TEDSalon London Spring 2011
Neil Burgess: How your brain tells you where you are
Neil Burgess: Come il cervello vi dice dove siete
Filmed:
Readability: 4.2
1,458,267 views
Come fate a ricordare dove avete parcheggiato la macchina? Come sapete che vi state spostando nella direzione giusta? Il neuroscienziato Neil Burgess studia i meccanismi neurali che mappano lo spazio intorno a noi e come si legano alla memoria e all'immaginazione.
Neil Burgess - Neuroscientist
At University College in London, Neil Burgess researches how patterns of electrical activity in brain cells guide us through space. Full bio
At University College in London, Neil Burgess researches how patterns of electrical activity in brain cells guide us through space. Full bio
Double-click the English transcript below to play the video.
00:15
When we park in a big parking lot,
0
0
2000
Quando parcheggiamo in un grande parcheggio,
00:17
how do we remember where we parked our car?
1
2000
2000
come ricordiamo dove abbiamo lasciato la macchina?
00:19
Here's the problem facing Homer.
2
4000
3000
Questo è il problema che ha Homer.
00:22
And we're going to try to understand
3
7000
2000
E cercheremo di capire
00:24
what's happening in his brain.
4
9000
2000
cosa succede nel suo cervello.
00:26
So we'll start with the hippocampus, shown in yellow,
5
11000
2000
Cominciamo con l'ippocampo, evidenziato in giallo,
00:28
which is the organ of memory.
6
13000
2000
che è l'organo della memoria.
00:30
If you have damage there, like in Alzheimer's,
7
15000
2000
Se è compromesso, come nell'Alzheimer,
00:32
you can't remember things including where you parked your car.
8
17000
2000
non vi ricordate le cose, compreso dove avete parcheggiato la macchina.
00:34
It's named after Latin for "seahorse,"
9
19000
2000
Prende il nome dal cavalluccio marino,
00:36
which it resembles.
10
21000
2000
che gli assomiglia.
00:38
And like the rest of the brain, it's made of neurons.
11
23000
2000
E come il resto del cervello, è fatto di neuroni.
00:40
So the human brain
12
25000
2000
Il cervello umano
00:42
has about a hundred billion neurons in it.
13
27000
2000
contiene circa 100 miliardi di neuroni.
00:44
And the neurons communicate with each other
14
29000
3000
I neuroni comunicano tra di loro
00:47
by sending little pulses or spikes of electricity
15
32000
2000
inviando piccoli impulsi o picchi di elettricità
00:49
via connections to each other.
16
34000
2000
tramite le loro connessioni.
00:51
The hippocampus is formed of two sheets of cells,
17
36000
3000
L'ippocampo è formato da due strati di cellule,
00:54
which are very densely interconnected.
18
39000
2000
che sono densamente interconnesse.
00:56
And scientists have begun to understand
19
41000
2000
Gli scienziati hanno cominciato a capire
00:58
how spatial memory works
20
43000
2000
come funziona la memoria spaziale
01:00
by recording from individual neurons
21
45000
2000
analizzando i singoli neuroni
01:02
in rats or mice
22
47000
2000
nelle cavie
01:04
while they forage or explore an environment
23
49000
2000
mentre cercano cibo
01:06
looking for food.
24
51000
2000
o esplorano l'ambiente.
01:08
So we're going to imagine we're recording from a single neuron
25
53000
3000
Immagineremo di seguire le fasi di un singolo neurone
01:11
in the hippocampus of this rat here.
26
56000
3000
nell'ippocampo di una cavia.
01:14
And when it fires a little spike of electricity,
27
59000
2000
Quando invia un piccolo impulso elettrico,
01:16
there's going to be a red dot and a click.
28
61000
3000
un puntino rosso si accende e lampeggia.
01:19
So what we see
29
64000
2000
Quello che notiamo
01:21
is that this neuron knows
30
66000
2000
è che questo neurone sa
01:23
whenever the rat has gone into one particular place in its environment.
31
68000
3000
quando la cavia è andata in un punto particolare di quell'ambiente.
01:26
And it signals to the rest of the brain
32
71000
2000
E lo segnala al resto del cervello
01:28
by sending a little electrical spike.
33
73000
3000
inviando un piccolo impulso elettrico.
