A Large-Scale Anatomically and Electrophysiologically Constrained Model of Hippocampus at Behavioral Time Scales
Este artículo presenta un marco computacional acelerado por GPU que construye y optimiza un modelo hipocampal de gran escala y con restricciones anatómicas con 250.000 neuronas, reproduciendo con éxito la dinámica biológica clave y logrando velocidades de simulación suficientes para escalas temporales de comportamiento mediante una novedosa estrategia de optimización de dos etapas.
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
El cerebro humano es un paisaje vasto y enmarañado de miles de millones de células, cada una de ellas una diminuta unidad eléctrica que se dispara en patrones complejos para crear el pensamiento, la memoria y el movimiento. Para entender cómo funciona esta maquinaria, los científicos suelen construir modelos informáticos que imitan la estructura del cerebro. Sin embargo, un problema persistente ha plagado estos esfuerzos: los modelos suelen ser demasiado simples para ser realistas, o son tan detallados que tardan años en ejecutarse en un ordenador, lo que hace imposible simular los segundos o minutos que tarda un animal en navegar por una habitación. Los investigadores han luchado por construir un modelo que sea tanto anatómicamente preciso —que coincida con el cableado real del cerebro— como lo suficientemente rápido como para funcionar en tiempo real.
Un equipo de investigadores ha construido ahora una simulación masiva y altamente detallada del hipocampo, la parte del cerebro responsable de la memoria y la navegación. Crearon una versión digital de esta región cerebral que contiene alrededor de 250.000 neuronas individuales y 20 millones de conexiones entre ellas. A diferencia de intentos anteriores que dependían de conjeturas o reglas simplificadas, este modelo fue construido directamente a partir de mapas experimentales de cómo están conectados realmente los componentes del cerebro. Los investigadores utilizaron potentes procesadores gráficos, el mismo tipo de chips que se encuentran en los videojuegos de alta gama, para ejecutar la simulación a una velocidad aproximadamente 20 veces más rápida que el tiempo biológico real. Esto les permitió observar la evolución de la red durante largos periodos, observando cómo las células interactuaban para producir el comportamiento.
El resultado más sorprendente fue que el modelo generó patrones de navegación sin haber sido enseñado explícitamente a hacerlo. Los investigadores alimentaron al cerebro digital con señales que representaban a un animal virtual moviéndose a través de un espacio, pero no programaron las neuronas para reconocer ubicaciones específicas. A pesar de esto, la red desarrolló espontáneamente "células de lugar": neuronas que se disparaban solo cuando el animal virtual estaba en un punto específico. Esto sucedió de forma natural debido a la manera en que las células estaban conectadas y a cómo respondían entre sí. La simulación mostró que la capacidad del cerebro para mapear el espacio emerge de la estructura física de sus circuitos y del tiempo de sus señales eléctricas, en lugar de de un manual de instrucciones preescrito.
Para lograr esto, el equipo tuvo que resolver dos grandes obstáculos. Primero, necesitaban traducir datos anatómicos complejos, que normalmente describen grupos de células, en un mapa de conexiones entre cada neurona individual. Desarrollaron un método para convertir estos mapas de nivel poblacional en un diagrama de cableado preciso, asegurando que el cerebro digital se viera y actuara como uno real. Segundo, tenían que hacer que la simulación funcionara lo suficientemente rápido como para ser útil. Al optimizar el software para que se ejecutara en hardware gráfico, redujeron el tiempo requerido para simular un segundo de actividad cerebral a solo una fracción de segundo. Esta velocidad es crucial porque permite a los científicos ejecutar el modelo durante horas o días, observando procesos a largo plazo como el aprendizaje y la consolidación de la memoria que son imposibles de estudiar en modelos más lentos y detallados.
Los investigadores también desarrollaron una forma inteligente de ajustar el modelo. En lugar de intentar que cada número fuera perfecto desde el principio, utilizaron un proceso de dos pasos. Primero, ajustaron la fuerza de las conexiones entre pares de neuronas para que coincidieran con mediciones de laboratorio conocidas. Luego, dejaron que la red completa se ejecutara y ajustaron las conexiones nuevamente mientras la simulación aún estaba en marcha, afinando el sistema hasta que la actividad general del grupo de células coincidiera con lo que se observa en animales vivos. Este ajuste en línea significó que no tuvieron que detener y reiniciar la simulación cada vez que realizaban un cambio, ahorrando una cantidad inmensa de tiempo y permitiendo un ajuste mucho más preciso.
Cuando el modelo fue puesto a prueba, produjo un rico tapiz de actividad cerebral. Las neuronas se dispararon en patrones rítmicos que coincidían con las ondas cerebrales vistas en animales reales, específicamente los ritmos theta y gamma asociados con la navegación y la memoria. Las células se organizaron en grupos distintos, con algunas disparándose rápidamente y otras lentamente, tal como ocurre en un cerebro vivo. Lo más importante es que los mapas espaciales que emergieron eran estables y realistas. Las neuronas en las diferentes capas del hipocampo transformaron la entrada bruta del entorno en códigos de ubicación cada vez más precisos, pasando de patrones generales de tipo rejilla a disparos de ubicación única y específica. Esta progresión ocurrió automáticamente, impulsada únicamente por las restricciones físicas de la red y las propiedades eléctricas de las células.
Este trabajo sugiere que la capacidad del cerebro para comprender el espacio es una consecuencia directa de su cableado físico y de la forma en que sus células se comunican. Los investigadores no necesitaron programar el concepto de "lugar" en el modelo; este surgió naturalmente de la complejidad del sistema. Aunque el modelo actual representa solo una fracción del hipocampo completo, el equipo demostró que sus métodos pueden escalarse para simular la región entera. Estiman que, con sistemas informáticos de alta memoria, un modelo a escala completa podría ejecutarse a unas 50 veces la velocidad del tiempo real. Esto abre la puerta a simular el hipocampo completo a lo largo de un día o una semana, permitiendo a los científicos observar cómo se forman y estabilizan las memorias con el paso del tiempo.
El estudio también destaca un nuevo enfoque para comprender el cerebro, uno que cierra la brecha entre los detalles microscópicos de las células individuales y el comportamiento a gran escala de todo el órgano. Al combinar datos anatómicos precisos con una computación rápida y flexible, los investigadores han creado una herramienta para probar cómo los cambios en la estructura del cerebro afectan su función. Este marco no es solo una imagen estática del cerebro; es un sistema dinámico que puede ser modificado y observado en acción. Ofrece una forma de explorar los mecanismos de la memoria y la navegación en un entorno controlado, proporcionando una nueva lente a través de la cual ver la intrincada maquinaria de la mente. El éxito de esta simulación sugiere que las reglas que gobiernan el cerebro están escritas en su estructura física, esperando ser decodificadas por modelos que sean tanto detallados como lo suficientemente rápidos como para seguir el ritmo del flujo del pensamiento.
¿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.