.
Entre o momento em que você lê a senha do Wi-Fi no menu do café e o momento em que pode voltar ao seu laptop para digitá-la, você deve mantê-la em mente. Se você já se perguntou como seu cérebro faz isso, você está fazendo uma pergunta sobre a memória de trabalho que os pesquisadores se esforçaram por décadas para explicar. Agora, os neurocientistas do MIT publicaram uma nova visão importante para explicar como ela funciona.
Em um estudo em PLOS Biologia Computacional, cientistas do Picower Institute for Learning and Memory compararam as medições da atividade das células cerebrais em um animal realizando uma tarefa de memória de trabalho com a saída de vários modelos de computador que representam duas teorias do mecanismo subjacente para manter as informações na mente. Os resultados favoreceram fortemente a noção mais recente de que uma rede de neurônios armazena as informações fazendo mudanças de curta duração no padrão de suas conexões, ou sinapses, e contradizem a alternativa tradicional de que a memória é mantida por neurônios que permanecem persistentemente ativos (como um motor em marcha lenta ).
Embora ambos os modelos permitissem que as informações fossem mantidas em mente, apenas as versões que permitiam que as sinapses mudassem temporariamente as conexões (“plasticidade sináptica de curto prazo”) produziram padrões de atividade neural que imitaram o que foi realmente observado em cérebros reais em funcionamento. A ideia de que as células cerebrais mantêm as memórias estando sempre “ligadas” pode ser mais simples, reconheceu o autor sênior Earl K. Miller, mas não representa o que a natureza está fazendo e não pode produzir a sofisticada flexibilidade de pensamento que pode surgir de atividade neural apoiada por plasticidade sináptica de curto prazo.
“Você precisa desses tipos de mecanismos para dar à atividade da memória de trabalho a liberdade necessária para ser flexível”, disse Miller, Picower Professor de Neurociência no Departamento de Cérebro e Ciências Cognitivas (BCS) do MIT. “Se a memória de trabalho fosse apenas uma atividade sustentada sozinha, seria tão simples quanto um interruptor de luz. Mas a memória de trabalho é tão complexa e dinâmica quanto nossos pensamentos.”
O co-autor Leo Kozachkov, que obteve seu PhD no MIT em novembro pelo trabalho de modelagem teórica, incluindo este estudo, disse que combinar modelos de computador com dados do mundo real é crucial.
“A maioria das pessoas pensa que a memória de trabalho ‘acontece’ nos neurônios – a atividade neural persistente dá origem a pensamentos persistentes. No entanto, essa visão foi examinada recentemente porque realmente não concorda com os dados”, disse Kozachkov, que foi co-supervisionado pelo co-autor sênior Jean-Jacques Slotine, professor de BCS e engenharia mecânica. “Usando redes neurais artificiais com plasticidade sináptica de curto prazo, mostramos que a atividade sináptica (em vez da atividade neural) pode ser um substrato para a memória de trabalho. como, em um sentido quantitativo, e também têm benefícios funcionais adicionais em termos de robustez.”
Combinando modelos com a natureza
Ao lado do co-autor John Tauber, um estudante de pós-graduação do MIT, o objetivo de Kozachkov não era apenas determinar como as informações da memória de trabalho podem ser mantidas em mente, mas esclarecer de que maneira a natureza realmente o faz. Isso significava começar com medições “verdadeiras” da atividade elétrica de centenas de neurônios no córtex pré-frontal de um animal enquanto ele jogava um jogo de memória de trabalho. Em cada uma das muitas rodadas, o animal via uma imagem que depois desaparecia. Um segundo depois ele veria duas imagens incluindo a original e teria que olhar para o original para ganhar uma pequena recompensa. O momento-chave é aquele segundo intermediário, chamado de “período de atraso”, no qual a imagem deve ser lembrada antes do teste.
A equipe observou consistentemente o que o laboratório de Miller já havia visto muitas vezes antes: os neurônios disparam muito ao ver a imagem original, disparam apenas intermitentemente durante o atraso e, em seguida, disparam novamente quando as imagens devem ser recuperadas durante o teste (essas dinâmicas são governadas por uma interação de ritmos cerebrais de frequência beta e gama). Em outras palavras, o spiking é forte quando a informação deve ser inicialmente armazenada e quando deve ser recuperada, mas é apenas esporádica quando deve ser mantida. O pico não é persistente durante o atraso.
Além disso, a equipe treinou “decodificadores” de software para ler as informações da memória de trabalho das medições da atividade de pico. Eles eram altamente precisos quando o spiking era alto, mas não quando era baixo, como no período de atraso. Isso sugere que o spiking não representa informações durante o atraso. Mas isso levantou uma questão crucial: se o spiking não guarda informações em mente, o que guarda?
Pesquisadores, incluindo Mark Stokes, da Universidade de Oxford, propuseram que mudanças na força relativa, ou “pesos”, das sinapses poderiam armazenar as informações. A equipe do MIT colocou essa ideia à prova modelando computacionalmente redes neurais que incorporam duas versões de cada teoria principal. Assim como no animal real, as redes de aprendizado de máquina foram treinadas para executar a mesma tarefa de memória de trabalho e gerar atividade neural que também pode ser interpretada por um decodificador.
O resultado é que as redes computacionais que permitiam a plasticidade sináptica de curto prazo para codificar informações disparavam quando o cérebro real disparava e não quando não. As redes que apresentam picos constantes como método para manter a memória disparam o tempo todo, inclusive quando o cérebro natural não o faz. E os resultados do decodificador revelaram que a precisão caiu durante o período de atraso nos modelos de plasticidade sináptica, mas permaneceu anormalmente alta nos modelos de picos persistentes.
Em outra camada de análise, a equipe criou um decodificador para ler as informações dos pesos sinápticos. Eles descobriram que, durante o período de atraso, as sinapses representavam as informações da memória de trabalho que o spiking não representava.
Entre as duas versões do modelo que apresentavam plasticidade sináptica de curto prazo, a mais realista foi chamada de “PS-Hebb”, que apresenta um loop de feedback negativo que mantém a rede neural estável e robusta, disse Kozachkov.
Funcionamento da memória de trabalho
Além de combinar melhor a natureza, os modelos de plasticidade sináptica também conferiram outros benefícios que provavelmente importam para cérebros reais. Uma delas era que os modelos de plasticidade retinham informações em suas ponderações sinápticas, mesmo depois de metade dos neurônios artificiais terem sido “ablacionados”. Os modelos de atividade persistente quebraram depois de perder apenas 10-20 por cento de suas sinapses. E, acrescentou Miller, apenas aumentar ocasionalmente requer menos energia do que aumentar persistentemente.
Além disso, disse Miller, rajadas rápidas de picos, em vez de picos persistentes, deixam espaço no tempo para armazenar mais de um item na memória. A pesquisa mostrou que as pessoas podem manter até quatro coisas diferentes na memória de trabalho. O laboratório de Miller planeja novos experimentos para determinar se os modelos com picos intermitentes e armazenamento de informações baseado em peso sináptico correspondem adequadamente a dados neurais reais quando os animais devem ter várias coisas em mente, em vez de apenas uma imagem.
Além de Miller, Kozachkov, Tauber e Slotine, os outros autores do artigo são Mikael Lundqvist e Scott Brincat.
O Office of Naval Research, a JPB Foundation, e ERC e VR Starting Grants financiaram a pesquisa.
.
