Capire il funzionamento delle cellule gangliari retiniche

Le cellule gangliari retiniche (RGC) sono cellule importanti nell'occhio che rispondono a diversi tipi di pattern luminosi. Inviato informazioni visive al cervello, ma comprimono queste informazioni in modo significativo, riducendole di circa 100 volte rispetto all'immagine originale catturata dai fotorecettori. I ricercatori stanno ancora cercando di capire esattamente che tipo di informazioni rappresenta questo segnale compresso.

Un'idea è che la retina condensi efficientemente la luce in arrivo in un codice neurale più semplice, simile a come una fotocamera cattura la luce. Un'altra idea è che la retina si concentri su aspetti dell'input sensoriale che potrebbero predire cosa succederà dopo, quasi come una sfera di cristallo per il futuro. Questo concetto di previsione è considerato cruciale per il funzionamento dei nostri sensi, con la maggior parte della ricerca che si focalizza sulle attività cerebrali che ci aiutano a prevedere cosa vediamo dopo.

Per studiare come le RGC codificano l'informazione visiva, gli scienziati usano un metodo chiamato modellazione normativa. Questo approccio comporta l'ottimizzazione di un modello della retina per obiettivi specifici, come la codifica compressa o la previsione, e poi il confronto dei risultati del modello con dati biologici reali. I modelli passati si sono principalmente concentrati su come la retina potesse comprimere in modo efficiente le immagini naturali, ma hanno trascurato alcuni dettagli biologici, come come le RGC rispondono con picchi agli stimoli visivi.

#Il Modello Retinico a Picchi

Le RGC fanno parte di una rete che include fotorecettori e cellule bipolari, disposte in tre strati. Le cellule elaborano la luce e creano picchi che alla fine inviano segnali al cervello. I ricercatori hanno progettato un modello a picchi che imita le RGC per studiare quanto efficacemente la retina codifica le informazioni visive attuali e future. Questo comporta l'uso di uno strato nascosto di unità a picchi interconnesse che simulano come operano le RGC.

Ogni unità a picchi in questo modello è rappresentata utilizzando un approccio integrate-and-fire con perdite, che riflette come funzionano i veri neuroni: accumulano segnali in arrivo fino a raggiungere una soglia e sparano un picco. Il modello incorpora anche rumore per imitare le fluttuazioni casuali presenti nelle risposte retiniche reali.

Il modello a picchi è stato addestrato utilizzando video naturali per prevedere quali immagini sarebbero seguite. Sono stati testati diversi offset temporali di previsione per vedere se il modello fosse migliore nel codificare informazioni presenti o future. L'obiettivo del modello era stimare accuratamente il fotogramma attuale e quello successivo basato sull'attività di picco precedente.

#Statistiche e Risposte ai Picchi

Dopo aver costruito il modello, i ricercatori ne hanno valutato le prestazioni confrontando la sua attività a picchi con dati reali di RGC in varie specie animali, tra cui topi e salamandre, quando esposte a immagini e video naturali. Hanno scoperto che il modello poteva replicare i modelli di firing e i comportamenti delle RGC reali.

I ricercatori hanno misurato quanto frequentemente le unità del modello sparavano picchi e quanto variabile fosse il loro tempismo. Hanno scoperto che le unità nel modello mostrano tassi di firing più bassi e modelli di picco più regolari quando rispondevano a immagini statiche rispetto a quelle in movimento. In altre parole, il modello si comportava in modo simile alle RGC reali in termini di come regolava le sue risposte a diversi tipi di stimoli visivi.

#Emergenza di Cellule Maggiori Simili alla Retina

I ricercatori hanno categorizzato le unità nel loro modello esaminando come rispondessero alla luce. Usando metodi simili a quelli impiegati in esperimenti reali, hanno identificato che le unità del loro modello potevano essere raggruppate in quattro classi principali. Queste classi assomigliavano ai principali tipi di RGC trovati nella retina, che gestiscono la maggior parte dell'elaborazione visiva.

Il modello ha dimostrato che le unità simili a parasole erano più grandi e reagivano in modo diverso rispetto alle unità simili a pigmei, corrispondendo ai risultati nelle retine reali. Ad esempio, alcune unità rispondevano con esplosioni di attività quando la luce lampeggiava, mentre altre mantenevano un tasso costante di attività durante l'esposizione alla luce.

