Bilanciare l'affidabilità sinaptica e i costi energetici

La trasmissione sinaptica biologica non è sempre affidabile, e questo può ostacolare le Prestazioni dei nostri circuiti neurali. Alcuni meccanismi biologici possono rendere questa trasmissione più affidabile, come aumentare le probabilità di rilascio dei Neurotrasmettitori. Tuttavia, questi meccanismi spesso richiedono più energia.

In uno studio recente, i ricercatori hanno esaminato vari modi per migliorare l'Affidabilità sinaptica considerando i costi energetici coinvolti. Hanno specificamente analizzato quattro meccanismi che possono migliorare l'affidabilità e hanno studiato come questi costi si rapportano all'energia utilizzata. Usando reti neurali artificiali (ANN) progettate con Sinapsi regolabili, hanno addestrato queste reti a svolgere compiti di classificazione delle immagini.

I risultati hanno mostrato un compromesso evidente: mentre le prestazioni del circuito neurale miglioravano, i costi energetici per garantire una trasmissione sinaptica affidabile aumentavano anche. Le reti ottimizzate facevano previsioni in linea con dati sperimentali precedenti, indicando che sinapsi con meno variabilità erano collegate sia a tassi di attivazione in ingresso più elevati che a tassi di apprendimento più bassi.

Curiosamente, queste stesse previsioni sono emerse quando i ricercatori hanno utilizzato un metodo chiamato inferenza bayesiana per determinare le statistiche sinaptiche. Questo ha portato a una connessione teorica tra il compromesso tra prestazioni e costi di affidabilità e i principi dell'inferenza bayesiana.

Questo suggerisce due possibilità: o l'evoluzione ha trovato un modo per implementare l'inferenza bayesiana ottimizzando l'uso dell'energia, oppure sinapsi energeticamente efficienti potrebbero mostrare caratteristiche di inferenza bayesiana senza effettivamente impiegare il ragionamento bayesiano.

#Cosa sono le sinapsi e la loro variabilità di affidabilità?

Le sinapsi sono cruciali per la comunicazione tra le cellule nel cervello. Tuttavia, la forza dei potenziali post-sinaptici (PSP) varia spesso in modo significativo. Questa variabilità si verifica principalmente a livello prima del rilascio del neurotrasmettitore; il processo coinvolge vescicole riempite di neurotrasmettitori che possono rilasciare il loro contenuto in modo imprevedibile.

L'incoerenza della trasmissione sinaptica solleva domande. Ci sono prove che mostrano che alcune sinapsi possono trasmettere segnali in modo molto affidabile, quindi perché altre si comportano male? L'affidabilità di una sinapsi non differisce solo tra i tipi; c'è anche variazione anche tra sinapsi dello stesso tipo. Questo suggerisce che c'è un potenziale inesplorato per una trasmissione più consistente.

Anche se la trasmissione inaffidabile potrebbe ridurre l'efficienza, uno studio ha indicato che aumentando il numero di sinapsi da un fotorecettore a una cellula monopolare grande retinica si potrebbe migliorare la precisione della trasmissione mediando il rumore. Tuttavia, questo beneficio comporta costi energetici più elevati.

L'obiettivo è trovare un livello di precisione ottimale che bilanci il costo energetico della trasmissione dell'informazione.

#Il compromesso tra prestazioni e energia

È fondamentale considerare sia la precisione che i costi energetici nel calcolo neuronale. Il cervello non si limita a trasferire informazioni; calcola attraverso interazioni. I modelli che delineano il compromesso tra prestazioni sinaptiche e costi energetici esaminano spesso la connessione tra solo due neuroni, trattando le sinapsi come meri condotti di informazione.

In realtà, ogni sinapsi fa parte di un sistema più grande. Per calcolare in modo efficiente, il circuito complessivo deve allocare risorse tra varie sinapsi per minimizzare i costi energetici associati al calcolo.

Questo documento sottolinea come il compromesso tra prestazioni della rete e costi energetici di affidabilità si colleghi direttamente alla precisione sinaptica. I ricercatori hanno stimato i costi energetici legati alla precisione esaminando i meccanismi biologici della trasmissione sinaptica. Considerando questi costi, hanno addestrato una rete neurale su un compito di classificazione e hanno osservato una variabilità sinaptica.

Questa "allocazione" di precisione corrispondeva agli indicatori dell'"importanza" di una sinapsi, che possono essere compresi attraverso il prisma dell'inferenza bayesiana.

#Indagare i costi energetici biofisici

Lo studio mirava a comprendere i costi energetici della trasmissione sinaptica e come si legano all'affidabilità. La trasmissione sinaptica inizia quando un potenziale d'azione arriva al terminale dell'asse, provocando un afflusso di ioni calcio nel terminale. Questo afflusso di calcio provoca il rilascio delle vescicole di neurotrasmettitori.

I neurotrasmettitori poi si diffondono attraverso la fessura sinaptica per legarsi a recettori specifici, risultando in un potenziale post-sinaptico. I ricercatori quantificano spesso questo processo attraverso il modello quantale del rilascio di neurotrasmettitori.

Per ogni connessione sinaptica, ci sono un certo numero di vescicole ancorate. Quando il neurone presinaptico spara, queste vescicole si rilasciano ciascuna con una probabilità specifica, causando potenziali post-sinaptici di una certa grandezza.

Il team ha analizzato quattro costi biofisici legati al miglioramento dell'affidabilità mantenendo fisso il potenziale post-sinaptico medio.

