Un nuevo modelo biomimético del cerebro, basado en su biología, logra aprender como animales y revela comportamientos neuronales inesperados, abriendo posibilidades para el desarrollo de neuroterapéuticas.
Un nuevo modelo computacional del cerebro, basado en su biología y fisiología, ha demostrado ser capaz de aprender una tarea de categorización visual tan eficazmente como lo hacen los animales de laboratorio. Este avance ha permitido a un equipo de científicos de Dartmouth College, MIT y la State University of New York en Stony Brook descubrir comportamientos neuronales inesperados que no habían sido observados previamente en datos obtenidos de experimentos con animales.
Lo más sorprendente es que este modelo logró estos resultados sin haber sido entrenado con datos de experimentos animales. En cambio, fue diseñado desde cero para representar fielmente cómo se conectan las neuronas en circuitos y cómo se comunican eléctricamente y químicamente a través de diferentes regiones del cerebro para generar cognición y comportamiento. Cuando el equipo solicitó al modelo que realizara la misma tarea que habían llevado a cabo con los animales —analizar patrones de puntos y decidir a qué categoría pertenecían—, el modelo produjo una actividad neuronal y resultados conductuales muy similares, adquiriendo la habilidad con un progreso errático casi idéntico.
“Está generando nuevos gráficos simulados de actividad cerebral que luego son comparados con los de los animales de laboratorio. El hecho de que coincidan tan notablemente es bastante sorprendente”, afirma Richard Granger, profesor de ciencias psicológicas y cerebrales en Dartmouth y autor principal del estudio publicado en Nature Communications.
El objetivo al desarrollar este modelo, así como las iteraciones más recientes, es ofrecer no solo una visión sobre cómo funciona el cerebro, sino también cómo podría funcionar de manera diferente en enfermedades y qué intervenciones podrían corregir esas anomalías. Según el coautor Earl K. Miller, profesor del Instituto Picower para el Aprendizaje y la Memoria en MIT, han fundado la empresa Neuroblox.ai para desarrollar aplicaciones biotecnológicas basadas en estos modelos.
Anand Pathak, investigador postdoctoral en Dartmouth, fue quien creó este modelo innovador. A diferencia de otros modelos, este incorpora tanto detalles pequeños —como cómo se conectan pares individuales de neuronas— como arquitecturas a gran escala que consideran cómo el procesamiento de información entre regiones se ve afectado por sustancias químicas neuromoduladoras como la acetilcolina. Pathak explica que se realizaron múltiples iteraciones para asegurarse de que el modelo cumpliera con diversas restricciones observadas en cerebros reales.
“No queríamos perder ni el árbol ni el bosque”, señala Pathak. Las “primitivas” mencionadas en el estudio son pequeños circuitos compuestos por unas pocas neuronas cada uno, que se conectan según principios eléctricos y químicos reales para llevar a cabo funciones computacionales fundamentales.
No obstante, el modelo también reveló un grupo de neuronas —aproximadamente un 20%— cuya actividad parecía altamente predictiva del error. Cuando estas neuronas “incongruentes” influían en los circuitos, el modelo tendía a realizar juicios incorrectos sobre las categorías. Inicialmente, Granger pensó que esto era una peculiaridad del modelo; sin embargo, al revisar los datos reales acumulados por el laboratorio de Miller durante experimentos con animales, descubrieron que esta actividad ya estaba presente pero nunca había sido notada o analizada.
Miller sugiere que estas células pueden tener un propósito: aprender las reglas de una tarea es útil, pero ¿qué sucede si cambian? Probar alternativas ocasionalmente puede permitir al cerebro adaptarse a nuevas condiciones emergentes.
A pesar del éxito del modelo descrito en este estudio, Granger menciona que el equipo está trabajando para sofisticarlo aún más, incorporando nuevas regiones y sustancias químicas neuromoduladoras adicionales. Además, están comenzando a probar cómo intervenciones como medicamentos afectan su dinámica.