Ila Fiete

Durante sus estudios de posgrado, Fiete y sus colegas utilizaron redes lineales de aprendizaje para demostrar que los códigos neuronales temporales dispersos minimizan la interferencia sináptica y facilitan el aprendizaje en aves cantoras. ^{[ 7 ]} Posteriormente, Fiete comenzó a explorar los principios computacionales subyacentes a la plasticidad sináptica. ^{[ 4 ]} Propuso una regla de refuerzo sináptico para llevar a cabo el aprendizaje dirigido a objetivos en redes recurrentes de neuronas basadas en tasas y de disparo. La regla realiza un ascenso de gradiente estocástico sobre la recompensa. ^{[ 4 ]} Específicamente, si la señal de recompensa cuantifica el rendimiento de la red, entonces la regla de plasticidad es capaz de impulsar el aprendizaje dirigido a objetivos en la red. ^{[ 4 ]} Fiete aplicó su modelo a datos neurofisiológicos de aves cantoras y descubrió que la regla de aprendizaje basada en ensayo y error era lo suficientemente rápida como para explicar el aprendizaje en aves cantoras. ^{[ 8 ]}

Cuando Fiete inició su investigación postdoctoral, comenzó a estudiar los principios de codificación de las células cerebrales que codifican la ubicación. En 2006, Fiete y sus colegas describieron un marco para comprender los cálculos de las células de cuadrícula en la corteza entorrinal y cómo codifican las posiciones de las ratas. ^{[ 9 ]}  Demostraron que la representación es análoga a un sistema de numeración de residuos, que permite que un pequeño número de células represente y actualice la posición de una rata a lo largo de grandes distancias o en múltiples entornos. ^{[ 9 ]} Esta hipótesis es muy diferente de otras sobre cómo se realiza la codificación en el cerebro, y este sistema numérico "amigable con la aritmética" resalta el ingenio de los códigos neuronales. ^{[ 9 ]}

Fiete y sus colegas de la UT Austin estaban interesados ​​en explorar los cálculos neuronales subyacentes a las células de cuadrícula en la corteza entorrinal. ^{[ 13 ]} Se sabe que las células de cuadrícula codifican la ubicación espacial en los mamíferos mientras deambulan por el mundo. Fiete y sus colegas descubrieron que los cálculos de las células de cuadrícula pueden surgir de un proceso de formación de patrones y pueden modelarse mediante redes de atractores continuos. ^{[ 14 ]} Con entradas que indican la velocidad y la dirección de la dirección del animal, los modelos de atractores continuos pueden generar respuestas de cuadrícula triangulares que codifican estimaciones actualizadas de la ubicación en espacios bidimensionales. ^{[ 13 ]} Además, muestran, con una prueba de concepto , que la dinámica de atractores continuos subyace a la integración de la velocidad en las células de cuadrícula. ^{[ 13 ]} En 2013, Fiete y sus colegas utilizaron registros neuronales in vivo como base para su investigación computacional de los mecanismos subyacentes a la actividad de las células de cuadrícula. ^{[ 15 ]} Su modelo, basado en la dinámica de atractores continuos de baja dimensión, caracterizó de manera confiable las respuestas de las células de cuadrícula en recintos familiares de corta duración. ^{[ 15 ]} Con el tiempo y en condiciones cambiantes, las respuestas de las células individuales de la cuadrícula cambian; sin embargo, las proporciones de los parámetros de la cuadrícula y las fases relativas entre las células registradas simultáneamente permanecen esencialmente constantes, lo que demuestra que las respuestas a nivel de población son invariables. ^{[ 15 ]} Sus hallazgos contradicen la hipótesis célula-ambiente, ya que encuentran que la estabilidad de las respuestas célula-célula es más robusta que las respuestas célula-ambiente. ^{[ 15 ]}

Al año siguiente, Fiete describió un modelo para explicar el desarrollo de las células de la cuadrícula, desde el momento en que se abren los ojos hasta que alcanzan su pleno desarrollo computacional. ^{[ 16 ]} Inicialmente, su modelo describe redes neuronales no estructuradas que se activan en respuesta a entradas de velocidad y ubicación. ^{[ 16 ]} Mediante modelado computacional, proponen que las neuronas de la cuadrícula desarrollan una arquitectura recurrente organizada basada en la similitud de sus entradas, actuando a través de neuronas inhibitorias, lo que sienta las bases para una red de células de la cuadrícula madura capaz de calcular la velocidad y la ubicación de forma coordinada e integrada. ^{[ 16 ]}

Fiete estaba entonces interesado en desarrollar un sistema robusto con el que determinar los mecanismos de los circuitos neuronales subyacentes a la función cerebral que no se basaran simplemente en la observación de la actividad neuronal. ^{[ 17 ]} Utilizando el sistema de celdas de cuadrícula, que Fiete había investigado exhaustivamente y que sirve como un buen sistema para probar modelos computacionales, Fiete demostró que el modelo de "distribución de cambios de fase relativos" tiene el potencial de revelar mecanismos de circuitos corticales muy detallados a partir de registros neuronales dispersos. ^{[ 17 ]} Mediante el uso de experimentos perturbativos, descubrieron que su método es capaz de discriminar entre redes neuronales de alimentación directa y recurrentes para descubrir qué modelo describía con mayor precisión los cálculos neuronales. ^{[ 17 ]}

En 2019, una vez que Fiete llegó al MIT, publicó un artículo en el que utilizaba modelos topológicos para transformar la actividad neuronal de grandes poblaciones de neuronas en una nube de datos que representaba la forma de un anillo. ^{[ 18 ]} Se ha demostrado en moscas que esta representación espacial de la actividad neuronal en forma de anillo subyace a la dirección de la cabeza, y ahora, según Fiete, se ha demostrado que representa la dirección de la cabeza en ratones, como una brújula interna. ^{[ 18 ]} La forma de anillo que crea la actividad neuronal se conoce como variedad en los análisis computacionales, una forma representada en múltiples dimensiones para describir datos multidimensionales. ^{[ 19 ]} Su forma y dimensionalidad representan los datos de una manera más interpretable. ^{[ 19 ]} El enfoque que describe Fiete, que utiliza una variedad para describir la actividad neuronal, permite el descubrimiento y la decodificación ciegos (no supervisados) de variables externas utilizando únicamente la actividad neuronal como entrada. ^{[ 19 ]}