Mecanismos de modulación por atención selectiva entre áreas

Mecanismos de modulación por atención selectivaentre áreas corticales

Un modelo biofísico de red

Joan Salvador Ardid Ramírez

Memoria del trabajo de investigación para laobtención del D.E.A.

Capítulo 1: Introducción

1.1 Campos receptivos y curvas de sintonía

1.2 Atención

1.2.1 Atención Voluntaria y Memoria de Trabajo

1.3 Atención basada en Característica

1.3.1 Atención basada en Característica Global

1.3.2 Atención basada en Característica Local

1.4 Modelo computacional

Capítulo 2: Métodos

2.1 El modelo de red

2.2 Estímulos visuales y tareas de atención

2.3 Materiales usados

Capítulo 3: Resultados

3.1 Resultados con RDPs simples

3.1.1 Cruce de las curvas de sintonía de la población

3.1.2 Efecto multiplicativo de las curvas de sintonía neuronales

3.2 Resultados con RDPs transparentes

3.2.1 Modulación por atención con RDPs transparentes

3.2.2 Modelo de Competición Sesgada

3.3 Mecanismos

Capítulo 4: Discusión

Referencias

Índice

1

3

4

5

8

8

11

13

15

16

21

26

29

30

31

32

35

38

40

41

45

51


El sistema visual es el sistema sensorial más ampliamente estudiado históricamente, ypor lo tanto no es casual que el análisis de la atención se haya abordado especialmentedesde la perspectiva de la percepción visual. Se sabe que lo que se percibe dependecríticamente de dónde se dirige la atención. Así, la atención a un determinado lugaraumenta la precisión y la velocidad de detección de cualquier estímulo visual. Se hademostrado también que la atención no sólo aumenta la sensibilidad ante la percepciónde estímulos, sino que a su vez disminuye la interferencia provocada por estímulosdistractores cercanos. Además, la atención es altamente flexible, en cuanto a su foco (undeterminado lugar en el espacio, una determinada dimensión del estímulo) y a sudinámica (cambio rápido y preciso de foco de atención), para la correcta consecución dela finalidad buscada en cada momento.

Pero, ¿cómo se producen todos estos efectos en el cerebro? ¿cuáles son las áreasinvolucradas y los mecanismos responsables? Aún se está lejos de obtener respuestasdefinitivas a estas preguntas, pero ya son muchos los trabajos que se han venidopublicando recientemente sobre cómo la atención influye en la representación de losestímulos visuales en el cerebro. Algunas investigaciones muestran que, ante condicionesde estimulación visual idénticas, la actividad de las neuronas de la corteza visual dependede sobre qué zona del campo visual se encuentra localizada la atención. Otrasinvestigaciones muestran que la atención sobre una determinada región visual afecta a laactividad de neuronas que cubren todas las demás regiones del campo visual. Y otrasmás, muestran que la región del espacio visual en la cual estímulos adecuados generan laactivación de una determinada neurona, su campo receptivo, se ve influenciada pormedio de la atención.

Así, la mayor parte de estos estudios de atención visual pueden ser clasificados(Boynton, 2005), o bien como de Atención Espacial, o sea, es determinante la posición enel espacio que el estímulo visual atendido ocupa como fuente de la modulación de laactividad neuronal (Motter 1993; Treue y Martinez-Trujillo, 1999; Reynolds et al., 2000);o bien como Atención basada en Característica, en inglés Feature-based Attention, queafecta a todas las neuronas selectivas a la dimensión atendida del estímuloindependientemente de la posición de su campo receptivo con relación al foco deatención. La característica hace mención al valor concreto que toma una determinadadimensión del estímulo: por ejemplo, si la dimensión del estímulo es el color, posibles

Mecanismos de modulación por atención selectiva entre áreas corticales: Un modelo biofísico de red

características serían rojo, azul, verde...; otras posibles dimensiones de estímulo sontextura, movimiento, forma... Para poner de manifiesto esta segunda modalidad deatención, típicamente más débil que la espacial, se realizan experimentos en los que lossujetos prestan atención a objetos siempre en la misma zona de la escena visual, perocon distinta característica. Al comparar condiciones en las que la posición de la atenciónno varía, sino sólo la característica atendida, las modulaciones en la respuesta neuronalque se observan son achacables a la Atención basada en Característica.

La Atención basada en Característica, a su vez, se ha venido dividiendo en otras dos,según la atención que modula la actividad de la neurona esté dentro del campo receptivo,Atención basada en Característica Local, o fuera, Atención basada en CaracterísticaGlobal. Si está dentro, la atención afecta al propio campo receptivo (Moran y Desimone,1985; Desimone y Duncan, 1995), estrechándolo más al estímulo atendido, en cambio siestá fuera la modulación afecta principalmente a la actividad neuronal (Treue y Martinez-Trujillo, 1999; Saenz et al., 2002; Martinez-Trujillo y Treue, 2004).

De manera que, en estos últimos años, ha aparecido cierta controversia entre loscientíficos que defienden cada una de estas visiones sobre atención visual, puesto queson aproximaciones aparentemente contradictorias entre ellas. En este estudio nos vamosa centrar en la Atención basada en Característica.

Esta división entre Atención Espacial y Atención basada en Característica, de hecho, noes tan clara en la literatura como Boynton refleja. Así pues, algunos científicos, comoTreue, consideran que una determinada localización espacial es otra característica másdel estímulo, y otros, como Desimone, realizan experimentos en los que la modulacióndepende también de aspectos espaciales, no únicamente de la característica. Noobstante, para los aspectos que en este trabajo se van a tratar, la clasificación dada porBoynton es una aproximación muy buena ya que no se van a considerar aspectos delocalización: o no existen porque los estímulos están solapados, o estos serán muypequeños por estar separados pero dentro de un mismo campo receptivo.

Históricamente han aparecido dos teorías que se centran en cada una de las ramas dela Atención basada en Característica, son el Modelo de Competición Sesgada, o en inglésBiased Competition Model, para la Atención basada en Característica Local; y el Modelo deGanancia dependiente de la Similitud respecto a Característica, o en inglés Feature-similarity Gain Model, para la Atención basada en Característica Global.

El principal objetivo de este estudio es implementar un modelo computacional,plausible desde el punto de vista biológico, que sustente mecanísticamente y a la vezunifique de forma consistente las dos posturas enfrentadas.

Para ello, empezaremos describiendo cómo se mide la actividad neuronal frente a undeterminado estímulo visual. Se introducirán las definiciones de campo receptivo y curvade sintonía. Antes de entrar a considerar la modulación de la actividad, nos convendráintroducir el concepto de atención: ¿qué es lo que entendemos por atención? ¿quérelación mantiene con la memoria de trabajo? ¿dónde se genera? ¿dónde se aplica? ¿quéla sustenta?, etc. Posteriormente, veremos ya cómo es la modulación que la atencióngenera en cada una de las dos situaciones, Atención basada en Característica Local yAtención basada en Característica Global, y a partir de ellas, qué defiende cada modelo.Por último, en esta introducción se comentará brevemente cuál es la aproximación denuestro modelo computacional, cómo se relaciona con el contexto de atención visual, enconcreto la Atención basada en Característica, y por qué se ha escogido un modelo deestas características.

2


1.1 Campos receptivos y curvas de sintonía

La actividad neuronal se mide a partir de la tasa de disparo, o sea el número depotenciales de acción (PAs) por unidad de tiempo. Se dice que una neurona está activacuando recibe un estímulo que hace cambiar su tasa de disparo respecto de la tasa dedisparo media en ausencia de estímulo, que llamaremos Actividad Espontánea. Noobstante, no todos los estímulos son válidos. Cada neurona codifica una, o variasdimensiones concretas del estímulo (dirección, orientación, color, forma...) (figura 1.1).Si el estímulo en cuestión no lleva ese tipo de información, la neurona no se activará.Además de esta especialización en la respuesta de las neuronas (que llamamosselectividad al estímulo), también se da una especialización a nivel de áreas cerebrales.Las neuronas de diferentes áreas del cerebro codifican un tipo u otro de informacióncaracterística presente en el estímulo: así en área visual extraestriada V4 del macacoencontramos neuronas selectivas a la orientación, la frecuencia espacial y el color,mientras que las neuronas del área visual MT no responden ante esas dimensiones delestímulo y en cambio son altamente selectivas a la dirección y magnitud del movimiento.

Además, para que la neurona reciba el estímulo adecuado, éste ha de estar situado enuna determinada región del espacio. Típicamente una neurona de la corteza visual noabarca todo el campo visual sino una sola región. El rango total se reparte entrediferentes neuronas de la misma área. Cada una de estas regiones del espacio reciben elnombre de campo receptivo, receptive field (RF) en inglés (figura 1.1). De manera quecada neurona de la corteza visual tiene su propio campo receptivo específico, localizadode forma fija en coordenadas retinotópicas.

Pero este campo receptivo que abarcan las neuronas varía en tamaño según el área enque se encuentren. De hecho existe una jerarquía entre diferentes áreas de una mismavía, o sea, a medida que la información sensorial avanza a través de diferentes áreassensoriales, aumenta el procesamiento de ésta información sensorial y a su vez el tamañopromedio del campo receptivo de las neuronas (Felleman y Van Essen, 1991).

Además, se sabe que diferentes neuronas en una misma área comparten el mismocampo receptivo. Estas neuronas que codifican una misma dimensión del estímulo,difieren entre sí por su nivel de actividad ante los valores particulares que toma ladimensión del estímulo en cuestión. Cada valor particular es una característica diferentedel estímulo. De manera que cada neurona tendrá una característica preferida y su tasade disparo variará en función de cómo la dimensión del estímulo se acerque a ella. Estees el concepto de curva de sintonía, o tuning curve en inglés (figura 1.2).

Figura 1.1: Dimensiones del estímulo y campo receptivo. Estímulo, en este caso visual, con variasdimensiones: forma rectangular, color azul, y según el caso, cambio de orientación (izquierda), o dedirección de movimiento (derecha). Cada valor particular de una determinada dimensión del estímulo esuna característica (azul, orientación a 135o, movimiento hacia arriba,...). La linea discontinua de colornegro representa el campo receptivo de una hipotética neurona.

3


Así, por ejemplo, para un estímulo que se desplaza en una determinada dirección,tendremos que las neuronas selectivas a dirección, que se concentran principalmente enel área temporal medial, área MT, se activan cuando el estímulo entra en su camporeceptivo, y que un subconjunto de las que tienen el mismo campo receptivo están másfuertemente activas, puesto que son éstas las que prefieren la dirección en la que semueve el estímulo.

Figura 1.2: Curva de sintonía. Existe una relación entre el valor que toma la dimensión del estímulo encuestión, característica, y la respuesta de la neurona que a ella es selectiva. El pico de la curva ocurrepara la característica preferida para esta neurona, y variará de unas a otras.

1.2 Atención

No existe una definición completamente unificada del concepto de atención y, además,ahora se sabe que probablemente existen diversos circuitos interrelacionados formandoun complejo sistema de atención (Posner y Petersen, 1990). Así nos encontramos queexisten matices entre las diferentes definiciones existentes según las distintasaproximaciones al problema, o sea, según el campo de trabajo de donde provengan, otambién según el contexto histórico en que surgieron (extraído de Raz, 2004):

● 'La atención es el afinamiento de los sentidos'. Aristoteles, 370 AC.

● 'La atención actúa como un filtro, dada la alta cantidad de información existentelocalizada en sistemas sensoriales paralelos y la limitada capacidad de percepción'.Broadbent, 1958.

● 'Atención como mecanismo para la preparación de la respuesta motora'. Rizzolatti etal., 1987.

● 'La atención deriva de la influencia de la memoria a corto plazo, o memoria detrabajo, sobre representaciones sensoriales en la corteza cerebral'. Desimone, 1998.

Una definición reciente y bastante general es la siguiente:

● 'La atención es la habilidad para seleccionar, de entre otros muchos, los estímulos,acciones, recuerdos y pensamientos que son relevantes desde el punto de vista delcomportamiento'. Raz, 2004.

4

Feature


Como ya se ha dicho, la atención no implica un único mecanismo, sino que se trata deun sistema complejo que reside sobre un número de circuitos neuronales distintos. Parapoder abordar cuáles son los mecanismos neuronales que la sustentan, desde el punto devista anatómico y fisiológico, se necesitan unas estrategias muy bien definidas basadasen la creación de determinados paradigmas, o tareas, en los que se puedan separar lasseñales relacionadas con aspectos de atención de otras puramente sensoriales o motoras.Además, por estar distribuido en diferentes zonas del cerebro, se ha necesitado denuevos avances técnicos, desarrollados a lo largo de los últimos veinte años, y que hanpermitido medir de forma no invasiva la actividad de todo, o gran parte del cerebrodurante el comportamiento. Gracias a ello, se está estudiando cuáles son las áreas que seactivan en tiempo real según el paradigma usado. Existen diferentes herramientas deimagen de este tipo como: ERP (Event-Related Potential), fMRI (functional MagneticResonance Imaging), MEG (Magneto-Encephalography), NIRS (Near-InfraRedSpectroscopy), PET (Positron Emission Tomography), SPECT (Single Photon EmissionComputed Tomography). Las principales conclusiones, respecto al sistema de atención, alas que se ha llegado con esta nueva tecnología se pueden resumir en tres enunciados(Posner, 2004):

● Las redes neuronales involucradas en tareas cognitivas, y emocionales, sedistribuyen ampliamente en diferentes áreas del cerebro, pero no lo ocupan todo.Cada área de la red global procesa diferentes aspectos, aunque es conjuntamentecomo se realiza la tarea.

● Algunas redes controlan a otras, así existen redes neuronales relacionadas con laatención que seleccionan y controlan redes sensoriales y de memoria.

● Estas redes cambian con el desarrollo, el aprendizaje, las lesiones cerebrales y laspatologías.

De hecho, efectivamente, las últimas investigaciones han demostrado que distintasáreas del cerebro median diferentes procesamientos de la atención, por tanto es posibleexaminar la atención selectiva como un sistema con su propia función, anatomía,estructura celular y conectividad en el cerebro (Posner y Fan, 2004).

Conviene conjugar los resultados de este tipo de estudios en paralelo con los registroselectrofisiológicos, que aportan mayores detalles a nivel de una o pocas neuronas. Noobstante, la noción sobre atención que se tiene ahora, gracias a estas nuevas técnicas, esmucho más amplia, pues han permitido analizar aspectos de la atención que antes no sepodía, como la comparación de la actividad entre áreas corticales según la tarea a realizaro el estado cognitivo del sujeto. Y aún más, se han podido realizar estas medidas encerebro humano, al tratarse de instrumentos no invasivos. Compaginar todos estos tiposde medidas junto con la implementación de modelos computacionales parece ser la mejoraproximación para estudiar los mecanismos neuronales que sustentan la atención, dadaslas complejas características de este sistema.

1.2.1 Atención Voluntaria y Memoria de Trabajo

Acabamos de ver que la atención es un sistema distribuido y complejo que estáinterrelacionado, entre otros aspectos, con la memoria. Vamos a ver ahora que existe untipo de atención, la Atención Voluntaria o Dirigida (Directing Attention), que estáfuertemente ligada con la Memoria de Trabajo (en inglés Working Memory, WM), lo cualha originado la idea de que comparten mecanismos neuronales (Mesulam, 1981;Mesulam, 1990; Desimone y Duncan, 1995; Desimone, 1998; Awh y Jonides, 2001).

5


Como se verá posteriormente, estos conceptos serán muy útiles para la implementaciónde un modelo computacional biológicamente plausible de la Atención basada enCaracterística.

La Atención Voluntaria, también llamada Atención Endógena, hace referencia al tipo deatención en el que el sujeto busca una determinada finalidad durante el proceso, comopor ejemplo, encontrar una cara familiar en un recinto deportivo. En oposición a otro tipode atención llamado Atención Refleja, o Atención Exógena, en la cual, un cambio súbitopor sí mismo en un estímulo sensorial, previamente no atendido, es capaz de atraernuestra atención de forma inconsciente. Mediante esta disgregación entre AtenciónVoluntaria y Atención Refleja la evolución ha optimizado el sistema visual de los primates.Se sabe que existen alrededor de un millón y medio de axones que salen de la retinaaportando una riqueza inmensa de detalles de la escena visual. No obstante, en todomomento existe multitud de información irrelevante. La forma con la que se ha resueltoel control del flujo de la información visual ha sido mediante la focalización de la atenciónen la zona central de la retina, la cual está altamente desarrollada, junto con la habilidadde realizar movimientos rápidos y precisos de los ojos de forma refleja hacia alguna parteperiférica que se mueve, por ejemplo, de forma abrupta (Yantis y Johnson, 1990;Remington et al., 1992). Este es un aspecto clave y necesario desde el punto de vista dela supervivencia. Esta habilidad para cambiar rápidamente y de forma refleja tambiénaparece en otras modalidades como el sistema auditorio, por ejemplo cuando en unaconversación a la que no prestamos atención, de repente oímos nuestro nombre. El queseamos capaces de mantener la concentración en una determinada tarea dependerá delgrado de Atención Voluntaria que le apliquemos frente a la aparición de estímulosperiféricos que puedan aparecer en el entorno en principio irrelevante. De hecho se hademostrado la falta de habilidad para detectar grandes cambios de la escena visualcuando estos ocurren fuera del foco de atención (Rensink et al., 1997).

La WM se refiere al proceso activo, mediante el cual se mantiene algún tipo deinformación relevante en el cerebro durante un breve periodo de tiempo, pasado éste, lamemoria a corto plazo se libera; como por ejemplo cuando mantenemos en nuestra'mente' un número de teléfono que se ha dicho previamente hasta el momento en que loanotamos.

Tanto la Atención Voluntaria, como la WM, se consideran 'Top-down' ('de arriba aabajo'), pues son procesos que buscan una determinada finalidad y dependen deconocimiento previo y no de estímulos sensoriales. Estos procesos se contraponen a losprocesos 'Bottom-up' ('de abajo a arriba'), que están conducidos por el estímulo sensorialy, si es el caso, por la Atención Refleja. Esta nomenclatura, a grandes rasgos, deriva delhecho de que la atención proviene de áreas corticales jerárquicamente superiores y elestímulo sensorial de las áreas corticales primarias.

