Uno dei principali interrogativi nelle neuroscienze riguarda il modo in cui i cambiamenti locali a livello sinaptico contribuiscano all’apprendimento globale, noto come “problema dell’assegnazione del credito“. In sostanza, analogamente a come le formiche, prese singolarmente, agiscono senza una visione d’insieme, eppur contribuendo al successo della colonia, anche le sinapsi neurali si adattano in base a segnali locali, influenzando il funzionamento globale del cervello e, di conseguenza, il comportamento.
Recentemente, un team di neurobiologi dell’Università della California, San Diego (Wright et al., 2025) ha scoperto che i neuroni possono affrontare questo problema suddividendo il lavoro computazionale in diversi compartimenti, ciascuno dei quali applica un proprio insieme di regole di apprendimento.
Scoperta di meccanismi di apprendimento compartmentalizzati
Utilizzando tecniche di imaging ad alta risoluzione -in particolare la microscopia a due fotoni– i ricercatori hanno osservato nei topi che diverse porzioni di un singolo neurone possono seguire regole di plasticità sinaptica distinte e simultanee. In particolare, hanno notato che differenti rami dendritici di un neurone possono modificare le loro sinapsi secondo regole diverse, sfidando l’idea tradizionale che la plasticità sinaptica sia governata da un’unica regola uniforme per ogni neurone.
La microscopia a due fotoni (2P) è una tecnica avanzata di imaging ottico utilizzata soprattutto in neuroscienze per osservare tessuti vivi, come il cervello, con elevata risoluzione spaziale fino a centinaia di micrometri di profondità. Questa metodologia di indagine si basa sull’assorbimento simultaneo di due fotoni infrarossi da parte di una molecola fluorescente, che emette luce visibile. Questo evento è molto raro e può avvenire solo nel punto esatto in cui i due fotoni interagiscono, garantendo alta precisione spaziale e limitando il fotodanneggiamento ai tessuti. Per questo è ideale per studiare i fenomeni di plasticità sinaptica, attività neuronale in vivo, e morfologia neuronale.
Implicazioni per la comprensione dei meccanismi di apprendimento
La scoperta che singoli neuroni possono eseguire calcoli indipendenti in compartimenti dendritici distinti modifica profondamente la nostra concezione dei meccanismi neurobiologici alla base dell’apprendimento. Tradizionalmente, si riteneva che ogni neurone implementasse una singola regola di plasticità sinaptica (es. STDP – Spike-Timing Dependent Plasticity) uniforme in tutto il suo arborizzazione dendritica. Tuttavia, questo studio dimostra che i rami dendritici possono applicare regole diverse in parallelo, adattandosi a stimoli locali in maniera autonoma.
Questa compartmentalizzazione suggerisce che un singolo neurone può comportarsi come un’unità di apprendimento multi-tasking, capace di processare e integrare informazioni in modo modulare. Ne risulta una maggiore capacità di adattamento, con una codifica più ricca e flessibile delle informazioni sinaptiche.
Inoltre, dal punto di vista computazionale, questo meccanismo è analogo a una rete neurale artificiale profonda con nodi interni dotati di regole di aggiornamento individualizzate, aumentando la capacità della rete biologica di apprendere compiti complessi e a più livelli.
Rilevanza per la salute e l’intelligenza artificiale
Comprendere come i neuroni regolano le loro connessioni durante l’apprendimento ha importanti implicazioni per la salute, poiché molte malattie neurologiche, come l’Alzheimer, il disturbo da stress post-traumatico e l’autismo, coinvolgono disfunzioni nella plasticità sinaptica. L’evidenza di una capacità plastica compartimentalizzata presente a livello dendritico suggerisce pertanto che eventuali alterazioni specifiche in sottosezioni di neuroni potrebbero contribuire a disfunzioni cognitive più selettive di quanto ipotizzato finora. Approfondire meglio questa caratteristica può dunque portare allo sviluppo di terapie più mirate, capaci di modulare selettivamente circuiti neuronali patologici.
Inoltre, per quanto concerne l’ambito relativo all’AI e al machine learning, la maggior parte delle architetture neurali artificiali si basa su regole di apprendimento coerenti e uniformi in ogni livello della rete (es. retropropagazione dell’errore con gradient descent). Tuttavia, la scoperta che diversi compartimenti neuronali possono apprendere in modo indipendente suggerisce che le reti neurali biologicamente ispirate potrebbero trarre beneficio da nodi sinaptici con regole di aggiornamento multiple e indipendenti. Ciò potrebbe quindi favorire una maggiore capacità di generalizzazione, adattabilità e modularità nei modelli di deep learning, ma anche anche ispirare nuove architetture, come reti dendritiche profonde, dove unità interne sono dotate di “rami” computazionali differenziati.
Questa prospettiva può spingere l’evoluzione di sistemi neurali artificiali ibridi, più simili alle reti cerebrali biologiche e potenzialmente più efficienti nel processamento di informazioni complesse o non lineari.
In conclusione, questi risultati potrebbero influenzare lo sviluppo di nuove implementazioni per le tecnologie di intelligenza artificiale, suggerendo che l’incorporazione di regole di plasticità multiple all’interno di singole unità di una rete neurale potrebbe migliorare le prestazioni dei modelli di apprendimento automatico.
Riferimenti bibliografici
Wright, N. C., et al. (2025). Distinct synaptic plasticity rules operate across dendritic compartments. Science, 379(6632), eads4706. https://doi.org/10.1126/science.ads4706
Denk, W., Strickler, J. H., & Webb, W. W. (1990). Two-photon laser scanning fluorescence microscopy. Science, 248(4951), 73–76. https://doi.org/10.1126/science.2321027
London, M., & Häusser, M. (2005). Dendritic computation. Annual Review of Neuroscience, 28, 503–532. https://doi.org/10.1146/annurev.neuro.28.061604.135703
Lüscher, C., & Malenka, R. C. (2011). Drug-evoked synaptic plasticity in addiction: from molecular changes to circuit remodeling. Neuron, 69(4), 650-663. https://doi.org/10.1016/j.neuron.2011.01.017
Palop, J. J., & Mucke, L. (2010). Amyloid-β–induced neuronal dysfunction in Alzheimer’s disease: from synapses toward neural networks. Nature Neuroscience, 13(7), 812-818. https://doi.org/10.1038/nn.2583
Sudhof, T. C. (2008). Neuroligins and neurexins link synaptic function to cognitive disease. Nature, 455(7215), 903-911. https://doi.org/10.1038/nature07456