Ronald Palacios Castrillo
Resumen
Entender la base neuronal de la inteligencia natural requiere un cambio de paradigma: del reduccionismo estricto a la aceptación de la complejidad y la diversidad.
Nuevas herramientas y teorías nos permiten afrontar este desafío, proporcionando un acceso sin precedentes a la dinámica y el comportamiento neuronal a través del tiempo, los contextos y las especies. Los principios para el comportamiento inteligente y el aprendizaje en el mundo natural están ahora, más que nunca, a nuestro alcance.
=> Recibir por Whatsapp las noticias destacadas
En Detalle
La inteligencia natural, es decir, el conjunto de capacidades que permiten a los animales sobrevivir en una amplia gama de condiciones, es tan maravillosa como extendida en todo el reino animal.
Trascendiendo los límites de la inteligencia humana definida de manera estricta (que, según E. Boring, es simplemente lo que prueban las pruebas de inteligencia), permite a los animales navegar por su entorno, coordinar movimientos y planificar acciones, mostrando a menudo un comportamiento flexible o adaptable en respuesta a contextos dinámicos.
En lugar de confiar en una definición estricta de inteligencia natural, es conveniente aquí conceptualizarla como un conjunto de soluciones adaptativas al problema de la supervivencia y la reproducción de los animales en entornos específicos.
Cada entorno presenta un conjunto único de estímulos, fuentes de energía, amenazas y otros factores. La evolución favorece mecanismos que sustentan eficazmente la vida en estos contextos, desde la capacidad de percibir el campo geomagnético para encontrar lugares de reproducción hasta el establecimiento de relaciones sociales complejas para garantizar el acceso a la comida y a la pareja.
Dado que el comportamiento inteligente surge de la autoorganización de grupos celulares dentro del sistema nervioso, el enfoque de Forli, et.al..,[Cell,Volumen 187, Número 21, P5833-5837,17 de octubre de 2024] aquí, se centra en los mecanismos neuronales.
Cómo las redes de neuronas (y otras células) se coordinan espontáneamente para permitir que un animal sobreviva y prospere sigue siendo una de las preguntas más enigmáticas de nuestros tiempos. Sin embargo, una pregunta básica es: ¿estamos en el camino correcto para estudiarlo?
Lo que no puedo crear, no lo entiendo
En 1956, en los albores de la AI, los científicos se reunieron en la Conferencia de Dartmouth, decididos a crear máquinas inteligentes en un verano.
El optimismo era un eufemismo. Más de medio siglo después, todavía luchamos por crear agentes artificiales que puedan mostrar una fracción de la inteligencia natural. A pesar del tremendo éxito en dominios específicos, como sobresalir en Go, dominar los juegos de ATARI, generar obras de arte o incluso el razonamiento emergente, nuestros agentes artificiales fallan cuando se trata de realizar tareas esenciales del mundo real, como moverse, recolectar energía y comportarse de manera flexible en diferentes contextos. Como diría Feynman, “Lo que no puedo crear, no lo entiendo”, nuestro fracaso indica una brecha en nuestra comprensión de las bases neuronales y algorítmicas de la inteligencia natural.
¿Necesitamos comprender el cerebro para crear una AI general? Después de todo, no necesitábamos comprender el vuelo de los pájaros para construir aviones. De hecho, un avión supera la capacidad de un pájaro en varios aspectos: mayores velocidades, mayores altitudes, distancias más largas y cargas más pesadas.
Sin embargo, a diferencia de un pájaro, un avión no puede sumergirse en el agua para pescar un pez ni descender sigilosamente de un árbol para capturar un ratón. Para crear un sistema capaz de tales capacidades, es posible que necesitemos comprender los principios fundamentales de diseño de la naturaleza.
Esto es precisamente lo que numerosos neurocientíficos están tratando de hacer, a menudo siguiendo un patrón similar: elegir un aspecto del comportamiento inteligente (como la toma de decisiones, la navegación o la coordinación motora) y estudiarlo en el laboratorio, en condiciones controladas, utilizando especies modelo que sean fácilmente accesibles para la investigación.