Utilizando las herramientas de imagen que se han enunciado más arriba, juntamentecon estudios electrofisiológicos de neurona única y estudios de pacientes con lesionescerebrales, se ha observado que las estructuras de control para atención difieren deacuerdo con el tipo de procesamiento, Atención Voluntaria o Atención Refleja, mediantecircuitos corticales separados en las regiones de la corteza cerebral frontal y parietal (vercitas más adelante). A la vez que se ha visto que existe superposición entre los sustratosneuronales que controlan la WM con los que controlan la Atención Voluntaria (ver citasmás adelante), lo cual apoya la idea que los mecanismos que sustentan una y otra sonlos mismos (Desimone, 1998).

De forma cronológica, lo primero que se empezó a estudiar fue la WM en monos,donde se puso de relieve la importancia de la corteza prefrontal. Así, lesiones en la

6


corteza prefrontal dorsolateral impiden en gran medida la aparición de WM (Goldman yRosvold, 1970; Bauer y Fuster, 1976; Funahashi et al., 1993). A la vez, registrosextracelulares de neurona única han demostrado que las neuronas en esta regiónmuestran actividad sostenida en tareas en las que se requiere recordar algunacaracterística de un estímulo cuando éste ya está ausente (Fuster y Alexander, 1971;Kubota y Niki, 1971). Además, en ensayos en los que los monos fallan en la tarea arealizar, se ha observado que la actividad sostenida se pierde (Fuster 1973; Rosenkilde etal., 1981; Watanabe, 1986; Funahashi et al., 1989). Esta actividad sostenida ha sidointerpretada como el correlato neuronal de la WM (Fuster, 2001). De todos modos, laactividad sostenida también se ha observado en otras áreas dependiendo del tipo deestímulo o de la tarea a realizar, como la corteza temporal inferior (Fuster y Jervey,1982; Chelazzi et al., 1998), la corteza parietal (Gnadt y Andersen 1988; Chafee yGoldman-Rakic, 1998; Chafee y Goldman-Rakic, 2000), o la corteza premotora (Bruce yGoldberg, 1985).

En humanos, con técnicas de imagen, se han obtenido idénticos resultados deactividad sostenida. En el área prefrontal (Cohen et al., 1997; Courtney et al., 1997), enel área temporal inferior (Courtney et al., 1998), en el área parietal (D'Esposito et al.,1998; Jonides et al., 1998; Rowe et al., 2000), y en el área premotora (Courtney et al.,1998; Petit et al., 1998). En concreto, en las áreas: corteza prefronal dorsolateral(DLPFC), campos oculares frontales (FEF), campos oculares suplementarios (SEF), lóbuloparietal superior (SPL), y en el surco intraparietal (IPS) (Pessoa et al., 2002b) (figuras1.3 y 1.4 B). Al igual que se vio con registros electrofisiológicos, también con técnicas deimagen se observa que la región DLPFC, no sólo participa en la WM, sino que también esun indicador del comportamiento del sujeto (Pessoa et al., 2002b).

Figura 1.3: Áreas activas durante tareas de WM. Las regiones activas son el resultado de la comparaciónentre ensayos de WM y ensayos control de visión directa al punto de fijación (Pessoa et al., 2002b).Abreviaciones: DLPFC, dorsolateral prefrontal cortex; DO, dorsal occipital; FEF, frontal eye field; IPS,intraparietal sulcus; ITG, inferior temporal gyrus; P. MFG, posterior middle frontal gyrus; SPL, superiorparietal lobule.

En cuanto a la Atención Voluntaria, ésta se manifiesta justo en las mismas zonasdorsales (SPL, FEF, SEF) (Kastner y Ungerleider, 2000; Pessoa et al., 2002a) (figura 1.4C versus B), mientras la Atención Refleja se manifiesta en zonas más ventrales como lacircunvolución frontal medial (MFG), la corteza cingulada anterior (ACC -AnteriorCingulate Cortex), y la circunvolución frontal inferior (IFG -Inferior Frontal Gyrus)(Corbetta y Shulman, 2002; Pessoa y Ungerleider, 2004). Un sitio donde ocurre unsolapamiento entre los dos tipos de atención es la zona anterior IPS, lo cual se ha

7


interpretado como que podría resultar clave para la dinámica de la atención, o sea,cuando un estímulo periférico pasa a ser el foco de atención (Pessoa y Ungerleider,2004).

Figura 1.4: Regiones involucradas en atención visual y WM. A. Actividad cortical en tareas WM. B. Áreasactivas durante la WM, contraste entre la fase sin estimulación respecto al caso con estimulación. C.Regiones activas durante tareas de atención visual. Obtenido a partir del análisis de diferentesexperimentos previos: (1) Corbetta et al., 1993; (2) Fink et al., 1997; (3) Nobre et al., 1997; (4)Vandenbergh et al., 1997; (5) Corbetta et al., 1998; (6) Kastner et al., 1999; (7) Rosen et al., 1999; (8)Corbetta et al., 2000; (9) Hopfinger et al., 2000. Extraído de Pessoa y Ungerleider, 2004.

1.3 Atención basada en Característica

Como se ha comentado anteriormente, la Atención basada en Característica hacereferencia a las modulaciones de la actividad neural observadas experimentalmente enáreas sensoriales, debidas a que la atención apunta al valor que posee una determinadadimensión del estímulo visual. Cuando esto ocurre, aparece un aumento de la actividadde las neuronas que responden preferentemente a esa característica (Motter 1994;Duncan y Nimmo-Smith, 1996; Beauchamp et al., 1997; O'Craven et al., 1997; Reynoldsy Desimone, 1997; Valdes-Sosa et al., 1998). Este tipo de efectos se ha observado a lolargo de las áreas V1, V2, V4, IT (corteza temporal inferior - InferoTemporal cortex), enla parte posterior de la corteza temporal inferior, TEO, y en el área temporal medial MT(Middle Temporal).

No obstante, tradicionalmente, la Atención basada en Característica se ha divididosegún la atención que modula la actividad esté dentro o fuera del campo receptivo que seestá registrando. Así se consideran la Atención basada en Característica Local y laAtención basada en Característica Global, respectivamente. Vamos ahora a describir cadauna por separado junto con los modelos teóricos asociados.

1.3.1 Atención basada en Característica Global

Treue propone el Modelo de Ganancia dependiente de la Similitud respecto aCaracterística en el que la regulación de la ganancia de una neurona sensorial refleja lasimilitud entre las características del estímulo atendido y las características sensoriales

8


preferidas por la neurona (forma, color, movimiento, textura...). Esta modulación se da,tanto si el estímulo atendido está dentro, como si está fuera del campo receptivo (Treue yMartinez-Trujillo, 1999), y por esta razón hablaríamos de Atención basada enCaracterística Global.

Vamos a describir los experimentos de Treue donde se ponen de relieve este tipo demodulaciones en el área visual MT, selectiva a dirección de movimiento (Martinez-Trujilloy Treue, 2004). En ellos, la atención permanece siempre fuera del campo receptivo de laneurona que se está registrando. Hay dos diferentes paradigmas en este tipo deexperimentos.

En el primero (figura 1.5 A) se mantiene la atención sobre estímulos en movimiento,por tanto, hay siempre modulación de la respuesta sensorial. Lo que cambia entrediferentes ensayos es la relación entre la dirección de movimiento del estímulo sensorial,la del estímulo atendido y la dirección preferida de la neurona. Lo que se observa es quehay un efecto multiplicativo entre el caso de atención sobre la dirección preferida de laneurona respecto al caso de atención sobre la dirección opuesta, o nula. Y esto ocurrepara las dos posibles direcciones del estímulo sensorial, preferida o nula. Es decir, si laatención está focalizada sobre la característica preferida de la neurona, ésta multiplica surespuesta a cualquier estímulo, sea o no preferido, por un factor mayor que uno.Probablemente este resultado sea extrapolable para todos los estímulos sensorialesposibles, obteniendo así un efecto multiplicativo en las respectivas curvas de sintonía,cuando comparamos atención sobre la dirección preferida versus nula.

Figura 1.5: Diseño experimental para el estudio de la Atención basada en Característica Global (Martinez-Trujillo 2004). A. Se comparan los casos correspondientes a las dos filas, esto es cuando cambia ladirección a la que se atiende, en la primera fila la atención recae sobre la dirección preferida y en lasegunda sobre la dirección nula. B. En este caso la comparación es entre el caso de dirección atendidaidéntica a la dirección sensorial respecto caso de atención sobre otra dimensión del estímulo (el punto defijación ocular), se puede considerar no atención porqué no se relaciona con ningún tipo de movimiento.Es importante notar que en cualquiera de los diseños experimentales descritos en esta figura, la atenciónesta siempre localizada fuera del campo receptivo de modo que la atención espacial no puede serresponsable de los efectos que se observen.

9


En el segundo (figura 1.5 B) se compara el caso en que la atención recae sobre unestímulo en movimiento, idéntico al estímulo sensorial pero fuera del campo receptivo,respecto al caso en que la atención recae sobre otra dimensión en un estímulo fijo(normalmente el color del punto de fijación ocular), caso que se puede considerar sinatención en lo que respecta a las respuestas de MT, que son sólo selectivas a ladimensión movimiento. En este caso lo que se observa es un cruce entre las curvas derespuesta en los dos casos diferentes (figura 1.6 A).

Figura 1.6: Ejemplo de las curvas de respuesta para una neurona típica en el diseño experimental de lafigura 1.5 B (Martinez-Trujillo 2004). A. Se observa el cruce de las curvas de respuest entre los casos deatención sobre un estímulo idéntico al estímulo sensorial respecto al caso de atención sobre el punto defijación ocular. B. Relación punto a punto entre las dos curvas. Estos factores se pueden considerar comofactores multiplicativos fruto de la modulación por atención. Y su variación se puede interpretar como quela modulación aumenta o disminuye de forma multiplicativa en función de la separación de ésta con ladirección preferida de la neurona.

Este resultado y el anterior se pueden conciliar en un mismo mecanismo multiplicativosi se interpreta que éste aparece cuando la dirección del estímulo atendido permanece fijaa medida que se modifica el estímulo sensorial en el campo receptivo. En cambio, si éstano existe o varía manteniendo fija la separación con la dirección del estímulo sensorial loque ocurrirá será que en cada punto de la curva de respuesta habrá un factormultiplicativo diferente, resultando que la curva con atención se cruza respecto a la otra(figura 1.6 B) (Martinez-Trujillo y Treue, 2004; Boynton, 2005). Esta misma tendencia seha observado en una población (N=135) (Martinez-Trujillo y Treue, 2004).

10


Análogas modulaciones por atención se han observado mediante técnicas de imagen deresonancia magnética nuclear funcional (fMRI) en humanos (Saenz et al., 2002; Kamitaniy Tong 2005) y en otros estudios fisiológicos (Motter 1993; McAdams y Maunsell, 1999).

1.3.2 Atención basada en Característica Local

Desimone propone el Modelo de Competición Sesgada que se trata de un modelo quese aplica a la atención selectiva, con la premisa de que cualquier efecto que provoca laatención en las respuestas neuronales se entiende mejor en un contexto competitivoentre diferentes estímulos (Moran y Desimone, 1985; Desimone et al., 1990; Desimone yDuncan 1995; Desimone 1996; Duncan 1996; Luck et al., 1997; Chelazzi et al., 1998).

Este modelo se basa en cinco aspectos clave (Desimone, 1998):

● Si dos estímulos se presentan simultáneamente dentro del campo visual,inicialmente estos activan sus representaciones neuronales en paralelo. No obstante,si los dos estímulos son independientes y la misma región localizada de la cortezasensorial recibe a ambos, los dos estímulos entrarán en competencia y lasrespuestas neuronales en promedio se verán mutuamente suprimidas.

● Esta supresión aumentará aún más cuando los dos estímulos caen dentro del mismocampo receptivo.

● Estas interacciones competitivas pueden ser sesgadas hacia uno u otro estímulo enfunción de donde recaiga la atención, a través de señales tanto 'Bottom-up' como'Top-down'.

● El sesgo no está limitado únicamente a la localización de los estímulos en el campovisual, también influyen otros aspectos relevantes como el color, la textura, laforma, etc.

● La principal fuente del sesgo 'Top-down' deriva de estructuras de la cortezaprefrontal que generan actividad persistente, o sea, memoria de trabajo.

La mayor parte de las bases del modelo provienen de estudios con tareas de búsquedavisual en la vía visual ventral (áreas V2, V4 e IT de macacos) (Chelazzi et al., 1993;Chelazzi y Desimone, 1994; Chelazzi et al., 1998; Reynolds et al., 1999) (figura 1.7).

La figura 1.7 (a) muestra el diagrama de la tarea utilizada en la que el mono ha deelegir entre dos estímulos diferentes en función de las instrucciones previas. Hay tresfases: 'Cue' donde aparece el estímulo a elegir; 'Delay' es un periodo de latencia o pausa;y 'Target' es la fase final en la que el mono ha de dirigir la mirada al mismo estímuloaparecido en 'Cue'. Durante las fases 'Cue' y 'Delay' el mono mantiene la mirada fijasobre un punto de fijación que aparece en pantalla. Las figuras 1.7 (b) y (c) muestran lasrespuestas promediadas de una población de neuronas obtenidas con este tipo de tareas.Para cada neurona hay uno de los estímulos que se considera preferido y otroantipreferido en función de la respuesta puramente sensorial que evocan, como se ve enla fase 'Cue' de la tarea. Durante la fase 'Delay' la respuesta es alta sólo si la atenciónrecae sobre el estímulo preferido. En la fase 'Target' las respuestas promediadasempiezan igual, señalando que los estímulos activan en paralelo diferentesrepresentaciones corticales. Pero posteriormente éstas divergen en función del estímuloatendido, si el estímulo atendido es el preferido, entonces la respuesta permanece altadurante todo el ensayo, no así para el antipreferido.

11


Figura 1.7: Respuestas de neuronas en tareas de búsqueda visual (Desimone, 1998). (a) Representaciónesquemática de la tarea. Hay tres fases, A: 'Cue' donde aparece el estímulo a elegir; B, 'Delay' es unperiodo de latencia o pausa; y C, 'Target' es la fase final en la que el mono ha de dirigir la mirada almismo estímulo aparecido en 'Cue'. Durante las fases 'Cue' y 'Delay' el mono mantiene la mirada fijasobre un punto de fijación que aparece en pantalla. Para cada neurona hay uno de los estímulos que seconsidera preferido y otro antipreferido en función de la respuesta puramente sensorial que evocan. Haydeterminados ensayos en los cuales ninguno de los estímulos en la fase 'Target' coincide con el estímuloprevio de la fase 'Cue' , en ese caso el mono ha de mantener la mirada en el punto de fijación. (b)Respuesta de una población de N=88 neuronas registradas individualmente en el área IT durante la fase'Cue'. Las neuronas muestran un mayor nivel de actividad para estímulos preferidos. (c) Cuando sepresentan los estímulos a elegir, las mismas células aumentan inicialmente su respuestaindependientemente de la elección. Al cabo de unos 170ms, las respuestas divergen dependiendo de si laelección recae sobre el estímulo preferido o el antipreferido de la neurona. Esto ocurre antes delmovimiento ocular hacia el estímulo elegido, que se marca con la pequeña linea vertical sobre el eje x.(d) Cuando ninguno de los estímulos coincide con el previamente mostrado, la respuesta a los dosestímulos juntos es menor que la respuesta ante el estímulo preferido solo.

La figura 1.7 (d) muestra la comparación entre las respuestas dentro de la fase'Target' cuando no hay atención, es decir cuando ésta recae en otro estímulocompletamente diferente. Se observa una supresión en el caso competitivo respecto alcaso en que sólo aparece el estímulo preferido.

12


Cuando se comparan las respuestas ante estímulos únicos frente a estímuloscompetitivos con atención en uno de ellos, lo que se obtiene es que el efecto de escogerel estímulo preferido elimina la supresión en la respuesta que provoca el estímuloantipreferido. Y cuando se escoge el estímulo antipreferido lo que se elimina es el efectoexcitador que provoca el estímulo preferido en la respuesta neuronal al estímuloantipreferido, o nulo. Los efectos que se observan en tareas de competición sesgadacomo las que hemos descrito son siempre cuantitativamente más importantes que las quese observan con los paradigmas de estímulo único descritos previamente. Esto ha llevadoa proponer que los efectos producidos por la atención serían mejor entendidos en uncontexto competitivo entre estímulos y que su acción ante un estímulo individualresultaría menos relevante (Desimone, 1998). Esto se contrapone al modelo de Atenciónbasada en Característica Global que enfatiza los efectos de la atención sobre la respuestaneuronal a un estímulo único.

El aspecto crítico que distingue los experimentos que se han llevado a cabo al analizarla atención local, en comparación con aquellos que han servido para definir la atenciónglobal, es el hecho que en los primeros es fundamental presentar dos estímulos dentrodel campo receptivo, mientras que en los segundos sólo hay un estímulo en el camporeceptivo de la neurona. Explotaremos esta diferencia en nuestro modelo para conciliarambos cuerpos de resultados: al presentar un solo estímulo buscaremos reproducir losresultados de la atención global basada en característica, y luego veremos cómo respondeel sistema a dos estímulos para interpretarlo según el modelo de la competición sesgaday así evaluaremos el grado de compatibilidad o divergencia de estas dos visionescontrapuestas.

1.4 Modelo computacional

Como se ha comentado en secciones anteriores, la atención visual ha sido estudiadaextensamente mediante experimentos de registro extracelular de neurona única enmonos y por medio de estudios con técnicas de imagen en humanos, demostrando que laatención afecta la actividad en áreas sensoriales de la corteza cerebral que procesandeterminadas dimensiones de los estímulos sensoriales, como el color, el movimiento, latextura y la forma. Asimismo, se ha determinado que la fuente de estos efectos provienede circuitos distribuidos en áreas superiores de la corteza cerebral. En concreto la cortezafrontal y parietal están involucradas en la generación y el control de señales de atenciónrecurrentes 'Top-down'. Existe un sustrato anatómico para estas influencias 'Top-down',pues se ha demostrado que existen proyecciones recurrentes directas a las áreas visualesV4 y TEO desde la corteza parietal (LIP, Lateral IntraParietal area); y a la parte anteriorde la corteza temporal inferior, TE, desde la corteza prefrontal; así como proyeccionesrecurrentes indirectas desde la corteza prefrontal hasta las áreas V4 y TEO vía la cortezaparietal (Cavada y Goldman-Rakic, 1989; Ungerleider et al., 1989; Webster et al., 1994).No se han estudiado este tipo de conexiones con el área MT, pero todo hace suponer queéstas puedan existir.

