How sparse can a fly-brain model be? Connection strength, wiring placement, network state and task jointly determine function-preserving compression of the Drosophila connectome
Este estudio establece que la preservación del comportamiento funcional de un modelo de cerebro completo de *Drosophila* mediante la dispersión depende críticamente de la retención de sinapsis fuertes específicas y su colocación de cableado precisa, en lugar de las estadísticas globales de la red, con el presupuesto de aristas necesario y los modos de falla variando significativamente a través de diferentes tareas y estados de la red.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Los científicos finalmente han mapeado el diagrama de cableado completo del cerebro de una mosca de la fruta. Este mapa, conocido como conectoma, es una lista masiva de cada una de las neuronas y los miles de millones de diminutas conexiones que las vinculan entre sí. Es un triunfo de la biología moderna, que convierte un órgano vivo en un plano estático que las computadoras pueden leer. Pero este plano es tan enorme que resulta difícil de usar. Para simular cómo funciona el cerebro o para construir robots que se muevan como las moscas, los investigadores a menudo tienen que reducir el mapa a un tamaño manejable. La práctica estándar ha sido simplemente eliminar las conexiones más débiles, asumiendo que solo los cables más fuertes y pesados transportan la información importante. Es un poco como intentar comprender una ciudad manteniendo solo las autopistas principales e ignorando las calles secundarias, asumiendo que las calles secundarias no importan. Durante años, nadie había comprobado realmente si este atajo rompía la capacidad del cerebro para pensar o moverse.
Un investigador decidió poner a prueba esta suposición tomando un modelo computacional completo y experimentalmente verificado de un cerebro de mosca y eliminando sistemáticamente las conexiones para ver cuánto podían borrar antes de que el cerebro dejara de funcionar. Se centró en tres comportamientos específicos que el modelo era capaz de realizar correctamente: extender su boca para comer azúcar, detener esa acción cuando detecta algo amargo y acicalarse cuando siente un tacto específico. Probaron el modelo en dos condiciones diferentes: una en la que el cerebro estaba tranquilo y en reposo, y otra en la que estaba zumbando con actividad espontánea, imitando a una mosca real y despierta. Compararon el método estándar de eliminar conexiones débiles con otros métodos para recortar la red, tales como eliminar conexiones al azar o barajar la fuerza de los cables manteniendo sus posiciones fijas.
Los resultados mostraron que el método estándar de eliminar conexiones débiles funciona sorprendentemente bien para algunas tareas, pero falla catastróficamente en otras. Cuando el cerebro estaba tranquilo, eliminar todas las conexiones con menos de diez sinapsis (las diminutas uniones donde las neuronas se comunican) todavía permitía que la mosca respondiera al azúcar casi perfectamente, incluso después de haber eliminado el noventa y cuatro por ciento de las conexiones totales. Sin embargo, el investigador descubrió que este éxito no se debía únicamente a mantener los cables más fuertes. Cuando mantuvieron el mismo número de cables pero barajaron sus fuerzas, o cuando mantuvieron el mismo número de cables pero los conectaron a diferentes neuronas, el comportamiento del cerebro desapareció por completo. Esto demostó que la ubicación específica de una conexión fuerte importa tanto como su fuerza; el cerebro depende de una combinación precisa de dónde se coloca un cable y qué tan fuerte es, no solo de tener unos pocos cables de gran capacidad.
El estudio también reveló que el límite "seguro" para eliminar conexiones depende enteramente de lo que el cerebro esté intentando hacer. Mientras que el circuito de alimentación podía sobrevivir a la pérdida de la mayoría de las conexiones débiles, el circuito responsable del acicalamiento colapsó casi de inmediato. Este circuito depende de un delicado equilibrio de inhibición, donde las conexiones débiles actúan como frenos para evitar que las señales incorrectas tomen el control. Cuando el investigador eliminó los cables débiles, accidentalmente eliminó estos frenos, provocando que la mosca se acicalara de forma incontrolada o de manera incorrecta. Del mismo modo, cuando el cerebro estaba en un estado activo y ruidoso, el modo de falla cambió. En lugar de que el cerebro se quedara en silencio, se sobreexcitó, disparándose salvajemente porque las conexiones inhibitorias débiles que normalmente mantienen el ruido bajo control fueron las primeras en desaparecer.
Quizás el hallazgo más sorprendente fue que un modelo de cerebro comprimido podía pasar una prueba de comportamiento mientras sus mecanismos internos ya estaban rotos. En varios casos, el modelo todavía producía el movimiento correcto, como extender la boca, a pesar de que el patrón de actividad dentro del cerebro había cambiado significamente. Esto sugiere que el simple hecho de comprobar si un robot o una simulación se mueve correctamente no es suficiente para saber si realmente está comprendiendo el mundo. El investigador concluyó que no existe una regla única sobre cuánto se puede simplificar un cerebro. La respuesta depende de la tarea específica que el cerebro esté realizando, del estado de la red y de la intrincada danza entre dónde se colocan las conexiones y qué tan fuertes son. El estudio proporciona un nuevo punto de referencia para cualquiera que intente reducir un modelo de cerebro, mostrando que las conexiones más débiles son a menudo las más críticas para mantener la estabilidad del sistema.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.