#Meccanismi di affidabilità sinaptica

1. Efflusso di Calcio: L'affidabilità del rilascio di neurotrasmettitori è maggiore quando la probabilità di rilascio delle vescicole è più alta. Questa probabilità è significativamente influenzata dalla concentrazione di calcio. Tuttavia, livelli di calcio più elevati comportano costi energetici aumentati, poiché le pompe devono espellere l'eccesso di calcio dal bottone sinaptico.

2. Superficie della Membrana delle Vescicole: Produrre e mantenere membrane di vescicole può comportare costi energetici. Le prove esistenti suggeriscono che mantenere il metabolismo dei fosfolipidi per le membrane delle vescicole può occupare una parte significativa del budget energetico del cervello. La presenza di molte vescicole piccole può migliorare l'affidabilità mediando eventi stocastici individuali, ma richiede una maggiore superficie di membrana, portando a un consumo energetico più elevato.

3. Struttura del Pool delle Vescicole: L'organizzazione dei pool di vescicole richiede supporto strutturale, che è energivoro. Ogni vescicola ha bisogno di una certa lunghezza di actina per mantenere la sua posizione sui filamenti. Vescicole più piccole possono permettere più collegamenti, ma possono portare a una maggiore riduzione del volume totale delle vescicole se la quantità totale di neurotrasmettitore viene mantenuta la stessa.

4. Numero di Vescicole: Più vescicole possono aumentare la quantità di neurotrasmettitore rilasciato, ma questo aggiunge costi energetici per trasportarle verso i siti di rilascio. L'energia utilizzata è direttamente legata a quante vescicole devono essere spostate.

#Esplorare i costi di affidabilità nelle reti neurali artificiali

I ricercatori volevano vedere come questi costi energetici di affidabilità si manifestassero in reti neurali addestrate. Hanno addestrato l'ANN con un obiettivo che rappresentava un compromesso tra prestazioni e costi energetici. Hanno considerato tre componenti nella loro funzione obiettivo: costo di prestazione (quanto bene si comportava la rete), costo di grandezza (relativo alla media dei potenziali post-sinaptici) e costo di affidabilità (associato alla precisione dei potenziali post-sinaptici).

Dopo l'addestramento, è diventato evidente che man mano che l'attenzione sull'affidabilità aumentava, le prestazioni diminuivano. Hanno esaminato due scenari: uno in cui il rumore era lo stesso tra tutte le sinapsi e un altro in cui il rumore variava tra le sinapsi. Consentire variabilità in questo secondo approccio ha portato a prestazioni decisamente migliori, con un aumento solo leggermente maggiore del rumore medio.

#Modelli di variabilità e le loro implicazioni

I risultati hanno indicato un compromesso tra accuratezza e rumore sinaptico. Fondamentalmente, man mano che aumentavano i costi di affidabilità, l'accuratezza della rete diminuiva. Questa connessione suggerisce che investire più energia in sinapsi affidabili potrebbe portare a migliori risultati prestazionali.

Inoltre, lo studio ha rivelato che la variabilità sinaptica mostrava schemi distinti associati all'importanza della sinapsi. Le sinapsi che erano più critiche per le operazioni del circuito presentavano meno rumore, mentre le sinapsi meno importanti erano autorizzate ad avere una variabilità più alta, riducendo i costi di affidabilità complessivi.

Le relazioni osservate negli esperimenti si allineano con schemi stabiliti visti in sistemi biologici reali. Man mano che alcune sinapsi sperimentano tassi di input più elevati, tendono anche ad avere una variabilità più bassa-un modello confermato da osservazioni empiriche.

#Comprendere la connessione con l'inferenza bayesiana

Curiosamente, le previsioni provenienti dall'ottimizzazione della variabilità sinaptica corrispondevano anche ai risultati osservati nelle sinapsi bayesiane, che utilizzano il teorema di Bayes per informare gli aggiustamenti dei pesi. Ad esempio, una minore variabilità si riferisce a tassi di apprendimento più bassi, rispecchiando il comportamento nelle sinapsi bayesiane. Inoltre, tassi di attivazione presinaptici più elevati si correlano con meno variabilità, poiché ogni attivazione fornisce feedback che informa sugli aggiustamenti dei pesi potenziali.

Questa relazione porta a una comprensione intuitiva: quando le sinapsi sono ritenute importanti, ricevono gradienti significativi, che aiutano a migliorare la loro affidabilità. Così, c'è una forte correlazione tra quanto sia significativa una sinapsi e la sua incertezza, collegando costi di prestazione elevati con pesi sinaptici affidabili.

#Riepilogo dei risultati

L'indagine sulla variabilità e sull'affidabilità sinaptica rivela che le considerazioni di efficienza energetica si allineano strettamente con i principi dell'inferenza bayesiana. Il compromesso tra costi di prestazione e affidabilità si manifesta in modelli osservabili che si mantengono veri attraverso diverse impostazioni variabili.

I modelli di variabilità energeticamente efficienti che emergono nelle reti artificiali suggeriscono che i principi dietro la funzione sinaptica potrebbero non riguardare solo l'efficienza, ma anche riflettere un comportamento bayesiano senza necessitare di un'applicazione letterale dei metodi bayesiani nei sistemi biologici.

In definitiva, questi risultati promuovono nuove intuizioni su come operano i sistemi biologici, proponendo che il cervello potrebbe non aderire rigidamente al calcolo bayesiano, ma piuttosto esibire comportamenti che lo somigliano a causa di meccanismi energeticamente efficienti.

Pertanto, per comprendere appieno le implicazioni di questi risultati, sono necessarie ulteriori ricerche per indagare se diverse aree del cervello utilizzino l'incertezza derivante dalla variabilità sinaptica nei loro calcoli. Questa esplorazione potrebbe aprire la strada a comprensioni più complete della funzione sinaptica e dei principi computazionali nei sistemi biologici.