature Neuroscience . Camminando verso il lavoro, i pendolari incontrano molti segnali sensoriali lungo il loro percorso, come il bagliore di un segnale di attraversamento pedonale che indica se è sicuro attraversare o se bisogna stare attenti al traffico in arrivo. Mentre il rozzo fumetto di una persona che cammina si illumina e le persone iniziano ad attraversare, un’ambulanza rombante potrebbe sfrecciare lungo l’isolato e dirigersi verso l’incrocio. Il modo esatto in cui il cervello gestisce informazioni sensoriali contrastanti e correlate, come segnali colorati e sirene rumorose, e prende una decisione sensata è stato studiato a lungo, ma è ancora un mistero. Una regione del cervello fondamentale per il processo decisionale è la corteccia prefrontale, situata subito dietro gli occhi e considerata l’epicentro delle capacità cognitive superiori. Ricerche precedenti hanno scoperto che la risposta delle singole cellule cerebrali nella corteccia prefrontale durante il processo decisionale è multiforme e complessa. Ad esempio, un neurone nella corteccia prefrontale può attivarsi solo in risposta a un semaforo verde quando c’è un’auto che blocca le strisce pedonali. Una comprensione unificata di come le cellule cerebrali nella corteccia prefrontale elaborano le informazioni sensoriali, come i segnali stradali, e quindi generano output comportamentali, come la decisione di attraversare con la traversa, tuttavia, è sfuggita ai ricercatori.
In passato sono stati utilizzati diversi approcci matematici per cercare di comprendere i meccanismi dei circuiti che collegano le dinamiche neurali all’output comportamentale, ognuno con i propri limiti. Un approccio si concentra sulle reti neurali ricorrenti, un tipo di modello di circuito neurale costituito da molte unità connesse in modo ricorrente. Le reti neurali ricorrenti possono essere addestrate per svolgere attività decisionali, ma la densità delle loro connessioni ricorrenti le rende difficili da interpretare.
Nel loro recente articolo, il ricercatore post-dottorato Christopher Langdon, Ph.D. e la professoressa associata di neuroscienze Tatiana Engel, Ph.D. , propongono un nuovo quadro matematico per spiegare meglio il processo decisionale, denominato modello del circuito latente. Invece di un complesso modello di rete neurale ricorrente, Langdon ed Engel propongono una sorta di albero anziché l’approccio della foresta. Per dare un senso a una grande rete di attività cerebrale e cercare di capire come il comportamento di ogni cellula sia influenzato da un’altra, forse solo pochi capofila delle cellule nervose possono spiegare l’attività dell’intera folla e influenzare il processo decisionale, ciò che i neuroscienziati chiamano un meccanismo “a bassa dimensione”. “L’obiettivo della ricerca era capire se meccanismi a bassa dimensionalità operassero all’interno di grandi reti neurali ricorrenti”, ha affermato Langdon. Per testare la loro ipotesi, Langdon ed Engel hanno prima applicato il loro nuovo modello a reti neurali ricorrenti addestrate per svolgere un compito decisionale dipendente dal contesto. Il compito, eseguito da umani, scimmie o computer, inizia con una forma su uno schermo (quadrato vs. triangolo, suggerimento contestuale), seguita da una griglia in movimento (suggerimento sensoriale). In base alla forma, al partecipante viene chiesto di segnalare il colore (rosso vs. verde) o il movimento (sinistra vs. destra) della griglia in movimento.
Utilizzando il loro nuovo modello, Langdon ed Engel hanno scoperto che quando il movimento era il segnale importante da seguire per i partecipanti, le cellule della corteccia prefrontale che elaborano la forma disattivano le cellule vicine che prestano attenzione al colore. Il contrario era vero quando veniva chiesto di distinguere il rosso dal verde.
“È stato molto emozionante scoprire un meccanismo interpretabile e concreto nascosto all’interno di una grande rete”, ha detto Langdon.
Il modello di circuito latente fa previsioni su come le scelte dovrebbero cambiare quando la forza delle connessioni tra diversi nodi latenti viene alterata. Questo è potente perché consente ai ricercatori di convalidare se la struttura di connettività latente è effettivamente necessaria per supportare le prestazioni delle attività. In effetti, gli autori hanno scoperto che le prestazioni delle attività hanno sofferto in modi prevedibili quando si rimuovevano connessioni specifiche nel circuito.
“La cosa bella del nostro nuovo lavoro è che abbiamo mostrato come puoi tradurre tutte quelle cose che puoi fare con un circuito in una grande rete”, ha detto Langdon. “Quando costruisci un piccolo circuito neurale a mano, ci sono molte cose che puoi fare per convincerti di averlo capito. Puoi giocare con le connessioni e perturbare i nodi e avere un’idea di cosa dovrebbe accadere al comportamento quando giochi con il circuito in questo modo”.
Il cervello umano, con più neuroni di quante stelle ci siano nella Via Lattea, è spaventosamente complesso. Questo nuovo modello di circuito latente, tuttavia, apre nuove possibilità per rivelare meccanismi che spiegano come la connettività tra centinaia di cellule cerebrali dia origine ai calcoli che spingono le persone a fare scelte diverse.
Le sfide con il processo decisionale sono un segno distintivo di diversi disturbi mentali complessi, che vanno dalla depressione al disturbo da deficit di attenzione e iperattività. Rivelando i calcoli matematici eseguiti dal cervello per aiutare le persone a prendere decisioni, queste scoperte potrebbero prestarsi a una migliore comprensione di queste condizioni difficili e a migliorare la capacità decisionale delle tecnologie, dagli assistenti digitali come Alexa alle auto a guida autonoma. I primi passi, tuttavia, comportano l’applicazione di questo nuovo modello ad altri compiti decisionali comunemente utilizzati in laboratorio.
“Molti dei compiti decisionali strettamente controllati studiati dagli sperimentali, credo che abbiano meccanismi latenti relativamente semplici”, ha detto Langdon. “La mia speranza è che possiamo iniziare a cercare questi meccanismi ora in quei set di dati”.(30Science.com)