La esperanza es que un día, después de juntar todos los componentes del comportamiento inteligente, finalmente obtengamos una comprensión satisfactoria de su base neuronal.
Sin embargo, en el espacio de posibles enfoques, ¿es este realmente el óptimo? ¿Y si necesitamos incorporar enfoques alternativos para una comprensión más profunda de la inteligencia natural y para nuevos descubrimientos?
En el lenguaje de la epistemología: ¿y si nos encontramos en medio de una crisis en la neurociencia, que requiere un cambio de paradigma transformador? La cuestionable optimalidad del reduccionismo
Famoso por construir la mayoría de sus aparatos con sus propias manos, Keith Lucas trabajó con la preparación aislada de nervios y músculos de la rana, considerándola como un modelo para las propiedades generales de las células cerebrales.
Sus experimentos llevaron a la demostración de la naturaleza de todo o nada del impulso nervioso y otros descubrimientos importantes.
El paradigma de Lucas es el arquetipo del enfoque reduccionista predominante. Tomado de ciencias fundamentales como la física y la química, permite a los neurocientíficos diseccionar los mecanismos detrás de las propiedades eléctricas del sistema nervioso, la comunicación entre las células nerviosas y los mecanismos periféricos del procesamiento sensorial y motor.
El poder del reduccionismo reside en su capacidad de generalizar los hallazgos de experimentos más simples a situaciones más complejas y a través de seres vivos, lo que permite a los investigadores integrar mecanismos de componentes aislados en teorías integrales.
Sin embargo, no todos los fenómenos pueden estudiarse exclusivamente utilizando el mismo nivel de reduccionismo: la mayoría de los casos de comportamiento inteligente involucran propiedades emergentes que surgen de interacciones complejas entre múltiples componentes, o de la interacción del sistema con su entorno. Si aislamos un componente, estas propiedades se vuelven inobservables o artificiales.
Algunas consideraciones. En primer lugar, el sistema nervioso cambia en función de la experiencia: cuanto más proporcionamos experiencias artificiales (como programas de entrenamiento intensivo o entornos empobrecidos), más podemos estar estudiando fenómenos artificiales[1].
Por ejemplo, los ratones confinados en pequeñas jaulas de plástico, desprovistos de interacciones sociales significativas, pueden no representar el mejor paradigma para comprender la base neuronal de la sociabilidad o el miedo y la ansiedad, considerando la intrincada interacción de emociones y comportamientos en los contextos del mundo real de los humanos.
Además, las tareas diseñadas para estudiar el control motor adaptativo generalmente implican miles de ensayos altamente estereotipados y modelados experimentalmente.
Los mecanismos derivados podrían describir mejor el control motor de un golfista profesional, en lugar de un animal en estado salvaje enfrentado a condiciones que requieren adaptaciones motoras frecuentes.
Para ser claros, el problema no es cuán naturalista sea el paradigma adoptado, sino cuán útil sea para entender la inteligencia: las palomas en la naturaleza no tropiezan con las cajas de Skinner, ni las ratas navegan por los laberintos de Tolman, pero estos paradigmas, dentro del contexto científico de su tiempo, han sido fundamentales para revelar los mecanismos del aprendizaje.
Otra aparente ventaja del reduccionismo es el control sobre las variables que pueden influir en las respuestas neuronales.
Sin embargo, ese control a veces puede ser una ilusión: pequeños movimientos y estados internos, a menudo incontrolados e incontrolables, pueden afectar profundamente la actividad neuronal.2.
Lo mismo es válido para los momentos pasados o futuros de un experimento, que flanquean el “ensayo” examinado. Un enfoque complementario es reconocer la existencia de estados latentes y considerar la actividad neuronal como un sistema dinámico, no ligado a una época específica de elección, o incluso a una tarea.
Esto puede revelar estados interesantes potencialmente inobservables en condiciones limitadas en el tiempo. Además, puede descubrir principios computacionales, independientes de un momento y una tarea de ensayo específicos.