01:31
So we could show the firing rate of that neuron
34
76000
3000
Possiamo quindi mostrare la cadenza di invio di quel neurone
01:34
as a function of the animal's location.
35
79000
2000
come funzione della localizzazione dell'animale.
01:36
And if we record from lots of different neurons,
36
81000
2000
E se consideriamo tanti neuroni diversi,
01:38
we'll see that different neurons fire
37
83000
2000
vediamo che diversi neuroni si attivano
01:40
when the animal goes in different parts of its environment,
38
85000
2000
quando l'animale va in punti diversi dell'ambiente,
01:42
like in this square box shown here.
39
87000
2000
come nel riquadro che vedete qui.
01:44
So together they form a map
40
89000
2000
Insieme formano una mappa
01:46
for the rest of the brain,
41
91000
2000
per il resto del cervello,
01:48
telling the brain continually,
42
93000
2000
dicendo continuamente al cervello:
01:50
"Where am I now within my environment?"
43
95000
2000
"Dove sono ora in questo ambiente?"
01:52
Place cells are also being recorded in humans.
44
97000
3000
Le cellule di posizione sono registrate anche negli umani.
01:55
So epilepsy patients sometimes need
45
100000
2000
Talvolta i pazienti epilettici hanno bisogno
01:57
the electrical activity in their brain monitoring.
46
102000
3000
di un controllo dell'attività elettrica del cervello.
02:00
And some of these patients played a video game
47
105000
2000
Alcuni di quei pazienti hanno giocato a un videogioco
02:02
where they drive around a small town.
48
107000
2000
dove devono guidare in una piccola città.
02:04
And place cells in their hippocampi would fire, become active,
49
109000
3000
Le cellule di posizione del loro ippocampo si attivano,
02:07
start sending electrical impulses
50
112000
3000
cominciano ad inviare impulsi elettrici
02:10
whenever they drove through a particular location in that town.
51
115000
3000
ogni volta che guidano in un particolare punto di quella città.
02:13
So how does a place cell know
52
118000
2000
Allora, una cellula di posizione come sa
02:15
where the rat or person is within its environment?
53
120000
3000
dove sono la cavia o la persona nel loro ambiente?
02:18
Well these two cells here
54
123000
2000
Queste due cellule
02:20
show us that the boundaries of the environment
55
125000
2000
mostrano che i confini dell'ambiente
02:22
are particularly important.
56
127000
2000
sono particolarmente importanti.
02:24
So the one on the top
57
129000
2000
A quella in alto
02:26
likes to fire sort of midway between the walls
58
131000
2000
piace attivarsi a metà strada tra i due muri
02:28
of the box that their rat's in.
59
133000
2000
della scatola in cui si trova la cavia.
02:30
And when you expand the box, the firing location expands.
60
135000
3000
Quando allargate la scatola, il luogo di attivazione si espande.
02:33
The one below likes to fire
61
138000
2000
A quella in basso piace attivarsi
02:35
whenever there's a wall close by to the south.
62
140000
3000
ogni volta che un muro si avvicina a sud.
02:38
And if you put another wall inside the box,
63
143000
2000
E se mettete un altro muro nella scatola,
02:40
then the cell fires in both place
64
145000
2000
la cellula si attiva in entrambi i punti
02:42
wherever there's a wall to the south
65
147000
2000
ogni volta che c'è un muro a sud
02:44
as the animal explores around in its box.
66
149000
3000
mentre l'animale esplora la scatola.
02:48
So this predicts
67
153000
2000
Questo fa prevedere
02:50
that sensing the distances and directions of boundaries around you --
68
155000
2000
che rilevare le distanze e la direzione dei confini intorno a noi --
02:52
extended buildings and so on --
69
157000
2000
edifici circostanti e così via --
02:54
is particularly important for the hippocampus.
70
159000
3000
è particolarmente importante per l'ippocampo.
02:57
And indeed, on the inputs to the hippocampus,
71
162000
2000
Ed effettivamente, sulla base delle indicazioni all'ippocampo,
02:59
cells are found which project into the hippocampus,
72
164000
2000
si trovano cellule che proiettano dentro l'ippocampo,
03:01
which do respond exactly
73
166000
2000
che rispondono esattamente
03:03
to detecting boundaries or edges
74
168000
3000
al rilevamento di confini e bordi
03:06
at particular distances and directions
75
171000
2000
a particolari distanze e direzioni
03:08
from the rat or mouse
76
173000
2000
dalla cavia
03:10
as it's exploring around.
