Aprendizaje estadístico y deriva representacional: un sustrato dinámico para las memorias

Área de la Ciencia:

• La neurociencia
• Neurociencia computacional
• Neurociencia de los sistemas

Sus antecedentes:

• Las neuronas exhiben cambios continuos en las propiedades de afinación durante días, conocidos como deriva representacional.
• Esta deriva ocurre incluso cuando la percepción y el comportamiento permanecen estables.
• Comprender cómo los circuitos neuronales mantienen la función en medio de un cambio constante es un desafío clave.

Objetivo del estudio:

• Revisar el trabajo teórico y experimental sobre la deriva representacional.
• Explorar los mecanismos que mantienen la función estable en los circuitos neuronales.
• Proponer el papel del aprendizaje estadístico en la estabilización de las representaciones neuronales.

Principales métodos:

• Revisión de la literatura teórica y experimental existente.
• Análisis de la dinámica neuronal desde los cambios sinápticos hasta la actividad a nivel de población.
• Integración de conceptos del aprendizaje estadístico y la codificación neuronal.

Principales resultados:

• La deriva representacional surge de los cambios sinápticos que afectan a la sintonización de las neuronas individuales.
• Los patrones de actividad a nivel de población pueden permanecer estables, preservando las similitudes de representación.
• El aprendizaje estadístico se propone como crucial para mantener la estabilidad de la representación en condiciones estables.

Conclusiones:

• Los circuitos neuronales mantienen una función estable a través de procesos dinámicos, no de códigos estáticos.
• El aprendizaje estadístico juega un papel vital en la preservación de la estabilidad de las representaciones.
• Este marco concilia la inestabilidad neuronal con la estabilidad perceptiva, impactando la comprensión del aprendizaje, la memoria y el olvido.