UNIVERSITÀ DEGLI STUDI DI MILANO

Transcript

1 UNIVERSITÀ DEGLI STUDI DI MILANO Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di Laurea in Genomica Funzionale e Bioinformatica SVILUPPO DI UN SISTEMA ROBOTICO IBRIDO ELETTRONICO/BIOLOGICO ATTRAVERSO L ANALISI DEI SEGNALI RILEVATI DA RETI DI NEURONI UMANI Relatore: Prof.ssa Rita PIZZI Correlatore: Dott.Giovanni CINO Tesi di Laurea di: Damiano Carne Mat Anno Accademico

2

3 INDICE INDICE Pag. INTRODUZIONE 1 CAPITOLO 1: Il sistema nervoso e le sue proprietà 1.1 Le cellule gliali Le cellule nervose L attività elettrica del neurone Il potenziale d azione I principi dell organizzazione cerebrale Reti di neuroni Plasticità sinaptica.. 18 CAPITOLO 2: I sistemi complessi: le reti neurali artificiali 2.1 Cervello e computer Caratteristiche dei sistemi complessi Le reti neurali artificiali Architettura di una rete neurale artificiale SOM e ITSOM CAPITOLO 3: Tecnologie di integrazione elettronico/biologiche 3.1 Sistemi ibridi I passi salienti Integrazione tra neuroni e circuiti elettronici Voltage-clamp e Patch-clamp Micro-Electrode Array (MEA) Voltage-clamp vs Micro-Electrode Array Cellule staminali e Micro-Electrode Array CAPITOLO 4: Materiali e metodi 4.1 Preparazione dei MEA Sistema di acquisizione Protocollo di stimolazione e di registrazione dei segnali Funzionamento della rete neurale Interfaccia grafica e applicazione robotica Schema generale dell apparecchiatura... 77

4 INDICE CAPITOLO 5: Analisi dei segnali rilevati 5.1 Segnali e sistemi Il campionamento dei dati Architettura del sistema di analisi Analisi dei segnali.. 90 CAPITOLO 6: Processo di taratura della rete neurale artificiale 6.1 Risultati dell esperimento in tempo reale Parametri per la taratura di una rete neurale Processo di taratura della rete neurale e analisi dell informazione Valutazione del modello Analisi dei neuroni vincenti CONCLUSIONI BIBLIOGRAFIA

5

6 INTRODUZIONE INTRODUZIONE Negli ultimi anni sono stati condotti numerosi studi sulla connessione diretta tra neuroni e circuiti elettronici. Ricerche in campi come la biologia, l informatica e l ingegneria, hanno trovato in questo progetto un comune denominatore. Tutto ciò trova riscontro in numerose applicazioni scientifico-tecnologiche, che vanno dallo sviluppo di protesi riabilitative di nuova generazione, sino all evoluzione della tecnologia robotica. L idea di connettere i neuroni al calcolatore prende origine dal fatto che entrambi i sistemi comunicano elettricamente. Proprio la comunicazione tra questi due sistemi di natura diversa è oggetto dello studio condotto durante il periodo di tesi. Il progetto ha come obiettivo lo sviluppo di un sistema in grado di guidare i neuroni alla memorizzazione ed all apprendimento di pattern sensoriali e di decodificare i segnali provenienti dai neuroni. A riscontro di queste funzionalità, il sistema è dotato di un attuatore robotico che è comandato dalle cellule neurali. Ciò che sarà proposto nelle pagine seguenti è un protocollo innovativo per la decodifica dei segnali. L'idea di partenza è che solo sistemi con proprietà simili a quelle delle reti nervose si possano interfacciare direttamente ad una rete di neuroni. Queste proprietà sono essenzialmente: l apprendimento, l adattività, la flessibilità e l auto-organizzazione dei dati. Questa struttura biologico/elettronica è resa possibile grazie all utilizzo dei Micro-Electrode Array (MEA), array di microelettrodi su cui è possibile coltivare cellule o depositare dissezioni di tessuti e permettono la registrazione dei segnali in uscita dal sistema biologico. Su questi array sono coltivati i neuroni utilizzati negli esperimenti, che derivano da cellule staminali neurali. Per lo studio di questa comunicazione si è partiti a testare il protocollo neurale artificiale adattandolo ai neuroni naturali. Queste cellule pertanto sono sottoposte ripetutamente a stimoli sensoriali simulati da pattern digitali e si è indagato sulla loro capacità di memorizzarli proprio come si fa per le reti neurali artificiali. 1

7 INTRODUZIONE Tutto questo è possibile perché la rete artificiale è direttamente connessa alla rete naturale. Come conseguenza lo stimolo dato in input alla rete naturale genera una risposta nella rete biologica, questa funge da input per la rete neurale artificiale che, essendo autoorganizzante, per stimoli classificati come simili dovrebbe generare risposte uguali. Questo significa che se la rete di neuroni si comporta bene per stimoli identici in input otterremo risposte uguali in output. Per consentire un funzionamento corretto del sistema si sono studiate le proprietà statistiche del segnale in uscita dalla rete biologica, tramite apposito software implementato per tale scopo. L'ottimizzazione della rete neurale ha permesso di studiare il comportamento autoorganizzante dei segnali in output dalle rete di neuroni. Alla luce dei risultati ottenuti possiamo concludere che l utilizzo di una rete neurale nello studio dei segnali provenienti da una rete di neuroni evidenzia come neuroni adulti generati da cellule staminali neurali reagiscano in modo organizzato a stimoli simulati differenziati. Ha inoltre permesso una decodifica fine dei segnali provenienti dalle cellule, in modo tale da poter utilizzare il sistema per muovere un attuatore robotico. 2