El complejo central de Drosophila y las células de la cuadrícula de los mamíferos son algunos ejemplos. En términos más prácticos, los experimentos menos restringidos pueden ser buenos puntos de partida para observar fenómenos interesantes, que luego pueden investigarse en condiciones más controladas.
Desafortunadamente, este enfoque exploratorio es cada vez más raro en nuestra investigación basada en proyectos e hipótesis.
Funcionalismo o frenología moderna
La frenología, una disciplina destacada en el siglo XIX, pretendía discernir la personalidad de un individuo examinando la superficie de su cráneo.
Aunque introdujo el influyente concepto de “localización de la función”, ahora categorizamos la frenología como pseudociencia, descartando sus principios.
Si bien nos hemos alejado de la idea simplista de localizar rasgos mentales específicos en áreas cerebrales discretas, seguimos empleando categorías funcionales simplificadas, heredadas de la psicología clásica, para explicar la intrincada relación entre el cerebro y la conducta.
Funciones como el miedo, la atención, el control ejecutivo o la memoria aún se adoptan ampliamente en humanos y otros animales. Representan los fenómenos primarios que debemos dilucidar a nivel neurofisiológico y los componentes básicos de la conducta inteligente.
¿Qué justifica esta descomposición? Las neuronas no saben que existe una función, sino que solo operan dentro de las limitaciones biológicas que dictan sus capacidades para procesar la información y aprender.
Los circuitos cerebrales no fueron seleccionados por su función como módulos independientes, pero a menudo asignamos funciones específicas a regiones cerebrales individuales, como la función ejecutiva en la corteza frontal y el procesamiento emocional en el sistema límbico.
Esta es una explicación conveniente pero inexacta, al igual que la física era inexacta antes del advenimiento de la mecánica cuántica y la relatividad: los modelos actuales hacen un buen trabajo al describir algunos aspectos de la realidad, pero vienen con una sensación persistente de aproximación.
No estamos proponiendo abandonar el funcionalismo (al igual que no abandonamos la física newtoniana). Una de sus ventajas es proporcionar un marco conceptual que permite a los científicos abordar problemas bien definidos, como el lenguaje o la empatía.
Nuestra propuesta es integrarlo con nuevos conceptos e ideas que consideren los límites de su marco. Nuevas herramientas y teorías pueden permitirnos superar tales limitaciones.
La naturaleza distribuida de los cálculos neuronales se puede estudiar utilizando herramientas para registrar la actividad neuronal en grandes porciones del cerebro y con resolución celular, como imágenes a gran escala o electrodos de registro densos aplicables a animales que se mueven libremente, no disponibles para generaciones anteriores.
Además, aprovechar las ideas y metodologías de la neurociencia teórica y la AI puede ayudarnos a abstraer las funciones de los circuitos cerebrales y descubrir los principios computacionales subyacentes. Por ejemplo, las teorías del aprendizaje por refuerzo nos permiten modelar el papel de las regiones cerebrales (como el hipocampo) como sistemas generales para el aprendizaje y la predicción de estados en espacios abstractos, independientemente de su función específica de tarea o especie (para la navegación o la memoria).
La interacción entre la neurociencia y la AI es fundamental para alejarse del funcionalismo: la AI proporciona principios computacionales y algorítmicos, a menudo implementados en una arquitectura similar a la neuronal, que se pueden utilizar para probar modelos de función de circuitos en todos los dominios.
El conocimiento básico de la AI y la neurociencia computacional puede ayudarnos a comprender, por ejemplo, las ventajas de los refinamientos de circuitos específicos de especies que se produjeron a lo largo de la evolución: un aumento en las conexiones recurrentes de un circuito, por ejemplo, puede verse como una transición de la extracción de características (típica de las redes de retroalimentación) al almacenamiento de memoria a corto plazo (es decir, dinámica de atractores), una hazaña de las redes recurrentes.
Este es sólo un ejemplo de cómo la combinación de diferentes enfoques (AI y refinamiento filogenético)(3) será fundamental para comprender la inteligencia natural.
