Dopamin Sinyalleri Beyne Ödül Alma Olasılığını Öğretebilir Mi?

Nature Neuroscience'da yayınlanan bir makalede, Pittsburgh Üniversitesi araştırmacıları beyindeki ödül sinyallerinin belirsizlikle nasıl modüle edildiğini açıklamışlardır. Dopamin sinyalleri, ödül öğrenimi ile iç içe geçmiş olmakla birlikte beyne hangi ipuçlarının veya eylemlerin en iyi ödülleri öngördüğünü öğretmektedirler. Pitt Tıp Fakültesi'ndeki Stauffer laboratuvarından elde edilen yeni bulgular, dopamin sinyallerinin ödül tahminlerini çevreleyen kesinliği de yansıttığını göstermektedir. Kısacası araştırmacılar, dopamin sinyallerinin beyne ödül alma olasılığını öğretebileceğini belirtmişlerdir. Çalışmanın yazarları arasında üç yüksek lisans öğrencisi Kathryn (Kati) Rothenhoefer, Aydın Alikaya ve Tao Hong ile nörobiyoloji yardımcı doçenti Dr. William Stauffer yer aldığı bildirilmiştir. Rothenhoefer (KR) ve Stauffer (WS), çalışmalarının beynin iç işleyişi hakkında ortaya koyduğu temel mesajlara ilişkin görüşlerini paylaşmışlardır. Kısaca, bu çalışmanın arka planını KR, insanların ve hayvanların neyi tahmin edeceklerini bilmelerini zorlaştıran karmaşık bir çevresel faktör belirsizliği incelediklerini ve bu projenin, ön verilerinden organik olarak ortaya çıkan harika bir sapma olduğu şeklinde açıklamıştır. KR, beklemedikleri ilginç bir şeyi bulduklarını ve tamamlanmasını gördüklerini ifade etmiştir. WS ise dopamin nöronlarının ödül öğrenimi için çok önemli olduğunu belirtmiş, tahmin edilenden daha iyi ödüllerle etkinleştirilebileceklerini ve tahmin edilenden daha kötü olan ödüllerle bastırıldıklarını ifade etmiştir. WS, bu aktivite modelinin, alınan ve tahmin edilen ödüller arasındaki farklar olan ödül tahmin hatalarını anımsattığını sözlerine eklemiştir. Ödül tahmin hataları, hayvan ve makine öğrenimi için çok önemli olmakla birlikte, klasik hayvan ve makine öğrenimi teorilerinde, tahmin edilen ödüller sadece geçmiş sonuçların ortalama değeridir. WS, bu tahminlerin yararlı olsa da, ortalama değerleri ve belirsizliği yansıtan daha karmaşık istatistikleri tahmin etmenin çok daha yararlı olacağını belirtmiş ve bu nedenle, dopamin öğretme sinyallerinin bu daha karmaşık istatistikleri yansıtıp yansıtmadığını ve beyne gerçek dünyadaki teşvikleri öğretmek için kullanılıp kullanılamayacağını bilmek istediklerini de sözlerine eklemiştir. WS çalışmalarını ana bulgusunu nadir ödüllerin dopamin tepkilerini daha sık verilen aynı boyuttaki ödüllere kıyasla artırması olduğunu ifade etmiş ve bunun, öngörücü nöron sinyallerinin sadece tahmin edilen değerleri değil, tahminleri çevreleyen belirsizliği yansıttığı anlamına geldiğini belirtmiştir. WS, aynı zamanda, beyindeki ana ödül öğrenme sistemlerinden birinin belirsizliği tahmin edebileceği ve potansiyel olarak bu belirsizlikle ilgili aşağı akış beyin yapılarını öğretebileceği anlamına geldiğini de sözlerine eklemiştir.

Nöron yanıtların algoritmik doğası

Hangi bulguların sizi kişisel olarak heyecanlandırdı sorusuna KR, bunun şimdiye kadar topladığı ilk sinirsel veri seti olduğu, bu yüzden dopamin nöronlarının geçmişte düşündüklerinden daha karmaşık olduğunu gösteren bu kadar net sonuçlar elde etmenin gerçekten harika olduğu şeklinde cevap vermiştir. KR, literatürde uzun zamandır kabul edilen bir dogmaya her gün yeni bilgiler ekleyebilmenin mümkün olmadığını da sözlerine eklemiştir. WS, bilgisayarların, beyni ve işlevlerini anlamak için bir analoji olarak kullanılmakla birlikte, birçok sinirbilimcinin, hesaplamanın bir benzetmeden daha fazlası olduğuna inandığını belirtmiştir ve en temel düzeyde beyinin bir bilgi işleme sistemi olduğunu ifade etmiştir. WS bu soruya ise dopamin nöronlarını incelediğini çünkü beynin matematiksel hesaplamalar yaptığını görebildikleri şeklinde cevap vermiştir. Ayrıca WS, nöronal yanıtların algoritmik doğasına dair böyle doğrudan kanıtlara sahip oldukları birkaç başka sinir sistemi ve bunun tek kelimeyle büyüleyici olduğunu ve bu sonuçların, bu algoritmanın yeni bir yönünü gösterdiğini ifade etmiştir. WS, yani ödül öğrenme sistemlerinin belirsizliğe uyum sağladığını vurgulamıştır.