Los científicos precisan un área del cerebro crucial para predecir las consecuencias de las elecciones

[ad_1]

Predecir los resultados de las acciones para tomar buenas decisiones es un papel fundamental de la función cerebral. Se cree que este proceso funciona a través de dos mecanismos fundamentalmente diferentes llamados aprendizaje “sin modelos” y “basado en modelos”. Aunque es fundamental para el comportamiento flexible y adaptativo, la neurobiología del aprendizaje basado en modelos sigue siendo poco conocida.

Ahora, en un estudio publicado en la revista científica Neurona, los científicos determinan un área del cerebro crucial para este tipo de aprendizaje y demuestran cómo su actividad codifica múltiples aspectos del proceso de toma de decisiones.

Desenredar esquemas cognitivos

“El aprendizaje sin modelos y basado en modelos son distintos, pero complementarios”, dice el autor principal, Thomas Akam, investigador de la Universidad de Oxford, que trabajó en este estudio con Rui Costa, investigador del Centro Champalimaud para lo Desconocido y ahora Director y director ejecutivo del Instituto Zuckerman de Columbia, y Peter Dayan, director del Instituto Max Planck de Cibernética Biológica en Tübingen

Mientras que el enfoque basado en modelos se basa en comprender la estructura subyacente del problema y crear un plan, por ejemplo, averiguar la mejor ruta para llegar a un nuevo restaurante, el enfoque sin modelos le permite actuar rápidamente con menos esfuerzo mental en situaciones familiares. situaciones.

El enfoque sin modelo consiste simplemente en optar por acciones que dieron un buen resultado en el pasado. Entonces, en este ejemplo, después de múltiples visitas al restaurante, hacer el viaje se volvería completamente habitual, liberando tu mente para concentrarte en otras cosas “.

Rui Costa, investigador, Centro Champalimaud para lo Desconocido

Según los autores, cambiamos entre estos modos de actuar todo el tiempo sin ni siquiera darnos cuenta. Por ejemplo, si encuentra una carretera cerrada en su ruta habitual al restaurante, puede pasar rápidamente al enfoque basado en modelos para encontrar una alternativa.

“Los dos enfoques a menudo operan en paralelo, lo que crea un desafío en el estudio de la base neuronal de la toma de decisiones basada en modelos”, dice Akam.

Para aislar la contribución de estos dos esquemas cognitivos, los investigadores desarrollaron una nueva tarea experimental.

Un rompecabezas a medida

“Adaptamos una tarea que fue desarrollada originalmente para humanos para que pudiéramos estudiar los mecanismos cerebrales en ratones”, dice Akam.

Los ratones iniciarían una prueba metiendo sus narices en uno de los dos puertos centrales, ubicados uno encima del otro. Esto iluminaría uno de los dos puertos laterales donde los ratones podrían recolectar una recompensa de agua (uno ubicado a la izquierda y el otro a la derecha de los puertos centrales).

Para hacer bien la tarea, los ratones tuvieron que descubrir dos variables clave. La primera era qué puerto lateral era más probable que ofreciera una recompensa. Y el segundo fue cuál de los puertos centrales activó el puerto lateral más gratificante. Una vez que los ratones aprendieron la tarea, optarían por la secuencia de acción que ofreciera el mejor resultado.

Aunque esta tarea puede parecer artificial, Akam señala que captura ciertas características importantes de la toma de decisiones en el mundo real. “Al igual que en la vida real, el sujeto debe realizar secuencias de acciones extensas, con consecuencias inciertas, para obtener los resultados deseados”, explica.

Para promover estrategias de aprendizaje flexibles, de vez en cuando, se produciría uno de dos cambios. “Una manipulación fue cambiar el mapeo entre los puertos centrales y laterales. La otra fue cambiar cuál de los puertos laterales tenía una mayor probabilidad de dar recompensa”, explica Akam.

¿Cómo fue útil este enfoque experimental para desenredar los diferentes esquemas cognitivos? “En principio, la tarea puede resolverse mediante el aprendizaje sin modelos o basado en modelos; los ratones podrían simplemente aprender la predicción sin modelo ‘la parte superior es buena’, o podrían aprender un modelo de la tarea ‘la parte superior lleva a la izquierda, queda para recompensar “, dice Akam. “Sin embargo, estas diferentes estrategias generarían diferentes patrones de elección. Al observar el comportamiento de los sujetos, pudimos evaluar la contribución de cualquiera de los enfoques”.

Cuando el equipo analizó los resultados, unas 230.000 decisiones individuales, se enteraron de que los ratones estaban usando ambos enfoques en paralelo. “Esto confirmó que la tarea era adecuada para estudiar la base neuronal de estos mecanismos”, dice Costa. “Luego pasamos al siguiente paso: investigar la base neuronal de este comportamiento”.

Un mapa neuronal de aprendizaje basado en modelos

El equipo se centró en una región del cerebro llamada corteza cingulada anterior (ACC). “Estudios anteriores establecieron que ACC está involucrado en la selección de acciones y proporcionaron alguna evidencia de que podría estar involucrado en predicciones basadas en modelos”, explicó el Dr. Costa. “Pero nadie había verificado la actividad de las neuronas ACC individuales en una tarea diseñada para diferenciar estos diferentes tipos de aprendizaje”

Sorprendentemente, los investigadores descubrieron que la actividad de las neuronas creaba un mapa que representaba varios aspectos del comportamiento de los ratones. “Al observar el patrón de actividad en la población, pudimos decodificar con mucha precisión en qué parte del ensayo se encontraba el sujeto. Por ejemplo, si estaba a punto de elegir el puerto inferior, o se estaba moviendo desde el puerto superior al puerto correcto, o recibiendo una recompensa a la izquierda “, relata Akam.

Además de representar la ubicación actual del animal en la tarea, las neuronas ACC también codificaron qué estado probablemente vendría después. “Esto proporcionó evidencia directa de que ACC está involucrado en hacer predicciones basadas en modelos de las consecuencias específicas de las acciones, no solo si son buenas o malas”, dice Costa.

Además, las neuronas ACC también representaron si el resultado de las acciones era esperado o sorprendente, proporcionando potencialmente un mecanismo para actualizar las predicciones cuando resultan ser incorrectas.

Finalmente, para probar si el ACC era necesario para la toma de decisiones basada en modelos, el equipo silenció las neuronas del ACC en ensayos individuales mientras los animales decidían qué opción elegir. Como resultado, “los ratones no actualizaron correctamente su estrategia, lo que sugiere que silenciar el ACC evita que los animales usen predicciones basadas en modelos. De acuerdo con esta interpretación, el silenciamiento del ACC tuvo un efecto más fuerte en los sujetos que dependían más de una estrategia basada en modelos”. , Explica Akam.

“Estos resultados fueron muy emocionantes”, señala Costa. “Estos datos identifican la corteza cingulada anterior como una región clave del cerebro en la toma de decisiones basada en modelos, más específicamente para predecir lo que sucederá en el mundo si elegimos realizar una acción en particular frente a otra”.

Próximos pasos

Según los autores, un gran desafío en la neurociencia contemporánea es comprender cómo el cerebro controla comportamientos complejos como la planificación y la toma de decisiones secuencial. “Nuestro estudio es uno de los primeros en demostrar que es posible estudiar estos aspectos de la toma de decisiones en ratones”, dice Akam.

“Estos resultados nos permitirán a nosotros ya otros utilizar las poderosas herramientas para monitorear y manipular la actividad cerebral disponibles en esta especie para construir una comprensión mecanicista de la toma de decisiones flexible”, concluye.

.

[ad_2]

Source link