The limbic navigation system as a hierarchical RNN
Este artículo presenta una red neuronal recurrente jerárquica que, mediante el entrenamiento por integración de trayectoria, reproduce con éxito representaciones neuronales clave, motivos de circuitos y fenómenos dinámicos del sistema de navegación límbico del cerebro, ofreciendo un marco biológicamente interpretable para vincular los mecanismos neuronales con el comportamiento espacial.
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
Para entender cómo un animal encuentra el camino a casa, los científicos recurren a un sistema de navegación especializado dentro del cerebro conocido como el sistema de navegación límbico. Este sistema actúa como una brújula y un mapa internos, permitiendo a las criaturas rastrear su posición y orientación sin necesidad de ver puntos de referencia. Se basa en distintos tipos de células nerviosas que se activan en patrones específicos: algunas señalan hacia dónde está orientada el animal, otras miden qué tan rápido se mueve y un tercer grupo crea un patrón de rejilla que marca la ubicación en el espacio. Durante décadas, los investigadores han intentado comprender cómo se procesan y combinan estas diferentes señales. Si bien algunos modelos han recreado con éxito los patrones de activación de células individuales, a menudo tratan al cerebro como una máquina única y plana, ignorando el hecho de que el cerebro real procesa la dirección y la velocidad en etapas separadas y conectadas.
Un equipo de investigadores del University College London ha construido un nuevo tipo de modelo computacional para cerrar esta brecha. Crearon una red neuronal recurrente jerárquica, un sistema diseñado para imitar la estructura por capas del cerebro. En lugar de alimentar a la computadora con una señal de velocidad y dirección única y preempaquetada, le dieron dos entradas separadas: una para qué tan rápido está girando el animal y otra para qué tan rápido se está moviendo hacia adelante. El modelo está organizado en cuatro capas distintas que transmiten la información en un orden específico, de forma muy parecida a una línea de montaje de una fábrica donde las materias primas se transforman paso a paso en un producto terminado. Las primeras capas gestionan las señales de giro, mientras que las capas posteriores combinan esas direcciones con la velocidad para calcular la ubicación exacta del animal en un espacio bidimensional.
Cuando los investigadores entrenaron este sistema para realizar la tarea de la integración de la trayectoria —mantener el rastro de dónde se encuentra basándose únicamente en el movimiento—, el sistema aprendió a hacer más que solo resolver el problema matemático. La red desarrolló espontáneamente representaciones internas que se asemejan sorprendentemente a las células biológicas reales encontradas en los cerebros de ratas y ratones. Las primeras capas del modelo produjeron células que se activaban cuando el animal giraba a la izquierda o a la derecha, imitando las células de velocidad angular. A medida que la señal avanzaba a la segunda capa, las células se volvieron más enfocadas únicamente en la dirección, asemejándose a las células de dirección de la cabeza. En las capas más profundas, la red generó células que se activaban en un patrón de rejilla, tal como las famosas células de rejilla encontradas en la corteza entorrinal del cerebro. Crucialmente, el modelo también produjo células que combinan dirección y ubicación, un tipo complejo de célula observado en la naturaleza pero raramente visto en modelos computacionales más simples.
Los investigadores no obligaron al modelo a parecerse al cerebro; simplemente dejaron que aprendiera la tarea. Sin embargo, las conexiones internas que formó coincidieron con los patrones biológicos conocidos. La red desarrolló una estructura de anillo donde la actividad podía fluir suavemente en un círculo, una característica que se cree esencial para mantener un sentido de la dirección estable. También creó conexiones asimétricas específicas entre las células que permitieron al sistema desplazar su mapa interno correctamente cuando el animal giraba. Cuando los científicos probaron la robustez del modelo, descubrieron que podía navegar distancias mucho mayores de las que había visto durante el entrenamiento, lo que sugiere que había aprendido un principio general de movimiento en lugar de simplemente memorizar rutas específicas.
Para ver cómo trabajan estas partes juntas, el equipo realizó experimentos virtuales desactivando grupos específicos de células dentro del modelo. Cuando silenciaron las células responsables de detectar giros a la izquierda, el sentido interno de dirección del modelo comenzó a derivar continuamente hacia la derecha. Cuando cortaron las conexiones entre las capas de detección de dirección y las capas de detección de ubicación, los patrones de rejilla que marcan la ubicación comenzaron a romperse y a perder su forma. Estos resultados reflejan experimentos del mundo real donde el daño a áreas cerebrales específicas en animales provoca una desorientación similar, confirmando que el modelo ha capturado las relaciones causales entre los diferentes tipos de células.
En una prueba final y sofisticada, los investigadores introdujeron un pulso rítmico en el modelo, imitando las ondas theta naturales del cerebro, que son oscilaciones eléctricas lentas que ocurren durante el movimiento. Al hacer que dos grupos de células de giro se inhibieran mutuamente en ritmo con estas ondas, el modelo comenzó a barrer su mapa interno de un lado a otro. Esto produjo un "barrido theta", un fenómeno donde el cerebro simula brevemente ubicaciones a la izquierda y a la derecha de la posición actual del animal en rápida sucesión. Este comportamiento, observado recientemente en animales reales, surgió naturalmente en la simulación sin que los investigadores lo programaran explícitamente para que sucediera.
El estudio sugiere que el complejo sistema de navegación del cerebro no es una colección aleatoria de partes, sino una jerarquía altamente organizada donde la dirección y la velocidad se procesan por separado antes de ser combinadas. Al construir un modelo que respeta esta estructura, los investigadores han creado un gemelo digital que puede reproducir el comportamiento de neuronas reales y los circuitos que las conectan. Este enfoque ofrece una nueva y poderosa forma de probar ideas sobre cómo funciona el cerebro, permitiendo a los científicos realizar experimentos virtuales que serían difíciles o imposibles de realizar en animales vivos. El trabajo indica que la arquitectura específica del sistema de navegación del cerebro no es solo un accidente biológico, sino una solución necesaria al problema de rastrear la posición en un mundo en movimiento.
¿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.