Cognitive cartography of mammalian brains using meta-analysis of AI experts

El cerebro humano es un paisaje vasto e intrincado donde miles de millones de células trabajan juntas para crear el pensamiento, el sentimiento y la acción. Durante décadas, los científicos han intentado mapear este terreno, vinculando regiones cerebrales específicas con tareas concretas como recordar un nombre o sentir miedo. Lo han hecho leyendo miles de artículos de investigación, cada uno de los cuales describe una pequeña pieza del rompecabezas. Sin embargo, el volumen de estos estudios ha crecido tanto que ningún cerebro humano puede leerlos todos. La literatura está dispersa entre diferentes especies, desde humanos hasta ratones, y utiliza diferentes métodos, desde escaneos cerebrales hasta estimulación eléctrica. Esta fragmentación dificulta la visión del panorama completo de cómo funciona el cerebro en todo el reino animal.

Para resolver esto, un equipo de investigadores ha recurrido a la inteligencia artificial, no para reemplazar a los científicos humanos, sino para actuar como un asistente incansable y de superlectura. Desarrollaron un sistema llamado NeuroNaut, que utiliza modelos de lenguaje de gran tamaño —programas informáticos avanzados entrenados en vastas bibliotecas de texto— para leer y resumir todo el cuerpo de la literatura neurocientífica. En lugar de examinar manualmente los artículos, los investigadores pidieron a estos "expertos" de IA que estimaran qué tan probable es que una región cerebral específica esté involucrada en una función determinada, basándose en todo lo que la IA ha aprendido de los textos científicos. Este enfoque les permite construir un mapa exhaustivo de las funciones cognitivas del cerebro, cubriendo humanos, monos y ratones, todo al mismo tiempo.

Los investigadores comenzaron probando si estos expertos de IA podían describir con precisión el paisaje funcional del cerebro en humanos. Pidieron a los modelos que evaluaran el papel de 68 regiones cerebrales en ocho áreas principales del pensamiento, como la emoción, la memoria, el lenguaje y la visión. La IA generó mapas detallados que mostraban qué partes del cerebro están más asociadas con cada tarea. Cuando los investigadores compararon estos mapas generados por la IA con los mejores mapas existentes creados por revisiones tradicionales lideradas por humanos, encontraron una fuerte concordancia. La IA identificó correctamente que el lenguaje es principalmente una función del hemisferio izquierdo y que la visión se centra en la parte posterior del cerebro. Esto confirmó que la IA había absorbido con éxito el conocimiento central del campo.

Sin embargo, el verdadero poder de este método surgió cuando los investigadores miraron más allá de lo que las herramientas tradicionales podían ver. Los mapas cerebrales estándar suelen estar limitados a datos de escaneos cerebrales, que solo muestran la actividad mientras una persona realiza una tarea. La IA, habiendo leído toda la historia de la neurociencia, también podía basarse en la evidencia de lesiones cerebrales y estimulación eléctrica directa. Cuando los investigadores compararon los mapas de la IA con los circuitos derivados de pacientes que sufrieron estimulación o daños cerebrales, los mapas de la IA coincidieron mucho mejor con esta evidencia causal que los mapas tradicionales basados en escaneos. Esto sugiere que la IA puede sintetizar una comprensión más profunda y causal de cómo las regiones cerebrales impulsan el comportamiento, yendo más allá de las simples correlaciones encontradas en los estudios de imagen.

El avance más significativo ocurrió cuando el equipo aplicó este método a otras especies. Las herramientas tradicionales de mapeo cerebral están diseñadas casi exclusivamente para humanos porque dependen de sistemas de coordenadas específicos que no existen para otros animales. Al utilizar la capacidad de la IA para leer texto en lugar de coordenadas, los investigadores generaron con éxito mapas cognitivos para macacos y ratones. Encontraron que la organización cerebral en estos animales reflejaba la del cerebro humano de maneras sorprendentes. Por ejemplo, la IA identificó correctamente que la corteza visual de un ratón está vinculada a la vista, y las áreas motoras están vinculadas al movimiento, tal como ocurre en los humanos. Crucialmente, la IA también reconoció que el "lenguaje" no es una función asociada con los cerebros de ratones o monos, asignándole una importancia cercana a cero, mientras que seguía identificando las regiones auditivas que gestionan sus propias vocalizaciones.

Para asegurar que estos mapas no fueran meras conjeturas aleatorias, los investigadores los probaron contra datos biológicos reales. Compararon los mapas cognitivos de la IA para ratones con datos registrados de miles de neuronas individuales durante tareas de toma de decisiones. Las predicciones de la IA se alinearon estrechamente con la actividad eléctrica real del cerebro. Del mismo modo, para los monos, el mapa de la memoria de trabajo de la IA coincidió con un resumen detallado, curado por humanos, de estudios en monos, mejor de lo que lo hacía un mapa cerebral humano proyectado sobre un cerebro de mono. Esto demostró que la IA no estaba simplemente copiando datos humanos, sino que estaba sintetizando conocimiento específico de cada especie a partir de la literatura.

Los investigadores también exploraron cómo la estructura del cerebro respalda su función. Pidieron a la IA que describiera las funciones principales de cada región cerebral y luego utilizaron esas descripciones para calcular qué tan similares eran diferentes regiones entre sí. Encontraron que las regiones con perfiles funcionales similares también estaban conectadas por patrones similares de ondas cerebrales y flujo sanguíneo. Esta relación se mantuvo constante en humanos, monos y ratones, lo que sugiere que la forma en que el cerebro está cableado para apoyar la cognición es una constante evolutiva. La IA incluso descubrió una jerarquía oculta en el cerebro, organizando las regiones desde las áreas sensoriales simples hasta las áreas de asociación complejas, un patrón que coincidía con las mediciones físicas de las capas del cerebro.

Finalmente, el equipo utilizó este enfoque para estudiar trastornos cerebrales. Pidieron a la IA que mapeara la implicación de las regiones cerebrales en enfermedades como la depresión, la esquizofrenia y el autismo. Estos mapas fueron comparados con datos genéticos y escaneos cerebrales de pacientes. Los mapas de la IA mostraron una fuerte conexión con los riesgos genéticos asociados con estas enfermedades, más que los escaneos cerebrales tradicionales. Además, la IA agrupó correctamente enfermedades que comparten síntomas, como vincular los trastornos del sueño con condiciones psiquiátricas, a pesar de que nunca se le informó explícitamente sobre estas conexiones. Esta capacidad de encontrar patrones ocultos a través de diferentes tipos de datos sugiere que la IA puede ayudar a los científicos a comprender la naturaleza compleja y multifacética de las enfermedades mentales.

Este trabajo demuestra que la inteligencia artificial puede servir como una poderosa herramienta para el descubrimiento científico, capaz de digerir todo el corpus del conocimiento humano para revelar patrones que son demasiado complejos para que un solo investigador los vea. Al cerrar la brecha entre especies y métodos, la IA ha proporcionado una visión unificada del cerebro mamífero, mostrando que la arquitectura molecular y funcional de la cognición está profundamente conservada a través de la evolución. Los investigadores han puesto la herramienta NeuroNaut a disposición del público de forma gratuita, permitiendo que cualquiera haga preguntas sobre el cerebro y reciba respuestas sintetizadas a partir de la sabiduría colectiva de la comunidad científica. Este enfoque no reemplaza la experiencia humana, sino que la amplifica, convirtiendo una biblioteca dispersa de hechos en un mapa coherente y navegable de la mente.