Antes de comenzar a leer este artículo, habrá unas cuantas percepciones que su cerebro (usted) podría estar considerando, ¿por qué necesitamos leer esto? ¿Qué podemos aprender de esto? ¿O este contenido me permitirá saber, cómo los cerebros reaccionan y resuelven problemas en diversas situaciones? Sí. Son todas las matemáticas, permutaciones, ecuaciones químicas que ocurren dentro de nuestros propios cerebros. Este artículo está dividido en tres partes. En la primera parte del artículo, introducimos la neurociencia computacional en breve que incluye, el papel que juegan las neuronas, la anatomía de las neuronas y los modelos que podrían explicarse para las funcionalidades del cerebro, así llamados, los modelos del cerebro.
Ahora, vamos a ver todo lo que podemos llevar a cabo mediante la comprensión o el aprendizaje de un cerebro. En los últimos años, hemos visto avances en las Redes Neuronales que están completamente inspiradas en esta «Neurociencia Computacional». Los algoritmos o modelos que se utilizan en varias áreas de las Redes Neuronales/Visión por Ordenador se derivan de una comprensión teórica de la neurociencia. Todo lo que sabemos de nuestros cerebros es que son rápidos e inteligentes, que reciben información del entorno y que se producen algunas reacciones o fusiones químicas y, finalmente, nos dan la solución o el resultado. Al leer esto, conocerás la ejecución de los programas dentro de nuestro cerebro. Vamos a empezar!
Este es el reciente tweet que ha publicado Lex Friedman. Trabaja como investigador científico en el MIT.
El cerebro humano es increíble. Aquí se visualiza el 3% de las neuronas y el 0,0001% de las sinapsis del cerebro, constituyendo parte del sistema talamocortical del cerebro. Visualización a través de DigiCortex Engine.
2.0 Neurociencia
El término ‘Neurociencia computacional’ fue acuñado por Eric L. Schwartz, en una conferencia para proporcionar una revisión de un campo, que hasta ese momento era referido con una variedad de nombres, como Modelado neuronal, Teoría del cerebro y Redes neuronales. Más tarde, Hubel & Wiesel descubrió el funcionamiento de las neuronas a través de la retina, en la corteza visual primaria (la primera área cortical). Esto se explica en la sección 3. Además, con el aumento de la potencia computacional, la mayoría de los neurocientíficos computacionales colaboran estrechamente con los experimentalistas en el análisis de diferentes datos y en la síntesis de nuevos modelos de fenómenos biológicos.
La neurociencia teórica
Abarca enfoques que van desde los estudios moleculares y celulares hasta la psicofísica y la psicología humanas. El objetivo de la neurociencia computacional es describir cómo se utilizan las señales eléctricas y químicas en el cerebro para interpretar y procesar la información. Esta intención no es nueva, pero ha cambiado mucho en la última década. Ahora se sabe más sobre el cerebro gracias a los avances en neurociencia, se dispone de más potencia de cálculo para realizar simulaciones realistas de los sistemas neuronales y se obtienen nuevos conocimientos del estudio de modelos simplificados de grandes redes de neuronas.
Entender el cerebro es un reto que atrae a un número creciente de científicos, de muchas disciplinas. Aunque en las últimas décadas se ha producido una explosión de descubrimientos sobre la estructura del cerebro a nivel celular y molecular, aún no entendemos cómo el sistema nervioso nos permite ver, oír, aprender, recordar y planificar determinadas acciones. Pero hay numerosos campos que dependen de la neurociencia computacional, a continuación se enumeran algunos,
- Aprendizaje profundo, inteligencia artificial y aprendizaje automático
- Psicología humana
- Ciencias médicas
- Modelos mentales
- Anatomía computacional
- Teoría de la información
3.0 Experimento de Hubel y Wiesel
Este experimento parece ser un precursor de los conocimientos neuronales que se han descubierto. Ha sentado las bases para explorar en profundidad la neurociencia computacional. Veamos qué hay dentro de esto.
Los profesores David Hubel y Torsten Wiesel han hecho un experimento en los años 50 en el que registraron las actividades neuronales del gato a través de la retina, mientras movían una luz brillante. Han presentado algunas observaciones emocionantes mientras el experimento estaba en marcha, son
- Las neuronas se dispararon sólo en algunos casos, pero no siempre.
- La actividad de las neuronas cambió dependiendo de la orientación y la ubicación de la línea de luz.
(No te preocupes por la jerga neuronal, estaríamos explorando todos los términos en los siguientes temas). Las señales eléctricas y químicas registradas en las células que conectan la retina con el cerebro se convertían en señales sonoras. Estas señales sonoras se reprodujeron a continuación, lo que dio lugar a los sonidos «¡Snap! Pop!» sonidos crepitantes. Estos no eran continuos, sino que se reproducían sólo cuando la neurona se disparaba. A partir de ahí, ha establecido una comprensión fundamental de cómo las neuronas extraen la información emitida por la retina, y luego ha explicado claramente cómo las neuronas corticales visuales (presentes en la corteza visual primaria, V1, en el cerebro) pueden formular una imagen.