8 INTRODUZIONE Struttura: Capitolo 1: Riporta la descrizione della struttura e del comportamento del neurone biologico fino alle proprietà delle reti nervose. Capitolo 2: Sono descritti i sistemi complessi con particolare riferimento alle reti neurali. Nel capitolo è inoltre descritta la rete neurale ITSOM, tipologia di rete utilizzata e implementata nel protocollo sperimentale. Capitolo 3: L evoluzione scientifica dell interfacciamento tra neuroni e circuiti elettronici viene trattata facendo riferimento agli esperimenti più importanti ritrovati in letteratura. In questo capitolo sono inoltre riportate le proprietà e la tecnologia su cui si basa lo strumento utilizzato per interfacciare i neuroni alla rete neurale artificiale: i Micro-Electrode Array (MEA). Capitolo 4: Facendo riferimento alle nozioni teoriche fornite dai primi capitoli si procede nell illustrazione dell apparecchiatura hardware ed il protocollo di sperimentazione. Nel capitolo sono descritte nel dettaglio anche le diverse applicazioni che sono utilizzate per gestire il sistema. Capitolo 5: Contiene la descrizione in ogni sua parte del sistema informatizzato prodotto per l analisi dei segnali. Si illustrano le analisi statistiche eseguite sui segnali prodotti dalla rete biologica tracciando delle linee guida per la loro interpretazione. Contemporaneamente, per ogni analisi sono riportate le osservazioni di carattere generale tratte dall osservazione dei segnali. Capitolo 6: Si espone il processo di taratura della ITSOM con i relativi risultati. Nel capitolo è presentata anche una valutazione del modello descritta da parametri statistici. 3

9 CAPITOLO 1 Il sistema nervoso e le sue proprietà CAPITOLO 1 Il sistema nervoso e le sue proprietà Nel sistema nervoso esistono due classi principali di cellule: cellule gliali (glia); cellule nervose (neuroni). 1.1 Le cellule gliali Nel sistema nervoso dei vertebrati le cellule gliali sono da dieci a cinquanta volte più numerose dei neuroni e circondano gli assoni e i dendriti dei neuroni. Esse si suddividono a loro volta in due classi principali: microglia; macroglia. Le cellule dei microglia sono costituiti da elementi fagocitari che si mobilitano in seguito a lesioni, infezioni o altri disturbi. Esse prendono origine da macrofagi al di fuori del sistema nervoso, e non hanno alcun rapporto embriologico o funzionale con altri tipi di cellule del sistema nervoso. Tre sono i tipi di macroglia presenti nel sistema nervoso umano: astrociti; oligodendrociti; cellule di Shwann. Gli astrociti che sono le cellule gliali più numerose, devono il nome alla forma irregolare e somigliante una stella dei loro corpi cellulari. Sono spesso dotati di lunghi processi, alcuni dei quali formano delle espansioni terminali che prendono 4

10 CAPITOLO 1 Il sistema nervoso e le sue proprietà contatto, nel cervello e nel midollo spinale, con la superficie di cellule nervose per le quali svolgono una funzione nutritiva. Altre espansioni pedicellari degli astrociti prendono contatto con i vasi sanguigni cerebrali e inducono la formazione di giunzioni strette fra le cellule endoteliali, contribuendo a formare la barriera ematoencefalica protettiva (Figura 1.1). Fig.1.1 Astrociti e barriera emato-encefalica Gli astrociti contribuiscono inoltre a mantenere normale la concentrazione di ioni potassio extracellulare negli spazi intercellulari che separano i neuroni. Essi sono anche in grado di captare i neurotrasmettitori liberati dalle terminazioni sinaptiche, contribuendo così a regolarne l attività allontanando i neurotrasmettitori stessi. Tuttavia la funzione principale degli astrociti è quella di cellule di sostegno. Gli oligodendrociti e le cellule di Schwann sono cellule piccole, fornite di un numero limitato di processi. Entrambi questi tipi di cellule svolgono l importante funzione di isolare gli assoni formandovi attorno, con i loro processi membranosi, una guaina di mielina che li circonda concentricamente in strette spirali. Gli oligodendrociti sono presenti nel sistema nervoso centrale e possono avvolgersi lungo numerosi tratti internodali. Le cellule di Schwann presenti nel sistema nervoso periferico, al contrario circondano un unico tratto internodale di un solo assone. Alcune cellule gliali ( glia radiale ) guidano la migrazione dei neuroni e dirigono la crescita dei loro assoni [Perry96]. 1.2 Le cellule nervose 5

11 CAPITOLO 1 Il sistema nervoso e le sue proprietà Da un punto di vista morfologico, in una cellula nervosa possiamo caratterizzare quattro zone ben distinte: il corpo cellulare (o soma), i dendriti, l assone e le terminazioni presinaptiche (Figura 1.2). Il corpo cellulare o soma è il centro metabolico del neurone ed è costituito dal nucleo che contiene il patrimonio genetico della cellula e il reticolo endoplasmatico, dove vengono sintetizzate le proteine. Il corpo cellulare genera due categorie di processi: i dendriti e un lungo processo tubolare detto assone. I dendriti rappresentano il principale apparato destinato a ricevere i messaggi che arrivano dalle altre cellule nervose. L assone, al contrario, si estende per lunghe distanze allontanandosi dal soma e rappresenta il principale elemento di conduzione capace di trasmettere i messaggi ad altri neuroni (Figura 1.2). Fig.1.2 Illustrazione delle principali parti del neurone Un assone è in grado di trasmettere segnali elettrici a distanze variabili fra 0,1 millimetri e 3 metri. Questi segnali elettrici vengono detti potenziali d azione e sono impulsi nervosi rapidi e transitori con carattere di tutto o nulla che prendono origine a livello di una zona di innesco specializzata e localizzata all origine dell assone, detta cono d emergenza. L ampiezza del potenziale d azione non si modifica lungo il suo decorso, ma rimane costante in quanto si rigenera ad intervalli regolari. 6

12 CAPITOLO 1 Il sistema nervoso e le sue proprietà I potenziali d azione sono i segnali che il sistema nervoso impiega per ricevere, analizzare e trasmettere le informazioni. Questi segnali sono altamente stereotipati in tutto il sistema nervoso anche se prendono origine da una grande varietà di eventi come stimoli di diversa natura. Ci troviamo di fronte a uno dei principi fondamentali su cui si basa l attività celebrale, ossia che l informazione trasportata da un potenziale d azione non dipende dalla morfologia del segnale ma dal cammino che quel segnale percorre nel cervello. I punti in cui due neuroni entrano in comunicazione sono chiamati sinapsi. La cellula nervosa che trasmette il segnale viene detta cellula presinaptica mentre quella che lo riceve postsinaptica. La cellula presinaptica non entra in contatto anatomicamente con la cellula postsinaptica, ma le due sono separate da uno spazio detto fessura sinaptica. La maggior parte delle terminazioni presinaptiche termina a ridosso dei dendriti del neurone postsinaptico, ma possono entrare in rapporto anche con il corpo cellulare o con il segmento iniziale dell assone. La caratteristica che più distingue un neurone dall altro è la forma; in particolare, il numero e il tipo dei processi nervosi che dipartono dal soma. In funzione di questa caratteristica i neuroni possono essere classificati in tre gruppi (vedi figura 1.3): unipolari; bipolari; multipolari. A B C Fig.1.3 Tipologia di neuroni: A. neuroni unipolari B. neuroni bipolari C. neuroni multipolari 7