77
175000
2000
mentre questa esplora l'area.
03:12
So the cell on the left, you can see,
78
177000
2000
Quindi la cellula sulla sinistra, vedete,
03:14
it fires whenever the animal gets near
79
179000
2000
si attiva ogni volta che l'animale si avvicina
03:16
to a wall or a boundary to the east,
80
181000
3000
a un muro o a un confine a est.
03:19
whether it's the edge or the wall of a square box
81
184000
3000
che sia il bordo di un muro di una scatola quadrata
03:22
or the circular wall of the circular box
82
187000
2000
o un muro circolare di una scatola circolare
03:24
or even the drop at the edge of a table, which the animals are running around.
83
189000
3000
o anche il bordo di un tavolo, che l'animale percorre.
03:27
And the cell on the right there
84
192000
2000
E la cellula qui sulla destra
03:29
fires whenever there's a boundary to the south,
85
194000
2000
si attiva ogni volta che c'è un confine a sud,
03:31
whether it's the drop at the edge of the table or a wall
86
196000
2000
che sia lo spigolo del tavolo o un muro
03:33
or even the gap between two tables that are pulled apart.
87
198000
3000
o anche uno spazio tra due tavoli che vengono allontanati.
03:36
So that's one way in which we think
88
201000
2000
Ecco quindi un modo in cui pensiamo
03:38
place cells determine where the animal is as it's exploring around.
89
203000
3000
che le cellule determinino dov'è l'animale mentre esplora i dintorni.
03:41
We can also test where we think objects are,
90
206000
3000
Possiamo anche testare dove pensiamo siano gli oggetti,
03:44
like this goal flag, in simple environments --
91
209000
3000
come questa bandierina, in ambienti semplici --
03:47
or indeed, where your car would be.
92
212000
2000
o naturalmente, dove si trova la vostra auto.
03:49
So we can have people explore an environment
93
214000
3000
Possiamo fare in modo che le persone esplorino l'ambiente
03:52
and see the location they have to remember.
94
217000
3000
e vedano il punto che devono ricordare.
03:55
And then, if we put them back in the environment,
95
220000
2000
E poi, una volta rimesse nell'ambiente,
03:57
generally they're quite good at putting a marker down
96
222000
2000
generalmente sono abbastanza brave a identificare
03:59
where they thought that flag or their car was.
97
224000
3000
dove pensavano che fossero la bandierina o l'auto.
04:02
But on some trials,
98
227000
2000
Ma in alcuni esperimenti,
04:04
we could change the shape and size of the environment
99
229000
2000
si poteva cambiare la forma e la dimensione dell'ambiente
04:06
like we did with the place cell.
100
231000
2000
come abbiamo fatto con le cellule di posizione.
04:08
In that case, we can see
101
233000
2000
In quel caso, vediamo
04:10
how where they think the flag had been changes
102
235000
3000
come cambi il punto in cui pensavano che fosse la bandierina
04:13
as a function of how you change the shape and size of the environment.
103
238000
3000
in funzione di come si cambiano la forma e la dimensione dell'ambiente.
04:16
And what you see, for example,
104
241000
2000
E quello che vedete, per esempio,
04:18
if the flag was where that cross was in a small square environment,
105
243000
3000
se la bandierina era dove c'era la croce in una piccola area quadrata,
04:21
and then if you ask people where it was,
106
246000
2000
e chiedete alle persone dov'era,
04:23
but you've made the environment bigger,
107
248000
2000
dopo avere ingrandito l'area,
04:25
where they think the flag had been
108
250000
2000
il punto in cui pensavano che fosse la bandierina
04:27
stretches out in exactly the same way
109
252000
2000
si allarga esattamente nello stesso modo
04:29
that the place cell firing stretched out.
110
254000
2000
in cui si sono allargate le cellule di posizione.