La vida real no está segmentada en tiempo y tareas
La inteligencia natural surge del desarrollo de la actividad neuronal y la dinámica conductual a lo largo del tiempo y los contextos. Además, a menudo no está estructurada: los animales se encuentran con eventos que no necesariamente se repiten con exactitud ni involucran patrones estadísticos, pero que pueden ser extremadamente importantes para su supervivencia.
Pensemos en escapar de un depredador o recordar la ubicación de un estanque de agua. La actividad neuronal durante esos eventos no repetidos y no estructurados desempeña un papel fundamental, pero en el laboratorio suele pasarse por alto.
¿Por qué? Porque las respuestas neuronales pueden ser notoriamente variables, y por eso la receta clásica para caracterizar la respuesta de una neurona es promediar la actividad neuronal a lo largo de muchas repeticiones de una tarea, en relación con el tiempo de un evento (como el inicio de un estímulo).
Las tasas de activación promediadas por ensayo representan una piedra angular principal de la neurociencia de sistemas, ya que proporcionan las bases para cuantificar los campos receptivos, la selectividad de características y las señales cognitivas.
Se utiliza un paradigma similar para evaluar el papel causal de un circuito para el comportamiento, manipulando la actividad neuronal a lo largo de muchos ensayos y cuantificando el efecto promedio sobre el comportamiento.
¿Deberíamos abandonar este enfoque? Por supuesto que no, los enfoques basados en tareas y promedios tienen un valor indudable, pero tienen limitaciones. En primer lugar, pasan por alto la dinámica de disparo único que subyace a muchos fenómenos.
En segundo lugar, inducen una estructura altamente artificial en el experimento: las tareas de laboratorio suelen repetirse o estereotiparse (por diseño), por lo general son unimodales y en su mayoría están impulsadas por una recompensa inmediata.
Pocos de los desafíos diarios que enfrentan los animales en entornos naturales son así. En tercer lugar, los paradigmas comunes están segmentados en el tiempo, compuestos de épocas de interés y períodos descartados.
A menudo asumimos que la salida neuronal es relevante para el aspecto del “ahora” y en su mayoría ignoramos las dependencias temporales no locales y la retroalimentación. Finalmente, una vez que encontramos una respuesta neuronal convincente, rara vez nos preguntamos si las mismas neuronas responden a una tarea o contexto diferente y cómo lo hacen.
En términos geométricos, una vez que encontramos una región conveniente del espacio de estímulo y acción de alta dimensión, proyectamos nuestros experimentos en ese pequeño subespacio y rara vez nos alejamos de allí. Varios ejemplos muestran el valor de los enfoques alternativos.
Por ejemplo, los experimentos realizados en distintas modalidades en el hipocampo han demostrado que las células de lugar responden de manera fiable no sólo a la ubicación del animal, sino también (en un animal estacionario) a una amplia gama de estímulos no espaciales.
Estos hallazgos desafían la noción de modelos autoposicionales estrictos. De manera similar, las observaciones de respuestas dopaminérgicas en ausencia de una recompensa estructurada(4)o en distintas modalidades(5) resaltan la necesidad de refinar los modelos clásicos de aprendizaje por refuerzo.
Otro conjunto interesante de enfoques ha arrojado luz sobre las diferencias entre las respuestas neuronales en condiciones de cabeza fija frente a las de comportamiento libre, en particular en contextos como la visión(6), la comunicación social(7) y la navegación en el mundo real frente a la realidad virtual[8].
Por último, los ingeniosos diseños experimentales han ilustrado cómo se puede explorar el comportamiento complejo en tareas más naturalistas, incluida la captura de presas[9] y el comportamiento grupal[10].
Un caleidoscopio de inteligencias
Un profundo dilema al que se enfrenta todo neurocientífico es la selección de las especies más adecuadas para sus preguntas de investigación.
Lamentablemente, en el panorama científico actual, esta elección suele estar dictada por consideraciones prácticas, lo que lleva a una dependencia predominante de un puñado de organismos modelo estándar, principalmente ratones endogámicos.