Así pues, nuestra aproximación al problema de la Atención basada en Característica seha desarrollado mediante un modelo computacional que ha tenido en cuenta todos losaspectos descritos anteriormente en este capítulo, y que está compuesto de dos redesneuronales biofísicamente plausibles. Una de ellas representa un circuito de un áreasuperior, frontal o parietal, la cual por simplificación llamaremos únicamente red PFC(PreFrontal Cortex), en vez de PFC/PPC (Posterior Parietal Cortex). La otra área simula laparte sensorial, que en nuestro caso será el área visual selectiva a dirección demovimiento, área MT.

13


Como se muestra en la figura 1.8, el modelo consiste básicamente en las tressiguientes ideas clave:

● Entrada sensorial a MT de las neuronas de V1 selectivas al movimiento

● Conexión anterógrada de MT a PFC 'Bottom-up' que aporta la señal a almacenar enWM

● Conexión retrógrada de PFC a MT 'Top-down' que genera la modulación por atenciónen las neuronas de MT

La elección del área MT como área sensorial se justifica por varias razones:primeramente porque es muy conocido su comportamiento tanto a nivel únicamentesensorial (es el área visual más estudiada después de la corteza visual primaria) como sumodulación por atención (Born y Bradley, 2005). En segundo lugar, porque una de lasprincipales teorías que intentan explicar esta modulación proviene directamente delestudio de esta área específica (Atención basada en Característica Global). Además, esteproyecto se desarrolla en un marco de colaboración con un laboratorio experimental queestudia las modulaciones por atención en esta área sensorial (ver más abajo).Finalmente, numerosos estudios de registro electrofisiológico y microestimulación en MThan establecido una relación estrecha entre la actividad neural en esta área y lapercepción del movimiento (Britten et al. 1992; Salzman et al. 1990), por lo que esplausible que también juegue un papel central en tareas de atención selectiva.

Figura 1.8: Esquema del modelo implementado para el estudio de la modulación Atención basada enCaracterística en el área sensorial MT. Las ideas clave del modelo son las conexiones 'Bottom-up' y 'Top-down' entre las redes PFC y MT, las cuales generan la señal al sistema de WM y la modulación de larespuesta sensorial, respectivamente.

Este trabajo, que en los próximos capítulos se va a detallar, ha sido fruto de lacolaboración internacional entre tres grupos de investigación y del apoyo económico de laFundación Volkswagen. Nuestros colaboradores en este marco son: un grupoexperimental (Centro de Primates de Alemania, en Göttingen) experto en el área MT y sumodulación por atención, liderado por el profesor Stefan Treue; y otro grupocomputacional experto en modelización de redes neuronales, encabezado por el profesorXiao-Jing Wang (Universidad de Brandeis, Massachusetts, Estados Unidos).

14


Como ya se ha indicado en el capítulo introductorio, el principal objetivo de estainvestigación es estudiar qué mecanismos permiten a la atención modular la respuestasensorial conforme a las observaciones experimentales y para que podría llegar a ser útilesta modulación desde el punto de vista del procesamiento de la información. Para poderabarcar el estudio necesitamos restringir el problema a una región sensorial específica delcerebro e implementar también, de forma biológicamente específica, la señal de atenciónque producirá la modulación de la respuesta. En este trabajo se ha escogido el áreacortical temporal medial MT por ser una de las áreas sensoriales que más se ha estudiadoexperimentalmente, tanto a nivel de la respuesta sensorial estricta, como a nivel de sumodulación por la atención. Las neuronas del área MT se caracterizan por responderrobustamente a la magnitud y dirección de la velocidad de los estímulos en su camporeceptivo. En este trabajo vamos a centrarnos en la selectividad a la dirección delmovimiento y en su modulación por atención. En cuanto a la señal de atención,recogemos una de las hipótesis más plausibles actualmente, que ésta proviene de uncircuito en la región de la corteza prefrontal PFC, que tal y como se ha comentado en elcapítulo anterior, se trata de una región también ampliamente estudiada como fuente deactividad persistente, supuestamente el correlato neural de la memoria de trabajo WM(Goldman-Rakic, 1987; Fuster, 1988). Es por tanto requisito previo obtener modelosplausibles para cada una de estas zonas independientemente, si se quiere estudiar conrigor los mecanismos por los que la atención modula la respuesta sensorial.

En primera instancia, se desea que la red MT sea capaz de reproducir determinadascaracterísticas que se han observado experimentalmente, como: la actividad espontáneaen ausencia de estímulo visual (Maunsell y Van Essen, 1983; Mikami et al., 1986); lacurva de sintonía de estas neuronas ante estímulos de distinta dirección de movimiento, yvamos a centrarnos en un determinado tipo de estímulo que consiste en pequeños puntosluminosos distribuidos al azar en la escena (RDP: Random dot pattern) que se mueven enuna determinada dirección (Albright, 1984; Britten et al., 1993; Britten y Newsome,1998; Treue et al., 2000); así como la respuesta cuando el estímulo consta de dos RDPssuperpuestos sobre el campo receptivo con movimiento transparente, esto es, cuando sepueden percibir independientemente los dos movimientos (Snowden et al., 1991;Snowden et al., 1992; Qian y Andersen, 1994; Treue et al., 2000).


Respecto a la red PFC, ésta ha de implementar la capacidad de generar actividadpersistente como correlato de WM, es decir, una red capaz de ser biestable, donde unestado es el espontáneo, en el cual todas las neuronas disparan con tasas de disparobastante bajas, y el otro es el estado activo, en el cual una región localizada de neuronasen la red dispara de forma mucho más notoria. La activación dependerá de un estímuloexterno localizado, tras el cual, si este es suficientemente intenso y duradero, la red porsí sola será capaz de mantener la información relevante aunque el estímulo hayadesaparecido. Este modelo ya ha sido publicado previamente (Compte et al., 2000).

La modulación de la respuesta en base a la atención se implementará mediante launión de las dos redes individuales por medio de corrientes sinápticas, de forma que seobtenga un bucle recurrente entre las redes MT y PFC. Tal y como se observa en la figura2.1, el modelo se va a restringir a un solo campo receptivo, o lo que es lo mismo, un solomódulo que representa una hipercolumna del área MT. Todas las neuronas de la red MTcomparten el mismo campo receptivo y su selectividad cubre todas las posiblesdirecciones de movimiento. En cambio se supone que el circuito PFC recibe y emiteaferencias a todas las hipercolumnas de MT selectivas a la dirección del movimiento perode distinto campo receptivo.

Figura 2.1: Aproximación al problema. Se considera un único módulo MT, que representa una únicahipercolumna selectiva a la dirección del movimiento (sus neuronas comparten el campo receptivo) detodo el conjunto que hay en el área MT (línea discontinua). En cambio, el circuito PFC se suponeespecífico de la dimensión del estímulo en cuestión, o información relevante (en este caso dirección demovimiento), es decir puede que haya diferentes circuitos PFC pero éste será el único con aferenciasentrantes y salientes a todos y cada uno de los diferentes módulos MT selectivos a la dirección delmovimiento. Puesto que en el modelo sólo se va a considerar un módulo MT, las señales de los demásmódulos MT a PFC en el caso que se requieran serán consideradas como entradas externas.

2.1 El modelo de red

El modelo implementa la conexión recurrente, en forma de bucle, entre dos diferentesáreas de la corteza cerebral, la primera representa una hipercolumna selectiva a direcciónde movimiento en el área MT, y la segunda modeliza un circuito local de la regióndorsolateral de PFC también selectivo a la dirección del movimiento (figura 2.2).

16

. . .

PFC

MTMTMTMTMT

RF RF RF RF RF


Figura 2.2: Esquema del modelo desarrollado. El modelo forma un bucle recurrente entre dos redes querepresentan dos regiones de la corteza cerebral, una de las cuales es una hipercolumna del área MT y laotra un circuito local de la corteza prefrontal. Se puede observar que hay dos tipos de células(representadas por los círculos), las piramidales (en rojo) y las interneuronas (en verde), y que éstasestán ordenadas en la red según la dirección preferida del estímulo (las flechas negras interiores).También aparecen representadas todas las corrientes sinápticas entrantes y salientes de cada red(flechas, con el mismo código de colores, rojo cuando las corrientes son excitadoras y verdes si soninhibidoras; el grosor de la flecha indica la amplitud de la corriente) y la estructura que éstas poseen, enforma de campana o plana según el caso (lineas azules).

Cada una de ellas contiene NE = 1024 células piramidales, o neuronas excitadoras, y NI

= 256 interneuronas, o neuronas inhibidoras. El número de neuronas excitadoras en elmodelo es cuatro veces superior al número de inhibidoras, manteniendo así la relaciónobservada experimentalmente en la corteza cerebral (Braitenberg y Schütz 1991; Abeles1991). Las neuronas están ordenadas uniformemente en cada red según la dirección delestímulo a la que son más sensibles, su dirección preferida, cubriendo uniformemente elespectro de direcciones posibles, esto es, desde 0º hasta 360º. Por lo tanto, cadaneurona recibe como etiqueta el ángulo de su dirección preferida. Así pues, las neuronasquedan distribuidas sobre una estructura de anillo, donde cada posición en el anillo tieneuna relación lineal con cada una de sus respectivas direcciones preferidas. Si uno va másallá y relaciona la posición de las neuronas en la red con su localización espacial sobre lacorteza cerebral, esta arquitectura sería consistente con la organización columnar tantovista en áreas sensoriales (Lorente de Nó 1938; Mountcastle 1957; Mountcastle 1997)como propuesta en las regiones dorsolaterales de la PFC (Goldman-Rakic, 1995; Rao etal., 1999; Constantinidis et al., 1999; Ó Scalaidhe y Goldman-Rakic, 1999).

17


Se ha utilizado un modelo plausible biológicamente en el que las neuronas disparanpotenciales de acción (PAs), en comparación con otros modelos más simples en los cualesno se generan los PAs sino que se calcula directamente la tasa de disparo. En concreto elmodelo que se ha empleado es el de integración y disparo con fugas (LIF: LeakyIntegrate-and-Fire) (Tuckwell, 1988), en el cual se integran las entradas sinápticas paraobtener el potencial de membrana Vm de la neurona por debajo de un determinadoumbral Vth. Una vez superado este umbral fijo, se considera que se ha producido un PA, einmediatamente después se actualiza el valor del potencial a otro valor subumbral,comúnmente llamado reset Vr. Cada célula está caracterizada por seis parámetrosintrínsecos: los ya mencionados VTh y Vr, la capacitancia Cm, la conductancia de fugas gL,el potencial de inversión de fugas VL y el tiempo refractario ref. Los valores de estosparámetros en el modelo son los siguientes: VTh = - 50 mV, Vr = - 60 mV, Cm = 0.5 nF, gL

= 25 nS, VL = -70 mV y ref = 2 ms para células piramidales, y VTh = - 50 mV, Vr = - 60mV, Cm = 0.2 nF, gL = 20 nS, VL = -70 mV y ref = 1 ms para interneuronas (Troyer yMiller, 1997; Wang, 1999).

En cuanto a las corrientes sinápticas que reciben las neuronas, existen dos grandesgrupos: las externas a cada red y las recurrentes, o internas de cada red. Dentro de lasexternas tenemos las que vienen de la otra red, las no-específicas que vienen de otraszonas corticales (y contribuyen sólo a la actividad espontánea) y, en el caso de la red MT,la entrada sensorial proveniente de zonas visuales previas. Todas ellas son entradasexcitadoras puesto que llegan de otras áreas corticales y la evidencia anatómica indicaque las neuronas de proyección cortico-corticales son de tipo piramidal, luego excitatorias(Abeles, 1991). Además, en mi modelo he supuesto que estas corrientes están mediadasúnicamente por el receptor AMPA de glutamato, salvo en dos casos determinados en losque por simplificar el modelo se ha supuesto una corriente no sináptica, como si sehubiese inyectado directamente la corriente con un electrodo intracelular. Este tipo decorriente inyectada se utiliza tanto para la entrada sensorial a MT, como para la señal decompuerta o de alerta a PFC, entrada que indica un aumento en la actividad global de lasaferencias externas sin estructura a PFC debida al estado de alerta del sujeto sometido atareas de atención. Ésta es la forma de diferenciar los casos de atención y no atención enla red PFC para generar, o no, la WM ante entradas sensoriales iguales, de ahí el nombrede señal de compuerta. Los dos tipos de entrada que acabamos de mencionar seestudiarán con más detalle en la próxima sección. En cuanto a las entradas internas, lashay de dos tipos, excitadoras e inhibidoras. Las excitadoras van mediadas por losreceptores AMPA y NMDA, y las inhibidoras por el receptor GABAA.

En primer lugar, vamos a considerar las corrientes recurrentes de cada red, estascorrientes postsinápticas son modeladas del siguiente modo (Wang, 1999):

[2.1]

donde gsyn s(t) es la conductancia sináptica en el instante de tiempo t, gsyn es laconductancia máxima y s(t) es el grado de apertura del conjunto de canales en elinstante de tiempo t, y su rango está entre 0 y 1; Vsyn es el potencial de inversiónsináptico (Vsyn = 0 mV para sinapsis excitadoras y Vsyn = -70 mV para las inhibidoras).Cuando un PA presináptico se genera, s(t) se incrementa instantáneamente para lassinapsis mediadas por receptores AMPA y GABAA, y posteriormente decreceexponencialmente con decay = 2 ms para AMPA (Hestrin et al., 1990; Spruston et al.,1995) y decay = 10 ms para GABAA (Salin y Prince, 1996; Xiang et al., 1998).

18

Isynt=gsynstVm−Vsyn


La conductancia NMDA es dependiente del voltaje (Jahr y Stevens, 1990):

[2.2]

donde [Mg2+] = 1.0 mM. La dinámica del canal se modeliza según las siguientesecuaciones:

[2.3]

[2.4]

donde s es la fracción de canales abiertos, x es una variable intermedia, ti son lostiempos en que ocurren los PAs presinápticos, s = 100 ms es el tiempo de decaimiento, x

= 2 ms controla el tiempo de apertura de los canales NMDA y s = 0.5 kHz controla laspropiedades de saturación de los canales NMDA para altas frecuencias de disparopresináptico.

La fuerza con la que se conectan las neuronas entre sí en general puede depender dela diferencia entre sus direcciones preferidas. Esta propiedad se implementa considerandoque la conductancia sináptica entre la neurona i y la neurona j es:

[2.5]

donde W(i - j) representa la conectividad entre las dos neuronas, esto es como defuerte es la conexión. Esta conectividad está normalizada:

[2.6]

La estructura que puede adoptar la conectividad puede ser plana (W constante) cuandono existe estructura en las conexiones, esto es, cuando no hay dependencia con ladiferencia entre direcciones preferidas; o la suma de una gaussiana centrada en i - j =0,más una constante:

[2.7]

J- representa la conectividad entre las células más dispares, J+ la conectividad entre lasmás similares y es la anchura de la gaussiana, o lo que es lo mismo, si el incremento dela conectividad respecto a la constante está muy localizado para neuronas muy similareso, por el contrario, la estructura es cuasi plana. Dados dos parámetros el tercero sepuede calcular imponiendo la condición de normalización [2.6]. De todas las corrientessinápticas recurrentes de los modelos de área aislada, MT y PFC, la única con estructuraen la conectividad es la corriente sináptica entre neuronas excitadoras de la red PFC, con

19

dsdt

=−1s

ssx 1−s

dxdt

=−1x

x∑i

t−ti

gsyn,i, j=Wi−jGsyn

Wi−j=J−J−J−exp[−i−j2

22 ]

1360

∫0

360

Wi−jdj=1

gsyn=gsyn1

1[Mg2]exp−0.062Vm

3.57


J+ = 1.62 y = 36º. Cabe recalcar que en la red PFC juega un papel muy importante elhecho de que la corriente recurrente excitadora a células excitadoras tenga este tipo deestructura local () y una conductancia suficientemente fuerte (J+), pero no demasiado,para que la actividad local reverbere y así se pueda generar biestabilidad, es decir, quesea capaz de generar los dos estados espontáneo y activo en función de si le llega o noentrada sensorial. Si la conectividad es demasiado débil o demasiado ancha, por fuerteque sea la entrada sensorial, no se generará nunca actividad persistente, sólo seráestable el estado espontáneo, y si, en cambio, ésta es demasiado fuerte o demasiadolocal, la generación del estado activo se generará espontáneamente sin necesidad deninguna entrada sensorial, o sea, el estado estable ahora será únicamente el activo. Paraver más detalles de como se genera la biestabilidad se puede consultar la referencia(Compte et al., 2000). Los valores concretos de conductancia recurrente para la red PFCson: GA

EE = 0.391 nS, GNEE = 0.732 nS, GA

EI = 0.293 nS,, GNEI = 0.566 nS, GIE = 3.740 nS,

GII = 2.871 nS (el primer subíndice indica el tipo de conductancia, excitadora o inhibidora,y en el caso de conductancias excitadoras aparece un superíndice indicando si se trata dereceptor AMPA o NMDA; el segundo subíndice hace referencia a que tipo de neuronapostsináptica se aplica). Las conductancias AMPA son lo suficientemente grandes comopara generar oscilaciones y sincronía entre las neuronas que disparan más rápidamenteen el estado activo (Compte et al., 2000).

En cuanto a la red MT, la corriente recurrente que juega un rol más importante es lainhibidora a neuronas excitadoras, pues debe ser suficientemente grande como para quela red MT por medio de ella reproduzca la normalización de la actividad de la poblaciónobservada experimentalmente. Además, esta corriente juega un papel importante encomo se modula la respuesta en MT por medio de la señal de atención proveniente dePFC. Estos dos efectos, la normalización y la modulación en MT, se estudiarán con másdetalle en el siguiente capítulo de resultados. Los valores concretos de conductanciarecurrente para la red MT son: GA

EE = 0.005 nS, GNEE = 0.093 nS, GA

EI = 0.005 nS,, GNEI =

0.195 nS, GIE = 1.465 nS, GII = 0.391 nS.