04:31
It's as if you remember where the flag was
111
256000
2000
È come se ricordaste dov'era la bandierina
04:33
by storing the pattern of firing across all of your place cells
112
258000
3000
immagazzinando il percorso di attivazione di tutte le cellule di posizione
04:36
at that location,
113
261000
2000
in quella posizione,
04:38
and then you can get back to that location
114
263000
2000
per poi tornare indietro a quella posizione
04:40
by moving around
115
265000
2000
muovendovi
04:42
so that you best match the current pattern of firing of your place cells
116
267000
2000
così da far coincidere l'attuale percorso di attivazione delle cellule di posizione
04:44
with that stored pattern.
117
269000
2000
con quel percorso memorizzato.
04:46
That guides you back to the location that you want to remember.
118
271000
3000
E questo vi riporta a quel punto che volete ricordare.
04:49
But we also know where we are through movement.
119
274000
3000
Sappiamo anche dove siamo attraverso il movimento.
04:52
So if we take some outbound path --
120
277000
2000
Se imbocchiamo un percorso in uscita --
04:54
perhaps we park and we wander off --
121
279000
2000
per esempio parcheggiamo e ci allontaniamo --
04:56
we know because our own movements,
122
281000
2000
sappiamo grazie ai nostri movimenti,
04:58
which we can integrate over this path
123
283000
2000
che possiamo integrare in questo percorso,
05:00
roughly what the heading direction is to go back.
124
285000
2000
pressapoco qual è la direzione giusta per tornare indietro.
05:02
And place cells also get this kind of path integration input
125
287000
4000
E le cellule di posizione prendono questi dati integrativi del percorso
05:06
from a kind of cell called a grid cell.
126
291000
3000
da un tipo di cellula detta cellula grid.
05:09
Now grid cells are found, again,
127
294000
2000
Le cellule grid, ancora una volta, si trovano
05:11
on the inputs to the hippocampus,
128
296000
2000
tra le informazioni dell'ippocampo,
05:13
and they're a bit like place cells.
129
298000
2000
e sono un po' come le cellule di posizione.
05:15
But now as the rat explores around,
130
300000
2000
Ma ora, mentre la cavia esplora i dintorni,
05:17
each individual cell fires
131
302000
2000
ogni singola cellula si attiva
05:19
in a whole array of different locations
132
304000
3000
in tutta una serie di punti diversi
05:22
which are laid out across the environment
133
307000
2000
sparsi in tutto l'ambiente
05:24
in an amazingly regular triangular grid.
134
309000
3000
in una meravigliosa griglia triangolare regolare.
05:29
And if you record from several grid cells --
135
314000
3000
Se raccogliete informazioni da diverse cellule grid --
05:32
shown here in different colors --
136
317000
2000
che vedete qui in diversi colori --
05:34
each one has a grid-like firing pattern across the environment,
137
319000
3000
ognuna ha uno schema di attivazione a griglia in tutto l'ambiente,
05:37
and each cell's grid-like firing pattern is shifted slightly
138
322000
3000
e ogni schema di attivazione delle cellule grid si sposta leggermente
05:40
relative to the other cells.
139
325000
2000
relazionandosi con le altre cellule.
05:42
So the red one fires on this grid
140
327000
2000
Quindi quella rossa su questa griglia
05:44
and the green one on this one and the blue on on this one.
141
329000
3000
e la verde su questa e la blu su questa.
05:47
So together, it's as if the rat
142
332000
3000
Tutte insieme: è come se la cavia
05:50
can put a virtual grid of firing locations
143
335000
2000
potesse fare una griglia virtuale di luoghi di attivazione
05:52
across its environment --
144
337000
2000
attraverso l'ambiente --
05:54
a bit like the latitude and longitude lines that you'd find on a map,
145
339000
3000
un po' come la latitudine e la longitudine di una mappa,
05:57
but using triangles.
146
342000
2000
ma utilizzando dei triangoli.
05:59
And as it moves around,
147
344000
2000
E mentre si muove,
06:01
the electrical activity can pass
148
346000
2000
l'attività elettrica può passare
06:03
from one of these cells to the next cell
149
348000
2000
da una cellula a quella successiva
06:05
to keep track of where it is,
150
350000
2000
per prendere nota di dove si trova,
06:07
so that it can use its own movements
151
352000
2000
per poter usare i propri movimenti
06:09
to know where it is in its environment.
152
354000
2000
per sapere dov'è nell'ambiente.
06:11
Do people have grid cells?