Si bien las razones detrás de esta convergencia y la importancia de adoptar la diversidad animal en la investigación neurocientífica se han discutido ampliamente en otros lugares, nuestro enfoque aquí es destacar su relevancia crítica en el contexto de la investigación de la inteligencia natural.
La primera consideración es la generalización. Varios aspectos de la conducta inteligente son compartidos por todo el reino animal: moverse en el entorno, reconocer la valencia de los estímulos, adaptar la conducta en función de experiencias pasadas, etc.
Sin embargo, no todos sus principios neuronales subyacentes son necesariamente compartidos por todos los sistemas nerviosos.
Las teorías de las representaciones espaciales en el hipocampo, por ejemplo, se basan principalmente en hallazgos en roedores, aunque los resultados de los primates, en los que se monitorea cuidadosamente la mirada y la dirección de la cabeza, parecen sugerir que la ubicación de la cabeza es mucho más dominante que la ubicación propia en la determinación de las respuestas de las células del hipocampo[11].
De manera similar, conceptos como la repetición de la actividad para la consolidación de la memoria se basan principalmente en roedores, con pocas excepciones provenientes de grabaciones en humanos y pájaros.
Los estudios realizados en roedores, primates no humanos y humanos han arrojado luz sobre los diferentes mecanismos neuronales (y estrategias conductuales) detrás de la memoria de trabajo, la toma de decisiones o la inferencia transitiva[12] ,lo que subraya el valor del trabajo comparativo.
El siguiente problema es el de la conveniencia, conocido como el principio de Krogh. La naturaleza está llena de especialistas: criaturas con habilidades extraordinarias, como la de las palomas que se desplazan hacia el lugar de origen o la de las salamandras que regeneran tejidos (algunos tritones pueden regenerar casi un hemisferio cerebral entero, pero la recuperación funcional del comportamiento –y sus mecanismos neuronales– están sorprendentemente poco estudiados).
Si bien algunas de estas capacidades pueden existir en cierta medida en otras especies, a menudo están muy refinadas en animales específicos, lo que los convierte en candidatos ideales para investigar los circuitos neuronales responsables de estas habilidades.
El objetivo aquí no es estrictamente la generalización, sino más bien el descubrimiento de cómo la naturaleza, que a menudo encuentra soluciones inteligentes, ha implementado algoritmos y cálculos en el sistema nervioso de un especialista.
Sorprendentemente, los avances en la transcriptómica, la edición genómica y las tecnologías de expresión transgénica están expandiendo rápidamente la aplicabilidad de la disección de circuitos finos en todas las especies.
Combinadas con herramientas inalámbricas y miniaturizadas modernas, estas técnicas nos permiten aplicar el conjunto de herramientas de la neurociencia moderna a nuestras mejores especies, elegidas más por nuestra pregunta y menos por razones prácticas.
Por último, pero no por ello menos importante, como la biología es diversidad, debemos destacar el inmenso valor del enfoque comparativo. Tanto el cerebro como la inteligencia natural han evolucionado con el tiempo, pero este aspecto crucial a menudo se pasa por alto.
Al adoptar un enfoque comparativo, firmemente basado en nuestra comprensión de la historia filogenética, podemos llegar a una comprensión más profunda del vínculo entre la estructura y la función del cerebro.
Por ejemplo, podemos identificar principios convergentes (como las alas en los pájaros y los murciélagos), o podemos distinguir entre subproductos de la evolución y modificaciones adaptativas (como se ve en la comparación de las retinas de vertebrados y cefalópodos).
Además, el enfoque comparativo ilumina la ontogenia y el desarrollo del comportamiento: “un método excelente para determinar el significado de algo es averiguar cómo llega a ser lo que es” (Cajal).
Elegir un modelo animal no es meramente una decisión práctica; representa un camino hacia el descubrimiento.
Esperamos que esta noción no sólo estimule las mentes de los jóvenes investigadores, sino que también catalice a las instituciones, revistas, científicos establecidos y agencias de financiación para reevaluar los factores prácticos, políticos y éticos que restringen la diversidad de especies en la investigación en neurociencia.
