Parmi les nombreuses choses que les rongeurs ont enseignées aux neuroscientifiques, c'est que dans une région appelée l'hippocampe, le cerveau crée une nouvelle carte pour chaque contexte spatial distinctive - par exemple, une pièce ou un labyrinthe différent. Mais les scientifiques ont jusqu'à présent eu du mal à apprendre comment les animaux décident quand un contexte est suffisamment nouveau pour mériter de créer, ou du moins de réviser, ces cartes mentales. Dans une étude sur eLife, des chercheurs du MIT et de Harvard proposent une nouvelle compréhension: le processus de «remappage» peut être mathématiquement modélisé comme un exploit de raisonnement probabiliste par les rongeurs.




L'approche offre aux scientifiques une nouvelle façon d'interpréter de nombreuses expériences qui dépendent de la mesure du remappage pour étudier l'apprentissage et la mémoire. Le remappage fait partie intégrante de cette poursuite, car or truck les animaux (et les personnes) associent étroitement l'apprentissage au contexte, et les cartes de l'hippocampe indiquent dans quel contexte un animal se croit être.

Pour distinguer les contextes, les animaux pensent de manière probabiliste, suggère une étude

"Les gens ont déjà demandé" Quels changements dans l'environnement poussent l'hippocampe à créer une nouvelle carte? " mais il n'y a pas eu de réponses claires », a déclaré l'auteur principal Honi Sanders. "Cela dépend de toutes sortes de facteurs, ce qui signifie que la façon dont les animaux définissent le contexte a été entourée de mystère."

Sanders est publish-doctorant dans le laboratoire du co-auteur Matthew Wilson, professeur Sherman Fairchild au Picower Institute for Understanding and Memory et aux départements de biologie et de sciences du cerveau et cognitives du MIT. Il est également membre du Middle for Brains, Minds and Equipment. Le pair a collaboré avec Samuel Gershman, professeur de psychologie à Harvard sur l'étude.



Fondamentalement, un problème de remappage qui a souvent conduit les laboratoires à rapporter des résultats contradictoires, déroutants ou surprenants est que les scientifiques ne peuvent pas simplement assurer à leurs rats qu'ils sont passés du contexte expérimental A au contexte B, ou qu'ils sont toujours dans le contexte A, même si certaines circumstances ambiantes, comme la température ou l'odeur, ont changé par inadvertance. Il appartient au rat d'explorer et de déduire que des conditions telles que la forme du labyrinthe, l'odeur, l'éclairage, la placement des road blocks et les récompenses, ou la tâche à accomplir, ont ou n'ont pas suffisamment changé pour déclencher un remappage partiel.

Ainsi, plutôt que d'essayer de comprendre les mesures de remappage basées sur ce que la conception expérimentale est censée induire, Sanders, Wilson et Gershman soutiennent que les scientifiques devraient prédire le remappage en tenant compte mathématiquement du raisonnement du rat à l'aide de statistiques bayésiennes, qui quantifient le processus de départ avec un hypothèse, puis la mettre à jour au fur et à mesure que de nouvelles informations émergent.

"Vous ne rencontrez jamais exactement la même circumstance deux fois. La deuxième fois est toujours légèrement différente", a déclaré Sanders. "Vous devez répondre à la concern:" Cette différence est-elle simplement le résultat d'une variation normale dans ce contexte ou cette différence est-elle en fait un contexte différent? " La première fois que vous ressentez la différence, vous ne pouvez pas être sûr, mais après avoir expérimenté le contexte à plusieurs reprises et avoir une idée de la variation normale et de celle qui ne l'est pas, vous pouvez détecter immédiatement lorsque quelque chose ne correspond pas. . "

Le trio appelle leur approche «inférence d'état caché» car or truck pour l'animal, le changement éventuel de contexte est un état caché qu'il faut inférer.

Dans l'étude, les auteurs décrivent plusieurs cas dans lesquels l'inférence d'état caché peut aider à expliquer le remappage, ou son absence, observé dans les études antérieures.

Par exemple, dans de nombreuses études, il a été difficile de prédire comment le changement de certains des signaux par lesquels un rongeur navigue dans un labyrinthe (par exemple une lumière ou un buzzer) influera sur le fait qu'il crée une carte complètement nouvelle ou remappe partiellement la carte actuelle et remark beaucoup. La plupart du temps, les données ont montré qu'il n'y a pas de relation «un à un» évidente entre le changement de repère et le remappage. Mais le nouveau modèle prédit comment, à mesure que de in addition en furthermore d'indices changent, un rongeur peut passer de l'incertitude quant à savoir si un environnement est nouveau (et donc partiellement remappé) à devenir suffisamment sûr de cela pour le remapper complètement.

Dans un autre, le modèle offre une nouvelle prédiction pour résoudre une ambiguïté de remappage qui est apparue lorsque les scientifiques ont progressivement «transformé» la forme des enclos de rongeurs. Plusieurs laboratoires, par exemple, ont trouvé des résultats différents lorsqu'ils ont familiarisé les rats avec des environnements carrés et ronds, puis ont essayé de mesurer remark et s'ils se remappaient lorsqu'ils étaient placés dans des formes intermédiaires, comme un octogone. Certains laboratoires ont observé un remappage complet tandis que d'autres n'ont observé qu'un remappage partiel. Le nouveau modèle prédit remark cela pourrait être vrai: les rats exposés à l'environnement intermédiaire après un entraînement additionally lengthy seraient in addition susceptibles de se remapper complètement que ceux exposés à la forme intermédiaire as well as tôt à l'entraînement, car or truck avec plus d'expérience, ils seraient furthermore sûrs de leur environnement d'origine. et donc plus selected que l'intermédiaire était un vrai changement.

Les mathématiques du modèle incluent même une variable qui peut rendre compte des différences entre les animaux individuels. Sanders cherche à savoir si repenser les anciens résultats de cette manière pourrait permettre aux chercheurs de comprendre pourquoi différents rongeurs répondent de manière si variable à des expériences similaires.

En fin de compte, a déclaré Sanders, il espère que l'étude aidera ses collègues chercheurs à remapper à adopter une nouvelle façon de penser des résultats surprenants - en tenant compte du défi que leurs expériences posent à leurs sujets.

"Les animaux n'ont pas un accès direct aux identités contextuelles, mais doivent les inférer", a-t-il déclaré. «Les approches probabilistes capturent la manière dont l'incertitude joue un rôle lors de l'inférence. Si nous caractérisons correctement le problème auquel l'animal est confronté, nous pouvons donner un sens à des résultats différents dans différentes conditions, car or truck les différences doivent provenir d'une bring about commune: la manière dont l'inférence d'état fonctionne. "

La National Science Foundation a financé la recherche.