De hersenen slaan voortdurend nieuwe ervaringen op die moeten worden geïntegreerd in de wirwar van bestaande herinneringen. Opvallend genoeg overschrijven ze daarbij geen eerdere geheugenfragmenten.
De eerste schooldag: het voor de eerste keer het klaslokaal binnenkomen, het opgewonden gevoel in je maag en de vreugde van het hebben van een schooltas – dit zijn allemaal typische voorbeelden van herinneringen uit ons episodisch geheugen. Dit geheugen slaat unieke persoonlijke episodes op in een temporele en ruimtelijke volgorde en koppelt ze aan subjectieve ervaringen. In een onderzoek aan het Institut für Neuroinformatik van de Faculteit Informatica van de Ruhr-Universiteit Bochum in Duitsland, heeft een team onder leiding van professor Laurenz Wiskott een nieuw computermodel van het episodisch geheugen ontwikkeld en daarmee significante vooruitgang geboekt in het begrijpen van de hippocampus – de hersenregio die cruciaal is voor de vorming van nieuwe episodische herinneringen. Het werk werd op 20 juni 2024 gepubliceerd in het tijdschrift PLOS ONE.
Betrouwbaar Opslaan van Reeksen Zonder Eerdere Herinneringen te Vernietigen
Episodisch geheugen is een belangrijke basis voor ons persoonlijke levensverhaal. Het helpt ons onze identiteit te vormen door het opslaan en verbinden van eerdere ervaringen en gebeurtenissen in de juiste volgorde. “Dit gebeurt door veranderingen in de verbindingen tussen de zenuwcellen in onze hersenen,” legt Laurenz Wiskott uit. “Een tot nu toe onverklaard fenomeen was hoe het menselijk brein in staat is deze veranderingen aan te brengen zonder andere herinneringen te vergeten – zelfs als de ervaring slechts één keer precies wordt waargenomen en dus niet langzaam en zorgvuldig kan worden geïntegreerd in het schakeldiagram van de zenuwcellen.” Het innovatieve computermodel van de onderzoekers uit Bochum maakt het mogelijk precies deze natuurlijke vaardigheid van het menselijk brein na te bootsen: om betrouwbaar reeksen op te slaan na een enkele presentatie zonder eerdere herinneringen te vernietigen.
Het model richt zich op de principes van zelforganisatie in de hippocampus en is gebaseerd op de CRISP-theorie van professor Sen Cheng, ook een onderzoeker aan de Ruhr-Universiteit Bochum. De afkorting staat voor Content Representation, Intrinsic Sequences, and Pattern Completion. Het model herdefinieert met name de functie van de zogenaamde CA3-regio in de hippocampus. “Voorheen werd aangenomen dat episodische herinneringen direct werden opgeslagen in het CA3-netwerk,” zegt eerste auteur Dr. Jan Melchior. “Echter, we gebruiken de CA3-regio nu alleen als een soort ankerpunt voor herinneringen. Het opslaan vindt plaats in de regio’s die vóór en na CA3 komen.”
Een Neuraal Netwerk als een Goed Georganiseerde Bibliotheek
Om dit te bereiken, trainde het onderzoeksteam de CA3-regio in hun model met voorafgaande informatie en zette, figuurlijk gesproken, een goed georganiseerde bibliotheek op in CA3. “Wanneer er nieuwe boeken, d.w.z. nieuwe ervaringen, worden toegevoegd, hoeft de bibliotheek niet volledig te worden gereorganiseerd. In plaats daarvan worden de nieuwe boeken toegevoegd aan de bestaande structuur en gekoppeld aan bestaande planken en categorieën,” vervolgt Jan Melchior. Dit bespaart tijd en houdt de bibliotheek goed georganiseerd.
De CA3-regio blijft stabiel in het model en kan efficiënt werken zonder dat de interne structuur constant hoeft te worden aangepast. Dit maakt de verwerking en opslag van informatie sneller en betrouwbaarder. Neuronale veranderingen tijdens het leerproces vinden uitsluitend plaats in aangrenzende regio’s.
De resultaten van de simulatie overtuigden de onderzoekers. “Ik beschouw de robuustheid van het model nog steeds als verrassend,” zegt Laurenz Wiskott. “Zelfs met onvolledige of onjuiste aanwijzingen kan een enkele presentatie van een patroonreeks betrouwbaar worden opgeslagen, herinnerd en opgehaald.” “Het model werkt niet alleen met kunstmatig gegenereerde reeksen, maar ook met handgeschreven cijfers en natuurlijke afbeeldingen,” voegt Jan Melchior toe. “Het kan zichzelf ook verbeteren zonder aanvullende input door herhaaldelijk af te spelen wat het heeft geleerd.”
Bron: Ruhr University Bochum