Vamos ahora a considerar las corrientes de entrada externas, y empezaremos por lascorrientes recurrentes entre las dos redes. Estas conexiones son excitadoras y mediadaspor el receptor AMPA, con lo cual, se mantiene lo que se ha dicho más arriba sobre ladinámica de este tipo de sinapsis (ecuaciones [2.1] y [2.5]). Lo que cambia es laestructura de la conexión, pues ahora ésta es Gaussiana:

[2.8]

manteniéndose la normalización descrita en [2.6]. Estas entradas son muyimportantes, pues son las responsables, en el caso en que la atención está presente, dela generación (junto con la señal compuerta) de la WM en PFC y de la modulación de larespuesta en MT, pero deben, a su vez, ser suficientemente pequeñas para que suinfluencia no sea notoria cuando no hay atención. Para la generación de la actividadpersistente, es necesaria y suficiente la conexión excitadora de MT únicamente aneuronas excitadoras de PFC. No obstante, para obtener la modulación adecuada de larespuesta sensorial en base a la atención, necesitamos que la proyección excitadora dePFC incida tanto en neuronas excitadoras como inhibidoras de MT. Dada la dominación dela inhibición recurrente en MT, se necesita que la conexión excitadora sea mucho másfuerte. Los valores usados para las conductancias son: GMT-PFC = 0.005 nS, GPFC-MT

E = 0.098nS, GPFC-MT

I = 0.024 nS (el primer superíndice hace referencia a la neurona presináptica yel segundo a la neurona postsináptica, el subíndice se aplica para diferenciar entre lasneuronas postsinápticas excitadoras e inhibidoras, en los casos en que éste no aparece se

20

Wi−j=exp[−i−j2

22 ]


entiende que las neuronas diana son excitadoras); y las anchuras de las respectivasconectividades son: MT-PFC = 36º, PFC-MT

E = 72º, PFC-MTI = 72º.

Como ya se ha mencionado anteriormente, todas las neuronas reciben ademáscorrientes externas de entrada desde otras áreas corticales. Estas entradas sonnecesarias para obtener unos valores adecuados en las respuestas espontáneas de lasdos redes MT y PFC en torno a 9 Hz y 2 Hz, respectivamente. En el modelo estas entradasse modelizan mediante un proceso Poisson, a través de trenes de PAs no correlacionados.La tasa de disparo del tren de espigas es ext = 1.8 kHz, (equivalente a 1000 entradasdiferentes no correlacionadas cuya tasa de disparo sea 1.8 Hz). Esta entrada externa esmediada únicamente por receptores AMPA, con una máxima conductancia a neuronasexcitadoras que difiere según la red considerada: gext,E = 3.1 nS en la red PFC y gext,E = 10nS en la red MT, en cambio el valor para las neuronas inhibidoras se mantiene igual paralas dos redes, gext,I = 2.38 nS. La diferencia entre las conductancias excitadoras de las dosredes deriva de dos factores: la tasa de disparo espontánea es mayor en MT, y el dominiode la inhibición recurrente en MT, hecho que se ha de compensar con el incremento decorriente externa.

2.2 Estímulos visuales y tareas de atención

En este apartado se va a describir el tipo de estímulo y las tareas que se han utilizadoexperimentalmente, con las cuales se ha observado tanto la normalización de la actividadde la población (Treue et al., 2000), como la modulación de la respuesta neuronal debidaa la atención (Martinez-Trujillo y Treue, 2004).

Este estímulo, ya mencionado anteriormente y que designamos con las siglas RDP,consiste en un conjunto de puntos luminosos, con forma de pequeños cuadrados,situados al azar dentro del campo receptivo de la neurona. Estos puntos, en el caso quenos contempla, se mueven coherentemente en una determinada dirección. En el caso delmovimiento transparente se tienen dos RDPs independientes con igual número de puntoscada uno pero con distinta distribución en el espacio, y moviéndose por separado endirecciones diferentes. Observar la figura 2.3.

Figura 2.3: Estímulo sensorial. El estímulo utilizado en los experimentos es el llamado RDPs, en el cuallos puntos están situados al azar dentro del campo receptivo y moviéndose en una determinadadirección. Para el caso transparente hay dos RDPs diferentes en direcciones igualmente diferentes.

En cuanto a las tareas utilizadas, hay dos tipos diferentes según se utilicen RDPssimples o transparentes (figura 2.4). Con RDPs simples se puede estudiar como es lacurva de sintonía de las neuronas de MT y su modulación con la atención. En este caso laatención asociada al movimiento está siempre fuera del campo receptivo y en el modelola aparición del estímulo a atender será tratada como una entrada externa a PFC, de otro

21

Single RDP Transparent RDPs


supuesto módulo MT no incluido, pero que reproducirá la misma respuesta en el circuitoPFC que la que generaría la propia red MT. Una corriente externa de amplitud 0.025 nA y = 36º simula bien la entrada de MT en este caso. Con RDPs transparentes podemosestudiar la normalización de la actividad de la población y además se puede predecir, yaque aún no se han hecho experimentos en este sentido, como influye la atención en estecaso. En este caso la atención asociada al movimiento está siempre dentro del camporeceptivo.

Figura 2.4:Esquema de las tareas de atención. Se consideran dos tipos de tareas, los que consideran sóloestímulos simples y los que consideran estímulos transparentes. Cada flecha representa un RDPmoviéndose en una determinada dirección dentro de un conjunto de ensayos. El color rojo representa elestímulo atendido y el negro al sensorial. Hay tres etapas diferentes en cada ensayo señalizadas a travésde la flecha del tiempo (flecha vertical en azul): aparición del estímulo a atender (RDP o punto defijación); pausa, sin ningún tipo de movimiento en la escena; y finalmente aparición del estímulosensorial juntamente con el atendido. Consideramos caso de atención únicamente cuando ésta recaesobre RDPs y no sobre el punto de fijación, puesto que este tipo de atención no afectaría la respuesta ennuestro módulo de MT. Se necesitan una serie de ensayos para generar las curvas de sintonía (serie deflechas que cubren todas las direcciones posibles del estímulo sensorial). En cuanto a la atención, ésta sepuede mantener fija entre los diferentes ensayos, o, en cambio, lo que se puede mantener fijo es larelación entre las direcciones de movimiento de los RDPs atendido y sensorial. Según el caso, lamodulación observada será diferente.

22

Att on fixation Att-Sens = constant Att fixed

+ ++

+ ++

+ ++t

++

++

++t

+

+

+

Att on fixation Att-Sens = constant Att fixed

RDPs simples

RDPs transparentes


En cada tarea se tienen tres etapas diferentes durante las cuales se fija la vista sobreun punto inmóvil en el centro de la pantalla: en la primera de las etapas aparece elestímulo al que se tiene que atender (que aparece en rojo en la figura 2.4), este puedeser un RDP moviéndose en una determinada dirección, o el mismo punto fijo al cual semira directamente; en la segunda hay como una pausa, durante la cual, sea cual sea elestímulo atendido, no aparece ningún movimiento en la pantalla; en la tercera y últimaetapa, vuelve a aparecer el mismo estímulo atendido junto con otro RDP al quellamaremos RDP sensorial, puesto que este está siempre dentro del campo receptivo(aparece en negro, o gris, en la figura 2.4). La tarea termina una vez cambia de algunamanera el estímulo atendido, si se trata del RDP, el cambio puede darse en dirección demovimiento o en la velocidad. Si se trata del punto fijo, este puede cambiar de color.Cabe recalcar que en lo que respecta a la respuesta de las neuronas en MT, la modulaciónpor atención únicamente se dará cuando la dimensión atendida del estímulo estérelacionada con el movimiento, así consideraremos el caso de atención al punto fijo comocaso 'sin atención'.

Para obtener la curva de sintonía de una determinada neurona de MT, se necesitan unconjunto de ensayos, en los cuales el RDP sensorial recorre todo el conjunto dedirecciones posibles desde 0º hasta 360º (diferentes flechas negras en la figura 2.4). Encambio la respuesta de la población a un determinado estímulo requiere un solo ensayo.

Para el caso de atención, hay dos diferentes posibilidades, que la atención esté fijaentre ensayos (una sola flecha roja en la figura 2.4) o que ésta varíe manteniendo fija ladiferencia respecto al RDP sensorial (múltiples flechas rojas en la figura 2.4). Según seauna u otra la situación, la modulación de la respuesta neuronal cambiará, tal y como severá en el capítulo siguiente de resultados. Conviene recordar que consideramos curva desintonía a la representación gráfica de la respuesta de una única neurona respecto alcambio de valor de una deteminada dimensión del estímulo, manteniendo todo lo demásen condiciones constantes. En presencia de atención, tradicionalmente se ha consideradocomo curvas de sintonía, o curvas de sintonía neuronales, a las curvas de respuesta enlas se ha mantenido constante, o fija, la característica atendida. En cambio, en los casosen que la atención es intrínseca al estímulo, como cuando atención y estímulo vanligados, se ha considerado que esta curva de respuesta representa la actividad de lapoblación, o curva de sintonía de la población, porque resulta equivalente a la respuestaque tendrían las neuronas en su conjunto frente a un único de estos estímulos atendidos(Martinez-Trujillo y Treue, 2004). Esta equivalencia ha sido testeada en el modelo.

Como se ha mencionado más arriba el modelo necesita alguna manera para diferenciarentre atención y no atención, es por tanto necesaria una señal de alerta o compuerta. Taly como se describe en la figura 2.5, esta señal sólo aparece en la primera etapa de latarea de atención, no tiene estructura y por sí sola es incapaz de generar el estado activoen PFC, no obstante es indispensable que coincida con la señal sensorial proveniente deMT para que se genere actividad persistente en PFC. Esta señal puede ser interpretadacomo un incremento en la fuerza de las aferencias externas de otras zonas del cerebro ala red PFC debido al estado de alerta del sujeto. En el modelo un valor de corriente de0.01125 nA es adecuado.

Vamos ahora a considerar como se ha modelizado la entrada sensorial a MT para losestímulos visuales RDPs. Esta corriente representa la entrada proveniente de áreasvisuales previas, en concreto del área V1, en la que existen una tercera parte de célulasque son selectivas a dirección de movimiento (Hawken et al., 1988), y que forman laprincipal aferencia a MT (Zeki, 1974; Maunsell y Van Essen, 1983; Albright, 1984; Shippy Zeki, 1985; Fries et al., 1985; Mikami et al., 1986; Born y Bradley, 2005). La formaque se ha supuesto para esta entrada está íntimamente relacionada con la actividad de

23


este tipo de neuronas de V1 ante estímulos visuales RDPs, tanto simples comotransparentes. Se han observado experimentalmente tres importantes características: lasaturación de la respuesta máxima que puede alcanzar una neurona de V1 con elaumento del número de puntos del RDP moviéndose en la dirección preferida (Snowdenet al, 1992) (figura 2.6); la supresión en la actividad neuronal cuando se comparan lasrespuestas entre los casos de RDPs simples preferido y nulo (este último es un RDP enigual dirección pero sentido opuesto al preferido), la cual indica la selectividad a direcciónde movimiento; y la inexistencia de ningún tipo de supresión notoria cuando se comparanlas respuestas entre el caso de RDPs transparentes preferido+nulo con respecto al casoRDP preferido simple (Snowden et al, 1991) (figura 2.7).

Figura 2.5: Señal de alerta o compuerta. Se necesita este tipo de señal para diferenciar los casos deatención y no atención. Así, ni la señal proveniente de MT, ni la señal de compuerta solas son capaces degenerar la actividad persistente, sólo la combinación síncrona de las dos es capaz de producir WM. Laseñal de compuerta sólo aparece en la primera etapa del ensayo y no posee estructura localizada, alcontrario de la señal sensorial entrante desde MT.

Estas dos figuras 2.6 y 2.7 nos indican que para los casos extremos de estímulostransparentes hay una normalización a la actividad máxima posible, la cual coincide conla respuesta al estímulo RDP simple en la dirección preferida. Así el caso extremo de dosRDPs desplazándose en la dirección preferida genera la misma actividad que uno solosiempre que, como ocurre, la densidad de puntos sea suficiente. Y en el otro extremo,cuando el otro RDP se desplaza en la dirección nula, éste tampoco afecta la respuestaneuronal.

Una suposición plausible usada en el modelo es que este tipo de normalización a lamáxima respuesta posible se cumple, no sólo para las separaciones extremas entredirecciones de movimiento de los RDPs superpuestos, sino para todas las intermedias

24

Attentional case Non-attentional case

t

GatingGatingGating

GatingGatingGating

GatingGatingGating

Gating alone

PFCPFCPFC

PFCPFCPFC

PFCPFCPFC

MT MT MT

MT MT MT

MT MT MT


(figura 2.8) y que la entrada a MT es lineal con este tipo de actividad en V1 para RDPs.(He estado estudiando este tipo de normalización en V1, con modelos similares a los queaquí se han descrito para MT y PFC, obteniendo resultados con muy buen grado deaproximación a las respuestas representadas en la figura 2.8. En este estudio se hasupuesto que la entrada a esta población de células de V1 es ya selectiva a dirección peroque ésta no está normalizada para RDPs transparentes, sino que es lineal. Es la propiared la que se encarga de conseguir este tipo de normalización, que podría ser descritacomo normalización al contraste. Este estudio fue mi proyecto de investigación en elcurso de verano: Advanced Course in Computational Neuroscience. Agosto 1-26, 2005,Arcachon, Francia. Espero añadir en breve la red V1 a mi modelo).

Figura 2.6: Normalización de la actividad de las neuronas de V1 selectivas a dirección de movimientopara RDPs con número de puntos variable que se desplazan en la dirección preferida. Se puede observarcomo a medida que se aumenta la densidad de puntos, la respuesta aumenta hasta llegar a saturarsepara valores suficientemente altos. (Snowden et al., 1992)

Se ha utilizado para representar la entrada sensorial de cada RDP a MT, una corrientecon forma de campana que marca la selectividad a la dirección proveniente de V1. Estaentrada ha de ser periódica, como la dirección de movimiento, por lo tanto no se puedeusar la curva Gaussiana. La ecuación utilizada ha sido una que se aproxima mucho a ella:

[2.9]

Donde . Y para RDPs transparentes, la normalización al máximo se consiguesumando las dos campanas y reescaleando el resultado para que no supere el valor I0+I1.

Los parámetros adecuados para esta corriente han sido: I0 = 0.5 nA, I1 = 0.6 nA, =36º para las neuronas excitadoras y la quinta parte del valor de esta corriente para lasinhibidoras. Debido a la dominación de la inhibición recurrente en MT, se necesita que laentrada excitadora sea mucho más fuerte.

25

Number of dots

normalized responses

I=I0I1exp [ cos−c−1 ]


Figura 2.7: Respuesta de una neurona representativa de V1 selectiva a dirección de movimiento expuestaa estímulos RDPs simples y transparentes. Se puede observar en primer término que la neurona esselectiva a dirección comparando la actividad para RDPs entre la dirección nula (columna izquierda) y lapreferida (columna central). Otra importante observación es que no se aprecia supresión en la actividadcuando comparamos el estímulo transparente preferido+nulo (columna derecha) respecto al casopreferido simple. (Snowden et al., 1991)

Figura 2.8: Respuesta de una hipotética población de V1 ante RDPs transparentes. Las separacionesentre los RDPs se codifican en los colores de las curvas de respuesta: marrón, RDP simple y dual sinseparación; cián, RDPs transparentes con separación de 60º; azul, RDPs transparentes con separación de120º; y rojo, RDPs transparentes con separación de 180º. Se puede observar que el máximo de larespuesta es constante independientemente de la separación entre los RDPs.

2.3 Materiales usados

El modelo que se ha desarrollado ha sido implementado en un ordenador con sistemaoperativo Linux y procesador Pentium IV a 2.8 GHz con 512 kB de memoria cache y 1024MB de memoria RAM. Las simulaciones que requerían repeticiones sucesivas de ensayosse han completado en un cluster de computación Linux+OpenMosix formado por 28 CPUsde 3.0 GHz. El código del programa ha sido escrito en lenguaje C++. El método de

26

Representative V1 cell

Resp(Hz)

Direction ( º )

25

0


integración usado ha sido el algoritmo Runge-Kutta de segundo orden con interpolaciónde los tiempos de disparo (Hansel et al., 1998) y el paso de integración ha sido 0.02 ms.Correr una simulación de 5 s en este sistema tarda aproximadamente unos 30 minutos.

Me gustaría recalcar que al tiempo que se ha desarrollado el modelo descrito en estecapítulo, también se ha implementado una aproximación de campo medio, la cualreproduce los resultados estacionarios de la simulación en un grado muy notable y con laventaja que es mucho más rápida (unos pocos segundos). La desventaja es que noproporciona información acerca de aspectos dinámicos de la actividad, como oscilacioneso inestabilidades. Se ha usado este modelo para explorar eficientemente el conjunto deparámetros utilizado en la simulación. Describir a fondo este modelo en su fundamentoteórico queda fuera de esta memoria por resultar demasiado matemático (paraprofundizar en este tipo de modelos de campo medio se puede consultar la referenciaRenart et al., 2003).

27


La finalidad última del capítulo es proponer una base para la comprensión de, por unlado, como actúa la atención visual en cuanto a la base biológica y los mecanismosinvolucrados; y por otro, dónde y cómo influye ésta, en qué zonas del cerebro actúa ycuáles son las modulaciones de actividad observadas. Para ello se partirá de la teoríapropuesta por Treue descrita previamente en el capítulo de introducción, el Modelo deGanancia dependiente de la Similitud respecto a Característica (Treue y Martinez-Trujillo,1999; Martinez-Trujillo y Treue, 2004). En nuestro caso la característica visual atendidaes una determinada dirección de movimiento. Posteriormente, trataremos de relacionarnuestro análisis con otra teoría vigente, también comentada en la introducción, el Modelode Competición Sesgada (Moran y Desimone, 1985; Desimone, 1998). Veremos que estasdos teorías pueden ser vistas como dos caras de una misma moneda. De hecho, en loscasos en los que hay competición entre diferentes estímulos visuales, demostraremos quela modulación de la atención descrita por Treue reproduce a la vez las tesis del modelo deDesimone. Esta idea ha aparecido recientemente en la literatura (Boynton, 2005). Ladiferencia entre ese estudio y el nuestro, radica en que el modelo de Boynton espuramente ad hoc sin preocuparse de qué base fisiológica permite este tipo de efectos, encambio nuestro modelo es plausible desde el punto de vista biológico, lo que nos permiteestudiar cuáles son las bases y mecanismos del cerebro que implementan las teorías deTreue/Desimone y su conciliación en la línea de Boynton.