El camino a seguir
Aceptando las limitaciones mencionadas, ¿existe una forma complementaria de entender la inteligencia natural?
Creemos que sí la hay, pero requiere un cambio de paradigma. El primer cambio está en las preguntas: en lugar de preguntar cómo surge una clase funcional (por ejemplo, toma de decisiones, atención, etc.) de la actividad neuronal, sugerimos empezar por una conducta o capacidad etológicamente relevante de nuestra especie elegida: la orientación, la captura de presas, el camuflaje, la navegación, la hibernación, la agudeza sensorial o la manipulación de herramientas; todas estas (y muchas más) son formas de inteligencia, refinadas por la evolución para maximizar la supervivencia y que necesariamente dependen de ingeniosos mecanismos neuronales.
A continuación, en lugar de confinar inmediatamente el problema a una tarea altamente reduccionista, sugerimos observar primero al animal en condiciones lo más naturalistas posibles: esto ayudará a caracterizar la conducta de interés y extraer su estructura e idiosincrasias, que luego se pueden estudiar en condiciones más refinadas.
El nivel de “naturalismo” depende de la conducta específica: el retorno a casa de las palomas, por ejemplo, es difícil de replicar en un laboratorio y se observa mejor en la naturaleza o se descompone en módulos más simples, mientras que las habilidades motoras de algunos animales (por ejemplo, el vuelo de los murciélagos) se pueden replicar de manera efectiva en un entorno de laboratorio.
Hoy, esta caracterización del comportamiento se puede hacer en términos altamente cuantitativos: los avances en la visión por computadora, los sensores en animales y las técnicas de inteligencia artificial nos permiten dar sentido a los datos mediante el seguimiento, la descomposición y la clasificación del comportamiento, lo que a menudo revela la estructura en comportamientos naturales aparentemente no estructurados, al tiempo que monitoreamos con precisión las entradas sensoriales (por ejemplo, con cámaras montadas en la cabeza y seguimiento ocular) y las salidas motoras.
Nuestras clases funcionales estándar pueden surgir entonces, como componentes naturales del comportamiento examinado, como la atención a la presencia de un depredador o la elección de un refugio seguro.
La caracterización del comportamiento se puede combinar con registros neuronales en animales mínimamente restringidos, en gran medida libres para deambular espontáneamente, gracias a un arsenal de nuevas tecnologías.
Hoy en día, las sondas y microscopios electrofisiológicos miniaturizados son relativamente fáciles de implementar y están dotados de una alta resolución espacial y temporal, estabilidad y rendimientos celulares de cientos, si no miles.
Algunos de estos avances se extienden a las manipulaciones causales de células individuales en animales que se mueven libremente, lo que abre las puertas a los experimentos causales. Es importante destacar que la aplicabilidad de las tecnologías neuronales y conductuales de vanguardia se está expandiendo rápidamente entre especies, lo que facilita los enfoques comparativos y el uso de organismos no modelo. Registrar la actividad de muchas neuronas no es solo más; es diferente: nos da acceso a la dinámica neuronal y a las respuestas de un solo ensayo.
La dinámica neuronal expone propiedades emergentes en un dominio temporal continuo (a diferencia de los enfoques segmentados en el tiempo) que pueden estar altamente estructuradas o ser independientes de la existencia de módulos conductuales, revelando así aspectos fundamentales de la fisiología cerebral. Gracias a la gran cantidad de neuronas registradas, se pueden inferir aspectos altamente informativos incluso en un solo ensayo[13], abriendo el camino al estudio de los cálculos neuronales de un solo disparo[14] que son tan frecuentes en el entorno natural y que no dependen de paradigmas basados en ensayos.
Finalmente, están surgiendo nuevas formas de analizar esos datos neuronales y conductuales de alta dimensión, gracias a los avances teóricos que combinan el aprendizaje estadístico y los sistemas dinámicos[15].