13 CAPITOLO 1 Il sistema nervoso e le sue proprietà I neuroni unipolari costituiscono la classe più semplice di neuroni. Hanno un solo processo primario, in generale fornito di molte ramificazioni. Una di queste è l assone, le altre servono come strutture dendritiche di ricezione. Le cellule unipolari nei vertebrati vanno a formare i gangli del sistema nervoso autonomo. I neuroni bipolari hanno un corpo ovoidale che dà origine a due processi: un dendrite, che porta informazioni provenienti dalla periferia del corpo, e un assone, che invia informazioni al sistema nervoso centrale. Molti di questi tipi di neuroni sono di natura sensitiva. I neuroni multipolari sono la classe predominante nel sistema nervoso dei vertebrati. Queste cellule hanno un unico assone e una o più branche dendritiche che possono nascere da ogni parte del corpo cellulare. Le forme dei neuroni multipolari variano notevolmente, specialmente per ciò che riguarda la lunghezza dell assone e il numero, la lunghezza e la complessità dell albero dendritico. Se classifichiamo i neuroni cerebrali rispetto alla loro funzione, questi possono essere classificati in tre gruppi principali: sensitivi; motoneuroni; interneuroni. I neuroni sensitivi portano dalla periferia del corpo al sistema nervoso centrale le informazioni necessarie sia per la percezione, che per la coordinazione motoria. I motoneuroni portano ordini dal cervello o dal midollo spinale, ai muscoli o all apparato ghiandolare. Gli interneuroni costituiscono la classe di neuroni di gran lunga più numerosa e comprendono tutte le cellule del sistema nervoso che non siano specificatamente sensitive o motrici. Gli interneuroni vengono a loro volta suddivisi in due classi: gli interneuroni di ritrasmissione (o proiezione) che trasmettono informazioni a lunga distanza da una regione cerebrale all altra, e gli interneuroni locali che hanno assoni brevi ed elaborano informazioni all interno di circuiti locali [Kandel03]. 8

14 CAPITOLO 1 Il sistema nervoso e le sue proprietà 1.3 L attività elettrica del neurone Quasi tutti i neuroni, indipendentemente dalle dimensioni e dal tipo di neurotrasmettitore impiegato, possono essere descritti da un modello generale di neurone con quattro elementi: un elemento locale d ingresso (o recettivo), un elemento di innesco dove il segnale ha inizio (di sommazione o di integrazione), un elemento di conduzione a distanza e un elemento di uscita (o secretorio). Ogni cellula nervosa genera in successione, quattro tipi diversi di segnali che hanno origine a livello delle quattro diverse zone del neurone: un segnale d ingresso, un segnale di innesco, un segnale di conduzione e un segnale d uscita. I diversi segnali impiegati dal neurone sono in gran parte determinati dalle proprietà elettriche della membrana cellulare. A riposo i neuroni mantengono una differenza di potenziale elettrico ai capi della membrana plasmatica. Questo è detto potenziale di membrana a riposo e il suo valore è di circa 65mV. Poiché la carica netta presente all esterno viene arbitrariamente definita come pari a zero, il potenziale di membrana a riposo è di -65mV. La differenza di potenziale elettrico in una cellula a riposo dipende da due fattori: l ineguale distribuzione degli ioni elettricamente carichi sulle due facce della membrana (in particolare sodio e potassio), e la permeabilità selettiva della membrana verso uno di questi due ioni, il potassio. Le cellule nervose differiscono da tutte le altre perché il loro potenziale di membrana a riposo può subire notevoli variazioni (sono quindi eccitabili), e queste variazioni vengono utilizzate come meccanismo di segnalazione. Quando il potenziale di membrana si riduce di 10mV (da -65mV a -55mV), la membrana diviene molto più permeabile agli ioni sodio che agli ioni potassio. L ingresso di sodio caricato positivamente determina una riduzione ancora maggiore del potenziale di membrana (da -55mV a +55mV). Questa riduzione prende il nome di potenziale d azione (o spike). Oltre al potenziale d azione, che è un segnale a lungo raggio, le cellule nervose producono anche segnali locali, come i segnali di recettori e i potenziali sinaptici, che non si propagano attivamente e che perciò, in generale, si riducono di 9

15 CAPITOLO 1 Il sistema nervoso e le sue proprietà ampiezza fino a scomparire entro pochi millimetri. Sia segnali a lungo raggio che quelli locali sono il prodotto di variazioni che determinano un aumento o una diminuzione del potenziale di membrana rispetto al suo valore di riposo. Il potenziale d azione viene condotto lungo l assone della cellula fino alle sue terminazioni, dove ha inizio il processo di comunicazione con altre cellule. In generale il potenziale d azione dura circa un millisecondo, al termine del quale la membrana riacquista le sue proprietà di riposo. Il potenziale d azione è dunque un evento tutto o nulla. Ciò significa che i segnali sotto soglia non daranno origine ad alcun segnale, mentre tutti gli stimoli sopra la soglia determineranno sempre la comparsa dello stesso segnale. Per quanto grande possa essere la variazione di intensità e di durata degli stimoli, l ampiezza e la durata di tutti i potenziali d azione sono all incirca sempre le stesse. Questa caratteristica fu messa in evidenza da Edgar Adrian intorno al 1920, mediante un oscilloscopio. Pur essendo distinguibili i potenziali d azioni rilevati degli assoni sensitivi, rispetto a quelli rilevati dagli assoni motori, sono solo due le proprietà del segnale di conduzione che contengono informazioni: il numero di potenziali d azione e l intervallo di tempo che intercorre fra di essi. Ciò che quindi determina l intensità di una sensazione o la velocità di un movimento, non è l ampiezza o la durata dei singoli potenziali, ma la loro frequenza. Quanto più l ampiezza del potenziale di recettore (di ingresso) eccede il valore della soglia, tanto maggiore sarà la depolarizzazione, di conseguenza, tanto maggiore la frequenza dei potenziali d azione che si generano nell assone. Analogamente, la durata del segnale d ingresso determina il numero dei potenziali d azione scaricati. L informazione contenuta nel numero e nella frequenza dei potenziali d azione viene trasmessa fedelmente lungo tutto l assone [Kandel03]. Va però detto che il significato di un messaggio non è determinato dalle caratteristiche del messaggio stesso, ma dalla particolare via lungo la quale esso viene condotto. Quando un potenziale d azione raggiunge la terminazione del neurone determina la liberazione da parte della cellula del neurotrasmettitore. La 10

