Un nuevo estudio publicado en arXiv demuestra que los enfoques estándar para inferir la conectividad cerebral a partir de registros neuronales a menudo recuperan estructuras espurias. Investigadores de la Universidad de Washington y el Instituto Allen desarrollaron un método que utiliza flujos normalizantes continuos (CNF) y máxima entropía para aprender distribuciones sobre los pesos de las conexiones que son máximamente imparciales.
La investigación
Timothy Doyeon Kim y sus colegas se propusieron resolver el problema de degeneración en la inferencia de conectividad a partir de registros poblacionales: múltiples estructuras de conectividad pueden generar dinámicas neuronales idénticas. Usando redes neuronales recurrentes de bajo rango (lrRNN), primero caracterizaron las condiciones bajo las cuales existe una estructura de conectividad única. Luego construyeron un marco de inferencia que, en lugar de estimar una única matriz de conectividad, aprende una distribución sobre los pesos de las conexiones. Esta distribución se entrena mediante emparejamiento de flujo para que coincida con las dinámicas observadas, siendo máximamente imparcial sobre los componentes no identificables. El método capturó distribuciones de conectividad de cola pesada encontradas en datos empíricos. El equipo validó su enfoque en conjuntos de datos sintéticos con atractores multiestables, ciclos límite y atractores de anillo, y lo aplicó a registros de la corteza frontal de ratas durante tareas de toma de decisiones. El marco cambia la inferencia de circuitos de recuperar una única matriz de conectividad a identificar qué estructuras de conectividad son computacionalmente necesarias.
Por qué es importante
Entender cómo se conectan las neuronas es fundamental para explicar la cognición. Este trabajo muestra que asumir un único "diagrama de cableado" a partir de registros cerebrales puede ser engañoso. Al aprender una distribución de posibles conexiones, los investigadores pueden distinguir qué características son esenciales para la función y cuáles son artefactos de una inferencia poco restringida. Para cualquiera interesado en cómo funciona su cerebro, esto significa que las futuras interfaces cerebro-computadora y el entrenamiento cognitivo podrían basarse en modelos más precisos de la computación neuronal.
Qué puedes hacer
Mantén tu curiosidad sobre cómo los neurocientíficos decodifican la actividad cerebral. Aunque no puedes aplicar este método en casa, puedes entrenar tus propias habilidades cognitivas con acertijos y pruebas basados en evidencia. Entiende que la conectividad de tu cerebro es dinámica y está moldeada por la experiencia: involucrarte en aprendizaje novedoso puede fortalecer circuitos útiles.
Fuente: arXiv q-bio.NC
¿Curioso sobre tu propio cerebro? Haz nuestro test de CI adaptativo gratuito o prueba 306 niveles de entrenamiento cerebral.