Para ello se han realizado una serie de simulaciones con el modelo. Como se mencionóen el capítulo anterior, existen dos grandes tipos de tareas de atención, según seconsideren RDPs simples o transparentes. En este capítulo vamos a ver cuales son losresultados obtenidos con las simulaciones y los compararemos con las observacionesexperimentales que sustentan la teoría de Treue, e iremos más lejos, formulandopredicciones a nuevos experimentos nunca realizados previamente, los cuales, por unlado, vendrán a confirmar las tesis de Treue, y por otro, nos permitirán relacionarlastambién con la teoría de Desimone.

Veremos qué tipo de información aportan las simulaciones mediante ejemplos de lasalida del modelo. Analizaremos los tres casos diferentes que se pueden encontrar encada tipo de tarea: no atención, atención fija y relación (señal atención-estímulosensorial) fija (ver métodos, figura 2.4), en cada una de ellas se verá que se obtiene untipo de modulación diferente, como ocurre en los casos observados experimentalmente.


3.1 Resultados con RDPs simples

Empezaremos mostrando dos ejemplos característicos de este tipo de simulaciones. Enellas se muestran los esquemas de las tareas respectivas (al estilo de la figura 2.4) y cuáles la salida de las dos redes en los dos casos (figura 3.1). En una situación la atencióninfluye en la respuesta modulando la respuesta sensorial, y en la otra no, puesto que seatiende a otra dimensión no relacionada con el movimiento.

Figura 3.1: Resultados de dos simulaciones características para RDPs simples. En la parte superior semuestran los diagramas de las tareas, al estilo de la figura 2.4 del capítulo anterior. En la parte inferiorse muestra la actividad de las poblaciones mediante un código de gradiente de color, las respuestasneuronales con mayor tasa de disparo aparecen en rojo y aquellas con menor tasa de disparo en azuloscuro. Las tres diferentes etapas de la tarea se separan con lineas verticales negras. La parte izquierdade la figura considera un caso en que la atención se centra en una dirección del movimiento y afecta alprocesamiento sensorial modulando la actividad en el circuito MT, mientras que la parte derecha refleja lasituación de no atención, y el procesamiento en MT no se ve afectado por la actividad en PFC.

De la observación directa de estos resultados se puede extraer información:

● Aparece actividad sostenida en PFC sólo en el caso de atención.

● Ésta se generaría por las entradas externas simultáneas: la entrada sensorialproveniente de otra red MT (puesto que la atención está fuera del campo receptivoconsiderado), juntamente con la señal de alerta o compuerta.

● El caso de no atención no genera actividad sostenida debido a la falta de la entradasensorial en la primera fase, y a la falta de señal de compuerta en la tercera.

● Si comparamos la actividad en MT en los dos casos, se observa que la respuestaneuronal máxima aumenta con la atención, y que esto ocurre a lo largo de las tresetapas de la tarea, también en ausencia de estímulo visual, con actividadespontánea. Algo similar, pero menos notorio a simple vista, es lo que ocurre con larespuesta mínima, que disminuye en el caso atendido.

30

time (s)

rate

+

+

+

+

+

+t t

attention non-attention

rate

locationPFC

MT

55

55

55

55MT

PFC

50 50

time (s)

location location

location


3.1.1 Cruce de las curvas de sintonía de la población

Así como acabamos de ver, en el caso de atención sobre la dirección del movimientodel estímulo, se produce una disminución de la respuesta mínima y un aumento de larespuesta máxima, de forma que el efecto neto de esta combinación es un cruce en lascurvas de respuesta de la población MT entre los dos casos, atención/no atención,aumentando así la selectividad al estímulo sensorial (Figura 3.2).

Figura 3.2: Modulación por atención de la actividad en MT. En la parte izquierda se muestra lamodulación de la curva de respuesta de una célula característica del área MT cuando la atención recaesobre el estímulo (Martinez-Trujillo y Treue, 2004). En la parte derecha se muestra la modulación de laactividad de la red MT en el modelo. Las dos curvas, curva de respuesta y actividad de la población sonequivalentes, pues se puede demostrar que la actividad de la población en la red para un estímulo dadoreproduce la curva de respuesta neuronal siempre que se mantenga la relación entre señal de atención yestímulo sensorial constante. Se observa como el modelo es capaz de reproducir los datosexperimentales: cruce de las curvas de sintonía de la población entre los casos de atención sobre elestímulo y no atención, aumentando la selectividad al estímulo.

En la figura 3.2, se está comparando la curva de respuesta experimental por un lado(Martinez-Trujillo y Treue, 2004), con la actividad de la población en el modelo por elotro. En el caso de no-atención, es fácil ver que esto se puede hacer así porque se puededemostrar que la actividad de la población para un estímulo dado coincide con la curva derespuesta de una neurona. Recordemos que la curva de respuesta se obtiene a partir demúltiples ensayos para todos los estímulos posibles a lo largo de todo el rango dedirecciones.

Cuando además de estímulo sensorial tenemos señal de atención (entrada provenientede PFC cuando hay actividad sostenida), esta correspondencia entre curva de respuestaneuronales y actividad de la población en la red se mantiene sólo si la curva de respuestade la neurona se obtiene manteniendo siempre fija la relación entre el estímulo sensorialy la señal de atención para los diferentes ensayos. Así, en la figura 3.2, la señal atencióny el estímulo sensorial siempre van parejos.

Se observa como el modelo es capaz de reproducir los datos experimentales: cruce delas curvas de respuesta entre los casos de atención sobre el estímulo y no atención,aumentando la selectividad al estímulo.

31

Representative MT cellMT model network

no att.att.

Neuron


Dadas las curvas de respuesta, nos podemos preguntar cómo están moduladas, cuálesson los diferentes factores de modulación punto a punto. A simple vista se observa uncruce en las curvas, por tanto en unas situaciones encontraremos un efecto multiplicativo(factor mayor que uno) y en otros efecto divisivo (factor menor que uno). La figura 3.3muestra la forma de los diferentes factores de modulación en función de la distancia a laque se encuentra la señal de atención.

Figura 3.3: Factores de modulación en la actividad de la población. En la parte izquierda se muestran losfactores de modulación promediados sobre una población de neuronas de MT (N=135) (Martinez-Trujilloy Treue, 2004). En la parte derecha se muestran estos factores para la red MT del modelo. La curvaresultante en el modelo mantiene una forma similar a lo que ocurre en la población de MT, aunque lamáxima modulación en el modelo y la separación para la cual no hay modulación (factor uno) son unpoco mayores, quedando entre el promedio de la población MT y la célula representativa de la figura 3.2(Martinez-Trujillo y Treue, 2004).

La curva de los factores de modulación en el modelo reproduce lo que ocurre en lapoblación promediada de MT (N=135), aunque se puede observar que la máximamodulación y la separación para la cual no hay modulación (factor uno) son un pocomayores para el modelo, quedando estos parámetros entre los resultantes para elpromedio de la población MT y la neurona característica de la figura 3.2 (Martinez-Trujilloy Treue, 2004).

A la vista de la figura 3.3, en la que vemos que los factores de modulación decrecencon la distancia relativa a la señal de atención, se puede prever que las curvas derespuesta con atención se cruzarán también, y cada vez más, a medida que alejemos elestímulo sensorial de la señal de atención. Podemos comprobar que esto ocurre así en elmodelo (Figura 3.4). La máxima selectividad al estímulo se obtendrá cuando la atenciónrecae sobre él.

3.1.2 Efecto multiplicativo de las curvas de sintonía neuronales

Como se ha visto en el capítulo de la introducción, en diferentes zonas del cerebro lamodulación de la respuesta selectiva a la característica es, muchas veces, multiplicativa(McAdams y Maunsell, 1999; Treue y Martinez-Trujillo, 1999). Pero acabamos de ver enMT que la modulación produce un aumento de la selectividad, o sea el cruce de las curvasde respuesta. La hipótesis de Treue para reconciliar ambas observaciones experimentales

32

MT population MT model network

sep. from attention signal dir.


radica en los factores de modulación y su dependencia con la separación respecto a laseñal de atención (figura 3.3). Según el Modelo de Ganancia dependiente de la Similitudrespecto a Característica, con atención cada neurona modifica su respuesta de formamultiplicativa, siendo el factor multiplicativo función sólo de la similitud entre lacaracterística atendida y la preferencia de la neurona, independientemente de lanaturaleza del estímulo que se presente. Así, cuando se atiende a movimiento haciaarriba, las neuronas que son selectivas a esa dirección del movimiento multiplicarán surespuesta por un factor mayor que uno, mientras que las neuronas selectivas almovimiento hacia abajo reducirán su respuesta multiplicando por un factor menor queuno.

Así si obtenemos las curvas de sintonía manteniendo fija la señal de atención sobreuna característica mientras variamos la posición del estímulo sensorial, obtendremos unefecto neto multiplicativo o divisivo según si estamos mirando las respuestas de unaneurona con preferencia coincidente o divergente con la característica atendida,respectivamente. Esto sería así puesto que los factores de modulación de cada neuronase mantendrían constantes al variar la localización del estímulo (y no la de la atención) yresultarían en curvas escaladas multiplicativa o divisivamente.

Figura 3.4: Cruce de las curvas de respuesta. El gradiente de colores marca la separación entre elestímulo sensorial respecto a la señal de atención. A medida que aumenta la separación, la respuestamáxima disminuye y la mínima aumenta, de manera que el cruce entre las curvas aumenta. La máximaselectividad al estímulo se obtiene cuando la atención recae sobre él. Los dibujos de abajo muestrancomo tendrían que ser los distintos ensayos para reproducir los resultados para curvas de sintonía en vezde para la actividad de red. Como se trata de reproducir la actividad de la población, los ensayosmantendrían en todo momento una relación fija entre el estímulo que se presenta en el campo receptivo(círculo discontinuo) y el estímulo que se atiende fuera del campo receptivo. Cuando esta relación es deparalelismo (esquema más a la izquierda, color marrón en el gráfico de arriba) se obtiene la máximaselectividad, mientras que cuando esta relación es de antiparalelismo (esquema más a la derecha, colorazul oscuro en el gráfico de arriba) se obtiene el perfil de respuesta más chato, es decir la mínimaselectividad.

Bajo este formalismo no se han obtenido aún las curvas de sintonía experimentalmentepara la atención basada en característica sobre la dirección del movimiento (todos losexperimentos previos que calculaban la curva de sintonía incluían aspectos importantesde atención espacial, que aquí no tratamos), pero, tal y como se ha comentado en el

33

180

90

0

att.-stim

Neuron

+ + + +


capítulo de introducción, sí se han obtenido unas relaciones multiplicativas en lasrespuestas cuando se comparan determinados ensayos, entre los cuales lo único quecambia es que la atención pasa de la dirección nula de la neurona a la preferida(Martinez-Trujillo y Treue, 2004).

El mismo modelo capaz de reproducir el cruce de las curvas de sintonía de lapoblación, del apartado anterior, es capaz de generar curvas de sintonía neuronalesmultiplicativas, sin ningún tipo de cambio en sus parámetros intrínsecos, únicamente pormedio de mantener la señal de atención fija en una determinada dirección demovimiento, mientras se presentan a la red estímulos sobre todo el rango de direccionesde movimiento posibles para calcular las curvas de sintonía de las neuronas de la red.

En la figura 3.5 se muestran las curvas de sintonía extraídas del modelo paradiferentes simulaciones en las cuales la atención se ha mantenido fija en: la direcciónpreferida; la dirección nula; y la dirección preferida más 90º, más o menos la separaciónpara la cual el factor de modulación vale uno en el modelo (figura 3.3). Se puedeobservar que la relación es multiplicativa entre unas y otras con un alto grado deaproximación, puesto que con un escalado respecto a una de ellas se obtiene que las trescoinciden de forma notable. Aparecen pequeñas desviaciones entre ellas que indican queel escalado no es perfectamente multiplicativo, pero el grado de aproximación es almenos tan bueno como en el experimento y, de forma muy significativa, concilia lasobservaciones de escalado multiplicativo y cruce de curvas de respuesta que podíanparecer contradictorias a simple vista.

Figura 3.5: Efecto multiplicativo de las curvas de sintonía. El mismo modelo capaz de obtener el cruce enlas curvas de sintonía cuando la relación (estímulo sensorial- señal de atención) permanece constante, escapaz de generar curvas de sintonía multiplicativas cuando la atención es fija. La atención se fija a ladirección preferida (en rojo), a la nula (en azul) y a la preferida más 90º (en verde). Se puede ver queson multiplicativas cuando se escalan las curvas de sintonía (parte derecha de la figura).

El efecto multiplicativo se puede generalizar cualquiera que sea la dirección en la cualse mantiene fija la atención (figura 3.6).

34

pref.

no pref.

at. 90

scaled responsesMT model neuron response


Figura 3.6: Efecto multiplicativo en las curvas de respuesta. El gradiente de colores marca en quédirección está fijada la señal de atención en relación a la dirección preferida de la neurona. A medida quela atención se aleja de la dirección preferida, el factor multiplicativo disminuye. Los dibujos de abajomuestran como son los distintos ensayos para reproducir los resultados para las curvas de sintonía. Esimportante hacer notar la diferencia sustancial y crítica entre estos ensayos y los que se indican en laFigura 3.4: en los ensayos que indicamos aquí, la característica que se atiende al calcular una curva derespuesta neuronal (el estímulo fuera del campo receptivo) se mantiene fija según se varía los estímulossensoriales en el campo receptivo. En cambio, en la Figura 3.4 ambos estímulos, dentro y fuera delcampo receptivo, covariaban al desplazarse y mantenían fija la relación entre señal de atención yestímulo sensorial.

Si observamos la figura 3.3 vemos que el cruce por uno de la curva de los factores demodulación se da para una separación entre estímulo y atención próxima a 90º. Así puesesperamos que la curva de respuesta con atención fija a la dirección preferida más 90º yla de no atención sean muy similares (figura 3.7). El ajuste sería casi perfecto si el crucese diese exactamente a 90º y no hubiese variabilidad en la respuesta.

3.2 Resultados con RDPs transparentes

Vamos a mostrar primero como se comporta la red MT ante estímulos transparentes(figura 3.8).

El modelo MT obtenido implementa una normalización de la actividad de la poblaciónmanteniéndo su actividad promedio constante cualquiera que sea la forma de estímulosensorial que se le presente, RDP simple/RDPs transparentes. Este tipo de normalizaciónha sido ya utilizada en otro modelo de MT, aunque impuesta de forma ad hoc (Simoncelliy Heeger, 1998). De manera que al aumentar la entrada sensorial con los RDPstransparentes cada vez más separados, la respuesta de la red es disminuir la actividad delas neuronas que los codifican.

35

180

90

0

att

+ + + +


Figura 3.7: Comparación no atención/atención preferida más 90º. El ajuste a una Gaussiana del caso conatención a la dirección preferida más 90º es un buen ajuste también para el caso sin atención. Lapequeña diferencia entre ellas proviene de que el factor de modulación para la separación de 90º es unpoco superior a uno (figura 3.3).

Figura 3.8: Actividad de la red MT ante estímulos RDPs transparentes. En la parte izquierda de la figura,aparece la entrada sensorial desde V1 a MT para este tipo de estímulos, y en la parte de la derecha, laactividad de la red en cada caso. Los diferentes colores representan las distintas separaciones entre lasdirecciones de los dos componentes del estímulo transparente. La línea negra horizontal y discontinuarepresenta al valor de la actividad espontánea en la red. Se puede observar que aparece una fuertesupresión en la actividad máxima de la red a medida que la separación aumenta. No obstante, laactividad promedio no cambia.

Veamos ahora que esto es lo que ocurre experimentalmente (figura 3.9).

Según las observaciones experimentales (Treue et al., 2000), la repuesta promediadaen MT para RDPs transparentes se ajusta a la suma de dos Gaussianas dividida por dos,tendencia que el modelo reproduce. Cabe destacar que este tipo de ajuste a dosGaussianas mantiene el área bajo la curva, o sea, que la actividad promedio de lapoblación no es suprimida (sino conservada) aunque sí lo hagan las respuestas máximasen la línea de (Simoncelli y Heeger, 1998).

36

180

90

0

att.

Input coming from V1 MT model output


De hecho esto no es completamente cierto, puesto que como las Gaussianas tienen undominio infinito, el área en una región finita del espacio se calcula a partir de la funciónerror, de manera que para grandes anchuras de las Gaussianas, no se conservaría el áreaen esa región. No obstante, para la anchura promedio observada experimentalmente enMT, y que el modelo reproduce, la aproximación supuesta es muy buena.

Figura 3.9: Curvas de respuesta promedio de las neuronas MT ante estímulos RDPs transparentes. En laparte izquierda de la figura, aparece el promedio de la actividad neuronal en el área MT ante diferentesseparaciones entre componentes de los estímulos RDPs transparentes (N=152) (Treue et al., 2000). Enla parte de la derecha, para comparar se repite la figura para la actividad de la red. Se puede observarque el modelo reproduce muy bien las tendencias observadas en la actividad neuronal ante este tipo deestímulos.

Ahora ya vamos a ver como influye la atención cuando lo que tenemos son estímulostransparentes. Comencemos, otra vez, mostrando dos ejemplos característicos de estetipo de simulaciones. En ellas se muestran los esquemas de las tareas respectivas (alestilo de la figura 2.4) y cual es la salida de las dos redes en los dos casos (figura 3.10).En una situación la atención influye en la respuesta modulando la respuesta sensorial, yen la otra no, puesto que se atiende a otra dimensión no relacionada con el movimiento.

De la observación directa de estos resultados se puede extraer información:

● En este tipo de tareas con RDPs transparentes todos los estímulos sensoriales caendentro de la red MT ya que todos aparecen en el mismo campo receptivo. Por tantono es necesaria ninguna entrada externa que emule otras conexiones MT a PFC.

● La actividad sostenida en PFC, en el caso de atención, se consigue con lasuperposición, en la primera etapa del ensayo, de la entrada sensorial (RDP simple)con la señal de alerta o compuerta.

● El caso de no atención no genera actividad sostenida debido a que no coincide laentrada sensorial simultáneamente con la señal de compuerta.

● Si comparamos la actividad en MT entre los dos casos de atención/no atención, seobserva que las neuronas de la población que codifican la información del RDP

37

Experiment MT model output


atendido, y sus vecinas más próximas, incrementan su actividad. En cambio, lasneuronas más alejadas la disminuyen. Esto ocurre a lo largo de las tres etapas de latarea: cuando hay un solo RDP simple; cuando no hay más que actividadespontánea; y cuando el estímulo es transparente. No obstante, con RDPstransparentes el efecto se hace mucho más notorio, así es fácil ver que el RDPatendido se ve potenciado mientras que el otro se ve deprimido, justamente en lalinea de a lo que apuntan las tesis de Desimone sobre atención selectiva concompetitividad entre estímulos (Moran y Desimone, 1985; Desimone, 1998).

