English version
Versione italiana
We might think that our brains are mainly engaged in processing sensory information from the environment. However, psychologists, and more recently neuroscientists, have learned that when the opportunity exists, our brains often engage in making predictions of what is likely to happen next. The departure point of our project is that knowing the degree of regularity (or randomness) in the recent past is crucial for deciding whether or not to engage in prediction: if our environment is random, then predictions about what is likely to come next are likely inaccurate, and so instead of spending energy on creating them, we might be better off attending carefully to whatever is processed by our sensory organs. In contrast, if our environment contains temporally regular patterns, understanding these patterns will allow us to make predictions about the future.
To illustrate with a schematic example, given Pattern 1:10101010… one may predict that the next digit is “1”, due to the structure of transitions between 0 and 1. Similarly, given Pattern 2:1011111, one might predict 1 as “1”s are more frequent. But given Pattern 3: 100110101000, any prediction is more difficult as there is no easily evident pattern of regularity.
At the onset of project NeuroInt, several hypotheses guided our work. Namely, i) that there are structures (or networks) in the brain that code for the relative uncertainty in the sensory input independently of its physical features (e.g., whether it is auditory or visual), ii) that these networks are sensitive to any factor that impacts uncertainty, e.g., strength of transition structure or relative frequency of elements in recent past, and iii) that these networks respond in a graded manner as one increases/decreases the degree of regularity in an input. In short, we expected to find a sophisticated and centralized computational system that can code for uncertainty in the recent past. We examined these questions using functional magnetic resonance imaging, which is a tool that lets us quantify the strength of brain activity when people are presented with different sorts of stimuli.
As is sometimes the case in science, all our suppositions ended up being wrong. First, we found that depending on the sensory modality in which stimuli are presented, different networks in the brain are engaged in tracking uncertainty, and there is almost no overlap between these networks. Second, when we independently manipulated uncertainty by controlling the strength of transition constraints between elements or their relative frequency (as in Pattern 1, Pattern 2 above), we found that different brain systems were sensitive to these manipulations, indicating separate systems for tracking different features that impact uncertainty. Finally, we found there are indeed brain areas whose activity (or connectivity) tracks the degree of uncertainty in the input. However, there are also brain systems that respond similarly to very regular and very irregular inputs, while at the same time responding differently to inputs whose degree of uncertainty lies between these two extremes. Thus, these latter systems are sensitive to the temporal structure of the input, but in a more complicated manner.
To summarize, it appears that the human brain is highly sensitive to the degree of input certainty, but it does so in multiple, non-centralized sys
PERCHÉ RIUSCIAMO A FARE PREVISIONI?
Il progetto di ricerca NeuroInt del Centro Mente/Cervello premiato con l’ERC Starting Grant
Si potrebbe pensare che il cervello umano si occupi principalmente di codificare informazioni sensoriali provenienti dall’ambiente. Tuttavia, gli psicologi e più recentemente i neuroscienziati, hanno compreso che, quando ce n’è la possibilità, il cervello umano si occupa spesso di fare previsioni su quello che accadrà nel prossimo futuro. Il punto di partenza del nostro progetto è il fatto che conoscere il grado di regolarità (o di casualità) del passato recente è determinante nel decidere se tentare o meno una previsione: se l’ambiente attorno a noi è casuale, previsioni su quello che accadrà fra poco sono probabilmente sbagliate. Di conseguenza, anziché spendere energie nella formulazione di tali previsioni, sarebbe più opportuno seguire con attenzione tutto ciò che viene elaborato dai nostri organi sensoriali. Al contrario, se l’ambiente è costituito di pattern regolari nel tempo, la comprensione di tali pattern ci consentirà di formulare previsioni sul futuro.
Cercherò di illustrarlo con un esempio schematico. Dato un Pattern 1: 0101010… si potrebbe prevedere che il numero seguente sia “1”, a causa della struttura di transizione tra 0 e 1. Analogamente, dato un Pattern 2: 1011111, si potrebbe prevedere che il prossimo numero sia 1, perché “1” compare più frequentemente. Tuttavia, dato un Pattern 3: 100110101000, qualunque previsione è più difficile, perché non esiste alcun pattern evidente di regolarità.
Quando abbiamo avviato il progetto NeuroInt ci hanno guidato le seguenti ipotesi : i) che esistono strutture (o reti) nel cervello che codificano il livello di incertezza dell’input sensoriale a prescindere dalle sue proprietà fisiche (ad esempio che si tratti di un input uditivo o visivo); ii) che queste reti sono sensibili a qualsiasi fattore che ne influenzi l’incertezza, ad esempio la forza della struttura di transizione o la frequenza relativa degli elementi nel passato recente; e iii) che tali reti rispondono in modo graduale man mano che aumenta o diminuisce il livello di regolarità dell’input. In breve, ci aspettavamo di individuare un sistema computazionale sofisticato e centralizzato in grado di codificare l’incertezza nel passato recente. Abbiamo analizzato queste questioni utilizzando metodi di risonanza magnetica funzionale, uno strumento che ci consente di quantificare la forza dell’attività cerebrale quando gli individui sono esposti a diversi tipi di stimoli.
Come accade a volte in ambito scientifico, tutte le nostre ipotesi si sono rivelate sbagliate. In primis, abbiamo scoperto che a seconda della modalità sensoriale con cui si presentano gli stimoli, per tracciare l’incertezza si attivano diverse reti del cervello, e non vi è quasi nessuna sovrapposizione tra queste reti. In secondo luogo, quando abbiamo manipolato indipendentemente l’incertezza controllando la forza dei vincoli di transizione tra gli elementi o la loro frequenza relativa (come negli esempi Pattern 1 e Pattern 2 sopra), abbiamo verificato che diversi sistemi cerebrali sono sensibili a tali manipolazioni, indicando sistemi separati per tracciare le diverse caratteristiche che influenzano l’incertezza. Infine, abbiamo verificato che esistono delle aree del cervello la cui attività (o connettività) traccia il grado di incertezza dell’input. Tuttavia, esistono anche sistemi cerebrali che reagiscono in modo molto simile a input molto regolari e molto irregolari e che allo stesso tempo rispondono in modo diverso a input con un livello di incertezza intermedio. Questi ultimi sistemi sono quindi sensibili alla struttura temporale dell’input ma in modo più complesso.
Riassumendo, il cervello umano è altamente sensibile al grado di incertezza dell’input ma in sistemi multipli, non centralizzati, che non solo sono legati alla modalità sensoriale dello stimolo che si elabora, ma sono anche sensibili a diversi parametri statistici che determinano il grado generale di incertezza.
[Traduzione di Serena Beber]