4.0 Células neuronales, anatomía y personalidad eléctrica de las neuronas
Así que, para entender claramente cómo funciona el cerebro y cómo somos capaces de percibir el mundo que nos rodea, vamos a ver la parte principal del cerebro, es decir, las neuronas. Estas son las unidades computacionales del cerebro humano.
El cerebro se puede dividir en partes individuales discretas llamadas neuronas. Hay muchas formas neuronales posibles, por ejemplo, en la corteza visual, la neurona es piramidal, y en el cerebelo, se llaman células de Purkinje.
Estructura de las neuronas
Una neurona consta de tres partes principales, a saber, Soma, Dendritas y Axón. El soma es el cuerpo celular. Las dendritas son los extremos de entrada de las neuronas, mientras que el axón es el extremo de salida. Por lo tanto, las dendritas reciben la entrada de los axones de la neurona adyacente. Estas entradas dan lugar a un potencial postsináptico excitatorio (EPSP), y cuando se toma como una combinación de varias otras neuronas, proporciona un potencial de acción o un pico. Este pico sólo se produce cuando la entrada alcanza un determinado umbral.
Mirando por dentro
Interesantemente, las neuronas pueden definirse como una «bolsa agujereada de líquido cargado». Así que, de repente, ¿cómo han aparecido las sustancias químicas? Es algo crucial de lo que muchos de nosotros no somos conscientes. Las neuronas funcionan enteramente con sustancias químicas, y las reacciones químicas impulsan todos los picos y las sinapsis. De hecho, tenemos Na+, Cl-, K+, etc. en nuestro cerebro. Fascinante, ¿no?
El contenido de una neurona está encerrado dentro de una bicapa lipídica, y el lípido es «grasa» en términos simples. Esta bicapa es impermeable a los iones cargados, como el Na+, K+, Cl- y otros. Entonces, ¿cómo se mueven estas sustancias químicas entre las neuronas? Para responder a esto, vamos a profundizar en los canales iónicos.
Canales iónicos
Los «Canales iónicos» permiten la transmisión de estos iones, es decir, pasar dentro y fuera de las neuronas. Esto da lugar a una Diferencia de Potencial que existe entre el interior y el exterior de la neurona, el potencial interior es de -70mv respecto al exterior.
Tenemos Na+, Cl- en el exterior, mientras que K+, Anión orgánico- están presentes en el interior de una neurona. Viceversa también es posible, pero las concentraciones iónicas son menores en este caso como se representa en la siguiente figura.
Entonces, ¿cómo es que el potencial siempre es de -70mv? Esto se mantiene bombeando los iones dentro y fuera de las neuronas, es decir, expulsando el Na+ fuera y permitiendo la entrada de K+. Los canales iónicos sólo permiten el paso de determinadas neuronas y pueden clasificarse en tres canales gated,
- Voltage-Gated – La probabilidad de abrir el canal depende del voltaje de la membrana.
- Chemically Gated – La unión a una sustancia química hace que el canal se abra.
- Mechanically Gated – La presión o el estiramiento influyen en que el canal se abra/cierre.
Señalización neuronal
La señalización neuronal es la interacción que ocurre entre las neuronas por la transmisión de las señales. Los canales cerrados mencionados anteriormente permiten la señalización neuronal, veamos cómo,
- En primer lugar, las entradas de otras neuronas activan los canales cerrados químicamente, es decir, abren los canales, lo que conduce a cambios en el potencial de la membrana local.
- A continuación, esto conduce a la apertura/cierre de los canales cerrados por voltaje, lo que resulta en la despolarización (un cambio positivo en el voltaje) y la hiperpolarización (un cambio negativo en el voltaje). La repolarización es el momento en que la célula vuelve al potencial real.
- Una despolarización lo suficientemente fuerte dará lugar a la espiga o al potencial de acción.
- Esto abre los canales de Na+ (activados por voltaje), seguido de una rápida afluencia de Na+ (de fuera a dentro) que hace que se abran más canales hasta que se inactivan.
- Cuando lentamente los canales de Na+ empiezan a inactivarse, el flujo de K+ (de dentro a fuera) restablece el potencial de la membrana o los canales de K+ se abren, reduciendo la espiga. Esto es la Repolarización.
- Después, la célula se hace más negativa ya que los canales de K+ permanecen abiertos y siguen dejando salir los iones positivos de la neurona. Esto se denomina hiperpolarización.
- Cuando los canales de potasio se cierran, la bomba de sodio-potasio trabaja para restablecer de nuevo el estado de reposo.
- Después de que se genere la espiga, ésta se propaga a lo largo del axón.
