Simple Science

Ciência de ponta explicada de forma simples

# Biologia# Neurociência

Insights sobre Memória de Trabalho e Estrutura do Cérebro

Pesquisas mostram os papéis de áreas do cérebro na dinâmica da memória de trabalho.

― 7 min ler


Mecânica da Memória noMecânica da Memória noCérebroconexões neuronais na memória.Estudo revela papéis diferentes das
Índice

A Memória de Trabalho é a habilidade de segurar e gerenciar informações nas nossas cabeças por curtos períodos. É uma parte crucial de como pensamos e resolvemos problemas. Pesquisas mostram que certas áreas do cérebro, especialmente o Córtex Pré-Frontal, são importantes para a memória de trabalho. Quando precisamos lembrar de algo, neurônios específicos nessa área ficam mais ativos.

Cientistas descobriram que diferentes métodos, como danificar áreas específicas do cérebro ou estimulá-las, afetam a memória de trabalho. Esses estudos indicam que o córtex pré-frontal é vital para manter as memórias ativas.

Modelos Neurais e Atraidores de Bump

Pra entender como o cérebro processa informações, os pesquisadores usam modelos chamados redes neurais recorrentes (RNNs). Esses modelos ajudam a imitar certos processos do cérebro. Um tipo de RNN é conhecido como modelo de atraidor de bump. Esse modelo captura como grupos de neurônios trabalham juntos pra lembrar informações.

Modelos de atraidores de bump envolvem conexões entre neurônios semelhantes, permitindo que eles reforcem a atividade uns dos outros. Essa arrumação sugere uma estrutura especial no córtex pré-frontal, onde grupos de neurônios colaboram em tarefas de memória. Alguns estudos até sugerem que essa configuração de atraidor de bump pode ser vista em cérebros bem pequenos, como o de uma mosca da fruta.

Mas, a arrumação dos neurônios no cérebro dos primatas ainda não tá completamente entendida. Pra descobrir isso, os pesquisadores desenvolveram métodos pra estimar o layout dos neurônios com base em como pares de neurônios influenciam uns aos outros, chamado de correlação de ruído. Essa medição ajuda os pesquisadores a aprender mais sobre como a informação flui entre neurônios e fornece insights sobre a estrutura do cérebro.

Analisando Neurônios em Macacos

Em pesquisas com macacos-pregos, os cientistas treinaram eles pra fazer tarefas que precisavam de memória de trabalho. Eles monitoraram a atividade de neurônios específicos em duas partes do córtex pré-frontal: o campo ocular frontal (FEF) e o córtex pré-frontal dorsolateral (DlPFC). Observando o padrão de atividade dos neurônios, os pesquisadores tentaram entender como essas áreas sustentam a memória.

Durante essas tarefas, os cientistas descobriram que uma parte significativa dos neurônios em ambas as regiões do cérebro ficou ativa quando os macacos precisavam segurar informações. Eles analisaram de perto como os padrões de atividade de pares de neurônios estavam relacionados, focando especialmente em pares com tarefas de memória semelhantes.

Os pesquisadores tentaram ver com que frequência pares de neurônios mostravam uma conexão forte e quantos neurônios participavam dessas conexões. Eles também calcularam uma medida chamada fator de Fano, que ajuda a indicar quanta variabilidade existe na atividade dos neurônios.

Resultados da Análise de Correlação de Ruído

A análise revelou que no FEF, cerca de 36% dos pares de neurônios mostraram correlação de ruído significativa, enquanto apenas 10% foi encontrado no DLPFC. Isso sugere que há mais atividade colaborativa entre neurônios no FEF do que no DLPFC.

Pra confirmar essas descobertas, os cientistas compararam os resultados com um conjunto de modelos de rede neural. Eles ajustaram os modelos pra combinar com as conexões observadas nos estudos com macacos, focando especificamente na porcentagem de neurônios com arquitetura de atraidor de bump. Os resultados apoiaram que o FEF tinha mais neurônios com essa arquitetura do que o DLPFC.

O Papel da Arquitetura na Função Cerebral

As diferenças nos tipos de conexão dos neurônios podem explicar por que as duas regiões pré-frontais realizam funções diferentes. O FEF, com mais conexões de atraidor de bump, provavelmente está mais focado em rastrear ações e reações imediatas, enquanto o DLPFC, com menos conexões de atraidor de bump, pode lidar com tarefas mais complexas que exigem um pensamento mais profundo e raciocínio abstrato.

