Un segnale di errore globale guida l’ottimizzazione locale nel calcolo delle incongruenze

Perché il nostro cervello non si spaventa per le nostre azioni

Quando clicchi un mouse per riprodurre una canzone, non sei sorpreso dal suono che segue. Ma se la musica parte all’improvviso senza che tu la avvii, cattura la tua attenzione. Questa differenza quotidiana tra sensazioni attese e inattese dipende dalla capacità del cervello di prevedere le conseguenze sensoriali dei nostri movimenti e di evidenziare soltanto le discrepanze. Questo articolo esplora come le reti neuronali possano imparare a effettuare tali confronti in modo affidabile e cosa succede quando questo apprendimento viene compromesso.

Come il cervello predice il proprio mondo sensoriale

Gli scienziati sanno da tempo che il cervello invia una copia interna dei comandi motori, chiamata corollary discharge, alle aree sensoriali. Questo segnale trasmette una previsione di ciò che dovremmo vedere o udire quando ci muoviamo. Se lo stimolo proveniente dall’esterno corrisponde a questa previsione, le risposte sensoriali vengono attenuate; se non corrisponde, alcuni neuroni rispondono con forza, segnalando un errore di previsione. Gli autori si concentrano su due tipi di tali neuroni: quelli che rispondono quando lo stimolo è più forte della previsione (errore di previsione positivo) e quelli che rispondono quando la previsione è più forte dello stimolo reale (errore di previsione negativo). Insieme, permettono al cervello di rilevare sia sensazioni mancanti sia sensazioni inattese, come un suono che non si verifica quando agiamo, o un suono che appare senza un movimento corrispondente.

Un segnale insegnante globale per il cablaggio locale

A prima vista, calcolare una discrepanza sembra semplice: sottrarre la previsione dallo stimolo e prendere il valore assoluto. Ma i circuiti corticali reali affrontano diversi ostacoli. Le connessioni a lungo raggio tra aree cerebrali sono per lo più eccitatorie, mentre sono necessarie cellule inibitorie locali per annullare gli input. Inoltre, i neuroni nella corteccia sensoriale tendono a scaricare a tassi di base bassi, il che complica la rappresentazione sia delle deviazioni positive sia di quelle negative. La proposta centrale di questo lavoro è una regola di apprendimento “a tre fattori” plausibile biologicamente che consente alle sinapsi inibitorie locali di rimodellarsi usando un unico segnale insegnante globale. Questo segnale, che si pensa sia veicolato da neuromodulatori come la noradrenalina dal tronco encefalico, riflette quanto è grande la discrepanza complessiva, senza bisogno di sapere quale sinapsi specifica l’abbia causata.

Come i circuiti locali imparano a segnalare la sorpresa

Nel modello, ogni neurone piramidale riceve sia input di stimolo sia di previsione, oltre all’inibizione instradata tramite interneuroni locali. Inizialmente, l’inibizione è approssimativamente uniforme e non riesce a cancellare gli input corretti, così eventi attesi provocano ancora risposte forti. Durante l’apprendimento, quando previsione e stimolo corrispondono abitualmente, il segnale globale ha un segno che guida un aggiustamento di tipo hebbiano che equilibra eccitazione e inibizione totali, spingendo il sistema su una «linea di apprendimento lenta» in cui l’attività complessiva è bassa nelle condizioni attese. In prove di discrepanza più rare, il segno del segnale globale si inverte e la stessa regola locale diventa anti-Hebbiana, spostando i pesi sinaptici lungo quella linea fino a che ogni neurone non si specializza. Un sottogruppo diventa neuroni di errore di previsione positivo, eccitati principalmente quando lo stimolo supera la previsione; un altro diventa neuroni di errore di previsione negativo, che rispondono quando la previsione sovrastima lo stimolo. Gli autori mostrano matematicamente che questa regola semplice converge alla stessa soluzione ottimale della discesa del gradiente, ma usando solo ingredienti biologicamente realistici.

Collegare il modello ai dati cerebrali reali

I ricercatori passano quindi da unità semplificate a modelli neuronali più realistici e testano se i circuiti appresi riproducono esperimenti noti nei topi. In un paradigma, i topi imparano che correre su un tapis roulant provoca movimento visivo; più tardi, una breve pausa della scena visiva durante il movimento provoca una forte risposta di discrepanza nella corteccia visiva. Il modello mostra lo stesso schema: dopo l’apprendimento, l’attività per il moto atteso è soppressa, mentre pause improvvise evocano risposte ampie, specialmente nei neuroni di errore di previsione negativo che normalmente sono trattenuti dall’input visivo. Quando gli autori simulano la perturbazione di diverse classi di cellule inibitorie, o il blocco dei recettori NMDA che supportano la plasticità, la capacità della rete di segnalare la discrepanza degrada in modi che si allineano con risultati farmacologici e optogenetici. Infine, il modello prevede che, dopo l’apprendimento, i neuroni dovrebbero dividersi in due gruppi con correlazioni opposte rispetto alla forza dello stimolo e della previsione. La rianalisi di dati esistenti sui topi conferma questo: solo gli animali con un corretto accoppiamento movimento–visione mostrano un chiaro andamento bimodale, coerente con popolazioni distinte di neuroni di errore di previsione positivi e negativi.

Perché questo è importante per la percezione e la salute mentale

Lo studio sostiene una visione unificante in cui una trasmissione di errore globale a livello cerebrale sintonizza connessioni locali molto specifiche in modo che le aree sensoriali diventino esperte nel cancellare il prevedibile e nel mettere in evidenza il sorprendente. Nella vita di tutti i giorni, ciò rende la nostra percezione stabile durante i nostri movimenti mantenendo la sensibilità verso eventi inattesi. La stessa macchina potrebbe anche aiutare a sollevare regioni cerebrali superiori dal compito di predizione dettagliata, liberando risorse cognitive una volta acquisite le abilità. Poiché alterazioni della corollary discharge e della segnalazione dell’errore di previsione sono state associate a allucinazioni e deliri, il meccanismo proposto offre anche un quadro di circuito neurale concreto per capire come tali sintomi possano emergere quando l’apprendimento inibitorio o i segnali neuromodulatori di errore vengono compromessi.

Citazione: Meng, J.H., Wang, XJ. Global error signal guides local optimization in mismatch calculation. Nat Commun 17, 3868 (2026). https://doi.org/10.1038/s41467-026-70354-x

Parole chiave: codificazione predittiva, copia interna del comando motorio (corollary discharge), plasticità inibitoria, neuromodulazione, neuroni di errore di predizione