Tendencias 21. Ciencia, tecnología, sociedad y cultura




El cerebro aprende hablando consigo mismo

Le da varias vueltas a la información sensorial para determinar qué es lo importante para conocer el entorno


Científicos suizos han descubierto que el cerebro desarrolla un diálogo consigo mismo para aprender del entorno: no se limita a procesar la información sensorial, sino que le da varias vueltas hasta que consigue hacerse una idea fidedigna del entorno.





La información va y viene en el cerebro antes de proporcionar una imagen del entorno. Imagen: Universidad de Ginebra.
La información va y viene en el cerebro antes de proporcionar una imagen del entorno. Imagen: Universidad de Ginebra.
Científicos de la Universidad de Ginebra han descubierto que el cerebro aprende hablando consigo mismo: le da varias vueltas a la información sensorial hasta determinar su importancia. Luego fortalece las sinapsis y destaca así lo más relevante para el conocimiento del entorno.

Los seres humanos, como otros animales, poseen una enorme capacidad de aprendizaje que permite captar nueva información sensorial para dominar nuevas habilidades o adaptarse a un entorno en constante cambio. Sin embargo, muchos de los mecanismos que nos permiten aprender siguen siendo poco conocidos.

Uno de los mayores desafíos de la neurociencia de los sistemas es explicar cómo cambian las conexiones sinápticas para admitir comportamientos adaptativos. Neurocientíficos de la Universidad de Ginebra (UNIGE), Suiza, demostraron anteriormente que los mecanismos de aprendizaje sináptico en la corteza cerebral dependen de la retroalimentación de las regiones cerebrales más profundas. Ahora han descifrado con precisión cómo esta retroalimentación permite el fortalecimiento sináptico: ocurre mediante la activación y desactivación de neuronas inhibitorias particulares.

Este estudio, que puede leerse en Neuron, no solo constituye un hito importante en nuestra comprensión de los mecanismos para el aprendizaje perceptivo, sino que también puede ofrecer información sobre los sistemas de aprendizaje automático y la inteligencia artificial.

La corteza, la región externa y más grande del cerebro, es importante para funciones cognitivas superiores, comportamientos complejos, percepción y aprendizaje. Tras la llegada de un estímulo sensorial, la corteza procesa y filtra su información antes de pasar los aspectos más relevantes a otras regiones del cerebro. Algunas de estas regiones del cerebro, a su vez, envían información de vuelta a la corteza.

Estos bucles, conocidos como "sistemas de retroalimentación", se consideran esenciales para el funcionamiento de las redes corticales y su adaptación a la nueva información sensorial. “Para el aprendizaje perceptivo, que es la capacidad mejorada para responder a un estímulo sensorial, los circuitos neuronales deben evaluar primero la importancia de la información sensorial entrante y luego refinar la forma en que se procesa en el futuro”, explica Anthony Holtmaat, director del estudio, en un comunicado.

Bigotes detectores

Los bigotes del hocico de un ratón están especializados en la detección táctil y desempeñan un papel importante en la capacidad del animal para comprender aspectos de su entorno directo. La parte de la corteza que procesa la información sensorial de los bigotes optimiza continuamente sus sinapsis (conexiones entre neuronas) para aprender nuevos aspectos sobre el entorno táctil. Por lo tanto, constituye un modelo interesante para comprender el papel de los sistemas de retroalimentación en los mecanismos de aprendizaje sináptico.

Los científicos de UNIGE aislaron un circuito cerebral de retroalimentación relacionado con los bigotes del ratón y utilizaron electrodos para medir la actividad eléctrica de las neuronas en la corteza. Luego imitaron la entrada sensorial estimulando una parte específica de la corteza conocida para procesar esta información y, al mismo tiempo, utilizaron la luz para controlar el circuito de retroalimentación.

“Este modelo ex vivo nos permitió controlar la retroalimentación independientemente de la información sensorial, lo cual es imposible de hacer in vivo. Sin embargo, desconectar la información sensorial de la retroalimentación fue esencial para comprender cómo la interacción entre los dos conduce al fortalecimiento sináptico" (necesario para la percepción sensorial), agrega Holtmaat.

Las neuronas inhibidoras transmiten la información

El equipo descubrió que ambos componentes, cuando se activan por separado, activan una amplia gama de neuronas. Sin embargo, cuando se activan simultáneamente, algunas neuronas en realidad disminuyen su actividad.

"Curiosamente, las neuronas que se inhiben cuando la entrada sensorial y la retroalimentación ocurren juntas, generalmente inhiben a las neuronas que son importantes para la percepción, esto se conoce como una inhibición de la inhibición, o desinhibición", explica por su parte Leena Williams, primera autora del estudio.

“Por lo tanto, estas neuronas actúan como una puerta para la información entrante,  que normalmente está cerrada. Pero cuando llega la retroalimentación, la puerta se abre, lo que permite que las sinapsis que se ocupan de la información sensorial primaria aumenten su fuerza” añade. Este diálogo del cerebro consigo mismo es lo que consigue la proeza del aprendizaje, según los resultados de esta investigación.

Ahora que han identificado con precisión qué neuronas están involucradas en este mecanismo, estos científicos probarán sus resultados en la "vida real" para verificar si las neuronas inhibidoras se comportarán como se predijo cuando un ratón necesita aprender nueva información sensorial o cuando descubre nuevos aspectos en su entorno táctil.

Imitando la inteligencia natural

¿Cómo se optimizan los circuitos cerebrales? ¿Cómo puede un sistema enseñarse a sí mismo leyendo su propia actividad? Además de ser relevante para el aprendizaje en animales, esta pregunta también está en el corazón de los programas de aprendizaje automático.

De hecho, algunos especialistas en aprendizaje profundo intentan imitar los circuitos cerebrales para construir sistemas artificialmente inteligentes. Las ideas proporcionadas por el equipo de UNIGE podrían ser relevantes para el aprendizaje no supervisado, un método de Aprendizaje Automático donde un modelo es ajustado a las observaciones. Esto es importante para la creación de programas de reconocimiento de voz o de rostro eficientes, por ejemplo.

Referencia

Higher-Order Thalamocortical Inputs Gate Synaptic Long-Term Potentiation via Disinhibition. Leena E. Williams, Anthony Holtmaat. Neuron, Volume 101, Issue 1, p91-102.e4, January 02, 2019. DOI:https://doi.org/10.1016/j.neuron.2018.10.049


Lunes, 7 de Enero 2019
Redacción T21
Artículo leído 22556 veces



Nota



Nuevo comentario:
Twitter

Los comentarios tienen la finalidad de difundir las opiniones que le merecen a nuestros lectores los contenidos que publicamos. Sin embargo, no está permitido verter comentarios contrarios a las leyes españolas o internacionales, así como tampoco insultos y descalificaciones de otras opiniones. Tendencias21 se reserva el derecho a eliminar los comentarios que considere no se ajustan al tema de cada artículo o que no respeten las normas de uso. Los comentarios a los artículos publicados son responsabilidad exclusiva de sus autores. Tendencias21 no asume ninguna responsabilidad sobre ellos. Los comentarios no se publican inmediatamente, sino que son editados por nuestra Redacción. Tendencias21 podrá hacer uso de los comentarios vertidos por sus lectores para ampliar debates en otros foros de discusión y otras publicaciones.

Otros artículos de esta misma sección
< >

Miércoles, 16 de Enero 2019 - 12:00 Las flores pueden escuchar a los insectos