Mundo

Para distinguir contextos, os animais pensam probabilisticamente, o estudo sugere
os pesquisadores do MIT e Harvard propõem um novo entendimento: o processo de
Por Massachusetts Institute of Technology - 02/08/2020


Um labirinto no laboratório Wilson do MIT. Um roedor deve inferir que este é um contexto diferente do que, digamos, um labirinto que utilizou diferentes sinais de forma ou um que tivesse um braço adicional. Um novo estudo sugere que eles pesem as probabilidades de fazê-lo. Crédito: Peter Goldberg

Entre as muitas coisas que os roedores ensinaram aos neurocientistas, está o fato de que em uma região chamada hipocampo, o cérebro cria um novo mapa para cada contexto espacial único - por exemplo, uma sala ou labirinto diferente. Mas os cientistas até agora têm se esforçado para aprender como os animais decidem quando um contexto é novo o suficiente para merecer a criação, ou pelo menos a revisão, desses mapas mentais. Em um estudo no eLife , os pesquisadores do MIT e Harvard propõem um novo entendimento: o processo de "remapeamento" pode ser modelado matematicamente como uma façanha do raciocínio probabilístico dos roedores.

A abordagem oferece aos cientistas uma nova maneira de interpretar muitos experimentos que dependem da medição do remapeamento para investigar a aprendizagem e a memória. O remapeamento é parte integrante dessa busca, porque os animais (e as pessoas) associam o aprendizado ao contexto , e os mapas do hipocampo indicam em que contexto o animal acredita estar.

"As pessoas perguntaram anteriormente 'que mudanças no ambiente fazem com que o hipocampo crie um novo mapa?' mas não houve respostas claras ", disse o principal autor Honi Sanders. "Depende de todos os tipos de fatores, o que significa que a forma como os animais definem o contexto foi envolta em mistério".

Sanders é um pós-doutorado no laboratório do co-autor Matthew Wilson, Sherman Fairchild Professor no Instituto Picower de Aprendizagem e Memória e nos departamentos de Biologia e Ciências Cognitivas e do Cérebro do MIT. Ele também é membro do Centro de Cérebros, Mentes e Máquinas. A dupla colaborou com Samuel Gershman, professor de psicologia em Harvard no estudo.

Fundamentalmente, um problema com o remapeamento que frequentemente levou os laboratórios a relatar resultados conflitantes, confusos ou surpreendentes é que os cientistas não podem simplesmente garantir a seus ratos que eles passaram do Contexto A experimental para o Contexto B, ou que ainda estão no Contexto A, mesmo se alguma condição ambiental, como temperatura ou odor, tiver sido alterada inadvertidamente. Cabe ao rato explorar e inferir que condições como a forma do labirinto, ou cheiro, ou iluminação, ou a posição de obstáculos e recompensas, ou a tarefa que eles devem executar, mudaram ou não o suficiente para provocar uma remapeamento parcial.

Sanders, Wilson e Gershman argumentam que, em vez de tentar entender as medidas de remapeamento com base no que o projeto experimental deve induzir, Sanders, Wilson e Gershman argumentam que os cientistas devem prever o remapeamento, matematicamente, contabilizando o raciocínio do rato usando estatísticas bayesianas, que quantificam o processo de começar com um incerto. pressuposto e depois atualizá-lo à medida que novas informações surgem.

"Você nunca experimenta exatamente a mesma situação duas vezes. A segunda vez é sempre um pouco diferente", disse Sanders. "Você precisa responder à pergunta: 'Essa diferença é apenas o resultado da variação normal nesse contexto ou essa diferença é realmente um contexto diferente?' Na primeira vez em que você experimenta a diferença, não pode ter certeza, mas depois de experimentar o contexto várias vezes e ter uma noção de qual variação é normal e qual não é, você pode perceber imediatamente quando algo está fora de linha . "
 
O trio chama sua abordagem de "inferência do estado oculto" porque, para o animal, a possível mudança de contexto é um estado oculto que deve ser inferido.

No estudo, os autores descrevem vários casos em que a inferência de estado oculto pode ajudar a explicar o remapeamento, ou a falta dele, observado em estudos anteriores.

Por exemplo, em muitos estudos, tem sido difícil prever como a alteração de algumas dicas pelas quais um roedor navega em um labirinto (por exemplo, uma luz ou uma campainha) influenciará se ele faz um mapa completamente novo ou remapeia parcialmente o atual e como Muito de. Principalmente, os dados mostraram que não há uma relação óbvia "individual" entre mudança de sugestão e remapeamento. Mas o novo modelo prevê como, à medida que mais pistas mudam, um roedor pode passar de uma incerteza sobre se um ambiente é novo (e, portanto, parcialmente remapear) para ter certeza suficiente disso para remapear completamente.

Em outro, o modelo oferece uma nova previsão para resolver uma ambiguidade de remapeamento que surgiu quando os cientistas "incrementaram" a forma dos gabinetes de roedores. Vários laboratórios, por exemplo, encontraram resultados diferentes quando familiarizaram os ratos com ambientes quadrados e redondos e depois tentaram medir como e se remapearam quando colocados em formas intermediárias, como um octógono. Alguns laboratórios viram remapeamento completo, enquanto outros observaram apenas remapeamento parcial. O novo modelo prevê como isso pode ser verdade: os ratos expostos ao ambiente intermediário após um treinamento mais longo seriam mais propensos a remapear completamente do que aqueles expostos à forma intermediária no início do treinamento, porque com mais experiência, eles teriam mais certeza de seus ambientes originais e, portanto, mais certo de que o intermediário foi uma mudança real.

A matemática do modelo inclui até uma variável que pode explicar diferenças entre animais individuais. Sanders está analisando se repensar resultados antigos dessa maneira pode permitir que os pesquisadores entendam por que roedores diferentes respondem tão variavelmente a experimentos semelhantes.

Por fim, disse Sanders, ele espera que o estudo ajude os pesquisadores de remapeamento a adotar uma nova maneira de pensar em resultados surpreendentes - considerando o desafio que seus experimentos representam para os sujeitos.

"Os animais não têm acesso direto às identidades de contexto, mas precisam inferi-las", disse ele. "As abordagens probabilísticas capturam a maneira como a incerteza desempenha um papel quando ocorre a inferência. Se caracterizarmos corretamente o problema que o animal está enfrentando, podemos entender resultados diferentes em situações diferentes, porque as diferenças devem resultar de uma causa comum: a maneira como oculta inferência de estado funciona ".

 

.
.

Leia mais a seguir