Está en la página 1de 4

Neurociencia computacional

1
Neurociencia computacional
La Neurociencia computacional es una ciencia interdisciplinar que enlaza los diversos campos de la neurociencia,
la ciencia cognitiva, la ingeniera elctrica, las ciencias de la computacin, la fsica y las matemticas. El trmino fue
introducido por Eric L. Schwartz en una conferencia de 1985 en Carmel, California, a peticin de la Systems
Development Foundation, para ofrecer un resumen del estado actual de un campo que hasta entonces era nombrado
de muy diversas formas: modelado neural, teora cerebral y redes neurales. Las actas de esta reunin definitoria
fueron publicadas ms tarde en el libro "Neurociencia Computacional", MIT Press (1990). Las primeras races
histricas del campo pueden ser rastreadas hasta el trabajo de personas como Hodgkin y Huxley, Hubel y Wiesel, y
David Marr, por nombrar unos pocos. Hodgkin y Huxley desarrollaron la pinza de voltaje y crearon el primer
modelo matemtico del potencial de accin. Hubel y Wiesel descubrieron que las neuronas de la corteza visual
primaria, la primera rea cortical que procesa informacin desde la retina, posean campos receptivos orientados y
organizados en columnas (Hubel y Wiesel, 1959). El trabajo de David Marr se centr en las interacciones entre
neuronas, sugeriendo un acercamiento computacional al estudio de cmo ciertos grupos funcionales de neuronas en
el hipocampo y el neocrtex interactan, almacenan, procesan y transmiten informacin. Los modelos
computacionales biolgicamente realistas de neuronas y dendritas comenzaron con las investigaciones de Wilfrid
Rall, y el primer modelo multicompartimental se bas en la teora de cables.
La neurociencia computacional difiere del conexionismo psicolgico y de las teoras del aprendizaje de disciplinas
como el aprendizaje automtico, las redes neurales y la teora del aprendizaje estadstico en que enfatiza las
descripciones funcional y biolgicamente realistas de neuronas (y sistemas neurales), su fisiologa y su dinmica.
Estos modelos captan las caractersticas esenciales del sistema biolgico en mltiples escalas espacio-temporales
desde las corrientes de membranas, protenas y acomplamiento qumico hasta las oscilaciones de redes, la
arquitectura topogrfica y de columnas, y el aprendizaje y la memoria. Estos modelos computacionales se usan para
probar hiptesis que puedan ser verificadas directamente mediante experimentos biolgicos actuales o futuros.
En la actualidad, este campo est experimentando una rpida expansin. Existe gran variedad de programas, como el
GENESIS o el NEURON, que permiten un veloz y sistemtico modelado in silico de neuronas realistas. El proyecto
Blue Brain, una colaboracin entre IBM y la Escuela Politcnica Federal de Lausanne, pretende construir una
simulacin biofsica detallada de una columna cortical en el superordenador Blue Gene. Este proyecto internacional
tiene un subproyecto Cajal Blue Brain desarrollado en Espaa, coordinado por la Universidad Politcnica de Madrid
(Facultad de Informtica y CeSViMa) en colaboracin con el Instituto Cajal del CSIC.
Temas Principales
Los desarrollos de la neurociencia computacional se pueden clasificar en varias lneas de investigacin. La mayora
de neurocientficos computacionales se basan en investigaciones experimentales centradas en analizar nuevos datos y
sintetizar nuevos modelos de fenmenos biolgicos.
Modelado de Neuronas Individuales
Cada neurona individual posee caractersticas biofsicas complejas. El modelo original de Hodgkin y Huxley
empleaba nicamente dos corrientes sensibles al voltaje: el sodio de accin rpida y el potasio de rectificacin
interna. A pesar de los xitos en la prediccin del ritmo y las caractersticas cualitativas del potencial de accin,
resultaba imposible predecir ciertas caractersticas esenciales tales como la adaptacin y la derivacin elctrica. Hoy
en da los cientficos creen que existe una amplia gama de corrientes sensibles al voltaje, y que las implicaciones de
las dinmicas diferenciales, las modulaciones y la sensibilidad de estas corrientes son un tema importante en la
neurociencia computacional (vase: Johnston y Wu, 1994).
Neurociencia computacional
2
Las funciones computacionales de las dendritas complejas se encuentran tambin bajo intensa investigacin. Existe
una gran cantidad de literatura referida a cmo diferentes corrientes interactan con las propiedades geomtricas de
las neuronas (vase: Koch, 1998).
Desarrollo, Diseo Axonal y Orientacin
Cmo se forman los axones y las dendritas durante el desarrollo? Cmo saben los axones hacia dnde orientarse y
cmo alcanzar sus destinos? Cmo migran las neuronas hacia la posicin correcta en los sistemas central y
perifrico? Cmo se forman las sinapsis? Sabemos, por la biologa molecular, que las diferentes partes del sistema
nervioso liberan diferentes impulsos qumicos, desde factores de crecimiento a hormonas que modulan e influencian
el crecimiento y desarrollo de conexiones funcionales entre neuronas.
