Transcript 1. Komputationell Neurovetenskap Innan vi åtar oss uppgiften att

En sammanfattning av “Neurocomputational Models of Working Memory” av Daniel Durstewitz,
Jeremy K. Seamans and Terrence J. Sejnowski
Jimi K. B
1. Komputationell Neurovetenskap
Innan vi åtar oss uppgiften att undersöka artikeln så kan det vara på sin plats att först
förstå vad som menas med komputationell neurovetenskap. Området kan vara lite svårt
att definiera exakt eftersom att ”Komputationell neurovetenskap betyder olika saker för
olika människor” som neuroforskaren Lyle Borg-Graham nämner i slutet av artikeln.
Men det är i stort en tvärvetenskaplig disciplin som drar inspiration från flera olika
discipliner så som neurovetenskap, matematik och fysik för att nämna några få. Grunden
ligger i att man med hjälp av biofysik och matematik (även med hjälp av verktyg från
andra eventuella discipliner) skapar modeller av neuroner/neuronaktivitet och
simulerar dessa i en dator. Genom dessa simuleringar kan man sedan forma hypoteser
kring ”riktig” neuronaktivitet och lägga vägen för experimentella studier att testa dessa
på. Modellerna kan vara mer eller mindre baserade på biofysikaliska mekanismer; det
finns till exempel de som ligger väldigt nära hur neuroner och synapser fungerar men
det finns också de som är mer abstrakta och bortser från sådant som temporal och
rumslig dynamik hos dessa. (Inom området finner vi utövare som säger att enbart de
mer biologiskt korrekta modellerna är ”komputationell neurovetenskap” och att de
andra hör hemma annanstans).
2. Prefrontala cortex och upprätthållen aktivitet (och in vitro och in vivo)
Studier har visat att prefrontala cortex är involverad i uppgifter/problem som kräver att
information som presenterats under en kort stund upprätthålls i minnet. Även under
vänteperioden, då försöksobjektet inte längre presenteras information utan måste
förlita sig på sitt minne, finner vi en fortsatt aktivitet i hjärnområdet. Om aktiviteten på
något sätts störs, så som att det bryts ned spontant, störs på elektrisk väg eller om
försöksobjektet i fråga utsätts för distraherande stimuli så ökar risken för fel.
Genom in vitro1 och in vivo2 studier har man observerat att neuronerna beter sig på
olika sätt under experiment som involverar arbetsminnet. De olika
neurokomputationella modellerna som presenteras i artikeln fångar observationerna på
olika sätt, vissa mer än andra.
1. In vitro, neuroner som befinner sig i en artificiell miljö (till exempel hjärnslices i
artificiell cerebrospinalvätska)
2. In vivo, neuroner i sin naturliga miljö, hjärnan inuti skallbenet hos levande organismer.
3. Modeller av arbetsminne
Eftersom att antalet modeller som nämns i artikeln är ganska många, de är oerhört
tekniska och det finns en hel del att säga om dessa kommer vi att i denna granskning av
artikeln enbart ta en lätt titt på Hopfield modellen, Synfire chains och kika på dopamin
simuleringar. Utifrån vad som nämndes ovan i sektion 2 så borde en viktig aspekt som
eventuella modeller av arbetsminnet fånga vara fortsatt aktivitet i nätverket även efter
att stimuli har upphört. Innan vi tittar på dessa är det viktigt att förstå att de olika
modellerna inte nödvändigtvis utesluter varandra, utan att de i vissa fall till och med
komplementerar varandra. Modellerna nedan som de är beskrivna fångar inte direkt
spontan aktivitet som brukar uppstå i hjärnan (vad man observerat), men det finns sätt
att få med denna också.
3.1 Hopfield Modellen
Modellen är mycket gammal och rad förbättringar av olika slag har ägt rum genom åren
för att fånga en mer biologiskt realistisk bild av neurala nätverk. Den, speciellt
förbättringarna, fångar många aspekter som man observerat in vivo under en mängd
olika experiment som involverat arbetsminne. Så som att beroende på under vilken fas
av testet så beter sig neuroner på olika sätt. Vissa neuroner svarar under
presentationsfasen, andra under vänteperioden och ibland under båda. Och framför allt
så har modellen många likheter med mänskligt minne ”så som likhetsbaserad
generalisering och fel tolerans”.
Grunden i modellen utgörs av ett nätverk av ihopkopplade enheter (artificiella neuron),
kopplingen mellan dem utgörs av synaptiska vikter. Eftersom att de är kopplade till
varandra kan aktivitet upprätthållas inom nätverket genom upprepad excitation. Vidare
har vi att neuron som är aktiva tillsammans också har starkare synaptiska vikter medan
de som inte är det får svagare förbindelser. De som är kopplade starkt på detta vis bildar
’cell assemblies’. Notera att eftersom neuronerna är kopplade till varandra kan ett
neuron vara medlem i fler än ett ’cell assembly’. Specifikt är det inom dessa cell
assemblies som aktivitet upprätthålls. Denna interna aktivitet, tillsammans med
neuronernas synaptiska vikter, skulle då utgöra en form av internt minne.
Förbättringarna av modellen innebar mer specifikt en mer korrekt simulering av
neuronernas synapsinput och avfyrningstakt; genom att förklara varje neuron med hjälp
av två strömmar, den totala synaptiska inputen och deras medelavfyrningstakt
(utveckligen i tiden bestäms av en längre differentialekvation). Då fick man tydligt en
upprätthållen aktivitet i nätverket efter stimulering (även efter att denna var totalt
avslagen efteråt).
3.2 Synfire Chains
”Synfire chain” modellen består av separata grupper av sammankopplade neuroner. Till
skillnad från Hopfield modeller så är neuronerna enbart kopplade till varandra inom
sina grupper. Vidare är en annan skillnad att grupperna enbart är av ”feed-forward” art,
grovt uttryck så går signalen in från ena sidan och ut genom andra. Dessa grupper är
sedan kopplade till varandra och bildar slutna loopar. På så vis upprätthålls aktivitet
även under vänteperioden. Man har funnit att just den här gruppdynamiken med feedfoward strömmen äger rum hos hos riktiga neuronkluster in vivo. Dock verkar det som
om att synfire chains kanske är väldigt mottagliga för brus (blir lättstörda) och att det
krävs fler neuron än hos Hopfield modeller för att åstadkomma samma sak. Och detta är
kopplat till just det mindre antalet kopplingar mellan (alla i stort, sett) neuronerna i
sådana här nätverk.
3.3 Dopamin och dess möjliga roll i arbetsminnet
Denna sektion talar om hur spännande det kan vara med avancerade
simuleringsmodeller och vilken nytta de kan ha. Även om dopamins roll när det kommer
till arbetsminnet fortfarande är oklar har simuleringar gett vissa ledtrådar till hur det
kan ligga till. Vid förbättring och simulering av mer biofysikaliskt korrekta
nätverksmodeller, och specifikt där man införde de funktioner som dopamin har, fann
man att aktivitet kunde upprättahållas bättre under vänteperioder [i arbetsminnestest].
Aktiviteten förblev i stort sätt likadan som även efter att nätverket blivit utsatt för
distraherande stimuli. Vilket skulle tala för en viktig roll hos dopamin; att hjälpa till att
upprätthålla information som lagrats i arbetsminnet, dvs bevara fokus, så att uppsatta
mål kan nås.
Simuleringarna har gett upphov till förutsägelser som kunnat påvisas i laboratoriet.
Specifikt att om man, in vivo, delvis stör GABAA receptorer hos ett försöksobjekt så kan
man negativt påverka dess arbetsminneskapacitet.