Investigadores de la Facultad de Informática de la Universidad Politécnica de Madrid (UPM) pertenecientes al Computational Intelligence Group, formado por Pedro L. López-Cruz, Concha Bielza y Pedro Larrañaga, han liderado, junto a Javier de Felipe y Ruth Benavides-Piccione (Instituto Cajal del CSIC y Laboratorio de Circuitos Corticales del Centro de Tecnología Biomédica de la UPM), un trabajo sobre clasificación y nomenclatura de las neuronas del cerebro.
El estudio se ha llevado a cabo en coordinación con 37 centros de investigación de Europa, Estados Unidos, Japón y China. Nature Reviews Neuroscience, la revista con mayor factor de impacto en Neurociencia, ha publicado los resultados en su número de marzo.
Las neuronas, señala la nota de prensa de la UPM, de la que se hace eco la Conferencia de Directores y Decanos de Ingeniería Informática, se dividen en diversos tipos y subtipos que varían dependiendo del criterio utilizado (morfológico, molecular y funcional). Como ocurre en otros ámbitos de la ciencia donde son necesarias las clasificaciones taxonómicas, existen distintos niveles de clasificación. La clasificación científica es un tema difícil y en constante revisión. Ello se debe a que existe una gran diversidad de neuronas desde cualquiera de los ángulos de análisis y, en muchos casos, se tiene solamente una información parcial sobre las características de las neuronas que constituyen una región determinada del sistema nervioso.
Tampoco hay, salvo algunas excepciones, un consenso general sobre cuáles son las características esenciales de una neurona para que sea clasificada en un tipo u otro, ya que individualmente las neuronas, a menudo, no encajan exactamente con los criterios morfológicos, moleculares o fisiológicos aplicados. Es decir, ¿cuáles son las características morfológicas, moleculares o fisiológicas que nos permiten distinguir entre diferentes tipos de neuronas?
Además, el trabajo colectivo de los numerosos laboratorios que trabajan sobre este tema genera continuamente una enorme cantidad de información. Así las cosas, resulta necesario organizar el conocimiento e identificar las características esenciales que permitan realizar la clasificación.
Test
Por todos estos motivos, uno de los objetivos del trabajo ha consistido en estudiar el grado de acuerdo entre los neurocientíficos que han participado en el estudio respecto de la nomenclatura actualmente utilizada para distinguir entre los distintos tipos de neuronas según su morfología: arcade, Cajal-Retzius, chandelier, commom basket, commom type, horse-tail, large basket, Martinotti, neurogliaform…
Para ello, 42 neurocientíficos repartidos entre los 37 centros de investigación participantes, cumplimentaron un test a través de una página web (véase la figura de abajo) que se creó con tal objetivo. A partir de las imágenes 3D de 320 interneuronas, cada uno de los expertos categorizó la neurona teniendo en cuenta la nomenclatura anterior, así como una nueva y original forma de categorización diseñada por el equipo del profesor De Felipe. Esta se basa en la disposición geométrica del árbol axonal y su posición relativa al soma y al árbol dendrítico.
Como conclusión del trabajo se constató un bajo acuerdo entre los expertos en relación con la nomenclatura actualmente en uso, si bien en clases como chandelier, Martinotti y horse-tail el acuerdo era bastante alto. Por el contrario, la nueva propuesta de nomenclatura resultó tener un mayor acuerdo.
El trabajo, realizado en el marco del proyecto Cajal Blue Brain, llama la atención sobre la urgente necesidad de una nomenclatura clara y útil para la comunidad de neurocientíficos. Por esta razón, en la UPM se desarrollarán sistemas automáticos de clasificación basados en inteligencia artificial, con la idea de crear una máquina informática para su utilización por la comunidad neurocientífica y así conseguir una nomenclatura que se pueda utilizar a nivel mundial.
Referencia bibliográfica:
Javier de Felipe et.al.: New insights into the classification and nomenclature of cortical GABAergic interneurons. Nature Reviews Neuroscience 14, 202-216 (March 2013) | doi:10.1038/nrn3444
Hacer un comentario