Figura 3.10: Resultados de dos simulaciones características para RDPs transparentes. En la partesuperior se muestran los diagramas de las tareas, al estilo de la figura 2.4 del capítulo anterior. En laparte inferior se muestra la actividad de las poblaciones mediante un código de gradiente de color, lasrespuestas neuronales más altas aparecen en rojo y las más bajas en azul. Las tres diferentes etapas dela tarea se separan con líneas verticales negras. La parte izquierda de la figura considera un caso en quela atención afecta modulando la actividad, mientras que la parte derecha refleja la situación de noatención.

3.2.1 Modulación por atención con RDPs transparentes

Así como acabamos de ver, para estímulos transparentes se produce una disminuciónde la respuesta para las neuronas que codifican al estímulo no atendido y un aumentopara las neuronas cuya respuesta codifican al estímulo sobre el cual recae la atención. Elefecto neto se puede observar mejor en la siguiente figura 3.11.

Recordemos que este tipo de experimento no se ha realizado todavía, de manera quelo que aquí se muestra es la predicción según el modelo. Una forma de obtener estascurvas experimentalmente se muestra en el esquema de la figura 3.11.

Pero, ¿Cuál sería la predicción desde el punto de vista de la teoría de Treue? Como seha visto en el caso de los estímulos simples, la teoría de Treue se basa en los factores demodulación generados por la señal de atención. Estos factores dependían de la separaciónentre la selectividad de cada neurona con respecto a la señal de atención, y no en lanaturaleza concreta del estímulo. Por tanto, podemos realizar otra clase de predicción, nola del modelo sino la basada en las propias hipótesis de Treue: partiendo de los factoresmultiplicativos que se extraen de la estímulación con un solo RDP (Figura 3.3),

38

rate rate

PFC

MT

55

55

55

55MT

PFC

+

+

+

+

+

+t t

attention non-attention

time (s)

50 50

time (s)

location

location location

location


construimos la modulación por atención a la respuesta a estímulos de RDPs transparentesde la Figura 3.9. Esta sería la predicción del Modelo de Ganancia dependiente de laSimilitud respecto a Característica de Treue. Esto es lo que mostramos en la figura 3.12.

Figura 3.11: Modulación por atención de la actividad de la población ante RDPs transparentes. En rojotenemos el caso con atención y en azul el caso sin atención. La separación entre los dos componentes delestímulo es de 120º. Observamos que la modulación influye de manera que el estímulo atendido sepotencia mientras que el otro se deprime. La forma de obtener estas curvas experimentalmente aparecedibujada esquemáticamente (cuadro superior derecho). La idea es correr todas las posibles direccionesmanteniendo la separación entre los componentes del estímulo fija, y a la vez, la señal de atenciónsiempre sobre el mismo componente (en rojo en el diagrama).

Figura 3.12: Predicción en base a los factores de modulación. En rojo tenemos el caso con atención, enazul el caso sin atención y en negro la predicción. La separación entre los dos componentes del estímuloes de 120º. La curva de predicción se calcula multiplicando todos y cada uno de los puntos de la señal sinatención por los factores de modulación (figura 3.3), teniendo siempre en cuenta cual es la distanciaentre las direcciones del punto de la curva y la señal de atención.

En esta figura lo que se ha hecho es partiendo de la respuesta del modelo a RDPstransparentes sin atención (figura 3.9), por un lado, y de los factores de modulación(figura 3.3) que relacionan los casos atención/no atención para RDPs simples, se ha

39

Cue location

att.

no att..

Neuron

+

Cue neuron

att.

no att..

prediction

Neuron


generado una curva que representa el caso de atención para RDPs transparentes. Elproceso pasa por multiplicar punto a punto la curva sin atención por el factor demodulación pertinente, en base a la separación existente entre la dirección querepresenta la correspondiente neurona respecto a la dirección en la cual permanece laseñal de atención.

Como vemos el solapamiento entre la predicción del modelo en base a las simulacionesbiofísicas y la predicción de la teoría de Treue en base a los cálculos de factores demodulación es casi perfecta, teniendo en cuenta la variabilidad intrínseca del modelo.Hecho que demuestra que el modelo implementa de forma biológicamente plausible lamodulación de la actividad neuronal mediada por Atención basada en Característica, osea, la hipótesis de Treue.

El hecho más significativo del buen ajuste entre predicciones, y por ende, de la teoríade Treue, es que la modulación no depende del tipo de estímulo, en estos casos RDPssimples o transparentes, sino únicamente de como difiere la característica preferida decada neurona del circuito respecto a la señal de atención.

3.2.2 Modelo de Competición Sesgada

Vamos a mirar la modulación por atención en el caso de RDPs transparentes desdeotra perspectiva. Se ha comentado en el apartado anterior que en este caso, el estímuloatendido se potencia y el otro se deprime, el mismo efecto observado en las áreas IT y V4fueron la base para el Modelo de Competición Sesgada de Desimone. La idea principal deDesimone, es que la atención tiene un papel interesante, sobretodo, cuando haycompetición entre estímulos, siendo ésta altamente selectiva a uno de todos ellos. Portanto, su influencia principal actúa durante la competición, acercando la respuesta delestímulo selecto a la que tendría éste en el caso en que sólo estuviese él sin ningún tipode distracción.

Empezaremos viendo la actividad puramente sensorial (sin atención) en coordenadaspolares (figura 3.13). Para después comparar estos casos con los que engloban atención.

Figura 3.13: Diagramas polares de los casos no atendidos. En rojo tenemos el caso de RDP simple y enverde el caso de RDPs transparentes con una separación de 120º entre cada uno de sus componentes. Lacurva de la derecha muestra el diagrama en coordenadas polares, ampliamente usado para comparar losestímulos que están compitiendo.

En la figura 3.14 se muestra en diagramas polares que ocurre cuando la señal deatención interviene.

40

+


Figura 3.14: Efecto de la atención desde el punto de vista del Modelo de Competición Sesgada. En eldiagrama polar de la izquierda se compara la respuesta para el caso de RDPs transparentes con lasrespectivas respuestas para los RDPs simples que lo componen. En el diagrama de la derecha vemos queocurre cuando la señal de atención se aplica a uno u otro de los componentes. Se observa que elcomponente atendido ve incrementada la respuesta que evoca acercándose a la que generaría siestuviese sólo en el campo visual. Esto ocurre a costa de que la respuesta evocada por el otrocomponente se reduzca.

Como vemos en la figura 3.14, nuestro modelo implementa el Modelo de CompeticiónSesgada de Desimone en el área MT. Ante una competición entre estímulos con atenciónfocalizada sobre uno de ellos, la respuesta que evoca el estímulo atendido se acerca a laque tendría éste en el caso en que estuviera solo. Debido a que la red MT mantiene laactividad promedio, el componente distractor (estímulo no atendido) disminuye surespuesta, aumentando así la diferencia entre las respuestas evocadas por los dosestímulos simultáneos.

Y aún más, se acaba de mostrar que el Modelo de Ganancia dependiente de la Similitudrespecto a Característica de Treue y el Modelo de Competición Sesgada de Desimone sonlas dos caras de una misma moneda cuando en un mismo campo receptivo haycompetencia entre estímulos (Boynton, 2005). Nuestro modelo es el primer circuitobiofísicamente plausible que es capaz de reconciliar estas dos ideas dentro de unaarquitectura consistente con nuestros conocimientos acerca de cómo se organiza yestructura la corteza cerebral.

3.3 Mecanismos

En este momento estamos abordando el estudio en detalle de los mecanismos quehacen posible todos los resultados del modelo mostrados en los apartados anteriores. Portanto, lo que ahora se va a mostrar forma parte de resultados aún preliminares.

Destaca que en la red MT predomina fuertemente la corriente sináptica inhibidora,como se observa en las figuras 3.15 y 3.16.

41

No atención Atención


Figura 3.15: Corrientes promedio entrantes a las neuronas excitadoras en MT en ausencia de estímulosensorial. Vemos que en cuanto a corrientes sinápticas recurrentes, la inhibidora es la que predomina.Para compensar el efecto y obtener la actividad observada experimentalmente (~9 Hz) necesitamos unaalta entrada externa.

Figura 3.16: Corriente sináptica recurrente total promedio entrante a las neuronas excitadoras en MT enpresencia de estímulo sensorial con y sin señal de atención. Vemos que la contribución neta es inhibidoray que aumenta con la señal de atención.

La inhibición aumenta a medida que aumentan las diferentes entradas excitadoras,tanto sensoriales como de atención. Esta característica de la red MT es la que haceposible que la actividad de la población permanezca aproximadamente constante. Amayores entradas sensoriales, mayor grado de inhibición, la cual compensa el efecto netoa lo largo de la toda la red, de manera que la actividad localmente aumenta pero no enpromedio, así en las zonas alejadas al estímulo la respuesta está por debajo de laactividad espontánea. Cuando comparamos los casos atención/no atención, un argumento

42


similar permite explicar porqué se produce el cruce de las curvas de sintonía de lapoblación.

Este comportamiento se ve acompañado de la disminución de la anchura de larespuesta (figura 3.17). Se puede observar, en cambio, que para el caso de atención laanchura aumenta respecto al caso de no atención. Esto se debe a que la conexión a MTproveniente de PFC es más ancha que la entrada sensorial, hecho que aumentaligeramente la anchura resultante de la respuesta en MT.

Figura 3.17: La anchura de las respuestas decrece respecto a la entrada sensorial. Esta anchura secalcula como la de la Gaussiana que mejor se ajusta a cada curva.

Se ha propuesto que mecanismos de tipo celular podrían ser capaces de generar elefecto multiplicativo mediante determinados cambios internos a la célula, frente a la otraposibilidad que es que el cambio se de en las corrientes sinápticas que le llegan. Existenen la literatura dos tipos de mecanismos celulares propuestos que se basan en la relaciónexistente entre la corriente sináptica total entrante a una determinada neurona y su tasade disparo. Este tipo de relación se suele representar gráficamente y se suele citar comocurva fI (firing rate versus Input). En uno de los dos mecanismos, la curva fI es no lineal,en concreto, la relación cumple una ley de potencias, de manera que un mismoincremento aditivo en la corriente entrante genera, a diferentes tasas de disparo,modulaciones que resultan multiplicativas entre ellas, y que estan mediadas por la ley depotencias (Murphy y Miller, 2003) (figura 3.18 A). El otro mecanismo hace referencia acuando dicha relación es lineal pero su pendiente cambia entre las dos situaciones acomparar, de manera que aumenta la ganancia de la curva fI y se obtiene a su vez elefecto multiplicativo en la respuesta (Chance et al., 2002) (figura 3.18 B).

Pero como demuestra las figura 3.19, ninguno de estos mecanismos parece ser elresponsable, puesto que las curvas fI son muy poco no-lineales y la pendiente de estascurvas aunque cambia entre los diferentes casos, este cambio es demasiado pequeñopara ser por si solo el mecanismo responsable del efecto multiplicativo (cambio máximoentorno al 6'5 %).

Se ha de estudiar más a fondo cual es realmente el mecanismo que sustenta el efectomultiplicativo observado, pero todo apunta a que se trata de un nuevo mecanismo noaparecido aún en la literatura, no de tipo celular sino de red, basado en la estructura delas conectividades recurrentes y en el fuerte predominio de la inhibición.

43


Figura 3.18: Mecanismos celulares propuestos para la obtención de ganancias multiplicativas. A. Relaciónsegún una ley de potencias en la curva Corriente-Respuesta (fI). Un mismo cambio en la corriente generaun cambio diferente en la respuesta, el cual es multiplicativo (observar como la diferencia entre las lineasverticales azul y roja son iguales en corriente pero no en la respuesta) (Murphy y Miller, 2003). B. Lascurvas fI son lineales, lo que cambia es la pendiente entre los casos a comparar, resultando así un efectode ganancia multiplicativa (Chance et al., 2002).

Figura 3.19: Relación altamente lineal entre la tasa de disparo y la corriente total entrante para todas lasdiferentes situaciones de atención. Los mismos efectos observados en las curvas de sintonía de lapoblación, cruce (arriba izquierda: en rojo el caso de atención y en azul el caso sin atención) y efectomultiplicativo (arriba derecha: atención en la dirección preferida en rojo, antipreferida azul y a 90ºverde), se observan también con la corriente total sináptica entrante. A la vez, las curvas fI en todas lassituaciones indican que existe una relación lineal entre la respuesta y la corriente de entrada, y que estaes la misma independientemente de la condición de atención en la que se esté. Se demuestra así que elmecanismo responsable del efecto multiplicativo en el modelo no es ninguno de los mecanismos celularesanteriormente descritos. Probablemente se trate de un nuevo mecanismo que se base en la estructura dered no aparecido antes en la literatura.

44

FR

I

I

FR

A B

Neuron

I (nA)

FR (Hz)

I (nA)

FR (Hz)


En este trabajo, nuestro principal objetivo ha sido el estudio de la modulación de laactividad neuronal durante tareas de atención selectiva, centrándonos en la Atenciónbasada en Característica y poniendo especial cuidado en evaluar las modificaciones sobrela selectividad de las neuronas y de las poblaciones de neuronas que induce lafocalización de la atención. Para ello, se ha elaborado un modelo computacional que tieneen cuenta los aspectos conocidos más relevantes, y a la vez más contrastados, de estetipo de atención según la literatura previa. De acuerdo con esta información, nuestraprincipal hipótesis para la implementación del modelo ha sido la necesidad de utilizar dosredes corticales interrelacionadas en forma de bucle, una de las cuales describe el áreasensorial y la otra es capaz de generar actividad persistente, como supuestamenteocurriría en un área ejecutiva. Pero además, dado que lo que más nos ha interesado noes tanto reproducir experimentos, sino ir más allá para comprender la base biológica quesubyace a esta fenomenología, hemos considerado como requisito imprescindible utilizarun modelo de neurona y de red que sea razonable desde el punto de vista de laelectrofisiología, sin ser, a su vez, demasiado complejo, lo cual dificultaría lainterpretación de los resultados. Así, nos hemos restringido a una región cortical dondelos efectos de modulación por la atención han sido expuestos de forma clara ysignificativa, el área MT, y hemos supuesto que la actividad persistente asociada selocaliza en la corteza prefrontal o parietal posterior. De manera que éstas han sido lasáreas que se han representado en nuestro modelo de forma plausible, las cuales seríanlas responsables de la generación de las señales 'Bottom-up', o señal sensorial, y 'Top-down', o señal de atención, respectivamente.

Como hemos visto en la introducción, la Atención basada en Característica genera dostipos de modulación distintas según la atención esté fuera, o dentro, de un determinadocampo receptivo (Atención basada en Característica Global y Atención basada enCaracterística Local, respectivamente). Como ya se ha comentado, esto ha generado laaparición de dos teorías independientes (Modelo de Ganancia dependiente de la Similitudrespecto a Característica y Modelo de Competición Sesgada, respectivamente) y,consecuentemente, cierta controversia entre ellas. Así en principio, estas distintasmodulaciones podrían recaer sobre diferentes mecanismos. Para poder estudiar si esto esasí, o si en realidad se pueden explicar bajo el mismo mecanismo, se han modelizado dosdiferentes paradigmas, uno con estímulos simples frente al otro que considera estímulostransparentes.


Dentro del primer paradigma (estimulación simple y atención fuera del camporeceptivo), el primer paso ha sido reproducir el cruce de las curvas de sintonía de lapoblación, obtenido por Treue, entre el caso en que atención y estímulo van ligados,respecto al caso sin atención. En realidad, este cruce en las curvas de sintonía resultó ensu momento bastante controvertido, e incluso contradictorio, pues anteriormente lamodulación basada en característica obtenida había aparecido como un efectomultiplicativo entre curvas de sintonía, en áreas como V4 (McAdams y Maunsell, 1999), oen MT por el mismo Treue (Treue y Martinez-Trujillo, 1999). La interpretación propuestapor Treue fue que existe un efecto multiplicativo a nivel neuronal, que depende sólo de laseparación entre la característica del estímulo atendido y la dirección preferida de laneurona, así cuando construimos una curva de sintonía desplazando el foco de atencióncon el estímulo existirá un factor diferente sobre la respuesta neuronal para cada posicióndel foco de atención, en unos casos mayor que la unidad y en otros menor, y estamodulación del factor multiplicativo sería la responsable del cruce (Martinez-Trujillo yTreue, 2004). No obstante, en ese artículo, no se llegaron a explorar las curvas desintonía completas cuando la atención permanecía fija respecto a la selectividad de laneurona, y sólo investigaron los casos extremos, pero en estos se obtenían efectivamenterelaciones multiplicativas. En nuestro modelo, se ha llevado esta hipótesis hasta lasúltimas consecuencias mostrándose el efecto multiplicativo de las curvas de sintonía paraatención fija.

Conviene recordar que consideramos curva de sintonía a la representación gráfica de larespuesta de una única neurona respecto al cambio de valor de una deteminadadimensión del estímulo, manteniendo todo lo demás en condiciones constantes.Tradicionalmente, se ha obtenido que las curvas de sintonía son multiplicativas poratención porque se ha mantenido constante, o fija, la característica atendida. En cambio,en los casos en que la atención es intrínseca al estímulo, como cuando atención yestímulo siempre van ligados, podremos aún hablar de curva de sintonía pero hay quediferenciar muy claramente las dos situaciones. En este caso, la característica atendidajunto al estímulo sensorial cambia en cada punto y, por tanto, la modulación obtenida esel refinamiento de la selectividad y no la modulación multiplicativa. Este tipo de curva desintonía ha dado en llamarse actividad de la población o curva de sintonía de la población,porque es equivalente a la respuesta que tendrían las neuronas de una población frente aun único de estos estímulos atendidos (Martinez-Trujillo y Treue, 2004). Esta equivalenciaha sido comprobada en el modelo, de forma que con una única simulación se ha obtenidoel cruce de las curvas de sintonía de la población.

