Modelo biológicamente realista a gran escala del hipocampo de ratón descubre un nuevo mecanismo para la separación de patrones

Usando parámetros medidos en el hipocampo de ratón, los investigadores crearon un modelo de red integral de la región del cerebro. Crédito: Peter Rigaud/IST Austria

Nuestros cerebros pueden distinguir patrones muy similares, gracias a un proceso llamado separación de patrones. Sin embargo, aún no se comprende completamente cómo nuestros cerebros separan los patrones. Utilizando un modelo informático a gran escala de la circunvolución dentada, una región del cerebro involucrada en la separación de patrones, Peter Jonas, profesor del Instituto de Ciencia y Tecnología (IST) de Austria, descubrió que las neuronas inhibidoras activadas por un patrón suprimen todas las neuronas vecinas. desactivando así patrones similares «competitivos». Este es el resultado de un estudio publicado en Nature Computational Science.

Un gato negro es engañosamente similar a una pantera, aparte de su tamaño. Hacer esta distinción es crucial cuando se está siendo perseguido, y algo que los humanos logran gracias a la separación de patrones, el proceso en el que el cerebro distingue patrones muy similares y desencadena comportamientos muy diferentes como respuesta: acariciar al gato o huir de la pantera. Este proceso también está ligado al aprendizaje. «Necesitamos no solo separar patrones similares, sino también almacenarlos y recuperarlos con precisión, por ejemplo, para la próxima vez que nos encontremos con una pantera. Por lo tanto, investigamos cómo se produce la separación de patrones en el hipocampo, un circuito de memoria clave», dice Peter Jonas, Profesor de IST Austria y autor principal del estudio.

500 000 neuronas en un modelo

En investigaciones anteriores, Jonas y su equipo midieron parámetros cruciales de las sinapsis, los puntos de conexión de las neuronas, y reglas de conectividad, que son necesarias para comprender el procesamiento de la información en la red del hipocampo en ratones y ratas. Ahora, Jonas usó estos parámetros reales para construir un modelo preciso de la red, un desafío, ya que, por lo general, los modelos de circuitos cerebrales se construyen con solo 10 a 1000 neuronas. La circunvolución dentada de las ratas, sin embargo, contiene 500.000 neuronas excitatorias, llamadas células granulares. «En modelos reducidos, no podemos conectar los parámetros sinápticos medidos del circuito neuronal. Pero como queríamos imitar lo que sucede en el cerebro y usar las mediciones sinápticas que obtuvimos previamente, implementamos una red en su tamaño completo, con 500 000 células granulares».

La inhibición separa patrones

Usando este modelo de computadora, Jonas probó diferentes hipótesis sobre cómo funciona la separación de patrones. «Con este modelo no podemos simplemente copiar la biología, sino cambiar sistemáticamente los parámetros y desentrañar los factores. Esto nos permite comprender los cálculos en el cerebro y cómo los factores biológicos respaldan o limitan el cálculo».

El profesor Peter Jonas descubrió un nuevo mecanismo de separación de patrones. Crédito: Peter Rigaud/IST Austria

Históricamente, según los datos del cerebelo, los neurocientíficos pensaban que la separación de patrones se basaba en la expansión: un patrón se proyecta desde una cantidad menor de neuronas a una gran cantidad de neuronas en la siguiente capa de procesamiento . Esto expandiría el patrón y facilitaría la detección de diferencias. Si bien la expansión es un mecanismo potencial en el cerebelo, es menos probable que funcione en el hipocampo, donde las células granulares convergen en un número menor de neuronas CA3 en la siguiente capa.

«Claramente, la expansión puede no será el único mecanismo en el hipocampo», afirma Jonas. «La evidencia de nuestro modelo realista sugiere que la inhibición de las neuronas activas que impiden que otras neuronas se disparen juega un papel importante». Matemáticamente, se ha demostrado que reducir la actividad en una red facilita la distinción de diferencias entre patrones. Usando el modelo del hipocampo, Jonas cuestionó el papel de la inhibición. «Cuando la inhibición es parte del modelo, los patrones se separan sólidamente. Pero cuando eliminamos la inhibición, este ya no es el caso. Estos datos de modelado cambian la visión histórica de la expansión del código a un mecanismo basado en la inhibición».

Los nuevos datos también explican un resultado de una investigación anterior que dejó desconcertado a Jonas. «Anteriormente, encontramos que la inhibición en la circunvolución dentada está restringida localmente. Las neuronas activadas solo inhiben otras células dentro de un radio de 300 micrómetros. Durante mucho tiempo nos hemos preguntado cuál podría ser el papel funcional de tal inhibición focal». El modelo de red muestra que dicha inhibición focal puede separar mejor los patrones que la inhibición global, en la que se amortigua toda la actividad de la red. La velocidad es esencial en la separación de patrones, y la inhibición focal reduce los retrasos: las neuronas en un patrón se encienden e inhiben muy rápidamente las células circundantes, asegurando que otros patrones no se activen. «Es una solución genial, pero no muy intuitiva, y solo pudimos resolver esto usando el modelo», señala Jonas. Como próximo paso, Jonas planea transferir los resultados al sistema biológico y llevar a cabo experimentos de comportamiento, explorando más a fondo cómo la inhibición contribuye a la separación de patrones.

Explore más

La inhibición lateral mantiene separados recuerdos similares Más información: Peter Jonas, Cómo las reglas de conectividad y las propiedades sinápticas dan forma a la eficacia de la separación de patrones en la red gyrusCA3 de la corteza entorrinal, Nature Computational Science (2021). DOI: 10.1038/s43588-021-00157-1. www.nature.com/articles/s43588-021-00157-1 Información de la revista: Nature Computational Science

Proporcionado por el Instituto de Ciencia y Tecnología de Austria Cita: Completo -Modelo biológicamente realista a escala del hipocampo de ratón descubre un nuevo mecanismo para la separación de patrones (16 de diciembre de 2021) consultado el 29 de agosto de 2022 en https://medicalxpress.com/news/2021-12-full-scale-biologically-realistic-mouse- hippocampus.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.