16 CAPITOLO 1 Il sistema nervoso e le sue proprietà liberazione dei neurotrasmettitori costituisce il segnale d uscita del neurone. Questo segnale, analogamente a quello d ingresso, è graduato. La quantità di neurotrasmettitore che viene liberata dipende dal numero e dalla frequenza dei potenziali d azione scaricati dalle terminazioni presinaptiche. Il neurotrasmettitore liberato dalla terminazione presinaptica diffonde attraverso la fessura sinaptica verso le molecole recettrici, localizzate sulla membrana della cellula postsinaptica. Il legame con questo recettore determina l insorgenza di un potenziale sinaptico nella cellula postsinaptica. Il fatto che il potenziale sinaptico abbia un effetto eccitatorio o inibitorio dipenderà poi dal tipo di recettori presenti nella cellula postsinaptica, e non dalla natura chimica del neurotrasmettitore. Il modello di segnalazione dei neuroni sopra descritto costituisce una semplificazione applicabile nella maggior parte dei casi, ma si possono osservare delle modificazioni importanti. In alcuni interneuroni locali privi di un elemento di conduzione o che ne hanno uno così breve da non richiedere alcun segnale condotto a distanza, i segnali di ingresso vanno incontro a sommazione e si diffondono passivamente verso la regione d uscita dove viene liberato il neurotrasmettitore [Nicholls92]. 1.4 Il potenziale d azione La scarica del neurone rappresenta l informazione in uscita dal neurone stesso. Tale output è il risultato dell elaborazione che la cellula ha fatto delle informazioni in ingresso provenienti da altre cellule (attraverso sinapsi, neurotrasmettitori, giunzioni elettriche), oppure dall ambiente esterno (sotto forma di stimoli sensoriali). E la struttura della membrana plasmatica con le varie molecole connesse, i recettori, i meccanismi di modulazione, i canali ionici, a rappresentare il livello più importante nel quale si verifica il confronto tra i vari tipi di informazione e dove avviene il processo decisionale. Il potenziale d azione è un segnale elettrico impulsivo con un ampiezza di circa 100mV, durata di 1ms e con una velocità che varia da 1 a 100m/s. L ampiezza del segnale d uscita è determinata dall ampiezza della depolarizzazione che, a sua 11

17 CAPITOLO 1 Il sistema nervoso e le sue proprietà volta, è determinata dal numero e dalla frequenza degli impulsi. Dopo aver generato il potenziale d azione, il neurone entra in fase refrattaria e per 10ms non potrà più generarne. In risposta ad uno stimolo statico, il numero di potenziali d azione emessi durante il tempo di osservazione cresce in modo proporzionale all ampiezza dello stimolo. Il segnale si pensa quindi venga codificato nella frequenza di scarica, ovvero nella frequenza dei treni di spike. Questa è ovviamente solo una teoria in quanto ad oggi nessuno è riuscito a decifrare i segnali dei neuroni né, tanto meno, a capire il linguaggio che permette la codifica dell impulso in rilascio chimico di neurotrasmettitori. Esiste una relazione lineare tra numero di potenziali d azione e l ampiezza dello stimolo, ma questa relazione è valida solo fino ad una determinata frequenza. La frequenza di spike non può infatti superare un certa soglia (Figura 1.4). Questa soglia dipende dal periodo refrattario e crea una sorta di saturazione al di sopra della quale non è possibile andare. Se uno stimolo viene applicato per un lungo periodo, il numero di potenziali d azione emessi durante il tempo di osservazione inizia a decrescere a causa di un adattamento del neurone. Molti neuroni non creano potenziali d azione in risposta a stimoli con ampiezza piccola. Questa proprietà introduce una soglia inferiore che è variabile in funzione del neurone considerato (Figura 1.4). Fig.1.4 Andamento della relazione ampiezza dello stimolonumero di potenziali d azione 12

18 CAPITOLO 1 Il sistema nervoso e le sue proprietà Risulta difficile quindi stabilire quali siano i parametri rilevanti nella risposta neurale, parametri che sicuramente possono variare in base alla natura del neurone, allo stimolo e alla situazione. Il codice di frequenza, ossia il numero di spike durante un dato periodo che contiene informazioni circa la natura e l ampiezza dello stimolo in questione, non è sempre valido. A volte infatti il numero di potenziali d azione emessi durante il tempo di osservazione non varia come una funzione dell ampiezza dello stimolo, ma il numero resta costante, mentre la frequenza aumenta in funzione dell ampiezza; la finestra di osservazione diventa così più piccola. In altri casi, a variare in funzione dell ampiezza, è il primo intervallo di interspike, oppure la distribuzione degli intervalli di interspike durante la risposta. Questi infatti risultano essere proporzionali all ampiezza dello stimolo. Gli studi condotti finora sono basati sull assunzione che lo stimolo elettrico sia definito unicamente dal potenziale d azione, e tutte le evidenze di possibili codici sono state trovate analizzando la proporzionalità con l ampiezza di stimolazione. In realtà, tutto questo flusso di stimoli elettrici sembra determinare delle modifiche morfologiche e sinaptiche a livello dei neuroni e tali modifiche, grazie alle moderne tecniche di imaging, non sono più un mistero. Il problema però rimane, poiché si conosce l effetto ma si sa poco o nulla sui meccanismi che lo determinano. E quindi indispensabile capire come l organizzazione, anatomicamente definita dei neuroni, determini un flusso di informazione. 1.5 I principi dell organizzazione cerebrale Fu Ramòn y Cajal a fornire la maggior parte delle prove sperimentali in favore della nozione, ormai assodata, che i neuroni sono le unità elementari responsabili dei messaggi nervosi e che ogni neurone è una cellula distinta dotata di processi che prendono origine dal corpo cellulare (teoria del neurone). Egli fu anche il primo a intuire altri due principi dell organizzazione cerebrale che si rilevarono di notevole importanza per lo studio dei sistemi di comunicazione del sistema nervoso. 13