Desde el punto de vista del comportamiento, lo que estos resultados demuestran esque la modulación por atención resulta en un refinamiento de la selectividad de lapoblación (en inglés, sharpening), efecto que tantas veces se ha propuesto desde elcampo de la psicofísica, y no en un aumento multiplicativo de la actividad de todas lasneuronas que la forman, efecto que se ha venido proponiendo desde la electrofisiología.Esto es así porque, en situaciones de relevancia comportamental el sujeto tiene quetomar decisiones en base a los estímulos sensoriales instantáneos, los cuales tomansolamente una determinada característica como valor para cada dimensión, sobre la quepuede recaer la atención. Por lo tanto, el sistema no puede computar una curva desintonía presentando todas las características posibles con la atención prefijada sino quetiene que valorar la actividad instantánea de la población de neuronas. Como hemos vistoen la población de neuronas, cada neurona del campo receptivo tendrá, en el caso deatención, una modulación que dependerá de la relación entre la característica atendidarespecto a su característica preferida, resultando en un refinamiento de la selectividad dela población.

46


Así como en el primer paradigma el modelo básicamente reproduce resultadosexperimentales (aunque también es cierto que los complementa, mediante la obtenciónde las curvas de sintonía para el caso de atención fija, hecho que apoya el Modelo deGanancia dependiente de la Similitud respecto a Característica), en el segundo paradigmael modelo predice, por un lado, la confirmación de la teoría de Treue y, por otro lado, elmodo en que se resuelve la controversia entre ésta y el Modelo de Competición Sesgada,demostrando que ambos esquemas difieren en el punto de vista pero no en su basemecanística. Este segundo paradigma experimental considera estímulos simultáneos enun mismo campo receptivo, los cuales entran en competición. De manera que se cumplentodas las bases del Modelo de Competición Sesgada. Explicado brevemente, lo que seobtiene es una supresión en la actividad cuando se presentan los estímulos preferido yantipreferido simultáneamente en relación al preferido solo; y la atención modula estaactividad desplazándola hacia la que tendría si no existiera competencia entre losestímulos. A la vez, la respuesta del modelo se puede reproducir modulando la obtenidaen el caso sin atención con los mismos factores multiplicativos obtenidos en el primerparadigma (figura 3.12). Esto implica que para el Modelo de Ganancia dependiente de laSimilitud respecto a Característica, desde el punto de vista de los mecanismos, resultaindiferente que la atención esté dentro o fuera del campo receptivo y, al mismo tiempo,no importa si el estímulo sensorial se basa en movimiento unidireccional o bidireccionaltransparente. Cabe recalcar que los resultados del modelo, bajo este paradigma, se basanen el hecho de que la red MT reproduce de forma exitosa la respuesta puramentesensorial ante estimulación con RDPs con movimiento transparente, que supone de formaefectiva una normalización de la actividad de la población (figura 3.9).

Como se ha comentado en otras secciones anteriores, ha aparecido recientemente unmodelo matemático muy interesante capaz de reproducir el cruce de las curvas desintonía a partir del efecto multiplicativo propuesto por el Modelo de Gananciadependiente de la Similitud respecto a Característica, y donde se relaciona esto con lasbases del Modelo de Competición Sesgada (Boynton, 2005). No obstante, este modeloestá implementado de forma completamente ad hoc, sin tener en cuenta posibles basesbiológicas, de manera que no se puede extraer información respecto al modo en que estose podría implementar en el cerebro. Nuestro modelo aporta este tipo de información,puesto que está basado desde un principio en los mecanismos fisiológicos que operan enla corteza cerebral.

En realidad, nuestro estudio no está ni mucho menos cerrado. Como se ha visto en laparte de mecanismos del capítulo de resultados, necesitamos aún estudiar a fondo cuál esla base fisiológica que sustenta el efecto multiplicativo del Modelo de Gananciadependiente de la Similitud respecto a Característica en nuestra implementacióncomputacional. No obstante, a partir de los análisis realizados podemos extraer ciertainformación, como que no parece que se trate de un mecanismo de origen celular, ni deltipo propuesto por Miller (Murphy y Miller, 2003) ni del tipo propuesto por Abbott (Chanceet al., 2002). Probablemente se trate de un mecanismo de red no aparecido previamente,donde tendrá un peso específico el hecho de que en la red MT predomina fuertemente lainhibición recurrente de modo que la red normaliza sus respuestas para mantener laactividad promedio aproximadamente constante.

Me gustaría hacer notar que nuestro modelo únicamente considera una dimensión delestímulo, la dirección de movimiento, de manera que será incapaz de generarmodulaciones frente a otras características si éstas existieran. Cabe recordar, como secomentó brevemente en el capítulo de introducción, que la localización espacial podía serinterpretada como una característica más, aunque a día de hoy esto sea bastantecontrovertido. Así pues, nuestro modelo no producirá directamente modulación espacialcuando la atención pase de estar fuera del campo receptivo a estar dentro. Es decir, si

47


por ejemplo considerásemos la comparación entre la actividad para el caso de un RDPsimple cuando la atención pasa de estar fuera del campo receptivo a estar dentro, noobtendríamos en el modelo diferencia alguna. Como decíamos, este tipo de experimentosha generado discrepancias en cuanto al tipo de modulación resultante. Algunosexperimentos muestran un efecto multiplicativo de la actividad (McAdams y Maunsell,1999; Treue y Martinez-Trujillo, 1999), lo cual estaría de acuerdo con la consideración dela localización como otra característica más (Treue y Martinez-Trujillo, 1999). Mientrasotros experimentos muestran un aumento de la actividad únicamente a nivelesintermedios de contraste, lo que supone el aumento del contraste efectivo peroúnicamente para este rango de contrastes intermedios (Reynolds et al., 2000; Martinez-Trujillo y Treue, 2002). Esto, en principio, parecería estar en desacuerdo con suponer lalocalización como característica, ya que no existiría efecto multiplicativo, y argumentaríaen favor de que se tratase de dos sistemas paralelos y diferenciados, tal como se hapropuesto en un modelo matemático esquemático (Boynton, 2005). De todos modos, eluso de RDPs transparentes es idóneo para evitar el hecho de tener que considerar elefecto espacial en la modulación por atención, ya que para este tipo de estímulo no existeseparación espacial alguna. En cambio con otros tipos de estímulos, como los basados enimágenes usados tradicionalmente en paradigmas de competición, la diferencia delocalización tiene un efecto neto en la actividad por atención, aunque este efectodisminuye en gran medida, pero no completamente, si las imágenes están ambas dentrodel mismo campo receptivo.

Dado que, como se ha indicado en el capítulo de métodos, la entrada sensorial al áreaMT proviene de V1, y ésta genera un tipo de normalización que parece ser dependientedel contraste, esperamos en un futuro próximo poder ampliar el estudio en el modelo coneste tipo de efectos de la atención sobre el contraste, mediante la incorporación de otromódulo de red cortical que represente el procesamiento de la información en área V1. Yahe avanzado en esta línea de trabajo desarrollando un modelo de normalización en áreavisual primaria como proyecto durante mi participación en el curso de verano patrocinadopor IBRO y FENS: Advanced Course in Computational Neuroscience. Agosto 1-26, 2005,Arcachon, Francia. Probablemente se haga también necesaria otra ampliación del modelopara considerar posibles efectos de la localización espacial como característica.

Existen dos importantes efectos dependientes de la atención que han aparecidorecientemente en la literatura y que pueden ser estudiados bajo el prisma de nuestromodelo con el objetivo de marcar nuevas predicciones en el área MT. El primero es que seha observado un aumento de la sincronía, para frecuencias gamma (35-90 Hz), enneuronas de V4 activadas por el estímulo atendido, en comparación con neuronas vecinasactivadas por el estímulo distractor. Se ha argumentado que esto podría ser útil en lacorteza cerebral para amplificar señales relevantes desde el punto de vista delcomportamiento (Fries et al., 2001). Resultados preliminares en nuestro modelo marcanla misma tendencia en la red MT del modelo, si existen ciertas oscilaciones en lasneuronas que codifican el estímulo atendido en el circuito prefrontal. Exploraremos más afondo estos aspectos, incluyendo la relación que pudiese establecerse entre los dosmódulos del bucle (áreas MT y PFC) cuando ambos son capaces de desarrollar actividadoscilatoria intrínseca.

El segundo aspecto que se quiere considerar es el desplazamiento (en inglés, shift) delcentro de la curva de sintonía provocado por la señal de atención. Existen evidenciasexperimentales de que no únicamente se produce un aumento de la actividad ensituaciones de atención selectiva, sino que también existe un desplazamiento de loscampos receptivos efectivos hacia el estímulo atendido cuando éste se mantiene cercano(Connor et al., 1996; Connor et al., 1997). Además, un modelo teórico aparecidorecientemente reproduce esta tendencia del desplazamiento en la actividad de la

48


población hacia el estímulo atendido. No obstante, predice que la curva de sintonía de lasneuronas sufrirán un desplazamiento que dependerá de si en la población predomina unaumento de su actividad, o un desplazamiento de su campo receptivo. De manera que,en la curva de sintonía, el desplazamiento resultante que se generará será unacercamiento o un alejamiento, respectivamente (Compte y Wang, 2005). Nuestromodelo es ideal para este estudio, pues, a nivel de población, nos ha permitidocontrastarlo con observaciones experimentales obtenidas en otras áreas, lo cual es unapredicción de lo que puede ocurrir en MT, donde aún no se han estudiado losdesplazamientos de las curvas de sintonía por atención. Un estudio más detallado en unfuturo próximo, nos permitirá predecir que tipo de desplazamiento se da en el área MT anivel neuronal, si hacia o en contra del estímulo atendido. Además, debido a que nuestromodelo tiene una mayor base fisiológica en comparación con este otro modelorecientemente publicado, los resultados que podamos obtener en este sentido permitirán,de alguna manera, contrastar las hipótesis de éste.

Además, en un futuro nos planteamos abordar los aspectos que relacionen la actividaden nuestro modelo de bucle de áreas corticales con aspectos funcionales y conductualesen humanos y monos en comportamiento. Para ello trabajaremos en dos frentes,relacionando nuestro modelo con estudios realizados con humanos con técnicas deimagen, por un lado; y los estudios psicofísicos, por otro. En cuanto a la relación denuestro modelo con las técnicas de imagen, nuestra intención es comparar medidas fRMIsobre la actividad del área MT en tareas de Atención basada en Característica (Saenz etal., 2002), con la actividad de la población de nuestra red MT. Para poder comparardirectamente estas medidas, necesitamos tener en cuenta cómo se relaciona primero larespuesta hemodinámica, o vascular, con la actividad de las neuronas. Se sabe que estarespuesta aparece retardada del orden de 5-8 s, que es transitoria y que se dispersa conel tiempo (Bandettini et al., 1993; Friston et al., 1994). Se ha comprobado que unafunción de distribución de Poisson representa de forma consistente esta latencia de larespuesta vascular (Friston et al., 1994; Horwitz et al., 2001). De manera que nuestraaproximación se basará en la integración del valor absoluto de la actividad sinápticaobtenida en la red MT y su convolución posterior con la dsitribución de Poisson. Estemétodo ya ha sido simulado en un modelo computacional similar del área V4 en tareas deatención (Corchs y Deco, 2004).

Respecto a la relación con los estudios psicofísicos, cabe mencionar dos cosas: laprimera, que el grupo alemán con el que colaboramos, encabezado por el profesor StefanTreue, está realizando este tipo de experimentos tanto con monos, como con sujetoshumanos. La investigación es llevada a cabo en el centro de primates por el investigadorexperimentalista Vladislav Kozyrev, con el cual he tenido la oportunidad de colaborar endos ocasiones, con sendas visitas a Göttingen, para el diseño de las tareas a realizar;para la obtención de los primeros datos experimentales con sujetos humanos; y en elposterior análisis de los datos, obtención y representación gráfica de las funcionespsicométricas. Por tanto, es obvio que nos puede resultar de gran utilidad realizarcomparaciones entre los resultados de estos experimentos y los que podamos obtener denuestro modelo computacional, predicción de lo que pueda pasar en las neuronas de MTcuando se empiece a registrar.

La segunda relación de nuestro modelo con la psicofísica deriva de experimentos yarealizados. De hecho, ya han sido descritas determinadas propiedades de estas funcionespsicométricas neuronales en el área MT para determinadas tareas de discriminación(Britten et al., 1992; Purushothaman y Bradley, 2005). Los resultados entre estaspublicaciones son en cierto sentido contradictorias, así según Britten existen neuronasindividuales en MT que tienen un comportamiento igual o superior al del propio mono, esdecir son capaces de discernir con un menor umbral, un determinado movimiento

49


coherente inmerso en movimientos aleatorios. En cambio, Purushothaman obtiene que lasneuronas por sí solas discriminan mucho peor en término medio que el animal. La tareaque utiliza es responder si un estímulo coherente se mueve inclinado a la derecha, o a laizquierda, de otro presentado anteriormente que se movía de forma totalmente vertical.Aunque todas las neuronas registradas tengan peor poder de discriminación existenalgunas neuronas concretas que discriminan mejor que otras. Por tanto, propone que esla población conjunta de estas neuronas con mayor capacidad de discriminar la queconsigue un mayor refinamiento y obtener un comportamiento similar al del animal en suconjunto. En cuanto a las diferencias entre un experimento y otro, argumenta que seutilizan tareas diferentes, que las células que Britten ha utilizado en su experimento hanestado preseleccionadas como las más discriminatorias, y que la diferencia entre lasdirecciones a discriminar en su tarea son tan pequeñas que son imposibles de discriminarpor una única neurona, desde el punto de vista de la teoría de la estimación, dada laanchura de su curva de sintonía.Nuestro modelo puede ser testeado directamente paraestos dos tipos de tarea para ver en qué casos es suficiente la capacidad discriminatoriade una sola neurona y cuándo se requiere un refinamiento de la selectividad de lapoblación, al estilo sharpening, comentado antes en esta discusión. (En la tarea deBritten se ha de introducir la coherencia en la entrada sensorial de V1 a MT para generarel estímulo ruidoso. No obstante, el estímulo que hemos modelizado incorpora ya estadependencia con la coherencia, aunque en nuestros resultados previos se haya obviadopor ser ésta siempre el 100%).

Comentar que estamos elaborando un póster sobre el modelo realizado, el cual vamosa presentar en el próximo congreso: Annual Meeting of the American Society forNeuroscience 12-16 de Noviembre, Washington DC, al mismo tiempo que estamosescribiendo nuestros resultados en un artículo para publicarlos próximamente.

Queremos aprovechar de este modo todo el potencial del modelo que tenemos entremanos, relacionando aspectos mecanísticos que pueden ser desde la participación de undeterminado receptor, la constante de tiempo de una sinapsis, u otras propiedades decarácter sináptico o celular, con aspectos funcionales de la actividad electrofisiológica deneuronas y poblaciones en cada área, hasta actividades globales que puedan registrarseen experimentos de imagen y aspectos perceptuales que se manifiesten en experimentosde psicofísica. La posibilidad única de integrar todos estos niveles tan distanciados a nivelexperimental es una propiedad muy atractiva de nuestro modelo que explotaremos parami trabajo de tesis.

Agradecimientos

Quisiera concluir el trabajo agradeciendo, en primer lugar, a mi tutor la orientación yapoyo que me ha otorgado en todo momento, sin los cuales este trabajo no hubiera sidoposible. Así como a los investigadores con los que he tenido el gusto de colaborar ydiscutir mi modelo ( Xiao-Jing Wang del grupo de Estados Unidos; y Stefan Treue yVladislav Kozyrev del grupo de Alemania); y especialmente a Alfonso Renart por susinestimables explicaciones y sugerencias en la aproximación mean-field. Gracias a suscontribuciones el modelo ha evolucionado en gran medida. Y a todos mis familiares yamigos más cercanos porqué siempre aparecen cuando hace falta.

Este trabajo ha sido posible gracias al apoyo financiero de la Fundación Volkswagen, alMinisterio de Educación y Ciencia (BFI2002-02378) y al Fondo Europeo de DesarrolloRegional.

50

Referencias

Abeles M. (1991) Corticonics. Cambridge University Press, New York.

Albright T. D. (1984) Direction and orientation selectivity of neurons in visual areaMT of the macaque. Journal of Neurophysiology, 52:1106-1130.

Bandettini P. A., Jesmanowicz A. J., Wong E. C., Hyde J. S. (1993) Processingstrategies for time-course data sets in functional MRI of the human brain.Magnetic Resonance in Medicine, 30:161–173.

Bauer R. H., Fuster J.M. (1976) Delayed-matching and delayed-response deficitfrom cooling dorsolateral prefrontal cortex in monkeys. Journal ofComparative and Physiological Psychology, 90:293-302.

Beauchamp M. S., Cox R. W., DeYoe E. A. (1997) Graded effects of spatial andfeatural attention on human area MT and associated motion processingareas. Journal of Neurophysiology, 78:516-520.

Boynton G. M. (2005) Attention and visual perception. Current Opinion inNeurobiology, 15:465-469.

Born R. T., Bradley D. C. (2005) Structure and function of visual area MT. AnnualReview of Neuroscience, 28:157-189.

Braitenberg V., Schütz A. (1991) Anatomy of the Cortex. Springer-Verlag, Berlin.

Britten K. H., Shadlen M. N., Newsome W. T., Movshon J. A. (1992) The analysis ofvisual motion: a comparison of neuronal and psychophysical performance.Journal of Neuroscience, 12:4745-65.

Britten K. H., Shadlen M. N., Newsome W. T., Movshon J. A. (1993) Responses ofneurons in macaque MT to stochastic motion signals. Visual Neuroscience,10:1157-1169.


Britten K. H., Newsome W. T. (1998) Tuning bandwidth for near-threshold stimuli inarea MT. Journal of Neurophysiology, 80:762-770.

Bruce C. J., Goldberg M. E. (1985) Primate frontal eye fields. I. Single neuronsdischarging before saccades. Journal of Neurophysiology, 53:603-635.

Cavada C., Goldman-Rakic P. S. (1989) Posterior parietal cortex in rhesus monkey:II. Evidence for segregated cortico-cortical networks linking sensory andlimbic areas with the frontal lobe. Journal of Comparative Neurology, 287:422-445.

Chafee M. V., Goldman-Rakic P. S. (1998) Matching patterns of activity in primateprefrontal area 8a and parietal area 7ip neurons during a spatial workingmemory task. Journal of Neurophysiology,79:2919-2940.

Chafee M. V. Goldman-Rakic P. S. (2000) Inactivation of parietal and prefrontalcortex revealsinterdependence of neural activity during memory-guidedsaccades. Journal of Neurophysiology, 83:1550-1566.

