O cérebro está constantemente armazenando novas experiências que ele tem que integrar na confusão de memórias existentes. Surpreendentemente, ele não sobrescreve traços de memória anteriores no processo.
O primeiro dia de aula: entrar na sala de aula pela primeira vez, a sensação de excitação no estômago e a alegria de ter uma mochila escolar – todos esses são exemplos típicos de memórias da nossa memória episódica. Ela armazena episódios pessoais únicos em uma ordem temporal e espacial e os vincula a experiências subjetivas. Em um estudo no Institut für Neuroinformatik da Faculdade de Ciência da Computação da Universidade Ruhr Bochum, Alemanha, uma equipe liderada pelo Professor Laurenz Wiskott desenvolveu um novo modelo computacional de memória episódica e, assim, fez um progresso significativo na compreensão do hipocampo – a região do cérebro que é crucial para a formação de novas memórias episódicas. O trabalho foi publicado em 20 de junho de 2024 no periódico PLOS ONE.
Armazenamento confiável de sequências sem destruir memórias anteriores
A memória episódica é uma base importante para nossa história de vida pessoal. Ela nos ajuda a formar nossa identidade armazenando e conectando experiências e eventos passados na ordem correta. “Isso acontece por meio de mudanças nas conexões entre as células nervosas em nosso cérebro”, explica Laurenz Wiskott. “Um fenômeno até agora inexplicável era como o cérebro humano é capaz de fazer essas mudanças sem esquecer outras memórias – mesmo que a experiência seja vista apenas uma vez e, portanto, não possa ser lenta e cuidadosamente integrada ao diagrama de circuito das células nervosas.” O modelo de computador inovador dos pesquisadores de Bochum torna possível recriar precisamente essa capacidade natural do cérebro humano: armazenar sequências de forma confiável após uma única apresentação sem destruir memórias anteriores.
O modelo foca nos princípios de auto-organização no hipocampo e é baseado na teoria CRISP do Professor Sen Cheng, também pesquisador da Universidade Ruhr Bochum. A abreviação significa Representação de Conteúdo, Sequências Intrínsecas e Conclusão de Padrões. Em particular, o modelo redefine a função da chamada região CA3 no hipocampo. “Anteriormente, presumia-se que as memórias episódicas eram armazenadas diretamente na rede CA3”, diz o primeiro autor Dr. Jan Melchior. “No entanto, agora usamos a região CA3 apenas como um tipo de ponto de ancoragem para a memória. O armazenamento ocorre nas regiões que vêm antes e depois do CA3.”
Uma rede neural como uma biblioteca bem organizada
Para conseguir isso, a equipe de pesquisa treinou a região CA3 em seu modelo com pré-informações e, assim, figurativamente falando, montou uma biblioteca bem organizada no CA3. “Quando novos livros, ou seja, novas experiências, são adicionados, a biblioteca não precisa ser completamente reorganizada. Em vez disso, os novos livros são adicionados à estrutura existente e vinculados a prateleiras e categorias existentes”, continua Jan Melchior. Isso economiza tempo e mantém a biblioteca bem organizada.
A região CA3 permanece estável no modelo e pode trabalhar eficientemente sem a necessidade de adaptar constantemente sua estrutura interna. Isso torna o processamento e o armazenamento de informações mais rápidos e confiáveis. Mudanças neurais durante o processo de aprendizagem ocorrem exclusivamente em regiões adjacentes.
Os resultados da simulação convenceram os pesquisadores. “Ainda considero a robustez do modelo surpreendente”, diz Laurenz Wiskott. “Mesmo com dicas incompletas ou incorretas, uma única apresentação de uma sequência de padrões pode ser armazenada, lembrada e recuperada de forma confiável.” “O modelo funciona não apenas com sequências geradas artificialmente, mas também com números escritos à mão e imagens naturais”, acrescenta Jan Melchior. “Ele também pode melhorar a si mesmo sem entrada adicional, repetindo repetidamente o que aprendeu.”
O estudo faz parte de um projeto de pesquisa maior com foco na memória episódica. “Presumimos que o conteúdo incompleto da memória pessoal e o conhecimento semântico geral se complementam e ajudam a recuperar memórias plausíveis – mesmo que elas nem sempre sejam totalmente precisas”, explica Laurenz Wiskott, que vem conduzindo pesquisas nas áreas de aprendizado de máquina e neurociência computacional na Ruhr University Bochum desde 2008 e é um pesquisador principal no Departamento de Pesquisa de Neurociência. Este conceito maior está sendo explorado atualmente em
Jan Melchior, Aya Altamimi, Mehdi Bayati, Sen Cheng, Laurenz Wiskott: Um modelo de rede neural para armazenamento on-line único de sequências de padrões, em: PLOS ONE, 2024, DOI: 10.1371/journal.pone.0304076
As imagens selecionadas são baixadas como um arquivo ZIP.
As legendas e os créditos das imagens ficam disponíveis no arquivo HTML após a descompactação.