¿Cómo y dónde, en el cerebro humano, se almacenan los recuerdos?

Fondo

Soy un programador de computadoras fascinado por la inteligencia artificial y las redes neuronales artificiales, y cada vez siento más curiosidad por saber cómo funcionan las redes neuronales biológicas.

Contexto y lo que creo que entiendo

Al digerir todo lo que he estado leyendo, estoy empezando a comprender que hay capas en las redes neuronales. Una capa de neuronas de primera línea puede recibir, por ejemplo, un estímulo visual como una luz brillante. Ese estímulo es captado por las neuronas de primera línea, cada una de las cuales produce una respuesta electroquímica ponderada que da como resultado una decisión binaria de pasar una carga eléctrica a través de su axón a las dendritas de las decenas de miles de neuronas a las que está conectado. conectado.

Este proceso se repite a través de capas que canalizan las señales eléctricas y las enfocan en función de sus permutaciones hasta que finalmente se pasa una carga a un mecanismo de respuesta enfocado, como los nervios que controlan el encogimiento de las pupilas.

Espero haberlo entendido bien.

Preámbulo de la pregunta ;)

Suponiendo que no estoy completamente equivocado con mi comprensión básica de cómo funciona una red neuronal biológica, estoy empezando a comprender cómo una entrada (estímulo) da como resultado una salida (respuesta) como un movimiento motor o reflejos. Eso parecería ser electricidad básica de circuitos abiertos y cerrados.

SIN EMBARGO, lo que todavía me confunde es cómo se almacena un recuerdo. La analogía con un circuito eléctrico se rompe aquí, porque en un circuito realmente no puedo detener el flujo de electrones a menos que retenga dichos electrones en un capacitor. Si hago eso, una vez que se liberan los electrones (se accede a ellos), se van para siempre mientras perdura un recuerdo.

Asi que. . .

¿Cómo diablos se construyen y almacenan los recuerdos en el cerebro humano? ¿Están almacenados en una región específica? ¿Si es así, donde?

En cuanto a las alteraciones del tamaño de la pupila, es el músculo circular del iris el que controla el tamaño de la pupila. Los efectores son siempre músculos o glándulas, no nervios. De lo contrario en el clavo :)
“la analogía con un circuito eléctrico se descompone aquí” – no es realmente una analogía, y no se descompone. Así es como funciona el cerebro: no una analogía, sino el mecanismo real. La única parte que falta es la dinámica en la estructura.
@Rory - Pero los nervios controlan los músculos, ¿no? Eso es lo que ciertamente quiere decir Mateo.
¿Qué quiere decir con "enfocarlos en función de sus permutaciones"? La permutación generalmente significa una biyección de un conjunto sobre sí mismo o simplemente una reorganización. ¿A qué te refieres con reorganizar las señales eléctricas?

Respuestas (3)

Desafortunadamente, todos todavía estamos "desconcertados" por cómo funciona la memoria. Estamos lejos de una comprensión completa de cómo se almacena y recupera la memoria. No obstante, sabemos un poco , así que sigue leyendo.

Su comprensión de la función neuronal básica es casi correcta. Primero, una neurona individual enviará señales a través de su único axón a las dendritas de muchas neuronas aguas abajo, y no al revés. En segundo lugar, no estoy seguro de lo que quiere decir con "enfocarlos en función de sus permutaciones", pero es cierto que la información neuronal puede sufrir muchas transformaciones a medida que se propaga a través de un circuito. Tercero, si hay un resultado conductual de la actividad de la red, como una respuesta muscular o una liberación de hormonas, esos efectos están mediados por los nervios que se comunican con los músculos y las células liberadoras de hormonas. No estoy seguro de si eso es lo que quiso decir con "mecanismo de respuesta enfocada".

Finalmente, como ha descubierto, la analogía de los circuitos neuronales con los circuitos eléctricos es relativamente pobre en cualquier nivel de análisis razonablemente sofisticado. Mi opinión es que los sistemas biológicos a menudo se ven mal si se los enmarca como problemas de ingeniería. Otros no estarán de acuerdo con eso, pero creo que comprender un sistema biológico en sus propios términos hace que muchas cosas sean mucho más claras.