153
356000
2000
Le persone hanno le cellule grid?
06:13
Well because all of the grid-like firing patterns
154
358000
2000
Siccome questi schemi di attivazione a griglia
06:15
have the same axes of symmetry,
155
360000
2000
hanno lo stesso asse di simmetria,
06:17
the same orientations of grid, shown in orange here,
156
362000
3000
lo stesso orientamento della griglia, mostrato qui in arancione,
06:20
it means that the net activity
157
365000
2000
significa che l'attività di rete
06:22
of all of the grid cells in a particular part of the brain
158
367000
3000
di tutte le cellule grid in una particolare zona del cervello
06:25
should change
159
370000
2000
dovrebbe cambiare
06:27
according to whether we're running along these six directions
160
372000
2000
a seconda che scorriamo lungo queste sei direzioni
06:29
or running along one of the six directions in between.
161
374000
3000
o scorriamo tra l'una e l'altra di queste sei direzioni.
06:32
So we can put people in an MRI scanner
162
377000
2000
Possiamo fare una risonanza magnetica
06:34
and have them do a little video game
163
379000
2000
e far giocare le persone a un piccolo videogioco
06:36
like the one I showed you
164
381000
2000
come quello che vi ho mostrato
06:38
and look for this signal.
165
383000
2000
e cercare questo segnale.
06:40
And indeed, you do see it in the human entorhinal cortex,
166
385000
3000
E naturalmente, si vede nella corteccia entorinale umana,
06:43
which is the same part of the brain that you see grid cells in rats.
167
388000
3000
che è la stessa parte del cervello in cui si trovano le cellule grid delle cavie.
06:46
So back to Homer.
168
391000
2000
Bene, torniamo a Homer.
06:48
He's probably remembering where his car was
169
393000
2000
Probabilmente ricorda dov'era la macchina
06:50
in terms of the distances and directions
170
395000
2000
in termini di distanza e direzioni
06:52
to extended buildings and boundaries
171
397000
2000
fino agli edifici e ai confini circostanti
06:54
around the location where he parked.
172
399000
2000
intorno al punto in cui ha parcheggiato.
06:56
And that would be represented
173
401000
2000
E questo viene rappresentato
06:58
by the firing of boundary-detecting cells.
174
403000
2000
dall'attivazione di cellule per l'identificazione dei confini.
07:00
He's also remembering the path he took out of the car park,
175
405000
3000
Si ricorda anche il percorso che ha fatto nell'allontanarsi dalla macchina,
07:03
which would be represented in the firing of grid cells.
176
408000
3000
rappresentato dall'attivazione delle cellule grid.
07:06
Now both of these kinds of cells
177
411000
2000
Entrambi questi tipi di cellule
07:08
can make the place cells fire.
178
413000
2000
fanno attivare le cellule di posizione.
07:10
And he can return to the location where he parked
179
415000
2000
Egli può ritornare al posto dove ha parcheggiato
07:12
by moving so as to find where it is
180
417000
3000
muovendosi in modo da trovare
07:15
that best matches the firing pattern
181
420000
2000
dove l'attuale schema di attivazione
07:17
of the place cells in his brain currently
182
422000
2000
delle cellule di posizione coincide maggiormente
07:19
with the stored pattern where he parked his car.
183
424000
3000
con lo schema memorizzato quando ha parcheggiato.
07:22
And that guides him back to that location
184
427000
2000
E tutto questo lo guida verso quel punto
07:24
irrespective of visual cues
185
429000
2000
a prescindere da riferimenti visivi
07:26
like whether his car's actually there.
186
431000
2000
o dal fatto che la sua auto sia effettivamente là.
07:28
Maybe it's been towed.
187
433000
2000
Magari gliel'hanno rimossa.
07:30
But he knows where it was, so he knows to go and get it.
188
435000
3000
Ma sa dov'era, quindi sa dove andare a riprenderla.
07:33
So beyond spatial memory,
189
438000
2000
Quindi oltre alla memoria spaziale,
07:35
if we look for this grid-like firing pattern
190
440000
2000
se osserviamo questo schema di attivazione a griglia
07:37
throughout the whole brain,
191
442000
2000
in tutto il cervello,
07:39
we see it in a whole series of locations
192
444000
3000
lo vediamo in tanti diversi punti
07:42
which are always active
193
447000
2000
che sono sempre attivi
07:44
when we do all kinds of autobiographical memory tasks,
194
449000
2000
mentre facciamo qualunque tipo di attività di memorizzazione autobiografica
07:46
like remembering the last time you went to a wedding, for example.
