La capacità di apprendere e mettere in atto sequenze di azioni ci permette ogni giorno di portare a termine compiti complessi. Una volta appreso che per far partire un¿automobile dobbiamo prima accendere il motore, poi ingranare la marcia quindi dare gas, siamo sia in grado di pianificare le nostre azioni alla guida che valutare l¿esito di azioni di altri al volante. Possiamo per esempio predire che l¿omissione di un passaggio, o l¿inversione tra due dei passaggi previsti terrà l¿automobile ferma al parcheggio. L¿apprendimento seriale è la capacità cognitiva che permette di mettere in relazione informazioni, inquadrandole in schemi mentali organizzati. Molte specie animali, al pari degli esseri umani, sfruttano questa abilità per costruire delle rappresentazioni ordinate di vari aspetti dell¿ambiente in cui vivono. Specie che vivono in gruppi organizzati secondo una gerarchia, come i primati non umani, riescono a costruire delle rappresentazioni mentali della struttura gerarchica del gruppo. Questo permette ad individui di rango basso di evitare scontri potenzialmente letali con animali di rango più prossimo al dominante per accedere a risorse alimentari o accoppiarsi. Queste conoscenze acquisite dalla psicologia comparata, messe a disposizione delle metodiche della neurofisiologia comportamentale permettono di formulare delle ipotesi sul funzionamento del cervello umano e testarle sperimentalmente. Con in mano questi strumenti teorici e metodologici, il presente progetto si prefigge lo scopo di decodificare i segnali neuronali responsabili di questa capacità cognitiva di alto livello, dei quali si ignora al momento la natura. Tali conoscenze oltre ad approfondire la nostra comprensione sul funzionamento del cervello, contribuiranno allo sviluppo di nuove metodiche terapeutiche mirate al perfezionamento delle tecnologie di interfaccia tra cervello e macchine.
Il continuo dialogo tra la neuropsicologia, le neuroscienze comparative e i diversi approcci sperimentali allo studio dei correlati fisiologici dei processi mentali ha incrementato negli anni le nostre conoscenze sull¿evoluzione del cervello e sulle capacità cognitive di ordine superiore. Tutto ciò ha alimentato la spinta verso sviluppi tecnologici pionieristici, portando alla realizzazione di sistemi di interfaccia tra sistema nervoso e sistemi robotici con l¿obiettivo di restituire alle vittime di gravi deficit neurologici, piccoli gesti di quotidianità, come afferrare un bicchiere per bere in autonomia (20). Un ruolo di rilievo nell¿acquisizione delle conoscenze necessarie allo sviluppo di tali tecnologie è stato giocato dall¿elettrofisiologia comportamentale in primati non umani, che ha provveduto a decodificare i segnali nervosi sottostanti la coordinazione motoria (21). Analogamente a quanto fatto per il sistema motorio, si rende necessaria la decodifica dei codici neurali alla base di funzioni cognitive complesse, anche esse soggette a deficit neurologici di origine traumatica o degenerativa. Approfondire la comprensione sul modo di funzionare delle complesse reti di neuroni responsabili di capacità intellettuali complesse si rende indispensabile se si vogliono sviluppare nuove metodiche terapeutiche e tecnologie rivolte al recupero da danni neurologici, oppure alla conservazione di un¿autonomia cognitiva, ad esempio in individui anziani, in crescente aumento nella società.
Bibliografia
1. Jensen G (2017) Serial Learning. In APA Handbook of Comparative Psychology: Perception, Learning, and Cognition, edited by J. Call, G. M. Burghardt, I. M. Pepperberg, C. T. Snowdon, and T. Zentall.
2. Pulvermüller F (1999) Words in the brain¿s language. Behav Brain Sci 22(2):253-79-336.
3. Dell GS, Burger LK, Svec WR (1997) Language production and serial order: a functional analysis and a model. Psychol Rev 104(1):123¿47.
4. Merritt DJ, Terrace HS (2011) Mechanisms of inferential order judgments in humans (Homo sapiens) and rhesus monkeys (Macaca mulatta). J Comp Psychol 125(2):227¿238.
5. Jensen G, Altschul D, Danly E, Terrace H (2013) Transfer of a serial representation between two distinct tasks by rhesus macaques. PLoS One 8(7):e70285.
6. Gazes RP, Brown EK, Basile BM, Hampton RR (2013) Automated cognitive testing of monkeys in social groups yields results comparable to individual laboratory-based testing. Anim Cogn 16(3):445¿458.
7. Grosenick L, Clement TS, Fernald RD (2007) Fish can infer social rank by observation alone. Nature 445(7126):429¿432.
8. Brunamonti E, et al. (2016) Neuronal Modulation in the Prefrontal Cortex in a Transitive Inference Task: Evidence of Neuronal Correlates of Mental Schema Management. J Neurosci 36(4):1223¿1236.
9. Vasconcelos M (2008) Transitive inference in non-human animals: an empirical and theoretical analysis. Behav Processes 78(3):313¿34.
10. Koscik TR, Tranel D (2012) The human ventromedial prefrontal cortex is critical for transitive inference. J Cogn Neurosci 24(5):1191¿204.
11. Van der Jeugd A, et al. (2009) Hippocampal involvement in the acquisition of relational associations, but not in the expression of a transitive inference task in mice. Behav Neurosci 123(1):109¿14.
12. DeVito LM, Kanter BR, Eichenbaum H (2010) The hippocampus contributes to memory expression during transitive inference in mice. Hippocampus 20(1):208¿217.
13. Dusek J a, Eichenbaum H (1997) The hippocampus and memory for orderly stimulus relations. Proc Natl Acad Sci U S A 94(13):7109¿14.
14. Prado J, Chadha A, Booth JR (2011) The brain network for deductive reasoning: a quantitative meta-analysis of 28 neuroimaging studies. J Cogn Neurosci 23(11):3483¿97.
15. Frank MJ, Rudy JW, O¿Reilly RC (2003) Transitivity, flexibility, conjunctive representations, and the hippocampus. II. A computational analysis. Hippocampus 13(3):341¿54.
16. DeVito LM, Lykken C, Kanter BR, Eichenbaum H (2010) Prefrontal cortex: Role in acquisition of overlapping associations and transitive inference. Learn Mem 17(3):161¿167.
17. Hikosaka O, Miyashita K, Miyachi S, Sakai K, Lu X (1998) Differential Roles of the Frontal Cortex, Basal Ganglia, and Cerebellum in Visuomotor Sequence Learning. Neurobiol Learn Mem 70(1¿2):137¿149.
18. Hikosaka O, et al. (1999) Parallel neural networks for learning sequential procedures. Trends Neurosci 22(10):464¿471.
19. Brunamonti E, et al. (2014) The NMDAr antagonist ketamine interferes with manipulation of information for transitive inference reasoning in non-human primates. J Psychopharmacol 28(9):881¿7.
20. Lebedev MA, Nicolelis MAL (2006) Brain-machine interfaces: past, present and future. Trends Neurosci 29(9):536¿546.
21. Caminiti R, et al. (2017) Computational Architecture of the Parieto-Frontal Network Underlying Cognitive-Motor Control in Monkeys. eNeuro 4(1). doi:10.1523/ENEURO.0306-16.2017.