- A lo largo del axón, los canales de Na+ se abren primero, provocando el aumento del potencial de acción, seguido por el cierre de los canales de Na+ y la apertura de los canales de K+, que conducen a la caída del potencial de acción.
Gráficamente, así se registra el potencial de membrana al variar el tiempo,
Velocidad
Las señales viajan muy rápido a lo largo del axón debido principalmente a 2 razones; el tamaño y la vaina de mielina. Es una sustancia aislante que no permite el paso de iones.
El Nodo de Ranvier, tal y como se representa en la neurona de arriba, son los espacios que están presentes entre las envolturas de la vaina de mielina alrededor del axón. En el sistema nervioso periférico, la mielina se encuentra en las membranas de las células de Schwann. En el sistema nervioso central, los oligodendrocitos son los responsables del aislamiento.
El Sistema Nervioso Periférico está formado por los nervios y ganglios situados fuera del cerebro y la médula espinal. El Sistema Nervioso Central está formado por el cerebro y la médula espinal.
Cuando el potencial de acción atraviesa el axón, hay posibilidades de que se pierda, por lo que, la presencia de mielina lo preserva.
Una vaina de mielina disminuye la capacitancia de la neurona en la zona que cubre. Así, las neuronas reciben una gran cantidad de iones negativos agitados que necesitan ser equilibrados. De ahí que se extiendan hasta el final de la membrana, con la esperanza de encontrar los iones positivos. Los iones positivos se acercan entonces a estos para calmarlos. Esto, a su vez, conduce a la formación de finas capas de iones positivos en el exterior y de iones negativos en el interior. Cuando la mielina envuelve el axón, se acumulan menos iones negativos en las partes del axón envueltas en mielina, ya que entonces no podrán acceder a los iones positivos con facilidad. Esto significa que, a medida que el potencial de acción se precipita, es más fácil despolarizar (un cambio positivo en el voltaje) las áreas que están enfundadas porque hay menos iones negativos para contrarrestar.
Los nodos de ranvier tienen estos canales de voltaje con compuerta positiva, donde los iones positivos forman un enjambre ya que son las áreas descubiertas. Así, los iones negativos de los axones quieren llegar a los nodos de ranvier para equilibrarse. Esta propagación del potencial de acción parece una señal que salta de nodo a nodo, lo que se denomina «Conducción salatoria».
Esto también explica la forma de la espiga, en la que aumenta hasta cierto punto y luego disminuye.
5.0 Entender el cerebro
Ahora que hemos visto cómo se estructuran las neuronas y cómo computan enviando señales y generando sustancias químicas, es el momento de agrupar un conjunto de neuronas para entender el cerebro. Entender el cerebro es siempre una cuestión complicada, a veces no podemos predecir cómo reaccionan las personas/cerebros en algunos escenarios, a pesar de que realicen actividades rutinarias. Almacenan mucha información en el interior de las neuronas en función de las acciones que van desencadenando. Así que la cuestión es cómo interpretar esa información. Existen tres modelos computacionales para entender los cerebros que explican las tres preguntas: «Qué, Cómo y Por qué». Estos modelos se denominan descriptivo, mecanicista e interpretativo, respectivamente. Ahora vamos a discutir brevemente sobre estos,
Modelos Descriptivos: Este modelo responde a la pregunta «¿Cuáles son las respuestas neuronales a los estímulos externos?» Revisan grandes cantidades de datos experimentales, caracterizando así lo que hacen las neuronas y los circuitos neuronales. Estos modelos pueden basarse vagamente en hallazgos biofísicos, anatómicos y fisiológicos, pero su propósito principal es describir los fenómenos, no explicarlos.
Las dos propiedades principales de los modelos descriptivos son,
- Definen cualitativamente cómo describir una escena o datos mediante la Codificación Neural.
- También definen cómo podemos extraer información de las neuronas mediante técnicas de Descodificación Neural.
Modelos Mecanísticos: Los modelos mecanicistas, por su parte, abordan la cuestión de «cómo funcionan los sistemas nerviosos por la anatomía, la fisiología y los circuitos conocidos». Dichos modelos suelen formar un puente entre los modelos descriptivos a diferentes niveles.
Las dos propiedades principales de los modelos mecanicistas son,
- ¿Cómo podemos simular el comportamiento de una sola neurona en un ordenador?
- ¿Cómo podemos simular una red de neuronas?
Modelos interpretativos: Estos utilizan principios computacionales y de teoría de la información para explorar el significado conductual y cognitivo de varios aspectos de la funcionalidad del sistema nervioso, abordando la cuestión de «por qué los sistemas nerviosos operan como lo hacen».
Las dos propiedades principales de los modelos interpretativos son,
- ¿Por qué los cerebros operan como lo hacen?
- ¿Cuáles son los principios computacionales subyacentes?