La clave que falta en la analogía del circuito eléctrico resulta ser una de las claves para comprender el almacenamiento de información en los circuitos neuronales : la sinapsis , el sitio donde una neurona se comunica con otra. La sinapsis transforma la señal eléctrica de la neurona aguas arriba en una señal química. Esa señal química luego se convierte nuevamente en una señal eléctrica por la neurona corriente abajo.

La fuerza de la sinapsis se puede ajustar a largo plazo cambiando el nivel de expresión de la proteína; esto se denomina potenciación a largo plazo (LTP) o depresión a largo plazo (LTD) . Por lo tanto, LTP y LTD pueden regular la facilidad con la que la información puede fluir a lo largo de un camino particular. Como ejemplo básico (que no debe tomarse demasiado en serio), imagine un conjunto de neuronas que represente "Nueva York" y otro conjunto de neuronas que represente a "Mi amigo John". Si luego se encuentra en la ciudad de Nueva York con su amigo John, ambos grupos de neuronas estarán activos y las sinapsis entre estas dos redes se fortalecerán porque son coactivas (ver plasticidad de Hebbian ).). De esta manera, la idea de NYC y la idea de John ahora están unidas.

¿Dónde están estas neuronas que representan a NYC y John? Todavía no lo tenemos del todo claro, y la cuestión es complicada porque hay muchos tipos diferentes de memoria. Por ejemplo, su memoria de cómo andar en bicicleta (memoria de procedimiento) no se trata de la misma manera que su memoria de lo que comió en el desayuno (memoria episódica). Sin embargo, la mejor respuesta actual es que el hipocampo y sus regiones asociadas son importantes para la codificación inicial de los recuerdos y el neocórtex es donde se almacenan los recuerdos a más largo plazo. Existe una comunicación sustancial entre estas dos áreas para que los recuerdos se puedan ajustar de manera efectiva con el tiempo.


Actualizar

En respuesta al comentario de Jule solicitando algunos recursos, me doy cuenta de que es importante señalar que el modelo Hebbian que describí no se ha mostrado definitivamente. Al igual que con todos los aspectos de la neurociencia, hay mucho buen trabajo a nivel molecular y celular y buen trabajo a nivel conductual, pero el vínculo causal entre los dos no es tan claro. No obstante, la idea de Hebb sigue siendo el modelo de trabajo principal sobre cómo funciona la memoria. Algunas lecturas pueden incluir:

1) Neves, G., Cooke, SF, Bliss, TVP, 2008. Plasticidad sináptica, la memoria y el hipocampo: un enfoque de red neuronal para la causalidad. Nature Reviews Neurociencia 9, 65–75. Una revisión sobre la memoria del hipocampo y su relación con LTP/LTD y la teoría hebbiana. Señala la dificultad general de probar la teoría y algunas formas de avanzar en los experimentos.

2) Lisman, J., Grace, AA, Duzel, E., 2011. Un marco neohebbiano para la memoria episódica; papel de la LTP tardía dependiente de dopamina. Tendencias en Neurociencias 34, 536–547. Una revisión que propone una elaboración del modelo hebbiano que incluye la influencia neuromoduladora sobre la plasticidad y el proceso de memoria.

3) Johansen, JP, Cain, CK, Ostroff, LE, LeDoux, JE, 2011. Mecanismos moleculares del miedo, el aprendizaje y la memoria. Celda 147, 509–524. . Una excelente revisión sobre el aprendizaje del miedo y la memoria con una extensa sección sobre la teoría hebbiana.

4) Liu, X., Ramirez, S., Pang, PT, Puryear, CB, Govindarajan, A., Deisseroth, K., Tonegawa, S., 2012. La estimulación optogenética de un engrama del hipocampo activa el recuerdo de la memoria del miedo. Naturaleza. Un artículo de investigación que es quizás una realización de algunas de las sugerencias de la revisión de Neves et al. Usan la luz para reactivar un recuerdo de miedo. Esto sugiere que la activación de la red del hipocampo que estuvo activa durante la formación de la memoria es suficiente para provocar la memoria.