195
451000
3000
come ricordare l'ultima volta che siamo stati a un matrimonio, per esempio.
07:49
So it may be that the neural mechanisms
196
454000
2000
Potrebbe essere che i meccanismi neurali
07:51
for representing the space around us
197
456000
3000
per la rappresentazione dello spazio circostante
07:54
are also used for generating visual imagery
198
459000
4000
vengano anche usati per generare rappresentazioni visive
07:58
so that we can recreate the spatial scene, at least,
199
463000
3000
tanto da poter ricreare scenari spaziali
08:01
of the events that have happened to us when we want to imagine them.
200
466000
3000
degli eventi che ci sono capitati quando li vogliamo immaginare.
08:04
So if this was happening,
201
469000
2000
Quindi se succede questo,
08:06
your memories could start by place cells activating each other
202
471000
3000
i vostri ricordi cominciano con l'attivazione delle cellule di posizione
08:09
via these dense interconnections
203
474000
2000
attraverso le dense interconnessioni
08:11
and then reactivating boundary cells
204
476000
2000
e poi con la riattivazione delle cellule di confine
08:13
to create the spatial structure
205
478000
2000
per creare una struttura spaziale
08:15
of the scene around your viewpoint.
206
480000
2000
della scena intorno al vostro punto di vista.
08:17
And grid cells could move this viewpoint through that space.
207
482000
2000
E le cellule grid possono spostare questo punto di vista nello spazio.
08:19
Another kind of cell, head direction cells,
208
484000
2000
Un altro tipo di cellule, le cellule di orientamento,
08:21
which I didn't mention yet,
209
486000
2000
che ancora non ho menzionato,
08:23
they fire like a compass according to which way you're facing.
210
488000
3000
si attivano come una bussola a seconda della direzione verso cui siete orientati.
08:26
They could define the viewing direction
211
491000
2000
Riescono a definire la direzione della vista
08:28
from which you want to generate an image for your visual imagery,
212
493000
3000
da cui volete generare un'immagine per le vostre immagini visive,
08:31
so you can imagine what happened when you were at this wedding, for example.
213
496000
3000
potete immaginare, per esempio, cos'è successo quand'eravate al matrimonio.
08:34
So this is just one example
214
499000
2000
Questo è solo un esempio
08:36
of a new era really
215
501000
2000
di una nuova era
08:38
in cognitive neuroscience
216
503000
2000
della neuroscienza cognitiva
08:40
where we're beginning to understand
217
505000
2000
dove cominciamo a capire
08:42
psychological processes
218
507000
2000
i processi psicologici
08:44
like how you remember or imagine or even think
219
509000
3000
come il ricordare o immaginare o perfino pensare
08:47
in terms of the actions
220
512000
2000
alle azioni
08:49
of the billions of individual neurons that make up our brains.
221
514000
3000
dei miliardi di singoli neuroni che formano il vostro cervello.
08:52
Thank you very much.
222
517000
2000
Grazie infinite.
08:54
(Applause)
223
519000
3000
(Applausi)
ABOUT THE SPEAKER
Neil Burgess - NeuroscientistAt University College in London, Neil Burgess researches how patterns of electrical activity in brain cells guide us through space.
Why you should listen
Neil Burgessis is deputy director of the Institute of Cognitive Neuroscience at University College London, where he investigates of the role of the hippocampus in spatial navigation and episodic memory. His research is directed at answering questions such as: How are locations represented, stored and used in the brain? What processes and which parts of the brain are involved in remembering the spatial and temporal context of everyday events, and in finding one's way about?
To explore this space, he and his team use a range of methods for gathering data, including pioneering uses of virtual reality, as well as computational modelling and electrophysiological analysis of the function of hippocampal neurons in the rat, functional imaging of human navigation, and neuropsychological experiments on spatial and episodic memory.
A parallel interest: Investigating our human short-term memory for serial order, or how we know our 123s.
Neil Burgess | Speaker | TED.com