19 CAPITOLO 1 Il sistema nervoso e le sue proprietà Il primo principio è ora noto come principio della polarizzazione dinamica (Figura 1.5). Esso afferma che, in ogni neurone, i messaggi nervosi viaggiano sempre in una sola direzione: dalle zone di ricezione alle zone d innesco (cono d emergenza) a livello dell assone. Da qui il potenziale d azione si propaga poi unidirezionalmente per tutta la lunghezza dell assone fino alle terminazioni presinaptiche. Fig.1.5 Illustrazione del principio della polarizzazione dinamica Il secondo principio, o principio di specificità delle connessioni (Figura 1.6), afferma che le cellule non si connettono indifferentemente le une con le altre formando reti casuali; ciascuna cellula invece stabilisce connessioni specifiche, a livello di zone specializzate di contatto, solo con particolari cellule bersaglio postsinaptiche ma non con altre [Ramon y Cajal37]. 14

20 CAPITOLO 1 Il sistema nervoso e le sue proprietà Fig.1.6 Illustrazione del principio della specificità delle connessioni Il principio della polarizzazione dinamica e quello della specificità delle connessioni costituiscono nel loro insieme, i fondamenti cellulari del connessionismo moderno. Tutte le funzioni cerebrali relative al comportamento, all analisi delle informazioni sensitive, alle risposte emozionali e alla fondamentale facoltà mentale di conservare le informazioni ricevute (apprendimento), vengono svolte da gruppi di neuroni specificatamente interconnessi [Nicholls92]. Esistono due tipi di connessioni, di cui uno noto con il nome di divergenza neuronale, particolarmente diffusa negli stadi di ingresso del sistema nervoso. Questa connessione consente a un solo neurone di far pervenire i suoi messaggi a molte cellule bersaglio, un solo neurone può quindi esercitare influenze diverse e diffuse (1 molti). L altro genere di connessione, detto convergenza, è strutturato in maniera opposta, ossia più neuroni attivano una singola cellula e questo si ritrova comunemente negli stadi di uscita del sistema nervoso (molti 1). Non tutti i segnali nervosi sono eccitatori, risulta infatti che circa la metà di tutti i neuroni generano segnali inibitori. I neuroni inibitori liberano un neurotrasmettitore che riduce la probabilità che si generi un potenziale d azione. Classifichiamo due tipi di inibizioni: l inibizione anterograda (o feed-forward) e l inibizione retrograda (o feed-back). Nell inibizione anterograda, l interneurone inibitorio può stabilire contatto con due neuroni eccitatori antagonisti, in questo modo, quando il neurone da cui 15

21 CAPITOLO 1 Il sistema nervoso e le sue proprietà riceve il segnale entra in attività, l interneurone inibitorio viene eccitato e a sua volta inibisce il neurone antagonista. L inibizione anterograda è spesso reciproca. Nell inibizione retrograda, invece, un neurone può stabilire connessioni di tipo eccitatorio sia con una cellula bersaglio che con un interneurone inibitorio che, a sua volta, stabilisce una connessione inibitoria con il neurone di origine. In tal modo, quando il neurone di origine entra in attività, esso eccita contemporaneamente la cellula bersaglio che l interneurone inibitorio e quest ultimo acquista pertanto la facoltà di limitare l efficienza con cui il neurone attivo eccita la propria cellula bersaglio. 1.6 Reti di neuroni La diversa localizzazione delle funzioni rappresenta una delle strategie fondamentali impiegate dal sistema nervoso. L analisi che riguarda aspetti specifici dell informazione afferente è localizzata in zone ben definite del sistema nervoso. Vengono create delle mappe specifiche nelle quali convergono le informazioni provenienti da una specifica parte dell organismo. Queste mappe costituiscono il primo stadio del processo che porta alla creazione di una rappresentazione cerebrale del mondo in cui viviamo. I neuroni che costituiscono queste mappe, di qualsiasi tipo siano, non differiscono sostanzialmente per quanto riguarda le loro proprietà elettriche. Essi svolgono funzioni diverse perché stabiliscono connessioni diverse nel sistema nervoso. Tali connessioni si formano nel corso dello sviluppo e determinano quale sarà il ruolo di ogni cellula nervosa nella manifestazione di un certo comportamento. Risulta ormai chiaro che la logica delle operazioni che stanno alla base di una rappresentazione mentale può essere compresa solo se si conosce la sequenza con cui il flusso delle informazioni percorre le connessioni che costituiscono le diverse mappe celebrali. I meccanismi nervosi che impiegano diversi aggregati di neuroni o diverse vie nervose per convogliare informazioni similari prendono il nome di analisi in parallelo, più neuroni prendono parte contemporaneamente allo stesso tipo di analisi. 16

