Un nuevo modelo computacional del cerebro, basado en su biología y fisiología, ha demostrado aprender una tarea de categorización visual de manera similar a los animales de laboratorio. Este modelo, desarrollado por un equipo de científicos de Dartmouth College, MIT y la Universidad Estatal de Nueva York en Stony Brook, también ha permitido descubrir comportamientos inusuales en algunos neuronas que no se habían notado en experimentos previos con animales.
El modelo logró estos resultados sin haber sido entrenado con datos de experimentos animales. En su lugar, fue construido desde cero para replicar cómo los neuronas se conectan en circuitos y se comunican para generar cognición y comportamiento. Cuando el equipo pidió al modelo realizar la misma tarea que los animales, el modelo mostró actividad neuronal y resultados conductuales muy similares, aprendiendo de manera errática pero efectiva.
Descubrimientos sorprendentes en la actividad neuronal
“Está produciendo nuevas simulaciones de actividad cerebral que luego se comparan con los animales de laboratorio. El hecho de que coincidan tan notablemente es sorprendente”, afirma Richard Granger, profesor de ciencias psicológicas y del cerebro en Dartmouth y autor principal de un estudio en Nature Communications que describe el modelo.
El objetivo de crear el modelo es no solo ofrecer una visión sobre el funcionamiento del cerebro, sino también investigar cómo podría funcionar de manera diferente en enfermedades y qué intervenciones podrían corregir esas anomalías, según Earl K. Miller, coautor y profesor en el Instituto Picower para el Aprendizaje y la Memoria del MIT. Además, Miller y su equipo han fundado la empresa Neuroblox.ai para desarrollar aplicaciones biotecnológicas del modelo.
Modelo biomimético y su función
El modelo fue creado por Anand Pathak, un investigador postdoctoral en Dartmouth, y se diferencia de otros modelos en que incorpora tanto detalles pequeños, como las conexiones entre pares de neuronas, como la arquitectura a gran escala del cerebro. Pathak y su equipo ajustaron sus diseños para cumplir con diversas restricciones observadas en cerebros reales, asegurando que los neuronas se sincronizaran con ritmos más amplios.
El modelo incluye cuatro regiones cerebrales necesarias para tareas básicas de aprendizaje y memoria: la corteza, el tronco encefálico, el estriado y una estructura de neuronas activas que inyecta “ruido” al sistema. Durante la categorización de patrones de puntos, la estructura activa introducía variabilidad, lo que ayudaba al modelo a aprender explorando diferentes acciones y resultados.
Neurona incongruente y su relevancia
El modelo también reveló un grupo de neuronas, aproximadamente el 20%, cuya actividad predecía errores en las decisiones del modelo. Al principio, el equipo pensó que era una peculiaridad del modelo, pero luego revisaron datos reales obtenidos de animales realizando la misma tarea y encontraron patrones similares.
“Sólo entonces regresamos a los datos que ya teníamos, seguros de que esto no podría estar presente, pero estaba allí y nunca había sido notado”, afirma Granger. Estas neuronas incongruentes podrían tener un propósito al permitir que el cerebro explore nuevas condiciones, lo cual es relevante en situaciones donde las reglas del entorno cambian.
Aunque el modelo ha superado las expectativas iniciales, el equipo busca expandirlo para manejar una variedad más amplia de tareas. Han añadido nuevas regiones y químicos neuromoduladores, así como también están probando cómo intervenciones como medicamentos afectan su dinámica.