Las investigaciones tericas en el campo de la formacin y diseo de las conexiones sinpticas y su morfologa an
son jvenes. Una hiptesis que ha atrado cierta atencin recientemente es la hiptesis del mnimo cableado, la cual
postula que la formacin de axones y dendritas minimiza el reparto de recursos al tiempo que mantiene el mximo
almacenamiento de informacin (vase: Chklovskii, 2004
[1]
.
Procesamiento sensorial
Los primeros modelos de procesamiento sensorial se basaban en el marco terico postulado por Horace Barlow. En
cierto modo eran similares a la hiptesis de mnimo cableado descrita en la seccin anterior, ya que Barlow entenda
el procesamiento de los primeros sistemas sensoriales como una forma de codificacin eficiente, segn la cual las
neuronas codificaban la informacin para minimizar el nmero de espinas neuronales necesarias. Los trabajos
experimentales y computacionales posteriores han apoyado esta hiptesis de una forma u otra.
Las investigaciones actuales en procesamiento sensorial se dividen en dos ramas: los modelos biofsicos de
subsistemas, y los modelos tericos de la funcin perceptiva. Los actuales modelos de la percepcin sugieren que el
cerebro realiza alguna clase de inferencia bayesiana e integra las diferentes informaciones sensoriales para generar
nuestra percepcin del mundo fsico.
Memoria y plasticidad sinptica
Los postulados del aprendizaje hebbiano fueron la base de los primeros modelos de la memoria. Los cientficos han
desarrollado modelos biolgicamente relevantes como la red de Hopfield a fin de comprender las propiedades
asociativas de la memoria de los sistemas biolgicos, en vez de centrarse en cmo se fijan los contenidos. Estos
intentos buscan comprender la formacin de la memoria a medio y largo plazo, localizada en el hipocampo. Se han
construido modelos de memoria funcional, basados en teoras de oscilaciones de redes y actividad persistente, para
capturar algunas caractersticas del crtex prefrontal en el contexto de la memoria. (Ver: Durstewitz et al, 2000)
Uno de los principales problemas de la memoria biolgica es cmo se mantiene y cambia a travs de mtliples
escalas temporales. Sinapsis inestables son fciles de entrenar, pero tienden a la interrpucin estocstica. Las sinapsis
estables se olvidan menos fcilmente, pero son ms difciles de consolidar. Una hiptesis computacional reciente
incluye cascadas de plasticidad (Fusi et al, 2004) que permiten a las sinapsis funcionar en mltiples escalas
temporales. Eso ha llevado al desarrollo de modelos estereoqumicos detallados de sinapsis basadas en el receptor
acetilcolina con el mtodo Monte Carlo, que funcionan en una escala temporal de milisegundos (Coggan et al, 2005).
Es probable que en las prximas dcadas las herramientas computacionales contribuyan enormemente a nuestra
comprensin del funcionamiento de las sinapsis y cmo cambian en relacin a los estmulos externos.
Neurociencia computacional
3
Comportamiento de las redes
Las neuronas biolgicas se conectan entre s de forma compleja y recurrente. A diferencia de la mayora de redes
neurales artificiales, estas conexiones son escasas y suelen ser especficas. Se desconoce cunta informacin es
transmitida a travs de redes tan escasamente conectadas. Tambin se desconoce cules son las funciones
computacionales de esos patrones de conectividad especfica, si es que las hay.
Las interacciones entre las neuronas de una red pequea pueden reducirse a modelos simples como el modelo de
Ising. La mecnica estadstica de sistemas tan simples es fcil de describir tericamente. Pruebas recientes
[citarequerida]
sugieren que la dinmica de redes neuronales arbitrarias puede ser reducida a interacciones de
conjuntos (Schneidman et al, 2006; Shlens et al, 2006.) Pero se desconoce si esas descripciones transmiten alguna
funcin computacional importante. El surgimiento del microscopio de dos fotones y la tcnica de imagen de calcio
permite en la actualidad potentes mtodos experimentales con los que poner a prueba las nuevas teoras sobre redes
neuronales.
Aunque muchos neuro-tericos se decantan por modelos de complejidad reducida, otros argumentan que descifrar
las relaciones de las estructuras funcionales exige incluir tanta estructura neuronal y de redes como sea posible. Los
modelos de este tipo suelen ser diseados en enormes plataformas de simulacin como GENESIS o NEURON.
Referencias
[1] http:/ / www. ncbi. nlm.nih. gov/ sites/ entrez?Db=pubmed& Cmd=ShowDetailView& TermToSearch=15483599& ordinalpos=1&
itool=EntrezSystem2.PEntrez.Pubmed.Pubmed_ResultsPanel. Pubmed_RVDocSum
Fuentes y contribuyentes del artculo
4
Fuentes y contribuyentes del artculo
Neurociencia computacional Fuente: http://es.wikipedia.org/w/index.php?oldid=65535649 Contribuyentes: Andreasmperu, Smoken Flames, Transon, Urdangaray, 1 ediciones annimas
Licencia
Creative Commons Attribution-Share Alike 3.0
//creativecommons.org/licenses/by-sa/3.0/