22 CAPITOLO 1 Il sistema nervoso e le sue proprietà I meccanismi di analisi in parallelo rappresentano un mezzo di fondamentale importanza nella strategia dell evoluzione naturale, in quanto sono in grado di dare origine a strutture cerebrali sempre più efficienti, aumentando sia la velocità che la precisione delle funzioni del sistema nervoso. L importanza delle connessioni in parallelo è oggi universalmente riconosciuta anche nella costruzione di modelli informatici che cercano di ricostruire le funzioni celebrali. I ricercatori che si occupano della cosiddetta intelligenza artificiale si sono presto resi conto che i modelli seriali erano in grado di svolgere operazioni modeste se paragonate all attività cerebrale, proprio per la natura intrinseca del modello stesso. Di conseguenza la maggior parte degli informatici che si occupano di intelligenza artificiale, sono oggi orientati verso lo studio di sistemi costituiti da dispositivi in parallelo. I risultati ottenuti da questi modelli sono il più delle volte in accordo con le ricerche fisiologiche. I modelli connessionisti prevedono che i singoli elementi non trasmettano grandi quantità di informazioni. Non è infatti la complessità dei singoli neuroni che rende il cervello una sorprendente macchina d analisi delle informazioni, quanto la molteplicità degli elementi della rete e la complessità delle loro connessioni. Il fatto che i neuroni stabiliscano reciprocamente connessioni specifiche non spiega però le modificazioni a cui è soggetto il comportamento umano, l apprendimento e l aumento delle capacità cognitive con il passare del tempo. La soluzione che si è dimostrata essere la più ragionevole è l ipotesi della plasticità. La formulazione più moderna di questa ipotesi risale al 1948 ed è citata dallo psicologo polacco Jerzy Konorski nel seguente modo: L applicazione di uno stimolo mette capo, nel sistema nervoso, a due tipi di modificazioni La prima proprietà, in virtù della quale la cellula nervosa reagisce allo stimolo afferente viene detta eccitabilità e chiameremo variazioni dovute all eccitabilità le variazioni che derivano da questa proprietà. Chiameremo invece plasticità la seconda proprietà in virtù della quale, in determinati sistemi neuronali, si stabiliscono talune modificazioni funzionali permanenti a seguito di particolari stimoli o di particolari loro combinazioni, e indicheremo queste modificazioni con il nome di modificazioni plastiche. 17

23 CAPITOLO 1 Il sistema nervoso e le sue proprietà Esistono oggi numerose prove della plasticità delle sinapsi chimiche. Le sinapsi chimiche mostrano spesso delle modificazioni funzionali a breve termine che aumentano o diminuiscono notevolmente la loro efficacia funzionale. Si osservano poi anche delle modificazioni a lungo termine, che comportano modificazioni anatomiche, come l eliminazione di connessioni preesistenti e perfino lo sviluppo di nuove connessioni. E proprio questa plasticità a conferire a ogni singolo individuo una propria singolare individualità [Konorski48]. 1.7 Plasticità sinaptica La caratteristica fondamentale che distingue i sistemi neurali dai sistemi informatici classici è la loro abilità di apprendimento. Due motivi fondamentali hanno forzato l evoluzione di questa capacità: innanzitutto i continui cambiamenti dell ambiente in cui viviamo e delle nostre caratteristiche fisiche (che il cervello deve controllare) fanno sì che il nostro controllore debba avere una flessibilità immensa. Secondariamente, la complessità delle funzioni che il cervello deve svolgere, e la ridondanza necessaria a garantirne l affidabilità, richiedono un enorme numero di neuroni ed un numero ancor più grande di sinapsi; determinare a priori (cioè geneticamente) il valore di tutte le connessioni sarebbe chiaramente improponibile. L apprendimento è mediato da due meccanismi: durante il periodo dello sviluppo si ha la creazione di connessioni tra neuroni e la morte di connessioni e neuroni non utilizzati; in seguito connessioni pre-esistenti vengono rinforzate od indebolite. Analizziamo brevemente i meccanismi che mediano questi ultimi processi. Il termine plasticità sinaptica si riferisce alla proprietà delle sinapsi di cambiare la loro efficacia, cioè l entità dell effetto post-sinaptico indotto da un evento pre-sinaptico. In prima approssimazione tale efficacia può essere espressa come: R = n p q 18

24 CAPITOLO 1 Il sistema nervoso e le sue proprietà dove n indica in numero totale di vescicole presenti nei siti pre-sinaptici di tutte le connessioni tra il neurone pre-sinaptico ed il neurone post-sinaptico, p indica la probabilità di rilascio di una singola vescicola di trasmettitore, e q è una misura dell entità dell effetto post-sinaptico causato dal rilascio di un quanto di neurotrasmettitore. Va notato che, nel definire n, abbiamo indicato come vi possano essere molteplici connessioni tra gli stessi due neuroni. Mentre in molti casi (specialmente tra neuroni corticali) vi è infatti una sola connessione tra due neuroni, spesso vi è un elevata ridondanza di connessioni, che può essere interpretata come un metodo per garantire l affidabilità della trasmissione. Esempi di questo tipo sono rappresentati dalle connessioni tra la retina ed il nucleo genicolato, tra le fibre rampicanti e le cellule di Purkinje nel cervelletto, e dalle giunzioni neuromuscolari. In quest ultimo caso n può raggiungere valori dell ordine del migliaio. Anche se questo non è ancora stato stabilito con certezza in tutti i casi, sembra che il meccanismo che porta alla modifica dell efficacia di una connessione passi attraverso un cambio della probabilità di rilascio del neuro-trasmettitore. Per indicare ciò, p viene quindi espressa come: p(t) = p 0 + ( p max - p 0 ) e t/τ La probabilità cambia quindi istantaneamente, per poi tornare al suo valore originale seguendo un andamento esponenziale caratterizzato da una costante di tempo τ. Il valore della costante di tempo può variare da qualche centinaia di millisecondi (nel qual caso si parla di facilitazione o di depressione) fino ad ore, giorni, settimane od anche più (nel qual caso si parla di long-term potentiation [LTP] (Figura 1.7) o di long-term depression [LTD]) [Tank89]. 19

25 CAPITOLO 1 Il sistema nervoso e le sue proprietà Fig.1.7 Illustrazione schematica di un paradigma di induzione LTP A. Un impulso debole (schematizzato a sinistra) evoca la risposta post-sinaptica abbozzata dal lato destro della figura. B. Una forte sequenza di stimoli (schematizzata a sinistra) innesca propagazione post-sinaptica (il picco del potenziale d azione di destra). C. L impulso della prima prova applicato in un tempo successivo evoca una più grande risposta post-sinaptica (linea continua di destra) della risposta iniziale (linea tratteggiata di destra). Gli eventi che portano all induzione di una variazione della probabilità p sono molteplici; in generale, variazioni di breve durata possono venir indotte da eventi esclusivamente pre-sinaptici (per esempio nel caso in cui uno spike presinaptico sia seguito immediatamente da un altro, il secondo avrà una maggior probabilità di provocare il rilascio di trasmettitore), mentre variazioni di lunga durata solitamente richiedono una combinazione di eventi pre-sinaptici e post-sinaptici. Per esempio, è stato stabilito che per poter indurre LTP in certe sinapsi è necessario che il raggiungimento della sinapsi da parte di uno spike pre-sinaptico sia seguito, entro un tempo ben definito, da una depolarizzazione della membrana post-sinaptica (provocata, per esempio, dalla propagazione all indietro di uno spike dalla zona di trigger del neurone post-sinaptico, attraverso l albero dendritico e fino alla zona postsinaptica). Nel caso in cui la tempistica non venga rispettata nulla accade, mentre se l ordine degli eventi viene invertito è possibile indurre LTD. In questa maniera, sinapsi che hanno contribuito alla generazione dello spike vengono potenziate, mentre sinapsi che non sono correlate con la generazione degli spikes vengono 20