Inoltre, la disposizione di diversi tipi di unità nel modello rispecchiava l'organizzazione spaziale vista nelle retine naturali, indicando che il modello replicava con successo caratteristiche chiave della struttura retinica.

#Elaborazione del Movimento e Sensibilità

I ricercatori si sono immersi nelle proprietà di accordo del modello, trovando che mostrava diverse caratteristiche chiave delle RGC reali. Alcune unità nel modello erano sintonizzate selettivamente a direzioni specifiche di movimento, mentre altre sparavano solo in risposta al movimento piuttosto che a oggetti stazionari. Questo comportamento è simile a certe RGC note per rispondere al movimento testurizzato piuttosto che a immagini statiche.

Inoltre, le unità del modello mostravano anche risposte che indicavano anticipazione di oggetti in movimento, sparando anche prima che l'oggetto attraversasse la loro area registrata. Questi risultati supportano le teorie esistenti secondo cui le RGC svolgono un ruolo nel prevedere ambienti visivi dinamici piuttosto che semplicemente reagire ad essi.

#Il Ruolo del Tempismo dei Picchi

Una domanda importante in neuroscienza è come i neuroni usino i picchi per comunicare informazioni. I picchi possono utilizzare due strategie principali: il numero di picchi sparati (un codice di frequenza) o il tempismo dei picchi (un codice temporale). La ricerca retinica ha dimostrato che alcune RGC usano il tempismo per codificare l'inizio di un nuovo input visivo.

Nei loro esperimenti, i ricercatori hanno scoperto che usare il tempismo dei picchi portava a ricostruzioni più chiare delle immagini visive rispetto a fare affidamento solo sul conteggio dei picchi. Questo significa che il tempismo dei picchi è un modo più efficace per le RGC di trasmettere nuove informazioni visive, sottolineando l'importanza della codifica temporale nella retina.

#Risposte Anticipatorie e Previsione

Il modello ha anche esplorato risposte note come risposte agli stimoli omessi (OSR), dove alcune RGC reagiscono fortemente all'assenza di stimoli attesi dopo una sequenza. La presenza di OSR nel modello indicava che poteva gestire anche compiti basati sulla previsione, sostenendo l'idea che la retina potrebbe essere strutturata per prevedere scenari visivi futuri.

Il modello mostrava OSR solo in configurazioni ottimizzate per la previsione, non per la compressione, rafforzando la nozione che certi processi retinici dipendono da come il modello è impostato per funzionare.

#Prestazioni Tra le Specie

Per valutare le prestazioni del modello, i ricercatori hanno confrontato le sue previsioni delle risposte delle RGC tra varie specie animali in reazione a immagini e video naturali. Il modello progettato per prevedere fotogrammi futuri ha fornito risultati migliori rispetto a quello focalizzato solo sulla codifica del fotogramma attuale.

I risultati hanno messo in evidenza che il modello addestrato per prevedere l'input visivo futuro ha fornito previsioni migliori dell'attività delle RGC, in particolare ai picchi di firing. Questo suggerisce che la retina si è evoluta per fornire al cervello informazioni tempestive su cosa succederà dopo nel campo visivo.

#Conclusione

Attraverso questo studio, i ricercatori hanno cercato di scoprire i principi che governano come la retina trasforma la luce in arrivo nei segnali in uscita inviati al cervello. Hanno concluso che la retina gioca un ruolo significativo nell'estrarre in modo efficiente caratteristiche predictive del mondo visivo piuttosto che semplicemente comprimere le scene visive presenti.

Sviluppando un modello a picchi della retina, sono riusciti non solo a replicare varie caratteristiche e comportamenti retinici, ma anche a dimostrare che le strategie di codifica utilizzate dalle RGC sono essenziali per comprendere l'elaborazione visiva. Queste intuizioni approfondiscono la nostra comprensione dei sistemi sensoriali e della loro straordinaria abilità di anticipare input futuri, il che potrebbe avere implicazioni in campi come la visione artificiale e le protesi neurali.