Σε μια επιστημονική πρωτοτυπία, ερευνητές του Πανεπιστημίου της Καλιφόρνιας στο Irvine ανακάλυψαν θεμελιώδεις μηχανισμούς με τους οποίους η περιοχή του ιππόκαμπου του εγκεφάλου οργανώνει τις αναμνήσεις σε ακολουθίες και πώς αυτό μπορεί να χρησιμοποιηθεί για τον προγραμματισμό της μελλοντικής συμπεριφοράς. Το εύρημα μπορεί να αποτελέσει ένα κρίσιμο πρώιμο βήμα προς την κατανόηση των αποτυχιών της μνήμης σε γνωστικές διαταραχές όπως η νόσος Αλτσχάιμερ και άλλες μορφές άνοιας.
Συνδυάζοντας τεχνικές ηλεκτροφυσιολογικής καταγραφής σε τρωκτικά με μια στατιστική ανάλυση μηχανικής μάθησης τεράστιων όγκων δεδομένων, οι ερευνητές του UCI αποκάλυψαν στοιχεία που υποδηλώνουν ότι το δίκτυο του ιππόκαμπου κωδικοποιεί και διατηρεί τις ακολουθίες εμπειριών για να βοηθήσει στη λήψη αποφάσεων. Το έργο της ομάδας αποτελεί αντικείμενο εργασίας που δημοσιεύθηκε πρόσφατα στο Nature Communications.
“Ο εγκέφαλός μας διατηρεί ένα αρκετά καλό αρχείο για το πότε συμβαίνουν συγκεκριμένες εμπειρίες ή γεγονότα. Αυτή η ικανότητα μας βοηθά να λειτουργούμε στην καθημερινή μας ζωή, αλλά πριν από αυτή τη μελέτη, δεν είχαμε σαφή ιδέα για τους νευρωνικούς μηχανισμούς πίσω από αυτές τις διαδικασίες”, δήλωσε ο αντίστοιχος συγγραφέας Norbert Fortin, αναπληρωτής καθηγητής νευροβιολογίας και συμπεριφοράς του UCI. “Εκεί που συνδέεται με όλους είναι ότι αυτός ο τύπος μνήμης είναι έντονα μειωμένος σε διάφορες νευρολογικές διαταραχές ή απλά με τη γήρανση, οπότε πρέπει πραγματικά να γνωρίζουμε πώς λειτουργεί αυτή η λειτουργία του εγκεφάλου”.
Το έργο, το οποίο χρειάστηκε περισσότερα από τρία χρόνια για να ολοκληρωθεί, περιελάμβανε πειραματικές φάσεις και φάσεις ανάλυσης δεδομένων. Οι ερευνητές παρακολουθούσαν την πυροδότηση των νευρώνων στον εγκέφαλο των αρουραίων, καθώς υποβλήθηκαν σε μια σειρά δοκιμασιών αναγνώρισης οσμών. Παρουσιάζοντας πέντε διαφορετικές μυρωδιές σε διάφορες ακολουθίες, οι επιστήμονες μπόρεσαν να μετρήσουν τη μνήμη των ζώων για τη σωστή ακολουθία και να ανιχνεύσουν πώς ο εγκέφαλός τους αποτύπωσε αυτές τις διαδοχικές σχέσεις.
“Η αναλογία που θα σκεφτόμουν είναι η πληροφορική”, δήλωσε ο Fortin. “Αν έβαζα ηλεκτρόδια στον εγκέφαλό σας -δεν μπορούμε- γι’ αυτό χρησιμοποιούμε αρουραίους- θα μπορούσα να δω ποια κύτταρα πυροδοτούνται και ποια όχι σε κάθε δεδομένη στιγμή. Αυτό μας παρέχει κάποια εικόνα για το πώς ο εγκέφαλος αναπαριστά και υπολογίζει τις πληροφορίες. Όταν καταγράφουμε μοτίβα δραστηριότητας σε μια δομή, είναι σαν να βλέπουμε μηδενικά και άσους σε έναν υπολογιστή”.
