Tendencias21

Desvelan modelo matemático que subyace a la formación de recuerdos

¿Cómo crea nuestro cerebro recuerdos, y luego los retiene y rememora? Un equipo de científicos de la Escuela Politécnica Federal de Lausana (EPFL), en Suiza, han desarrollado un modelo matemático, un algoritmo, que lo explica. El modelo describe cómo las redes neuronales generan la memoria gracias a una maravillosa orquestación que implica a diversos tipos de sinapsis y al tiempo.

Desvelan modelo matemático que subyace a la formación de recuerdos

La memoria es un componente crítico de la vida. Sin ella resulta imposible aprender. Y, sin aprendizaje, no habría invención alguna, ni progreso ni civilización. Por otro lado, olvidar ciertas experiencias, especialmente las traumáticas, puede ayudar a recuperar la salud y las funciones relacionadas.

¿Pero cómo crea nuestro cerebro recuerdos, y luego los retiene y rememora? Un equipo de científicos de la Escuela Politécnica Federal de Lausana (EPFL), en Suiza, han desarrollado un modelo matemático para explicarlo. El modelo describe cómo las redes neuronales generan la memoria.

Publicado en Nature Communications, el avance podría arrojar luz sobre las teorías que se manejan desde hace mucho tiempo acerca de la formación de recuerdos. También podría cambiar la forma de entender, simular e incluso alterar la formación de memoria.

Sinapsis y memoria

Las neuronas generan redes a través de conexiones entre ellas llamadas «sinapsis». La neurona que envía una señal a través de una sinapsis es conocida como «presináptica». La neurona que recibe señales, por su parte, se llama «postsináptica».

Las sinapsis tienen una alta plasticidad y permiten a las neuronas modificar la velocidad y la intensidad de sus comunicaciones. La plasticidad sináptica está considerada actualmente la base de nuestro aprendizaje y de la formación de recuerdos.

La teoría dominante sobre plasticidad sináptica o neuronal establece que una sinapsis se incrementa si las neuronas de ambos lados de esta se activan repetidas veces de forma simultánea. Este tipo de sinapsis son conocidas como sinapsis hebbianas (por el neurocientífico que las estableció, Donald Hebb). La teoría podría resumirse como «las células que se disparan juntas, permanecerán conectadas«. Y así se supone que aprendemos.

Sin embargo, un modelo de plasticidad como este no puede simular con precisión la formación de la memoria, ya que no tiene en cuenta los factores biológicos externos.  Además, no todas las sinapsis son hebbianas, pues hay sinapsis (descritas por el neurocientífico E. Kandle en la década de 1960) en la que la unión de las neuronas se produce por activaciones exclusivamente presinápticas.

Asambleas de neuronas contienen nuestros recuerdos

Ahora, el modelo desarrollado por los investigadores de la EPFL, bajo la dirección del físico especializado en neurociencia computacional Wolfram Gerstner,  parece tener éxito donde sus predecesores han fracasado.

Para crearlo, los científicos se centraron ​​en la formación de las llamadas «asambleas neuronales», que son redes de neuronas interconectadas a través de las sinapsis, que pueden almacenar un segmento de memoria determinada. Cuando se revive un recuerdo, estas  asambleas específicas se unen para generar un todo.

En su desarrollo, los investigadores usaron un modelo de red neuronal de tercera generación llamado “Red Neuronal Pulsante” (SNN, por sus siglas en inglés). En un SNN, cuando una neurona lanza una señal (impulso), esta viaja a otras neuronas que responden en consecuencia, aumentando o disminuyendo su propia capacidad para enviar una señal, por tanto, fortaleciendo o debilitando su conexión con la neurona presináptica.

Orquestación neuronal

El equipo de Gerstner simuló cientos de SNN con el fin de explorar diversos tipos de sinapsis y múltiples formas de plasticidad sináptica a través de diferentes escalas de tiempo. Las simulaciones sugirieron que la formación de memoria y la rememoración siguen a una “combinación bien orquestada” de las reglas de plasticidad sináptica tanto hebbianas como no hebbianas.

En otras palabras, que la formación de memoria no depende solo de las señales procedentes de las neuronas presinápticas, sino también de señales procedentes de neuronas externas que, indirectamente, modulan la fuerza de las sinapsis.

El tiempo también es un componente clave de esta estimulación. Una vez creada la asamblea de memoria, los recuerdos pueden ser reactivados días después de manera selectiva debido a la actividad de neuronas específicas dentro de las asambleas neuronales creadas.

En general, el nuevo modelo sugiere que la gran diversidad de la plasticidad sináptica cerebral (hebbiana o no) es claramente «orquestada para lograr objetivos funcionales comunes.»

Creación del algoritmo

A partir de estos resultados, los científicos desarrollaron un complejo algoritmo que, según un comunicado de la EPFL, constituye la representación más exacta de las realizadas hasta la fecha de este complejo fenómeno.

El algoritmo podría ser adaptado para ayudar a desarrollar próximas simulaciones de formación y activación de recuerdos, por lo que probablemente mejorará nuestra comprensión global del cerebro.

Además, podría influir y mejorar en las fórmulas actuales de tratamiento de recuerdos traumáticos, e incluso mejorar el aprendizaje. «Si entendemos cómo las sinapsis trabajan juntas para construir o desmantelar redes neuronales de memoria, avanzaremos en áreas como la cognición y la psicoterapia», asegura Gerstner.

La formación de memoria

Para elaborar un recuerdo, las redes neuronales ‘inmortalizan’ la asociación de un grupo en particular de neuronas, mediante el fortalecimiento de las conexiones entre ellas. Estas conjunciones reforzadas son lo que permiten a las neuronas ‘encenderse’ juntas otra vez. Cuando unas cuantas se disparan, el resto se activa. Así es como se regenera la antigua pauta, y con ello, se hace una recapitulación de la imagen original.

Referencia bibliográfica:

Zenke F, Agnes EJ, Gerstner W. Diverse synaptic plasticity mechanisms orchestrated to form and retrieve memories in spiking neural networks . Nature Communications (2015). DOI:10.1038/ncomms7922.

RedacciónT21

RedacciónT21

Hacer un comentario