Chance F. S., Abbott L. F., Reyes A. D. (2002) Gain modulation from backgroundsynaptic input. Neuron, 35:602.4.

Chelazzi L., Desimone R. (1994) Responses of V4 neurons during visual research.Society for Neuroscience Abstract, 20:1054.

Chelazzi L., Miller E. K., Duncan J., Desimone R. (1993) A neural basis for visualsearch in inferior temporal cortex. Nature, 363:345.7.

Chelazzi L., Duncan J., Miller E. K., Desimone R. (1998) Responses of neurons ininferior temporal cortex during memory-guided visual search. Journal ofNeurophysiology, 80:2918-2940.

Cohen J. D., Perlstein W. M., Braver T. S., Nystrom L. E., Noll D. C., Jonides J., Smith E.E. (1997) Temporal dynamics of brain activation during a memory workingtask. Nature, 386:604.8.

Compte A., Brunel N., Goldman-Rakic P. S., Wang X-J. (2000) Synaptic mechanismsand network dynamics underlying spatial working memory in a corticalnetwork model. Cerebral cortex, 10:910-923.

Compte A., Wang X-J. (2005) Tuning curve shift by attentional modulation incortical neurons: a computational study of its mechanisms. Cerebral cortex,doi:10.1093/cercor/bhj021 (in press, published online).

Connor C. E., Gallant J. L., Preddie D. C., Van Essen D. C. (1996) Responses in area V4depend on the spatial relationship between stimulus and attention. Journalof Neurophysiology, 75:1306.8.

Connor C. E., Preddie D. C., Gallant J. L., Van Essen D. C. (1997) Spatial attentioneffects in macaque area V4. Journal of Neuroscience, 17:3201-3214.

52

Referencias

Constantinidis C., Franowicz M. N., Goldman-Rakic P. S. (1999) Multiple electrodeanalysis of local circuitry in the primate prefrontal cortex during spatialworking memory. Society for Neuroscience Abstract, 25:44-.1.

Corbetta M. Shulman G. L. (2002) Control of goal-directed and stimulus-drivenattention in the brain. Nature Reviews Neuroscience, 3:201-215.

Corchs S., Deco G. (2004) Feature-based attention in human visual cortex:simulation of fRMI data. NeuroImage, 21:36-45.

Courtney S M., Ungerleider L. G., Keil K., Haxby J. V. (1997) Transient and sustainedactivity in a distributed neural system for human working memory. Nature,386:608-611.

Courtney S M., Petit L., Maison J. M., Ungerleider L. G., Haxby J. V.( 1998) An areaspecialized for spatial working memory in human frontal cortex. Science,279:1347:1351.

Desimone R. (1996) Neural mechanisms for visual memory and their role inattention. Proc. Natn. Acad. Sci. USA, 93:13494.9.

Desimone R. (1998) Visual attention mediated by biased competition inextrastriate visual cortex. Philosophical Transactions of the Royal Society ofLondon. Series B. Biological Sciences, 353:1245-1255.

Desimone R., Duncan J. (1995) Neural mechanisms of selective visual attention.Annual Review of Neuroscience, 18:193-222.

Desimone R., Wessinger M., Thomas L., Schneider W. (1990) Attentional control ofvisual perception: cortical and subcortical mechanisms. Cold Spring HarborSymposium on Quantitative Biology, 55:963-971

D'Esposito M., Aguirre G. K., Zarahn E., Ballard D., Shin R. K., Lease J. (1998)Functional MRI studies of spatial and nonspatial working memory. CognitiveBrain Research, 7:1-13.

Distler C., Boussaoud D., Desimone R., Ungerleider L. G. (1993) Cortical connectionsof inferior temporal area TEO in macaques. Journal of Comparative Neurology,334:125-150.

Duncan J. (1996) Cooperating brain systems in selective perception and action.In: Attention and performance XVI (Inui T., McClelland J. L. Eds.), pp 549-578.Cambridge, MA: MIT Press.

Duncan J., Nimmo-Smith I. (1996) Objects and attributes in divided attention:Surface and boundary systems. Percepteption & Psychophysics, 58:1076-1084.

Felleman D. J., Van Essen D. C. (1991) Distributed hierarchical processing in theprimate cerebral cortex. Cerebral Cortex, 1:1-47.

Fries W., Keizer K., Kuypers H. G. J. (1985) Large layer V1 cells in macaque striatecortex (Meynart cells) project to both superior colliculus and prestriatevisual area V5. Experimental Brain Research, 58:613.6.

53


Fries P., Reynolds J. H., Rorie A. E., Desimone R. (2001) Modulation of oscillatoryneuronal synchronization by selective visual attention. Science, 291:1560.3.

Friston K. J., Jezzard P., Turner R. (1994) Analysis of functional MRI time-series.Human Brain Mapping, 1:153–171.

Funahashi S., Bruce S. J., Goldman-Rakic P. S. (1989) Mnemonic coding of visualspace in the monkey's dorsolateral prefrontal cortex. Journal ofNeurophysiology, 61:1-19.

Funahashi S., Bruce C. J., Goldman-Rakic P. S. (1993) Dorsolateral prefrontal lesionsand oculomotor delayed response performance: evidence for mneumonic'scotomas'. Journal of Neurosciences, 13:1479-1497.

Fuster J. M. (1973) Unit activity in prefrontal cortex during delayed-responseperformance: Neuronal correlates of transient memory. Journal ofNeurophysiology, 36:61-78.

Fuster J. M. (1988) The prefrontal cortex. New York: Raven Press.

Fuster J. M. (2001) The prefrontal cortex:An update: Time is of the essence.Neuron, 30:319-333.

Fuster J. M., Alexander G. E. (1971) Neuron activity related to short-term memory.Science, 173:652.4.

Fuster J. M., Jervey J. P. (1982) Neuronal firing in the inferotemporal cortex of themonkey in a visual memory task. Journal of Neuroscience, 2:361-375.

Gnadt J. W., Andersen R. A. (1988) Memory related motor planning activity inposterior parietal cortex of macaque. Experimental Brain Research, 70:216-220.

Goldman-Rakic P. S. (1987) Circuitry of primate prefrontal cortex and regulation ofbehavior by representational memory. In: Handbook of physiology, vol. V: Thenervous system (Plum F., Mountcastle V. B., Eds.), chap. 9, pp. 373-417. BethesdaMD: American Physiological Society.

Goldman-Rakic P. S. (1995) Cellular basis of working memory. Neuron, 14:477-485.

Goldman P. S., Rosvold H. E. (1970) Localization of function within the dorsolateralprefrontal cortex of the rhesus monkey. Experimental Neurology, 27:291-304.

Hansel D., Mato G., Meunier C., Neltner (1998) On numerical simulations ofintegrate-and-fire neural networks. Neural Computation, 10:467-483.

Hawken M. J., Parker A. J., Lund J. S. (1988) Laminar organization and contrastsensitivity of direction-selective cells in the striate cortex of the Old Worldmonkey. Journal of Neuroscience, 8:3541.8.

Hestrin S., Sah P., Nicoll R. (1990) Mechanisms generating the time course of dualcomponent excitatory synaptic currents recorded in hippocampal slices.Neuron, 5:247-253.

54

Referencias

Horwitz B., Husain F. T., Braun A. R., Tagamets M.-A. (2001) Simulating PET/fMRIstudies of visual and auditory pattern recognition using biologically realisticlarge-scale neural models. In: Proceedings of the International Joint Conferenceon Neural Networks, pp. 878–883. IEEE Press.

Jahr C. E., Stevens C. F. (1990) Voltage dependence of NMDA-activatedmacroscopic conductances predicted by single-channel kinetics. Journal ofNeuroscience, 10:3178-3182.

Jonides J., Schumacher E. H., Smith E. E., Koeppe R. A., Awh E., Reuter-Lorentz P. A.,Marshuetz C., Willis C. R. (1998) The role of parietal cortex in verbal workingmemory. Journal of Neuroscience, 18:5026-5034.

Kastner S., Ungerleider L. G. (2000) Mechanisms of visual attention in the humancortex. Annual Review of Neuroscience, 23:315-341.

Kamitami Y., Tong F. (2005) Decoding the visual and subjective contents of thehuman brain. Nature Neuroscience, 8:679-685.

Kubota K., Niki H. (1971) Prefrontal cortical unit activity and delayed alternationperformance in monkeys. Journal of Neurophysiology, 34:337-347.

Lorente de Nó R. (1938) The cerebral cortex: architecture, intracorticalconnections and motor projections. In: Fulton J. F., Physiology of the NervousSystem, pp. 291-339. Oxford University Press, London.

Luck S. J., Chelazzi L., Hillyard S. A., Desimone R. (1997) Neural mechanisms ofspatial selective attention in areas V1, V2 and V4 of macaque visual cortex.Journal of Neurophysiology, 77:24-42.

Martinez-Trujillo J. C., Treue S. (2002) Attentional modulation strength in corticalarea MT depends on stimulus contrast. Neuron, 35:365-370.

Martinez-Trujillo J. C., Treue S. (2004) Feature-based attention increases theselectivity of population responses in primate visual cortex. Current Biology,14:744-751.

Maunsell J. H. R., Van Essen D. C. (1983) Functional properties of neurons in middletemporal visual area of the macaque monkey. I. Selectivity for stimulusdirection, speed, and orientation. Journal of Neurophysiology, 49:1127-1147.

McAdams C. J., Maunsell J. H. (1999) Effects of attention on orientation-tuningfunctions of single neurons in macaque cortical area V4. Journal ofNeuroscience, 19:431-441.

Mesulam M. M. (1981) A cortical network for directed attention and unilateralneglect. Annals of Neurology, 10:309-325.

Mesulam M. M. (1990) Large-scale neurocognitive networks and distributedprocessing for attention, language and memory. Annals of Neurology, 28:597-613.

55


Mikami A., Newsome W. T., Wurtz R. H. (1986) Motion selectivity in macaque visualcortex. I. Mechanisms of direction and speed selectivity in extrastriate areaMT. Journal of Neurophysiology, 55:1308-1327.

Moran J., Desimone R. (1985) Selective attention gates visual processing in theextrastriate cortex. Science, 229:782.4.

Motter B. C. (1993) Focal attention produces spatially selective processing invisual cortical areas V1, V2, and V4 in the presence of competing stimuli.Journal of Neurophysiology, 70:909-919.

Motter B. C. (1994) Neuronal correlates of attentive selection for color orluminance in extrastriate area V4. Journal of Neuroscience, 14:2178-2189.

Mountcastle V. B. (1957) Modality and topographic properties of single neurons ofcat's somatic sensory cortex. Journal of Neurophysiology. 20:408-434.

Mountcastle V. B. (1997) The columnar organization of the neocortex. Brain120:701-722.

Murphy B. K., Miller K. D. (2003) Multiplicative gain changes are induced byexcitation or inhibition alone. Journal of Neuroscience, 23:10040-10051.

O'Craven K. M., Rosen B. R., Kwong K. K., Treisman A., Savoy R. L. (1997) Voluntaryattention modulates fRMI activity in human MT-MST. Neuron, 18:591.8.

Ó Scalaidhe S. P., Goldman-Rakic P. S. (1999) Functional organization of prefrontalcortical columns in the macaque. Society for Neuroscience Abstract, 25:620.2.

Pessoa L., Kastner S., Ungerleider L. G. (2002a) Attentional control of the processingof neural and emotional stimuli. Cognitive Brain Research, 15:31-45.

Pessoa L., Gutierrez E., Bandettini P. B., Ungerleider L. G. (2002b) Neural correlates ofvisual working memory: fRMI amplitude predicts task performance. Neuron,35:975-987.

Pessoa L., Ungerleider L. G. (2004) Top-down mechanisms for working memory andattentional processes. In: Gazzaniga M. S., Ed. The New Cognitive Neurosciences,3rd Edition, pp 919-930, MIT Press.

Petit L., Courtney S. M., Ungerleider L. G., Haxby J. V. (1998) Sustained activity in themedial wall during working memory delays. Journal of Neuroscience, 18:9429-9437.

Posner M. I., Fan J. (2004) Attention as an organ system. In: Pomerantz J. R., Crai M.C., Eds. Topics in integrative neuroscience: from cells to cognition. Cambridge:Cambridge University Press.

Posner M. I., Petersen S. E. (1990) The attention system of the human brain. AnnualReview of Neuroscience, 13:25-42.

56

Referencias

Posner M. I. (2004) Tenth annual George A. Miller distinguished lecture at theannual meeting of the Cognitive Neuroscience Society. San Francisco,Cognitive Neuroscience Society.

Purushothaman G., Bradley D. C. (2005) Neural population code for fine perceptualdecisions in area MT. Nature Neuroscience, 8:99-106.

Qian N., Andersen R. A. (1994) Transparent motion perception as detection ofunbalanced motion signals. II. Physiology. Journal of Neuroscience, 14:7367-7380.

Rao S. G., Williams G. V., Goldman-Rakic P. S. (1999) Isodirectional tuning ofadjacent interneurons and pyramidal cells during working memory:evidence for microcolumnar organization in PFC. Journal of Neurophysiology,81:1903-1916.

Raz A. (2004) Anatomy of attentional networks. Anatomical record (part B: newanat.), 281B:21-36.

Remington R. W., Johnson J. C., Yantis S. (1992) Involuntary attentional capture byabrupt onset. Perception & Psychophysics, 51:279-290.

Renart A., Brunel N., Wang X-J (2003) Mean-Field theory of irregularly spikingneuronal populations and working memory in recurrent cortical networks.In: Computational Neuroscience: A Comprehensive Approach (Feng J., Ed.), chap.15, pp. 431-490. CRC Press, Boca Raton.

Rensink R. A., O'Regan J. K., Clark J. J. (1997) To see or not to see: the need forattention to perceive changes in scenes. Psychol. Sci., 8:368-373.

Reynolds J. H., Chelazzi L., Desimone R. (1999) Competitive mechanisms subserveattention in macaque areas V2 and V4. Journal of Neuroscience, 19:1736-1753.

Reynolds J. H., Desimone R. (1997) Attention and contrast have similar effects oncompetitive interactions in macaque area V4. Society for NeuroscienceAbstract, 23:302.

Reynolds J. H., Pasternak T., Desimone R. (2000) Attention increases sensitivity ofV4 neurons. Neuron, 26:703-714.

Rosenkilde C. E., Bauer R. H., Fuster J. M. (1981) Single cell activity in ventralprefrontal cortex of behaving monkeys. Brain Research, 209:375-394.

Rowe J. B., Toni I., Josephs O., Frackowiak R. S., Passingham R. E. (2000) Theprefrontal cortex: Response selection or maintenance within workingmemory? Science, 288:1656-1660

Saenz M., Buracas G. T., Boynton G. M. (2002) Global effects of feature-basedattention in human visual cortex. Nature Neuroscience, 5:631.2.

Salin P. A., Prince D. A. (1996) Spontaneous GABAA receptor mediated inhibitorycurrents in adult rat somatosensory cortex. Journal of Neurophysiology,75:1573-1588.

57


Salzman C. D., Britten K. H., Newsome W. T. (1990) Cortical microstimulationinfluences perceptual judgements of motion direction. Nature, 346:174.7.

Shipp S., Zeki S. (1985) Segregated output to area V5 from layer 4B of macaquemonkey striate cortex. Journal of Physiology (London), 369:32P.

Simoncelli E. P., Heeger D. J. (1998) A model of neuronal responses in visual areaMT. Vision Research, 38:743-761.

Snowden R. J., Treue S., Erikson R. G., Andersen R. A. (1991) The response of area MTand V1 to transparent motion. Journal of Neuroscience, 11:2768-2785.

Snowden R. J., Treue S., Andersen R. A. (1992) The response of neurons in areas V1and MT of the alert rhesus monkey to moving random dot patterns.Experimental Brain Research, 88:389-400.

Spruston N., Jonas P., Sakmann B. (1995) Dendritic glutamate receptor channel inrat hippocampal CA3 and CA1 pyramidal neurons. Journal of Physiology(London), 482:325-352.

Treue S., Martinez-Trujillo J. C. (1999) Feature-based attention influences motionprocessing gain in macaque visual cortex. Nature, 399:575-.9.

Treue S., Hol K., Rauber S. J. (2000) Seeing multiple directions of motion-phisiology and psychophysics. Nature Neuroscience, 3:270.6.

Troyer T. W., Miller K. D. (1997) Physiological gain leads to high ISI variability in asimple model of a cortical regular spiking cell. Neural Computation, 9:971-983.

Tuckwell H. C. (1988) Introduction to theoretical neurobiology. Cambridge:Cambridge University Press.

Ungerleider L. G., Gaffan D., Pelak V. S. (1989) Projections from inferior temporalcortex to prefrontal cortex via the uncinate fascicle in rhesus monkeys.Experimental Brain Research, 76:473-484.

Valdes-Sosa M., Bobes M. A., Rodriguez V., Pinilla T. (1998) Switching attentionwithout shifting the spotlight: Object-based attentional modulation of brainpotentials. Journal of Cognitive Neuroscience, 10:137-151.

Wang X-J (1999) Synaptic basis of cortical persistent activity: the importance ofNMDA receptors to working memory. Journal of Neuroscience, 19:9587-9603.

Watanabe M. (1986) Prefrontal unit activity during delayed conditional go/no-godiscrimination in the monkey I. Relation to the stimulus. Brain Research,382:1-14.

Webster M. J., Bachevelier J., Ungerleider L. G. (1993) Subcortical connections ofinferior temporal areas TE and TEO in macaques. Journal of ComparativeNeurology, 335:73-91.

58

Referencias

Webster M. J., Bachevelier J., Ungerleider L. G. (1994) Connections of inferiortemporal areas TEO and TE with parietal and frontal cortex in macaquemonkeys. Cerebral Cortex, 4:470-483.

Xiang Z., Huguenard J. R., Prince D. A. (1998) GABAA receptor mediated currents ininterneurons and pyramidal cells of rat visual cortex. Journal of Physiology(London), 506:715-730.

Yantis S., Johnson D.N. (1990) Mechanisms of attentional priority. Journal ofExperimental Psychology: Human Perception & Performance, 16:812-825.

Zeki S. M. (1974) Functional organization of a visual area in the posterior bank ofthe superior temporal sulcus of the rhesus monkey. Journal of Physiology(London), 263:549-573

59

Documents

Mecanismos de modulación por atención selectiva entre áreas