Durante el tiempo que los científicos han estado escuchando la actividad del cerebro, han estado tratando de comprender la fuente de su actividad ruidosa, aparentemente aleatoria. En los últimos 20 años, ha surgido la "teoría de red equilibrada" para explicarEsta aparente aleatoriedad a través de un equilibrio de excitación e inhibición en redes de neuronas acopladas recurrentemente. Un equipo de científicos ha extendido el modelo equilibrado para proporcionar predicciones profundas y comprobables que vinculan los circuitos cerebrales con la actividad cerebral.
Los investigadores principales de la Universidad de Pittsburgh dicen que el nuevo modelo explica con precisión los hallazgos experimentales sobre las respuestas altamente variables de las neuronas en los cerebros de los animales vivos. El 31 de octubre, su documento, "La estructura espacial de la variabilidad neuronal correlacionada", fuepublicado en línea por la revista Neurociencia de la naturaleza .
El nuevo modelo proporciona una comprensión mucho más rica de cómo se coordina la actividad entre las neuronas en los circuitos neuronales. El modelo podría usarse en el futuro para descubrir "firmas" neuronales que predicen la actividad cerebral asociada con el aprendizaje o la enfermedad, dicen los investigadores.
"Normalmente, la actividad cerebral parece muy aleatoria y variable la mayor parte del tiempo, lo que parece una forma extraña de calcular", dijo Brent Doiron, profesor asociado de matemáticas en Pitt, autor principal del artículo y miembro de la Universidaddel Pittsburgh Brain Institute UPBI. "Para comprender la mecánica de la computación neuronal, debe saber cómo la dinámica de una red neuronal depende de la arquitectura de la red, y esta última investigación nos acerca significativamente a lograr este objetivo".
Las versiones anteriores de la teoría de la red equilibrada capturaron cómo el tiempo y la frecuencia de las entradas, excitatorias e inhibitorias, configuraron la aparición de la variabilidad en el comportamiento neuronal, pero estos modelos utilizaron atajos que no eran biológicamente realistas, según Doiron.
"El modelo equilibrado original ignoró la dependencia espacial del cableado en el cerebro, pero se sabe desde hace tiempo que los pares de neuronas que están cerca el uno del otro tienen una mayor probabilidad de conectarse que los pares que están separados por distancias más grandes. Los modelos anteriores produjeron resultados poco realistascomportamiento, ya sea una actividad completamente aleatoria que era diferente al cerebro o un comportamiento neural completamente sincronizado, como lo vería en una convulsión profunda. No podría producir nada en el medio ".
En el contexto de este equilibrio, las neuronas están en constante estado de tensión. Según el coautor Matthew Smith, profesor asistente de oftalmología en Pitt y miembro de UPBI, "es como equilibrar un pie sobre los dedos de los pies. Sihay pequeñas correcciones excesivas, el resultado son grandes fluctuaciones en la activación neuronal o la comunicación ".
El nuevo modelo explica las características temporales y espaciales de las redes neuronales y las correlaciones en la actividad entre las neuronas, ya sea que disparar en una neurona esté correlacionado con disparar en otra. El modelo es una mejora tan sustancial que los científicos podrían usarlo parapredecir el comportamiento de las neuronas vivas examinadas en el área del cerebro que procesa el mundo visual.
Después de desarrollar el modelo, los científicos examinaron los datos de la corteza visual viva y descubrieron que su modelo predijo con precisión el comportamiento de las neuronas en función de qué tan separadas estaban. La actividad de los pares de neuronas cercanas estaba fuertemente correlacionada. A una distancia intermedia,pares de neuronas estaban anticorrelacionadas cuando una respondía más, la otra respondía menos, y a grandes distancias aún eran independientes.
"Este modelo nos ayudará a comprender mejor cómo el cerebro calcula la información porque es un gran paso adelante al describir cómo la estructura de la red determina la variabilidad de la red", dijo Doiron. "Cualquier teoría seria de la computación del cerebro debe tener en cuenta el ruido en elcódigo. Un cambio en la variabilidad neuronal acompaña importantes funciones cognitivas, como la atención y el aprendizaje, además de ser una firma de patologías devastadoras como la enfermedad de Parkinson y la epilepsia ".
Si bien los científicos examinaron la corteza visual, creen que su modelo podría usarse para predecir la actividad en otras partes del cerebro, como áreas que procesan señales auditivas u olfativas, por ejemplo. Y creen que el modelo se generaliza al cerebrode todos los mamíferos. De hecho, el equipo descubrió que una firma neuronal predicha por su modelo apareció en la corteza visual de ratones vivos estudiados por otro equipo de investigadores.
"Una característica distintiva del enfoque computacional que están adoptando Doiron y Smith es que su objetivo es inferir los principios generales de la función cerebral que pueden aplicarse ampliamente a muchos escenarios. Sorprendentemente, todavía no tenemos cosas como las leyes de la gravedadpara comprender el cerebro, pero este es un paso importante para proporcionar buenas teorías en neurociencia que nos permitirán dar sentido a la explosión de nuevos datos experimentales que ahora se pueden recopilar ", dijo Nathan Urban, director asociado de UPBI.
Fuente de la historia :
Materiales proporcionado por Universidad de Pittsburgh . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :