Manter a informação em mente pode significar armazená-la entre as sinapses
Em um estudo na PLOS Computational Biology, cientistas do Instituto Picower de Aprendizagem e Memória compararam medidas 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 a informação em mente. Os resultados favoreceram fortemente a noção mais recente de que uma rede de neurônios armazena a informação fazendo mudanças de curta duração no padrão de suas conexões, ou sinapses, e contradisseram 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 a informação fosse mantida em mente, apenas as versões que permitiam que as sinapses mudassem transitoriamente as conexões (“plasticidade sináptica de curto prazo”) produziam padrões de atividade neural que imitavam o que era realmente observado em cérebros reais no trabalho. A ideia de que as células cerebrais mantêm as memórias por estarem 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 flexibilidade sofisticada de pensamento que pode surgir da atividade neural intermitente apoiada pela plasticidade sináptica de curto prazo.
“Você precisa desses tipos de mecanismos para dar à atividade de memória de trabalho a liberdade necessária para ser flexível”, disse Miller, professor de neurociência do Departamento de Ciências Cerebrais e Cognitivas (BCS) do MIT. “Se a memória de trabalho fosse apenas uma atividade sustentada, seria tão simples quanto um interruptor de luz. Mas a memória de trabalho é tão complexa e dinâmica quanto nossos pensamentos.”
O coautor principal 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 era 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 está sob escrutínio recente porque realmente não concorda com os dados”, disse Kozachkov, que foi co-supervisionado pelo coautor 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 de atividade neural) pode ser um substrato para a memória de trabalho. A conclusão importante do nosso artigo é: esses modelos de redes neurais ‘plásticas’ são mais parecidos com o cérebro, em um sentido quantitativo, e também têm benefícios funcionais adicionais em termos de robustez.”
Combinando modelos com a natureza
Ao lado do coautor principal John Tauber, um estudante de pós-graduação do MIT, o objetivo de Kozachkov não era apenas determinar como as informações de memória de trabalho poderiam ser mantidas em mente, mas lançar luz sobre como a natureza realmente faz isso. Isso significava começar com medições de “verdade no solo” da atividade elétrica de “picos” 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 foi mostrada ao animal uma imagem que depois desapareceu. Um segundo depois, ele veria duas imagens, incluindo o original e teve que olhar para o original para ganhar uma pequena recompensa. O momento-chave é aquele segundo interveniente, chamado de “período de atraso”, no qual a imagem deve ser mantida em mente antes do teste.
A equipe observou consistentemente o que o laboratório de Miller já viu muitas vezes antes: os neurônios aumentam muito ao ver a imagem original, aumentam apenas intermitentemente durante o atraso e, em seguida, aumentam novamente quando as imagens devem ser lembradas durante o teste (essas dinâmicas são governadas por uma interação de rhtyhms cerebrais de frequência beta e gama). Em outras palavras, o picking é forte quando a informação deve ser inicialmente armazenada e quando deve ser lembrada, mas só é esporádica quando precisa 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 a partir das medições da atividade de pico. Eles eram altamente precisos quando o pico era alto, mas não quando era baixo, como no período de atraso. Isso sugeriu que o pico não representa informações durante o atraso. Mas isso levantou uma questão crucial: se o picar não mantém a informação em mente, o que faz?
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 incorporando duas versões de cada teoria principal. Tal como acontece com o animal real, as redes de aprendizado de máquina foram treinadas para executar a mesma tarefa de memória de trabalho e para produzir atividade neural que também poderia ser interpretada por um decodificador.
O resultado é que as redes computacionais que permitiram a plasticidade sináptica de curto prazo para codificar informações aumentaram quando o cérebro real disparou e não o fizeram quando não o fez. As redes com picos constantes como o método para manter a memória aumentaram o tempo todo, inclusive quando o cérebro natural não o fez. 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 pico persistente.
Em outra camada de análise, a equipe criou um decodificador para ler informações dos pesos sinápticos. Eles descobriram que, durante o período de atraso, as sinapses representavam as informações da memória de trabalho que o pico 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 ciclo 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 foi que os modelos de plasticidade retiveram informações em suas ponderações sinápticas mesmo depois que até metade dos neurônios artificiais foram “ablados”. Os modelos de atividade persistente quebraram depois de perder apenas 10-20% de suas sinapses. E, Miller acrescentou, apenas picar ocasionalmente requer menos energia do que picar persistentemente.
Além disso, disse Miller, explosões rápidas de picos em vez de picos persistentes deixam espaço a tempo de armazenar mais de um item na memória. A pesquisa mostrou que as pessoas podem segurar 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 sináptico baseado em peso correspondem adequadamente aos dados neurais reais quando os animais devem manter 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 Escritório de Pesquisa Naval, a Fundação JPB e o ERC e VR Starting Grants financiaram a pesquisa.