26 CAPITOLO 1 Il sistema nervoso e le sue proprietà indebolite (è inoltre possibile che vi sia una generale tendenza ad indebolire tutte le sinapsi, cosicchè sinapsi che non vengono periodicamente potenziate tendono a morire). Questo tipo di apprendimento, che è stato proposto inizialmente su base teorica da Hebb (da cui il nome Hebbian learning), è quello più usato nelle reti neurali artificiali, e costituisce la base delle memorie autoassociative [Hebb49]. Siano x i e y i due nodi, allora la variazione dei pesi avverrà secondo la seguente legge w ij = x i y j ; come conseguenza lo stimolo fornito da un neurone ad un altro attraverso l assone rinforzerà la connessione (il peso). Il peso della sinapsi sarà quindi variato in funzione del prodotto degli stati dei due neuroni. Il peso verrà aumentato se i neuroni hanno valori concordi, diminuito in caso di valori discordi. Le reti neurali artificiali, la loro capacità di apprendimento e memorizzazione saranno argomento centrale nel seguito di questa tesi. 21

27 CAPITOLO 2 I sistemi complessi: le reti neurali artificiali CAPITOLO 2 I sistemi complessi: le reti neurali artificiali 2.1 Cervello e computer Dopo l avvento del calcolatore negli anni sessanta, nello studio delle attività mentali, accanto alla psicologia ed alle neuroscienze, si è proposta un altra disciplina: l intelligenza artificiale. Essa ha posto alla base della sua indagine degli assunti teorici così vicini a quelli dell indirizzo dominante di psicologia, la psicologia cognitiva, da giungere ben presto a formare con essa il nucleo delle scienze cognitive. Negli anni ottanta si è proposto nell ambito dell intelligenza artificiale un nuovo paradigma, chiamato connessionismo, che si è proposto come antagonista rispetto all intelligenza artificiale classica, legata al paradigma della rappresentazione simbolica della conoscenza [McClelland86]. L idea di base di questo paradigma è che la mente è ciò che fa il cervello. Questo significa che il modo migliore per studiare il comportamento sia costruire modelli che riprendano le caratteristiche fondamentali del dispositivo che lo generano: il cervello. Il connessionismo afferma che la totalità dei processi cognitivi dei sistemi naturali, ed in particolare la flessibilità, la sensibilità al contesto, la robustezza al rumore, la capacità di apprendere dall esperienza, siano producibili solo da sistemi che presentano alcune caratteristiche tipiche del cervello [Parisi90]. Per questo il connessionismo ha assunto come suo modello fondamentale le reti neurali. Una rete neurale cattura alcuni tratti essenziali del cervello. Essa è composta da unità (neuroni), connessioni tra unità (sinapsi), propagazione delle attivazioni da un unità all altra (potenziali di attivazione), attivazione delle unità sulla base delle eccitazioni ed inibizioni provenienti dalle altre unità, modificazioni della conduttività delle connessioni attraverso l esperienza. 22

28 CAPITOLO 2 I sistemi complessi: le reti neurali artificiali Le reti neurali costituiscono un alternativa rispetto ai modelli delle scienze cognitive e dell intelligenza artificiale classica. In particolare, le reti neurali si differenziano da questi modelli in quanto prendono in considerazione i seguenti aspetti del cervello. L informazione, al pari di quanto avviene nel cervello, circola nelle reti neurali in forma quantitativa. In particolare la memoria del sistema risiede nella conduttività delle connessioni delle unità della rete, che nella simulazione è sintetizzata da un numero (peso). Anche le informazioni che sono scambiate tra le unità sono di carattere quantitativo (numeri che sintetizzano l intensità degli impulsi scambiati). Le elaborazioni che sono realizzate dalle unità, poi, consistono in funzioni matematiche, cioè in una associazione di impulsi (numeri) in uscita ad impulsi (numeri) in entrata. Esistono però delle limitazioni tecniche nell implementare le reti neurali sul calcolatore. Se confrontiamo il numero di neuroni presenti in un cervello umano con il numero di bit presenti in una tipica workstation di fascia alta, ci rendiamo presto conto come questi siano molti di più. Questo limite è tuttavia stato superato da alcuni supercomputer. Il cervello umano, infatti, si evolve molto lentamente, mentre le memorie del computer crescono in fretta. In ogni caso, la differenza in capacità di immagazzinamento è minima rispetto a quella in velocità e parallelismo. I chip dei computer possono eseguire un istruzione in qualche decina di nanosecondi, mentre i neuroni richiedono millisecondi per essere attivati. Il cervello va però oltre, tanto da recuperare e superare questo svantaggio, questo perché tutti i neuroni e tutte le sinapsi possono lavorare contemporaneamente mentre la gran parte dei computer attuali ha al più qualche CPU. Una rete neurale artificiale che giri su un computer seriale richiede centinaia di cicli per decidere se una singola unità-neurone deve essere attivata, mentre nel cervello tutti i neuroni svolgono questa operazione in un singolo passo. Quindi, anche se un computer è un milione di volte più veloce in velocità di commutazione, il cervello finisce con l essere un miliardo di volte più veloce nell ottenere il risultato. Una delle attrattive dell approccio basato su reti neurali artificiali è la 23

