Prefrontal circuits underlying working memory encoding and maintenance
Pollán Hauer, Nicolás
Wimmer , Klaus, dir.
Alsedà i Soler, Lluís, dir.

Fecha: 2023
Resumen: La memòria de treball, la capacitat de mantenir i manipular informació a la nostra ment quan ja no està disponible a l'entorn, és una funció central de la nostra capacitat cognitiva. Un dels correlats neuronals més importants d'aquesta funció són les anomenades neurones persistents, que responen selectivament a l'estimulació sensorial i mantenen la seva activitat pronunciada fins i tot després d'eliminació de l'estímul. Aquest fenomen, observat amb més freqüència a l'escorça prefrontal, ha estat descrit amb èxit mitjançant models de xarxes neuronals amb dinàmica d'atractor. Tot i això, només unes poques de les neurones involucrades en tasques de memòria de treball tenen activitat persistent. A més, l'anàlisi dels registres experimentals a nivell de població revela que el codi experimenta un canvi entre la presentació de l'estímul i l'època de retenció, cosa que no és compatible amb un codi que només depèn de cèl·lules persistents establement actives . Aquesta troballa ha motivat la proposta de mecanismes alternatius, però els models computacionals actuals que expliquen la dinàmica no inclouen èpoques estables o no proporcionen una interpretació mecanística clara. En aquesta tesi, utilitzem anàlisi de dades estadístiques i modelatge de xarxes neuronals per investigar si subpoblacions neuronals especialitzades subjauen als codis de memòria de treball estables i dinàmics. Primer, investiguem la connexió entre la dinàmica observada al codi de la memòria de treball i l'estructura funcional dels circuits prefrontals. Analitzem registres prefrontals de micos macacos i observem que la selectivitat no es distribueix aleatòriament entre les neurones. L'estructure o no aleatoritat de la distribució de selectivitat està relacionada amb subpoblacions funcionals amb activitats dispars que explica la transició de dinàmic a estable al codi de la memòria de treball. En segon lloc, desenvolupem un model computacional que representa tres subpoblacions funcionals com a xarxes d'atractors que funcionen en diferents règims dinàmics. El model il·lustra com l'estructura de subpoblacions, que implica diferents neurones actives a les diferents èpoques d'una tasca, està directament relacionada amb la transició dinàmica al codi. A més, mostrem com l'arquitectura de tres xarxes es pot ampliar fàcilment per tenir en compte característiques addicionals, com ara activitat de rampa i períodes de retenció variables. En tercer lloc, les nostres xarxes basades en subpoblacions tenen lavantatge funcional de ser robustes contra estímuls distractors. El model captura la vulnerabilitat observada experimentalment als distractors que es presenten poc després de l'eliminació de l'estímul. A més, prediu que la retroalimentació "de dalt a baix" (top-down) millora la solidesa de la xarxa en general. En resum, mostrem com la presència de subpoblacions funcionals a l'escorça prefrontal pot estar relacionada amb la transició dinàmica a estable en el codi de la memòria de treball i amb més capacitat per filtrar estímuls distractors. En conclusió, el nostre treball reconcilia la dinàmica d'atractors amb els canvis dinàmics observats en el codi, suggerint encara que la dinàmica dels atractors és essencial per a la memòria de treball.
Resumen: La memoria de trabajo, la capacidad de mantener y manipular información en nuestra mente cuando ya no está disponible en el entorno, es una función central de la nuestra capacidad cognitiva. Uno de los correlatos neuronales más importantes de esta función son las llamadas neuronas persistentes, que responden selectivamente a la estimulación sensorial y mantienen su mayor actividad incluso después de eliminar el estímulo. Este fenómeno, observado con mayor frecuencia en la corteza prefrontal, ha sido descrito con éxito mediante modelos de redes neuronales con dinámica de atractor. Sin embargo, sólo unas pocas de las neuronas involucradas en tareas de memoria de trabajo tienen actividad persistente. Además, el análisis de los registros experimentales a nivel de población revela que el código sufre un cambio entre la presentación del estímulo y las época de retención, lo que no es compatible con un código de memoria de trabajo que solo depende de células persistentes establemente activas. Este hallazgo ha motivado la propuesta de mecanismos alternativos, pero los modelos computacionales actuales que explican la dinámica no incluyen épocas estables o no proporcionan una interpretación mecanística clara. En esta tesis, utilizamos análisis de datos estadísticos y modelado de redes neuronales para investigar si subpoblaciones neuronales especializadas subyacen a los códigos de memoria de trabajo estables y dinámicos. Primero, investigamos la conexión entre la dinámica observada en el código de la memoria de trabajo y la estructura funcional de los circuitos prefrontales. Analizamos registros prefrontales de monos macacos y observamos que la selectividad no se distribuye aleatoriamente entre las neuronas. La estructure o no aleatoridad de la distribución de selectividad está relacionada con subpoblaciones funcionales con actividades dispares que explica la transición de dinámico a estable en el