Un modelo matemático realista para

explicar la visión
Un nuevo modelo de las neuronas de la corteza visual primaria
explica el mecanismo cerebral para detectar la orientación en el
mundo visual

Nuestro cerebro tiene un papel fundamental en la generación de representaciones visuales del

mundo. JESSE ORRICO (UNSPLASH).

Nuestro cerebro tiene un papel fundamental en la generación de representaciones visuales

del mundo. Es un órgano muy complejo y aunque en los últimos años ha habido grandes
avances en descifrar su funcionamiento, la mayoría de sus mecanismos son todavía una
incógnita. Las matemáticas son clave en el campo de la neurociencia para entender
mecanismos biológicos a los que los experimentos no pueden acceder. Desde los trabajos
de Andrew Hodgkin y Alan Huxley, por los que ganaron Premio Nobel de Medicina en
1963, la aplicación de herramientas cuantitativas ha ido en aumento y actualmente
constituye un elemento indispensable en cualquier área de la neurociencia. Recientemente,
un nuevo modelo matemático permite explicar cómo nuestro cerebro es capaz de detectar la
orientación en el mundo visual, utilizando tan solo unos pocos estímulos.
Sabemos que un estímulo visual produce una excitación de las células de la retina, que se
encuentran en la parte posterior del ojo, y que, a través de las fibras del nervio óptico,
transmiten su actividad eléctrica hasta el núcleo geniculado lateral (LGN, por sus siglas en
inglés), situado en el tálamo. De ahí, las principales proyecciones ocurren hacia la corteza
visual primaria (V1), situada en la parte posterior del cerebro. La retina y la corteza visual
están conectadas a través de las células del LGN, pero estas son escasas, y su función está
bastante limitada a detectar cambios en la iluminación. Cada célula tiene su propio campo
receptivo, una pequeña porción del campo visual que al iluminarse provoca una respuesta
en la neurona. Estas células no presentan ninguna otra especialización relevante. Es en la
capa siguiente del recorrido visual (V1) dónde empiezan a emerger nuevas propiedades, en
especial, la selección en la orientación. Cada neurona de V1 tiene una orientación preferida,
es decir, responde cuando se presenta una línea o el borde de un objeto con una orientación
particular (por ejemplo, vertical) pero no lo hace con cualquier otra orientación. Pero, hasta
hace poco, los modelos sobre cómo emergen estas propiedades en la corteza visual, eludían
los escasos datos visuales que le proporcionan unas pocas células del LGN.
Las matemáticas brindan herramientas para describir la actividad neuronal involucrada en
la visión y su evolución en el tiempo, mediante modelos que describen la actividad
individual de las neuronas de la población y sus interacciones. Las neuronas se comunican
a través de impulsos eléctricos, llamados potenciales de acción. Las células neuronales
están polarizadas eléctricamente, es decir, mantienen una diferencia de voltaje entre el
interior y el exterior de la célula, a través de la membrana plasmática conocida
como potencial de membrana. Además, estas células son excitables, pequeños estímulos
pueden provocar cambios en el potencial que ocurren en milésimas de segundo, generando
un patrón típico en forma de pincho, es el potencial de acción.
Las matemáticas brindan herramientas para describir la actividad
neuronal involucrada en la visión y su evolución en el tiempo
Una neurona recibe estímulos de centenares de otras neuronas al mismo tiempo. Estos
estímulos pueden ser excitatorios o inhibitorios, dependiendo de si promueven o evitan la
generación de un potencial de acción en la neurona receptora. La combinación de todos
estos estímulos produce fluctuaciones en el potencial de membrana de la neurona, capaces
de desencadenar un potencial de acción cuando este supera un cierto umbral. El modelo
matemático más empleado para describir estos procesos recibe el nombre de integrate-and-
fire. Se trata de una ecuación diferencial que describe la evolución temporal del voltaje de
una neurona en función de las señales de entrada y detecta cuando se produce un potencial
de acción. Se considera un sistema con una ecuación diferencial para cada una de las
neuronas de la población estudiada. Los parámetros que se utilizan de forma habitual en
estos sistemas son el número de neuronas y el número y tipo de interacciones entre ellas
(excitatorias o inhibitorias), que se estiman a partir de los datos experimentales.

Los sistemas dinámicos son fundamentales en estos modelos. Este campo de las
matemáticas se dedica a estudiar fenómenos que evolucionan en el tiempo, de acuerdo con
unas reglas fijas, como por ejemplo el movimiento de un satélite, la evolución de una
especie, o como en este caso, la actividad eléctrica de las neuronas del cerebro. Este caso es
especialmente complicado. Recientemente, la matemática Lai-Sang Young (Universidad de
Nueva York, NYU) y el neurocientífico Robert Shapley (NYU), junto con el matemático
Logan Chariker (NYU), han desarrollado un modelo matemático de las neuronas de la
corteza visual primaria (V1) que explica el mecanismo cerebral para detectar la orientación
en el mundo visual, partiendo de unos pocos estímulos que recibe de las neuronas del LGN
(se estima que en promedio unas 10 neuronas del LGN proyectan sobre unas 4000 neuronas
en V1).

La clave está en las conexiones recurrentes entre neuronas de V1. En efecto, cada una de
las neuronas de V1 afecta la actividad de las neuronas con las que se conecta, y, al mismo
tiempo, la actividad de estas le afecta a ella. Estos bucles de retroalimentación generan una
dinámica que puede ser complicada de estudiar pero, tal y como explican en su estudio,
tiene un papel importante en generar distintos patrones dinámicos (y por tanto, reproducir
las distintas orientaciones) con pequeños cambios en la señal del LGN. No es el primer
modelo que trata de describir la dinámica de estas neuronas, pero contiene, por primera vez,
detalles anatómicos más realistas sobre la escasez de conexiones del LGN, y por tanto que
ayudan a entender mejor el funcionamiento del sistema visual. Además, los investigadores
han ampliado el modelo para describir como emergen otras propiedades de la corteza
visual, tales como la detección de cambios en el contraste, así como la dirección de
movimiento. Este trabajo supone un avance hacia nuestro objetivo final: obtener un
modelo, con datos anatómicos realistas, que permita explicar y entender de forma unificada
los mecanismos neuronales responsables de los distintos aspectos de la visión.

Gemma Huguet es investigadora Ramón y Cajal en la Universidad Politécnica de Cataluña

REFERENCIAS BIBLIOGRAFICAS:
https://elpais.com/elpais/2019/09/17/ciencia/1568735037_981260.html