29 CAPITOLO 2 I sistemi complessi: le reti neurali artificiali speranza che possa essere costruita una macchina che combini il parallelismo del cervello con la velocità di commutazione del computer [Haken91]. La caratteristica fondamentale delle reti neurali, da cui derivano diverse proprietà, è la mancanza di simbolismo. Le informazioni, diversamente da quanto accade per i sistemi di intelligenza artificiale classica, non sono codificate attraverso simboli che hanno un significato univoco e corrispondono ognuno ad una particolare entità del mondo. Il motivo di fondo è che due simboli possono essere tra loro del tutto identici o del tutto diversi. Due numeri invece, possono avere infiniti gradi di libertà. Le informazioni relative alle entità reali del mondo, proprio in quanto sono contenute nei pesi delle connessioni delle unità che sono collegate in rete e concorrono collettivamente ad esprimere le risposte date dal sistema agli stimoli provenienti dall ambiente, sono distribuite su più punti della rete e l informazione risulta così diffusa. Inoltre sono sovrapposte, nel senso che un peso concorre ad immagazzinare più contenuti di memoria. Questo, se da una parte può portare a produrre interferenza tra i ricordi, dall altro consente il funzionamento della memoria associativa, cioè della memoria che recupera i ricordi sulla base di frammenti di essi o stimoli in qualche modo legati ad essi. La memoria associativa è probabilmente alla base delle abilità come la creatività, la capacità di generalizzazione, la sensibilità al contesto e la robustezza al rumore, che come detto manca ai sistemi prodotti dall intelligenza artificiale classica. Il cervello e le reti neurali, non sono dotati di un elaboratore centrale di informazione né di particolari magazzini di memoria in cui sono contenute le informazioni come accade per i calcolatori. Sono piuttosto dotati di un grande numero di unità particolari, ciascuna in grado di svolgere delle elaborazioni molto semplici dei segnali (come la somma o l amplificazione). Le prestazioni complessive del sistema sono l espressione dell operare in parallelo di queste unità. La natura di sistema complesso del cervello, accanto alla natura quantitativa e diffusa dell informazione contenuta in esso che consente di togliere ai simboli il ruolo di unico veicolo della conoscenza, rappresenta un salto epocale nella storia dello studio del pensiero e della conoscenza. Infatti l avere riconosciuto che alcuni 24

30 CAPITOLO 2 I sistemi complessi: le reti neurali artificiali caratteri sono strettamente legati alla natura di sistema complesso del cervello, richiede dei cambiamenti drastici sia nella visione della loro essenza, sia nelle tecniche utilizzabili per la loro indagine. La ragione di questo risiede nel fatto che i sistemi complessi hanno dei caratteri così radicalmente diversi dai sistemi semplici. 2.2 Caratteristiche dei sistemi complessi Un sistema complesso è un insieme molto grande di elementi che interagiscono localmente tra di loro in modo tale che dalle loro interazioni emergono le proprietà globali del sistema. Queste proprietà globali sono emergenti nel senso che, diversamente da quanto accade nei sistemi semplici, non sono previste o deducibili dalla conoscenza degli elementi e dalle regole che governano le interazioni locali. Nel loro studio quindi, il riduzionismo incontra seri limiti. La non riducibilità del comportamento di un sistema complesso alle leggi di interazione locale delle unità di cui è composto, sebbene tale comportamento derivi da esse, dipende da una serie di proprietà dei sistemi complessi. I sistemi complessi tendono ad organizzarsi su più livelli gerarchici. Questi livelli hanno dei legami e delle interazioni che non sono univoci e deterministici: un cambiamento ad un livello può riflettersi sul livello superiore o inferiore in modo molto differente a seconda di una serie di condizioni al contorno. Le singole unità elementari dei sistemi complessi hanno poco peso nel determinare il comportamento del sistema. Ciò che determina tale comportamento è l azione collettiva e parallela di tante unità interagenti. Questo di per sé limita la possibilità di ridurre la spiegazione di un fenomeno osservato a livello globale del sistema, all azione di poche variabili sottostanti. Essa comporta che una perturbazione di entità limitata possa dar luogo a cambiamenti catastrofici nel sistema mentre una perturbazione importante possa essere riassorbita senza particolari conseguenze. Inoltre due sistemi possono partire da stati iniziali molto simili e divergere poi moltissimo tra di loro mentre in altri casi due sistemi, partendo da stati iniziali parecchio dissimili, convergono con il tempo. 25

31 CAPITOLO 2 I sistemi complessi: le reti neurali artificiali Le unità e i livelli dei sistemi complessi sono caratterizzati da legami sistemici, cioè da relazioni circolari, da meccanismi omeostatici e da relazioni di feedback, che tendono a sostituire le relazioni lineari di causa o di effetto tipiche dei sistemi semplici. I sistemi di interesse biologico per lo studio del comportamento sono inoltre adattativi, si modificano cioè in funzione dell ambiente in cui si trovano. I sistemi complessi adattativi hanno l importante caratteristica di possedere dei meccanismi sofisticati che consentono dei cambiamenti a livello delle unità elementari come riflesso di eventi accaduti a livello globale. I sistemi complessi adattativi hanno una natura intrinsecamente evolutiva. Essi tendono a portare dentro, in ogni momento, delle tracce della loro storia passata, che accumula informazione a livello di struttura. I sistemi complessi sono spesso caratterizzati dalla presenza di eventi casuali. Il rumore costituisce spesso la fonte di creazione di nuove strutture ed organizzazioni che consentono al sistema di far fronte a nuove situazioni, consentendo così il processo di adattamento stesso. Essi hanno una struttura tipicamente dinamica. La dinamicità ed il cambiamento sono essenziali per consentire i processi circolari, di adattamento, di emergenza dell organizzazione dal rumore. Il cervello è un tipico sistema complesso: i neuroni costituiscono le sue componenti elementari, le eccitazioni e le inibizioni, le funzioni di trasferimento all interno dei neuroni, le modificazioni delle sinapsi, costituiscono le leggi di interazione locale del sistema. Il sistema complesso cervello è organizzato su più livelli gerarchici, si possono individuare in esso almeno i livelli seguenti: livello dei singoli neuroni, sinapsi, neuro-trasmettitori, potenziali; livello dei circuiti di neuroni; livello delle aree funzionali del cervello, aventi una certa specializzazione; livello del comportamento e dell attività mentale dell organismo. Il comportamento e la cognizione sono le proprietà globali emergenti del sistema complesso cervello. Questo implica che solo usando dei modelli che 26