código de la memoria de trabajo. En segundo lugar, desarrollamos un modelo computacional que representa tres subpoblaciones funcionales como redes de atractores que funcionan en diferentes regímenes dinámicos. El modelo ilustra cómo la estructura de subpoblaciones, que implica diferentes neuronas activas en las diferentes épocas de una tarea , está directamente relacionada con la transición dinámica en el código. Además, mostramos cómo la arquitectura de tres redes se puede ampliar fácilmente para tener en cuenta características adicionales, como actividad de rampa y períodos de retención variables. En tercer lugar, nuestras redes basadas en subpoblaciones tienen la ventaja funcional de ser robustas contra estímulos distractores. El modelo captura la vulnerabilidad observada experimentalmente a los distractores que se presentan poco después de la eliminación del estímulo. Además, predice que la retroalimentación "de arriba hacia abajo" (top-down) mejora la solidez de la red en general. En resumen, mostramos cómo la presencia de subpoblaciones funcionales en la corteza prefrontal puede estar relacionada con la transición dinámica a estable en el código de la memoria de trabajo y con una mayor capacidad para filtrar estímulos distractores. En conclusión, nuestro trabajo reconcilia la dinámica de atractores con los cambios dinámicos observados en el código, sugiriendo aún que la dinámica de atractores es esencial para la memoria de trabajo.
Resumen: Working memory, the capacity to maintain and manipulate information in our minds when it is no longer available in the environment, is a central function of cognition. One of the most important neuronal correlates of this cognitive function are the so-called persistent neurons, which respond selectively to sensory stimulation and sustain their increased activity even after removing the stimulus. This phenomenon, most frequently observed in the prefrontal cortex, has been successfully described by neural network models with attractor dynamics. However, only a few of the neurons engaged in working memory tasks have persistent activity. Moreover, analysis of the experimental recordings at the population level reveals that the code undergoes a change between the stimulus presentation and the maintenance epochs, which is not compatible with a working memory code that would only rely on stably active persistent cells. The prevalence of this finding has motivated the proposal of alternative mechanisms, but current computational models that explain dynamics fail to include stable epochs or do not provide a clear mechanistic interpretation. In this thesis, we use statistical data analysis and neural network modeling to investigate whether specialized neuronal subpopulations underlie the stable and dynamic working memory codes. First, we investigated the connection between the observed dynamics in the working memory code and the functional structure of the prefrontal circuits. We analyzed prefrontal recordings from behaving macaque monkeys and observed that feature selectivity is non-randomly distributed across the neurons. This non-random or structured feature selectivity distribution is related to functional distinct subpopulations whose contrasting activity explains the dynamic to stable transition in the working memory code. Second, we developed a computational model that represents three functional subpopulations as attractor networks working on different dynamic regimes. The model illustrates how the population structure, which implies different neurons active at different task epochs, is directly related to the dynamic transition in the code. Furthermore, we show how the three-network architecture can be easily extended to account for additional features, such as ramping activity and variable maintenance periods. Third, our subpopulation-based networks have the functional advantage of being robust against distracting stimuli. The model captures the experimentally observed vulnerability to distractors presented shortly after stimulus removal. Moreover, it predicts that top-down feedback enhances the overall network's robustness. In summary, we show how the presence of functional subpopulations in the prefrontal cortex can be related to the dynamic to stable transition in the working memory code and to an enhanced capacity to filter out distracting stimuli. In conclusion, our work reconciles attractor dynamics with the observed dynamic changes in the code, still suggesting that attractor dynamics are essential for working memory maintenance.
Nota: Universitat Autònoma de Barcelona. Programa de Doctorat en Matemàtiques
Derechos: Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades. Creative Commons
Lengua: Anglès
Colección: Programa de Doctorat en Matemàtiques
Documento: Tesi doctoral ; Text ; Versió publicada
Materia: Memòria de treball ; Working memory ; Memoria de trabajo ; Escorça prefrontal ; Prefrontal cortex ; Corteza prefrontal ; Dinàmica d'atractors ; Attractor dynamics ; Dinámica de atractores ; Ciències Experimentals

Adreça alternativa: https://hdl.handle.net/10803/691342


Disponible a partir de: 2025-11-30

El registro aparece en las colecciones:
Documentos de investigación > Tesis doctorales

 Registro creado el 2024-06-07, última modificación el 2024-06-10



   Favorit i Compartir