Οι μετρήσεις της νευρωνικής δραστηριότητας και αδράνειας, που λαμβάνονται σε διαστήματα χιλιοστών του δευτερολέπτου για αρκετά λεπτά, παρουσιάζουν μια δυναμική εικόνα της λειτουργίας του εγκεφάλου. Ο Fortin δήλωσε ότι ο ίδιος και οι συνάδελφοί του ήταν, κατά κάποιο τρόπο, σε θέση να “διαβάσουν το μυαλό” των υποκειμένων τους, βλέποντας την “κωδικοποίηση” των κυττάρων – ποια πυροδοτούνταν και ποια όχι – σε ταχεία διαδοχή.
“Όταν σκέφτεσαι κάτι, αυτό κινείται γρήγορα”, είπε. “Δεν κολλάς σε αυτή τη μνήμη για πολύ. Αυτή τη στιγμή, αναπαρίσταται, αλλά μπορούμε να δούμε πώς αυτό αλλάζει πολύ γρήγορα”.
Ο Fortin γνώριζε από νωρίς ότι οι μετρήσεις της δραστηριότητας του ιππόκαμπου θα οδηγούσαν σε τεράστιες ποσότητες ακατέργαστων δεδομένων. Από τα αρχικά στάδια του έργου, επιστράτευσε τη συμμετοχή στατιστικολόγων της Σχολής Επιστημών Πληροφορικής και Υπολογιστών Donald Bren.
“Τα νευροεπιστημονικά ερωτήματα που είχαμε τότε στο εργαστήριό μου ήταν πολύ προχωρημένα για τις στατιστικές γνώσεις που είχαμε. Γι’ αυτό έπρεπε να εμπλέξουμε συνεργάτες με εξειδίκευση στην επιστήμη των δεδομένων”, δήλωσε ο Fortin.
“Αυτές οι αναδυόμενες νευροεπιστημονικές μελέτες βασίζονται σε μεθόδους της επιστήμης των δεδομένων λόγω της πολυπλοκότητας των δεδομένων τους”, δήλωσε ο επικεφαλής συν-συγγραφέας Babak Shahbaba, Chancellor’s Fellow του UCI και καθηγητής στατιστικής. “Οι εγκεφαλικές δραστηριότητες καταγράφονται σε κλίμακα χιλιοστών του δευτερολέπτου και αυτά τα πειράματα διαρκούν περισσότερο από μία ώρα, οπότε μπορείτε να φανταστείτε πόσο γρήγορα αυξάνεται ο όγκος των δεδομένων. Φτάνει σε ένα σημείο που οι νευροεπιστήμονες χρειάζονται πιο προηγμένες τεχνικές για να πετύχουν αυτό που είχαν φανταστεί αλλά δεν ήταν σε θέση να υλοποιήσουν”.
Σημείωσε ότι όταν οι νευρώνες κωδικοποιούν πληροφορίες όπως οι αναμνήσεις, οι επιστήμονες μπορούν να πάρουν μια γεύση αυτής της διαδικασίας εξετάζοντας το μοτίβο της δραστηριότητας αιχμής σε όλους τους καταγεγραμμένους νευρώνες, που είναι γνωστοί συλλογικά ως σύνολο.
“Διαπιστώσαμε ότι μπορούσαμε να αντιμετωπίσουμε αυτά τα νευρωνικά μοτίβα ως εικόνες και αυτό ξεκλείδωσε την ικανότητά μας να εφαρμόζουμε μεθόδους βαθιάς μηχανικής μάθησης”, δήλωσε ο Shahbaba. “Αναλύσαμε τα δεδομένα με ένα συνελικτικό νευρωνικό δίκτυο, το οποίο είναι μια μεθοδολογία που χρησιμοποιείται συχνά σε εφαρμογές επεξεργασίας εικόνας, όπως η αναγνώριση προσώπου”.
Με αυτόν τον τρόπο, οι ερευνητές μπόρεσαν να αποκωδικοποιήσουν την πυροδότηση των νευρώνων για να ανακτήσουν πληροφορίες.