También es importante señalar que las nuevas herramientas y teorías pueden agregar valor no solo en experimentos naturalistas, sino también en paradigmas más restringidos o incluso artificiales. Por ejemplo, ciertos aspectos de los comportamientos innatos o reflexivos se pueden estudiar de manera efectiva en animales con la cabeza fija, lo que proporciona información sobre los cálculos fundamentales que sustentan el comportamiento animal.
En conclusión, los grandes avances realizados por la comunidad científica permiten un nuevo camino para la neurociencia y, con la inspiración de R. Frost (The Road Not Taken), tomar este camino podría marcar la diferencia.
Entonces, ¿qué se interpone ahora en el camino de un cambio de paradigma transformador para estudiar la inteligencia natural? Tal vez nada más que un cambio en nuestra mentalidad.
Referencias Bibliográficas
1. Meister, M.
Learning, fast and slow
Curr. Opin. Neurobiol. 2022; 75:102555
Scopus (5)PubMedGoogle Scholar
2. Steinmetz, N.A. ∙ Zatka-Haas, P. ∙ Carandini, M. …
Distributed coding of choice, action and engagement across the mouse brain
Nature. 2019; 576:266-273
Scopus (350)PubMedGoogle Scholar
3. Cisek, P.
Resynthesizing behavior through phylogenetic refinement
Atten. Percept. Psychophys. 2019; 81:2265-2287
Scopus (152)PubMedGoogle Scholar
4. Markowitz, J.E. ∙ Gillis, W.F. ∙ Jay, M. …
Spontaneous behaviour is structured by reinforcement without explicit reward
Nature. 2023; 614:108-117
Scopus (56)PubMedGoogle Scholar
5. Roeser, A. ∙ Gadagkar, V. ∙ Das, A. …
Dopaminergic error signals retune to social feedback during courtship
Nature. 2023; 623:375-380
6. Parker, P.R.L. ∙ Abe, E.T.T. ∙ Leonard, E.S.P. …
Joint coding of visual input and eye/head position in V1 of freely moving mice
Neuron. 2022; 110:3897-3906.e5
Full Text (PDF)Scopus (17)PubMedGoogle Scholar
7. Rose, M.C. ∙ Styr, B. ∙ Schmid, T.A. …
Cortical representation of group social communication in bats
Science. 2021; 374:eaba9584
Scopus (34)PubMedGoogle Scholar
8. Aghajan, Z.M. ∙ Acharya, L. ∙ Moore, J.J. …
Impaired spatial selectivity and intact phase precession in two-dimensional virtual reality
Nat. Neurosci. 2015; 18:121-128
Scopus (162)PubMedGoogle Scholar
9. Han, W. ∙ Tellez, L.A. ∙ Rangel, Jr., M.J. …
Integrated Control of Predatory Hunting by the Central Nucleus of the Amygdala
Cell. 2017; 168:311-324.e18
Full Text (PDF)Scopus (174)PubMedGoogle Scholar
10. Forli, A. ∙ Yartsev, M.M.
Hippocampal representation during collective spatial behaviour in bats
Nature. 2023; 621:796-803
11. Piza, D.B. ∙ Corrigan, B.W. ∙ Gulli, R.A. …
Primacy of vision shapes behavioral strategies and neural substrates of spatial navigation in marmoset hippocampus
Nat. Commun. 2024; 15, 4053
12. Barron, H.C. ∙ Reeve, H.M. ∙ Koolschijn, R.S. …
Neuronal Computation Underlying Inferential Reasoning in Humans and Mice
Cell. 2020; 183:228-243.e21
Full Text (PDF)PubMedGoogle Scholar
13. Pandarinath, C. ∙ O’Shea, D.J. ∙ Collins, J. …
Inferring single-trial neural population dynamics using sequential auto-encoders
Nat. Methods. 2018; 15:805-815
Scopus (314)PubMedGoogle Scholar
14. Steinemann, N.A. ∙ Stine, G.M. ∙ Trautmann, E.M. …
Direct observation of the neural computations underlying a single decision
Elife. 2023; 12
15. Schneider, S. ∙ Lee, J.H. ∙ Mathis, M.W.
Learnable latent embeddings for joint behavioural and neural analysis
Nature. 2023; 617:360-368