Nuestros ojos están inundados de información visual, pero las neuronas en nuestros ojos tienen ciertas restricciones. Por lo tanto, ¿cómo seleccionan las neuronas qué extraer y enviar al cerebro? Hasta ahora los neurocientíficos han utilizado varias teorías diferentes para predecir qué harán las neuronasAhora, los científicos han desarrollado un marco que une las teorías anteriores como casos especiales, y les permite hacer predicciones sobre tipos de neuronas no descritas previamente por ninguna teoría.
Las cámaras de video digitales tienen la capacidad de grabar con increíble detalle, pero guardar todos esos datos ocuparía una gran cantidad de espacio: ¿cómo podemos comprimir un video, es decir, eliminar información? De tal manera que podamos¿No ve la diferencia cuando se reproduce? Del mismo modo, a medida que avanzamos en nuestra vida cotidiana, nuestros ojos están inundados de información visual, pero las neuronas en nuestros ojos tienen ciertas limitaciones, al igual que los ingenieros de datos.conjunto de estímulos, ¿cómo seleccionan las neuronas qué extraer y enviar al cerebro? Los neurocientíficos han estado haciendo esta pregunta durante décadas, y anteriormente habían utilizado varias teorías diferentes para explicar y predecir qué harán las neuronas en ciertas situaciones. Ahora, Matthew Chalkun ex postdoc en IST Austria, actualmente en el Vision Institute en París, el profesor de IST Austria Gašper Tkačik y Olivier Marre, que dirige un laboratorio de investigación de la retina en el Vision Institute, han desarrollado un marco que une las teorías anteriores como scasos especiales, y les permite hacer predicciones sobre tipos de neuronas no descritas previamente por ninguna teoría.
Uno de los objetivos principales de la neurociencia sensorial es predecir las respuestas neuronales utilizando modelos matemáticos. Anteriormente, estas predicciones se basaban en tres teorías principales, cada una de las cuales tenía un área diferente de aplicabilidad, correspondiente a supuestos variables sobre las limitaciones internas de las neuronas, el tipo de señal y el propósito de la información recopilada. En general, un código neuronal es esencialmente una función que predice cuándo una neurona debe "dispararse", es decir, emitir una señal de potencial de acción muy similar a un "1" digital enel alfabeto binario que usan nuestras computadoras. Las colecciones de una o más neuronas que se disparan en determinados momentos pueden codificar información. La codificación eficiente supone que las neuronas codifican tanta información como sea posible, dadas sus limitaciones internas ruido, metabolismo, etc..la codificación, por otro lado, supone que solo se codifica la información relevante para predecir el futuro por ejemplo, de qué manera volará un insecto. Finalmente, la codificación dispersa supone que soloAlgunas neuronas están activas en cualquier momento.Un problema con esta situación era que no estaba claro cómo se relacionaban estas teorías, y si eran incluso consistentes entre sí.Estos últimos desarrollos ponen orden en el panorama teórico: "Antes, no había una noción clara de cómo conectar o comparar estas teorías. Nuestro marco lo supera al unirlas dentro de una estructura global", dice Gašper Tkačik.
En el contexto del marco del equipo, un código neuronal puede interpretarse como el código que maximiza una determinada función matemática. Esta función, y por lo tanto, el código neuronal que la maximiza, depende de tres parámetros: el ruido en la señal, el objetivo o la tarea es decir, si la señal se utilizará para predecir el futuro y la complejidad de la señal que se codifica. Las teorías descritas anteriormente son válidas solo para rangos de valores específicos para estos parámetros y no cubren todo lo posibleespacio de parámetros, que presenta problemas al intentar probarlos experimentalmente. Gašper Tkačik explica: "Cuando diseñas estímulos para presentar a las neuronas para probar tu modelo, es extremadamente difícil distinguir entre una neurona que no es totalmente consistente con tu teoría favoritao la alternativa donde su teoría favorita es simplemente incompleta. Nuestro marco unificado ahora puede proporcionar predicciones concretas para los valores de los parámetros que se encuentran entre los casos estudiados anteriormente ".
La teoría unificada del equipo supera las limitaciones anteriores al permitir que las neuronas tengan objetivos de codificación "mixtos"; no tienen que caer en una categoría clara y previamente estudiada. Por ejemplo, la nueva teoría puede cubrir el caso donde las neuronas están individualmentemuy ruidoso, pero aún así debe codificar de manera eficiente los estímulos dispersos.Para el primer autor Matthew Chalk, esta es una de las contribuciones más emocionantes de su artículo: "Muchas de las teorías que dan predicciones tienden a ser inflexibles cuando se prueban: o predijo el resultado correcto o no. Lo que necesitamos másy lo que proporciona nuestro trabajo son marcos que pueden generar hipótesis para una variedad de situaciones y suposiciones ".
Además de dotar a la teoría de una mayor flexibilidad, su marco ofrece predicciones concretas para los tipos de codificación neuronal que no se habían explorado previamente, por ejemplo, codificación que es tanto escasa como predictiva. Para seguir la teoría desarrollada en su artículo, Matthew Chalkestá diseñando experimentos para probar estas predicciones y ayudar a clasificar las neuronas como eficientes, predictivas o dispersas, o como una combinación de estos objetivos de codificación. En el laboratorio de Olivier Marre en el Institut de la Vision en París, se enfoca en la retina ydesarrollar estímulos visuales que activarán las neuronas retinianas para revelar mejor sus objetivos de codificación.
Y el marco también se puede aplicar de manera más amplia: "No necesariamente tiene que pensar en las neuronas", agrega Gašper Tkačik. "La idea de enmarcar este problema en términos de optimización se puede utilizar en cualquier tipo de sistema de procesamiento de señales, y la aproximación nos permite estudiar sistemas que normalmente tendrían funciones computacionalmente insolubles ". Los tres científicos sentaron las bases para futuras aplicaciones en un artículo anterior publicado en Avances en los sistemas de procesamiento de información neuronal NIPS .
Fuente de la historia :
Materiales proporcionado por Instituto de Ciencia y Tecnología de Austria . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :