Perché il cervello si interessa a minuscoli spostamenti di movimento
Ogni volta che prendi una palla, noti un’auto che passa o semplicemente osservi le foglie mosse dal vento, il tuo sistema visivo sta risolvendo silenziosamente un problema difficile: da un groviglio di pattern luminosi variabili sulla retina deve ricavare in quale direzione si stanno muovendo gli oggetti. Per decenni gli scienziati si sono affidati a poche teorie classiche per spiegare come i neuroni rilevino il movimento. Questo studio utilizza apprendimento automatico ispirato alla biologia per porre una domanda più ambiziosa: esistono molti più modi per cui circuiti neurali semplici possono percepire il movimento rispetto a quanto avessimo immaginato?
Idee classiche sulla percezione del movimento
I lavori iniziali sulla visione del movimento proposero che i neuroni sensibili alla direzione funzionino come piccoli calcolatori temporali. In uno schema tradizionale, gli input provenienti da punti spaziali vicini vengono confrontati dopo che uno di essi è stato ritardato, in modo che i segnali in movimento nella direzione preferita arrivino insieme e si sommino, mentre il movimento nella direzione opposta no. Un altro modello classico contrappone una eccitazione rapida a un’inibizione ritardata proveniente dal lato opposto del campo recettivo della cellula, cancellando le risposte al movimento nella direzione sfavorita. Questi meccanismi, sebbene influenti, si concentrano principalmente sulle differenze temporali e lasciano aperta la possibilità che altri stratagemmi di circuito possano raggiungere lo stesso risultato.
Lasciare che l’evoluzione esplori lo spazio dei circuiti Figure 1.
Per esplorare questa questione, l’autore ha costruito modelli al computer dettagliati di neuroni nella retina e nella corteccia visiva e ha quindi impostato una ricerca evolutiva. Partendo da connessioni e proprietà sinaptiche casuali, un algoritmo genetico ha mutato ripetutamente i parametri del circuito e selezionato quei modelli che segnalavano meglio la direzione corretta di barre in movimento e reticoli oscillanti. È importante sottolineare che le singole cellule di input che alimentavano i rilevatori di movimento non erano esse stesse selettive per la direzione; solo la loro organizzazione collettiva e la loro dinamica potevano generare uscite sintonizzate. Questa esplorazione automatizzata ha scoperto molti diversi assetti di circuito che eguagliavano o superavano le prestazioni dei modelli classici, restando al contempo entro vincoli biologicamente realistici tratti da anatomia e fisiologia.
Molte strade per lo stesso senso del movimento
La ricerca ha rivelato che semplici differenze nella disposizione spaziale degli input possono generare una forte sintonizzazione direzionale anche quando i loro tempi sono identici. Per esempio, disporre le cellule presinaptiche in modo che i loro campi recettivi aumentino gradualmente di dimensione, o ruotino in orientamento, lungo l’asse del movimento preferito può far sì che le loro risposte si allineino nel tempo per il movimento in una direzione ma non nell’altra. Anche le regioni di surround che sopprimono la risposta di una cellula si sono rivelate potenti: variando forza, dimensione o velocità di questi surround tra gli input, il modello poteva ritagliare finestre temporali precise in cui i segnali si allineavano solo durante il movimento nella direzione preferita. Perfino pesi sinaptici disuguali, con filtri di input identici, permettevano ai circuiti di diventare selettivi per la direzione, sebbene questa strategia funzionasse meno bene rispetto a quelle che sfruttavano la struttura del campo recettivo.
Blocchi costitutivi nascosti dei circuiti del movimento Figure 2.
Nonostante la stupefacente varietà di circuiti efficaci, il loro comportamento poteva essere distillato in un piccolo set di “primitive computazionali” – mattoni algoritmici riutilizzabili. Alcuni corrispondevano agli schemi classici di ritardo-e-confronto e a quelli basati sull’inibizione. Altri erano nuovi, come meccanismi che si basano sull’allineamento dei picchi di numerosi input nel tempo usando interazioni spaziali e di surround, o schemi in cui pause nell’inibizione o variazioni nell’ampiezza della risposta veicolano il segnale direzionale. Quando venivano aggiunti input inibitori, emerg evano ulteriori varianti, inclusa una forma “anti” del modello inibitorio tradizionale e schemi in cui l’inibizione cala brevemente al momento cruciale per lasciar emergere l’eccitazione. Queste primitive riapparivano non solo nei modelli dettagliati delle cellule gangliari retiniche ma anche nei neuroni piramidali corticali e in circuiti semplificati a due input, mostrando che non dipendono da un particolare tipo cellulare o diagramma di connessioni.
Sensori del movimento resilienti in un mondo rumoroso
Lo studio ha anche esaminato come questi meccanismi si comportano quando il movimento è confuso, come nella vita reale dove le velocità variano in modo imprevedibile. I circuiti che si basavano su cambiamenti nella dimensione dei campi recettivi di input, specialmente nelle loro regioni centrali, si sono dimostrati sorprendentemente robusti: continuavano a segnalare correttamente la direzione del movimento anche quando lo stimolo accelerava e rallentava casualmente. Al contrario, i modelli che dipendevano principalmente da sottili differenze nelle proprietà del surround o da altre relazioni temporali finemente sintonizzate tendevano a perdere la loro selettività nelle stesse condizioni. Questo suggerisce che alcune delle strategie recentemente scoperte potrebbero essere particolarmente adatte a una percezione del movimento affidabile nelle scene naturali.
Cosa significa per la comprensione del cervello
Lasciando che l’apprendimento automatico esplori liberamente come circuiti neurali semplici potrebbero rilevare il movimento, questo lavoro mostra che il cervello non è limitato a uno o due stratagemmi per percepire il movimento. Al contrario, molte disposizioni circuitali distinte si riducono a una manciata di idee computazionali sottostanti che possono essere implementate con componenti biologici realistici. Per i non esperti, la conclusione è che la rilevazione del movimento nel cervello è sia più flessibile sia più elegantemente organizzata di quanto si pensasse in precedenza: un piccolo insieme di operazioni fondamentali, riutilizzate e ricombinate, può spiegare una grande varietà di cellule sensibili al movimento in diverse regioni cerebrali e specie.
Citazione: Poleg-Polsky, A. Machine learning discovers numerous new computational principles supporting elementary motion detection.
Nat Commun17, 3424 (2026). https://doi.org/10.1038/s41467-026-70288-4
Parole chiave: rilevazione del movimento, selettività di direzione, circuiti neurali, retina e corteccia, apprendimento automatico nelle neuroscienze
