La neurociencia computacional persigue recrear de forma virtual las redes o conexiones neuronales y sus interacciones en nuestro cerebro. Estos modelos nos permitirán comprender cómo la comunicación electroquímica entre neuronas individuales se traduce en las funciones a través de las que percibimos, procesamos y reaccionamos a los estímulos. Así como resolver problemas y enfrentar situaciones complejas. Ahora, a través de modelos matemáticos basados en estimaciones estadísticas, somos capaces de generar modelos informáticos de simulación de actividad neuronal. Dichos modelos de simulación nos permiten ver la actividad del cerebro desde otra perspectiva. Veamos más.
¿Qué es la neurociencia computacional?
La neurociencia computacional (CN, por sus siglas en inglés, computational neuroscience), se encarga del estudio de las propiedades de las conexiones neuronales y la recreación digital de dichas propiedades. La disciplina es el punto de conjunción entre las neurociencia y las ciencias de la computación.
Los modelos y simulaciones son obtenidos a partir de la información recabada en experimentos de neuroimagen o psicofisiología con seres humanos.
Se utilizan simulaciones generadas a partir de dicha información para pronosticar cuáles pueden ser las posibles redes implicadas en una u otra función.
Posteriormente, tales modelos y predicciones son comparados con el desempeño de personas reales sometidas a diseños experimentales en el laboratorio.
Los diseños experimentales son cuidadosamente controlados para recrear, lo más fielmente posible, las condiciones que sirvieron como parámetro para las simulaciones. Esta rama de la neurociencia también nos permite establecer un símil entre la forma de aprender de los organismos biológicos y las formas de aprendizaje informatizadas o machine learning (Makin, 2019).
Neurociencia computacional en la inteligencia artificial
Hace ya algún tiempo, y con el estudio de la percepción humana, nos hemos dado cuenta de los distintos mecanismos de procesamiento de la información de los que disponemos.
Dichos mecanismos, nos permiten, por ejemplo, tomar información en forma de reflexiones de luz y convertirla en imágenes, o las vibraciones producidas por un cuerpo en el aire convertirlas en sonido. El procesamiento de la información resultante de los procesos perceptivos en nuestro cerebro es el más eficiente y potente que conocemos.
La neurociencia computacional, en una de sus varias ramas, estudia precisamente cómo dotar a las máquinas de este nivel tan alto de procesamiento del entorno, teniendo en cuenta las conexiones neuronales.
A la vez que busca la eficiencia máxima en el procesamiento de la información obtenida a partir de ello, y así la resolución de problemas complejos.
Basados en el modelo cerebral, se han generado infraestructuras informáticas que permiten emular de forma estructural el funcionamiento de una red neural.
Esto permite al programa informático un procesamiento mucho más eficiente de la información. Optimizando, así, las funciones de las que son capaces estos programas, así como sus algoritmos de aprendizaje (Kriegeskorte y Douglas, 2018).
Contribuciones de esta tecnología en las inteligencias artificiales
Esto ha ayudado, sobre todo, al desarrollo de las inteligencias artificiales, debido a que cuanto más eficiente es el procesamiento del entorno y la información que se obtiene de él, más eficaces serán en aprender y en la resolución de problemas.
Como resultado, dicho avance del machine learning ha propiciado un adelanto significativo en el desarrollo de las tecnologías de inteligencias artificiales.
Igualmente, este desarrollo ha contribuido al crecimiento de diversas áreas además de la investigación en neurociencias. También ha contribuido al desarrollo de la exploración de galaxias y análisis de datos para generar modelos económicos, entre otros. Tales avances se basan en la infraestructura conocida como red neuronal o computer neural network (CNN).
Neurociencia computacional y la clínica
Los modelos de simulación de la actividad cerebral y las conexiones neuronales nos están permitiendo estimar las afectaciones que se derivarán de los problemas en las conexiones entre ciertas redes. Según lo que sabemos sobre la relación entre la conectividad en determinadas redes neurales y los distintos padecimientos neurológicos, psiquiátricos o psicológicos.
Los modelos informáticos, nos dan la posibilidad de estudiar nuevas interacciones entre redes neurales y dichos padecimientos. Dando como resultado, el establecimiento de nuevos criterios y patrones de diagnóstico (Owens et al., 2018).
Con estas simulaciones de la actividad cerebral, se está intentando llevar a cabo un diagnóstico temprano de enfermedades como la esquizofrenia.
A la vez que nos están permitiendo conocer más a fondo la fisiopatología de tales enfermedades, hasta ahora poco clara (Heinz et al., 2019).
De igual manera, nos ayudan al diagnóstico temprano de enfermedades, e incluso a la investigación de la posible acción de los fármacos en el cerebro. Asimismo, nos permiten estimar los posibles beneficios de tratamientos como la estimulación magnética transcraneal a partir de simulaciones.
Conclusiones
Con el desarrollo de modelos informáticos que nos permitan hacer simulaciones de la actividad cerebral, estaremos cada vez más cerca de poder estudiar el cerebro sin la necesidad de levantarnos del ordenador.
Ciertamente, la posibilidad de generar simulaciones en casos de deterioro progresivo, como en la enfermedad de Alzheimer, y ayudar así a un diagnóstico temprano, está cada vez más cerca.
Así, otra puerta que nos abre dicha rama de la investigación es el poder estudiar el efecto de determinados fármacos o técnicas de tratamiento sin la necesidad de ensayos clínicos.
El poder de recrear la velocidad y precisión del procesamiento cerebral en un ordenador y generar, a partir de ella, inteligencias artificiales cada vez más potentes, propone un futuro ciertamente prometedor.
Referencias bibliográficas
- Heinz, A., Murray, G. K., Schlagenhauf, F., Sterzer, P., Grace, A. A. y Waltz, J. A. (2019). Towards a unifying cognitive, neurophysiological, and computational neuroscience account of schizophrenia. Schizophrenia Bulletin, 45(5), 1092-1100. https://doi.org/10.1093/schbul/sby154
- Kriegeskorte, N. y Douglas, P. K. (2018). Cognitive computational neuroscience. Nature neuroscience, 21(9), 1148-1160. https://doi.org/10.1038/s41593-018-0210-5
- Makin, J. G. (2019). Statistical Learning Theory in Computational Neuroscience.
- Owens, A. P., Allen, M., Ondobaka, S. y Friston, K. J. (2018). Interoceptive inference: From computational neuroscience to clinic. Neuroscience & Biobehavioral Reviews, 90, 174-183. https://doi.org/10.1016/j.neubiorev.2018.04.017
+598 99 777 242