A disposição dos neurônios nessas regiões é acreditada como impactante no processamento das informações. Por exemplo, representações de alta dimensão, que envolvem conexões mais complexas, podem ser mais proeminentes no DLPFC. Como resultado, essa área pode suportar pensamentos mais abstratos em comparação com o FEF.

Explorando Mais Conexões

Pesquisas mostraram que diferentes partes do córtex pré-frontal têm padrões únicos de conectividade. O FEF posterior tem uma maior porcentagem de arquitetura de atraidor de bump, enquanto o DLPFC anterior tem porcentagens menores. Isso pode ajudar a explicar as diferenças funcionais entre essas regiões.

Enquanto os pesquisadores continuam a estudar o córtex pré-frontal, eles pretendem esclarecer como essas diferenças estruturais afetam o comportamento e a cognição. Eles observam que entender essas conexões pode iluminar vários processos cognitivos, incluindo tomada de decisão e planejamento.

Simplificando os Modelos

Pra desvendar melhor os mecanismos complexos do cérebro, os pesquisadores criaram modelos computacionais simplificados. Esses modelos foram projetados pra imitar as conexões no cérebro dos macacos. Ao ajustar a estrutura e observar como os modelos realizavam tarefas, os cientistas puderam testar quão bem essas configurações combinavam com a atividade observada nos macacos.

Os pesquisadores focaram em dois tipos de conexões neurais: conexões de atraidor de bump e neurônios conectados aleatoriamente. Testando várias combinações desses tipos, eles tinham como objetivo identificar qual arranjo melhor refletia os achados biológicos.

Técnicas e Parâmetros de Modelagem

Usando os modelos, os pesquisadores os treinaram pra realizar tarefas semelhantes às que os macacos faziam. Eles aplicaram métodos estatísticos pra analisar quão precisamente os modelos podiam prever resultados com base na atividade dos neurônios. Essa abordagem permitiu que eles comparassem a eficácia de diferentes arquiteturas, ajudando a entender como a memória de trabalho pode funcionar em verdadeiras redes cerebrais.

Tarefas Comportamentais em Macacos

Durante os testes, os macacos completaram uma série de tarefas que exigiam que eles lembrassem as posições de estímulos visuais. Ao completar essas tarefas, eles eram recompensados com base na precisão. Rastreando os movimentos dos olhos e o tempo de suas respostas, os pesquisadores entenderam como a memória influencia o comportamento.

Os testes incluíram apresentar um alvo e depois um distractor após um atraso. Os macacos tinham que lembrar a posição do alvo e responder corretamente quando o sinal pra agir era dado. Rastrear o desempenho deles ajudou a confirmar o papel do córtex pré-frontal na memória de trabalho.

Conclusão

Essa área de pesquisa destaca a complexidade da arquitetura do cérebro e a importância da conectividade dos neurônios. As descobertas mostram que diferentes partes do córtex pré-frontal podem ter papéis distintos na memória e cognição, baseados em seus arranjos estruturais. À medida que os cientistas continuam a investigar essas diferenças, eles vão desvendar mais sobre como nossos cérebros funcionam e como as memórias são formadas e mantidas.

Fonte original

Título: Mixed recurrent connectivity architecture in primate prefrontal cortex

Resumo: The functional properties of a network depend on its connectivity, which includes the strength of its inputs and the strength of the connections between its units, or recurrent connectivity. Because we lack a detailed description of the recurrent connectivity in the lateral prefrontal cortex of primates, we developed an indirect method to estimate it. This method leverages the elevated noise correlation of mutually-connected units. To estimate the connectivity of prefrontal regions, we trained recurrent neural network models with varying percentages of bump attractor architecture and noise levels to match the noise correlation properties observed in two specific prefrontal regions: the dorsolateral prefrontal cortex and the frontal eye field. We found that models initialized with approximately 20% and 7.5% bump attractor architecture closely matched the noise correlation properties of the frontal eye field and dorsolateral prefrontal cortex, respectively. These findings suggest that the different percentages of bump attractor architecture may reflect distinct functional roles of these brain regions. Specifically, lower percentages of bump attractor units, associated with higher-dimensional representations, likely support more abstract neural representations in more anterior regions.

Autores: Camilo Libedinsky, E. Sigalas

Última atualização: 2024-07-02 00:00:00

Idioma: English

Fonte URL: https://www.biorxiv.org/content/10.1101/2024.06.30.601443

Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.06.30.601443.full.pdf

Licença: https://creativecommons.org/licenses/by-nc/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao biorxiv pela utilização da sua interoperabilidade de acesso aberto.

Artigos semelhantes