Un equipo de científicos respaldados por la Unión Europea ha desarrollado un marco unificador que puede predecir el comportamiento neuronal en sistemas críticos y muy fluctuantes
Los científicos han desarrollado un nuevo método capaz de analizar grandes volúmenes de información generados por miles de neuronas. Este avance en la predicción del comportamiento neuronal en grandes redes es un paso importante para entender cómo el comportamiento de un organismo surge a partir de la interacción entre su sistema nervioso, su cuerpo y su entorno.
El nuevo método en cuestión es un marco unificador que permite evaluar con mayor precisión las fluctuaciones de un sistema y su sensibilidad a los cambios en los parámetros. Esta herramienta, desarrollada con el apoyo del proyecto financiado con fondos europeos DIMENSIVE, es útil para diseñar métodos de análisis de dinámicas biológicas y sociales de no equilibrio a gran escala. En la revista «Nature Communications» se ha publicado un estudio que describe el marco.
«Hace muy poco que hemos obtenido la tecnología para registrar a miles de neuronas individuales en animales mientras interactúan con su entorno, lo que significa un paso adelante desde las investigaciones de redes neuronales aisladas en cultivos de laboratorio o en animales inmovilizados o anestesiados», afirma el doctor Miguel Aguilera, coordinador del proyecto DIMENSIVE de la Universidad de Sussex en un artículo publicado en el sitio web de la universidad. «Se trata de un avance muy sorprendente, pero todavía no tenemos los métodos para analizar y comprender la enorme cantidad de información creada por el comportamiento de no equilibrio. Nuestra contribución ofrece la posibilidad de impulsar la tecnología para encontrar aquellos modelos que expliquen cómo las neuronas procesan la información y generan el comportamiento», continua Aguilera, autor principal del estudio.
Considerar los sistemas altamente fluctuantes
La forma más eficiente de aprender cómo funcionan los sistemas grandes es con modelos estadísticos tales como los métodos de campo medio, que son adecuados para los regímenes con fluctuaciones pequeñas. «Sin embargo, por lo general estas técnicas funcionan en condiciones muy idealizadas», explicó Aguilera. De hecho, una gran variedad de sistemas biológicos funcionan en regímenes críticos y muy fluctuantes. «El encéfalo está en constante cambio, desarrollo y adaptación, por lo que muestra patrones fluctuantes complejos e interactúa con entornos que cambian rápidamente. Nuestro modelo tiene como objetivo capturar con precisión las fluctuaciones en estas situaciones de no equilibrio que esperamos obtener de los animales que tienen libertad de comportamiento en su entorno natural».
El equipo de investigación aplicó un enfoque geométrico a la aproximación de campo medio. Según explica el coautor del estudio y doctor S. Amin Moosavi de la Universidad de Kioto (Japón): «La geometría de la información nos brinda un camino bien definido para mejorar sistemáticamente nuestros métodos y sugerir enfoques novedosos, lo que da lugar a herramientas de análisis de datos más precisas».
Un marco unificado de teorías de campo medio permite la construcción sistemática de métodos de campo medio en consonancia con las propiedades estadísticas de los sistemas que los investigadores están explorando. El coautor del estudio y catedrático Hideaki Shimazaki, también de la Universidad de Kioto, destaca: «Además de proporcionar métodos de cálculo avanzados para sistemas grandes, el marco unifica muchos enfoques existentes a partir de los cuales podemos avanzar aún más en la neurociencia y el aprendizaje automático. Nos complace ofrecer una visión tan unificadora que representa una seña distintiva del progreso científico como resultado de esta intensa colaboración internacional».
Tal y como se indica en el artículo, estos métodos ahora se utilizarán para modelizar miles de neuronas de pez cebra que interactúan con una configuración de realidad virtual. Esta es la siguiente etapa del proyecto DIMENSIVE (Data-driven Inference of Models from Embodied Neural Systems In Vertebrate Experiments) que finaliza en mayo de 2022.