¿Tiene una referencia a un artículo que resuma la evidencia experimental de esta teoría?
Gracias una vez más, Yamad, por tu completa respuesta sobre este fascinante tema.
Para obtener más información sobre las formas en que el sistema nervioso es plástico, consulte mi respuesta aquí biology.stackexchange.com/a/1359/72
Los recuerdos no se almacenan en sinapsis: Scientificamerican.com/article/…

Me gustaría señalar algunas formas en que su comprensión es incorrecta. Las "redes neuronales" suelen ser un término informático, pero muy vagamente basado en las redes neuronales reales. La idea de las capas en una red neuronal es más o menos una invención de la informática, en realidad no refleja la realidad. Además, las neuronas no son interruptores binarios. No se trata tanto de encendido/apagado, sino de un código de tasa temporal de potenciales de acción. El cerebro real es una especie de estocástico, y realmente no funciona en el nivel del potencial de acción único.

La adaptación del término "redes neuronales" por parte de esos astutos informáticos es desafortunada. Su trabajo prácticamente no tiene relación con las redes neuronales reales.

Creo que exageras la diferencia con las redes neuronales. Por ejemplo, a menudo no son binarios, sino que tienen una función de transición suave (una idea copiada de la biología), son estocásticos (una idea copiada de la biología) y no funcionan al nivel de un solo AP. La adaptación del término no es desafortunada, es consecuencia de donde vino la inspiración. Casi todos los conceptos de CS tienen esa inspiración, y muchos conceptos que no son de CS también la tienen (¿alguna vez has visto una grúa ?).
@KonradRudolph Simplemente no se acercan a la complejidad de una red neuronal real. Incluso los neurocientíficos computacionales, que intentan explícitamente modelar neuronas, se quedan cortos. Es una desafortunada adaptación de términos porque ahora "red neuronal" ya no se refiere a una red de neuronas. Se refiere a un crudo simulacro de una red neuronal. El grado en que los informáticos han descuidado la biología es preocupante y ha atrofiado el campo de la IA.
@Preece Estoy de acuerdo con todos tus comentarios, excepto con la última oración. La biología no se está descuidando, simplemente no es relevante: las redes neuronales en CS resuelven un problema, y ​​ese problema no es "tratar de modelar la biología con la mayor precisión posible", ni está tratando de crear una IA "clásica". Es simplemente una herramienta estadística para la coincidencia/agrupación de patrones. Dicho esto, modelar la biología con precisión sería interesante por derecho propio; no se hace por una simple razón: no es computacionalmente factible.
@KonradRudolph hay más en mirar la Biología que en tratar de modelar el sistema nervioso. Las estructuras neuronales son implementaciones de algoritmos. Creo que analizar estos algoritmos está en el corazón de la investigación de IA. No es necesario modelar neuronas para modelar algoritmos neuronales. Tratar de obtener IA sin analizarlos proporcionará (ha proporcionado) muchas cosas interesantes, pero el potencial del campo apenas se aprovecha.
@Preece Pero gran parte del trabajo con redes neuronales no se realiza realmente en un contexto de investigación de IA, es simplemente una herramienta en estadísticas, y aquí las personas solo están interesadas en propiedades estadísticas, y es fácil mostrar que una sola capa oculta ANN es tan expresiva matemáticamente como cualquier versión más compleja, por lo que las versiones más complejas no solo son poco prácticas, sino innecesarias. Y en el AI / comp. Desde el lado de la neurociencia, se ha investigado mucho en esta área.

Puedo hacer una analogía aproximada en términos de almacenamiento de medios digitales.

Nuestros recuerdos existen como una relación entre nuestras percepciones y nuestras sensaciones. Las computadoras almacenan entradas fácilmente. Sin embargo, los humanos almacenan recuerdos perceptivamente. Esto significa quiénes somos y cómo recordamos un evento cambia permanentemente nuestra memoria.

Si observa la progresión de los códecs de video con pérdida a medida que aumenta la resolución, verá que los algoritmos han cambiado. Cada generación se ha acostumbrado a ver ciertos tipos de artefactos de video: desde películas hasta estáticas analógicas, vhs y h.264. Piense en los algoritmos como modos individuales de percepción.

Tenemos antiguos circuitos basales que permiten que las áreas de la corteza visual y frontal colaboren en la formación de recuerdos. No es un proceso objetivo. Todos tenemos nuestros propios algoritmos.

Otro post tuyo muy interesante. ¡Gracias!