逆转后的探索行为被STN-GPe突触可塑性预测在基底腺模型中

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 计算神经科学是一种神经科学.

背景情况:

• 经典的反向学习任务评估了从先前的成功行为中脱离的参与.
• 这些任务不能完全捕捉环境变化后的替代反应的探索.
• 了解探索对于理解适应性行为至关重要.

研究的目的:

• 引入一个新的5个选择逆转学习任务,以调查探索后逆转.
• 为了比较人类的探索性跳动行为与基底的神经计算模型的预测.
• 阐明反向学习中探索偏差背后的机制.

主要方法:

• 开发一个5个选择的反转学习任务,交替的位置奖励意外情况.
• 基底关节通路的神经计算建模,结合了一种新的突触可塑性规则.
• 用模型模拟对人类动行为数据进行比较.

主要成果:

• 神经计算模型,使用一个新的突触可塑性规则用于STN-GPe连接,预测探索偏向向先前奖励的位置.
• 模型模拟和人类数据都表明,随着时间的推移,探索变得局限于过去的奖励位置.
• 复杂的探索性行为源于一个简单的基底腺子子电路.

结论:

• 这项研究突出了基底质内的特定子电路如何产生复杂的探索性行为.
• 逆向学习中的探索不是随机的,而是可以根据过去的奖励历史产生偏见.
• 这些发现提供了关于适应性决策和学习的神经机制的见解.