Neural Network Dynamics Underlying Flexible Adjustment of Temporal Evidence Weighting in Perceptual Decision-Making

Resum

En la presa de decisions perceptives, la informació sensorial s'acumula al llarg del temps per arribar a una decisió categòrica. Aquest procés d'acumulació pot seguir diferents estratègies, on certs moments de l'estímul tenen més pes en la decisió que d'altres. Aquestes estratègies de ponderació temporal s'han relacionat amb diversos mecanismes subjacents, com l'acumulació limitada, que prioritza la informació primerenca de l'estímul (ponderació per primacia); la integració perfecta, que tracta tota la informació de manera uniforme (ponderació uniforme); i la integració amb fuites, que afavoreix la part final de l'estímul (ponderació per recència). A més, l'evidència experimental suggereix que tant els primats com els humans poden ajustar dinàmicament la seva estratègia de ponderació temporal en funció de les estadístiques de l'estímul, prioritzant la informació més primerenca o tardana segons el que requereixi la tasca. No obstant això, els mecanismes proposats no expliquen aquesta flexibilitat, ja que cap pot generar tota la diversitat dels patrons de ponderació temporal observats experimentalment. En aquesta tesi, combinem l'anàlisi de dades, el modelatge computacional i les xarxes neuronals recurrents per desenvolupar un marc integral que proposa un sol mecanisme capaç de capturar tota la flexibilitat en els patrons de ponderació temporal, caracteritzar els correlats conductuals i neuronals d'aquesta flexibilitat, i examinar l'optimalitat d'aquests patrons. En primer lloc, presentem evidència experimental sobre com la flexibilitat en la ponderació temporal es reflecteix en el comportament d'humans i macacos. Vam trobar que aquesta flexibilitat s'adquireix mitjançant l'exposició a les estadístiques de l'estímul, sent l'estat de vigília previ a la presentació de l'estímul un factor determinant per un bon rendiment en la tasca. A més, vam analitzar enregistraments de la cortesa temporal mitjana (MT) de macacos i vam descobrir que, tot i que la taxa mitjana de disparo neuronal roman constant malgrat els canvis en les estadístiques de l'estímul, l'activitat relacionada amb l'estímul i amb l'elecció depèn de les estadístiques de manera no trivial. En segon lloc, vam desenvolupar un model de taxa de disparo en dues àrees, compost per un circuit sensorial i un circuit de decisió, connectats per senyals de baix a dalt i de dalt a baix, amb una senyal de modulació que controla la dinàmica d'atractor del circuit de decisió. Aquest model replica amb èxit la flexibilitat observada experimentalment en la ponderació temporal. Mecanísticament, la senyal de modulació inicia el procés de presa de decisions empentant la xarxa cap a un règim competitiu, i modula la dinàmica de la decisió accelerant o retardant l'elecció, de forma similar a una senyal d'urgència. En controlar la integració de l'evidència i alterar la forma o durada de la senyal, vam ser capaços de generar una gamma més àmplia de patrons de ponderació temporal, més enllà del que es va observar experimentalment. En tercer lloc, utilitzem Xarxes Neuronals Recurrents (RNN) per explorar si els patrons observats en les dades experimentals són òptims. Les estratègies de ponderació no uniformes emergeixen com adaptacions òptimes al soroll intern quan les RNN es especialitzen en una sola condició de l'estímul. Quan vam entrenar una RNN en una configuració seqüencial similar a la dels macacos, va adoptar una estratègia rígida de ponderació temporal sesgada cap a la condició inicial, sense adaptar-se a noves demandes. Per superar aquesta limitació, vam introduir senyals contextuales que representaven les condicions de la tasca, permetent entrenar totes les condicions en una sola RNN. Aquest enfocament va permetre que la RNN mostrés flexibilitat comparable a les xarxes entrenades independentment, aprengués més ràpid i generalitzés a noves tasques. Aquests resultats suggereixen que les senyals contextuales podrien ser el mecanisme subjacent al canvi de context observat en les dades experimentals.

Data del Ajut	6 de març 2025
Idioma original	Anglès
Supervisor	Klaus Wimmer (Director/a)