Los científicos están creando simulaciones virtuales del cerebro para comprender mejor lo real
Los neurocientíficos computacionales del Instituto Allen están construyendo cientos de modelos individuales de neuronas que pueden apilarse, como las de Lego, en una recreación más grande para simular cómo funciona el cerebro.
Cuando se le pide que describa en qué trabaja, el neurocientífico computacional Stefan Mihalas, Ph.D., cubre uno de sus ojos con la mano.
“Finge que entré en la habitación así. ¿Podrías decir qué hay detrás de mi mano? ”Pregunta.
No es una pregunta con trampa. Pero para que el espectador llegue a la respuesta obvia, el ojo derecho de Mihalas, requiere una cantidad sofisticada de capacidad intelectual.
Lo siguiente no es de ninguna manera una lista completa: su cerebro reconoce los tonos de luz y oscuridad delante de sus ojos.Ignora el 90 por ciento del campo visual que no es relevante para lo que quiere enfocar. Reúne esa información visual en la categoría “rostro humano”. Examina los recuerdos almacenados de rostros humanos que ha visto antes. De esa generalización se desprende que la mayoría de los rostros humanos tienen dos ojos colocados simétricamente. Y lo hace todo en una fracción de segundo, sin que te des cuenta de la gran capacidad de procesamiento en tu cabeza.
La capacidad de inferir lo que falta en una escena visual no es exclusiva de los humanos (muchos otros animales también pueden hacerlo), pero estamos muy lejos de comprender cómo maneja el cerebro esos cálculos complejos.
Eso es lo que Mihalas quiere averiguar. Para hacerlo, él y sus colegas neurocientíficos computacionales en el Instituto Allen construyen modelos, o recreaciones virtuales, del cerebro (o partes de él). Su objetivo no es solo comprender cómo hacemos conjeturas informadas sobre objetos invisibles, sino descubrir los principios más básicos del cerebro, utilizando el sistema visual de los mamíferos como punto de partida.
“En su nivel más básico, modelar es crear un concepto de cómo funciona algo”, dijo Corinne Teeter , Ph.D., también neurocientífica computacional en el Instituto Allen para la Ciencia del Cerebro, una división del Instituto Allen. “Formalizamos ese concepto en el lenguaje de las matemáticas para que podamos probarlo”.
Debido a que el cerebro es tan complicado, esos modelos matemáticos requieren sofisticados programas de computadora para construir y ejecutar.
“Si tomas un sistema simple como una bala de cañón que sale de un cañón, puedes predecir qué pasará con el lápiz y el papel y unas pocas ecuaciones”, dijo Anton Arkhipov , Ph.D., un neurocientífico computacional en el Instituto Allen para el Cerebro. Ciencia. “Para un sistema complejo como el cerebro, la computadora debe reemplazar la pluma y el papel. En el futuro, esperamos que este enfoque nos ayude a hacer predicciones que informen los experimentos y permitan comprender mejor los mecanismos de las enfermedades cerebrales. Por ejemplo, una vez que tenga un modelo realista, podrá predecir cómo un circuito cerebral funciona mal en una enfermedad y cómo responde a posibles tratamientos “.
Bloques de construcción del cerebro virtual
Los neurocientíficos computacionales del Instituto Allen Corinne Teeter, Ph.D., y Nathan Gouwens, Ph.D., discuten su trabajo y lo que significa modelar el cerebro.
Los intentos de Mihalas y sus colegas de comprender la capacidad del cerebro para inferir partes faltantes de una escena visual se basan en lo que se conoce como modelos de arriba hacia abajo, donde los investigadores se centran en recrear el comportamiento del cerebro en la computadora. En este caso, el comportamiento es lo suficientemente complicado como para requerir la recreación de varios modelos diferentes. Arkhipov lidera un equipo que construye modelos de abajo hacia arriba, donde los investigadores recrean las neuronas individuales del cerebro computacionalmente y luego juntan esas células virtuales como bloques de construcción para simular una parte más grande del cerebro.
Esos modelos similares a Lego se construyen a partir de datos recopilados en la empresa, lo que no siempre es la norma en la investigación en neurociencia.
“En el Instituto Allen, el modelado estaba destinado a estar fuertemente interrelacionados en todo”, dijo el neurocientífico computacional Nathan Gouwens , Ph.D., quien trabaja en los modelos de bloques de construcción. “Es raro encontrarlo tan intencionalmente integrado”.
Los diferentes equipos de investigación experimental en el Instituto Allen recopilan información sobre la forma 3D precisa de las células cerebrales, cómo y cuándo disparan las señales eléctricas y cómo activan y desactivan los genes, datos que se incorporan a la base de datos de tipos celulares de Allen . Arkhipov, Gouwens y sus colegas combinan esos datos diferentes en recreaciones virtuales y completas de las neuronas.
“Los datos no son conocimiento”, dijo Arkhipov. “Los modelos tampoco son conocimiento, pero pueden ayudarlo a acercarse más al conocimiento al combinar e integrar los datos”.
Una vez que las neuronas individuales se construyen en líneas de código, los modeladores apilan esas recreaciones celulares para construir simulaciones realistas de circuitos, las autopistas de información del cerebro que están formadas por una serie de neuronas interconectadas. En noviembre pasado, el equipo publicó un estudio en la revista PLOS Computational Biology que describe su primer modelo de circuito “bio-realista”, que combina 45,000 neuronas virtuales para recrear una capa específica de la corteza visual primaria del ratón, la sección más grande de la parte visual. del cerebro.
Los modelos de neuronas individuales, el modelo de circuito y todas las herramientas que los investigadores utilizaron para crearlos están disponibles públicamente en línea. Una cantidad significativa del tiempo que dedicaron los equipos de investigación al desarrollo de estos modelos a crear un nuevo paquete de software , dirigido por el ingeniero de software Kael Dai de Allen Institute for Brain Science, y el formato de archivo , que se desarrolló en colaboración con investigadores del Swiss Blue Brain Project , para permitir que otros en la comunidad de neurociencias creen y compartan sus propios modelos.
Desde entonces, los investigadores también han ampliado ese modelo de circuito para incluir alrededor de 230,000 bloques de construcción de neuronas, que ahora representan todas las capas de la corteza visual primaria. La diversidad de varios tipos de neuronas en esta parte del cerebro se describe utilizando más de 100 modelos diferentes de neuronas, cada uno repetido miles de veces.
Desde entonces, han usado los circuitos modelo para hacer predicciones sobre cómo y por qué el cerebro está conectado de la forma en que está. En un caso, están observando las neuronas que permiten a los ratones (y probablemente a nosotros) detectar direcciones específicas de movimiento. Diferentes neuronas se activan cuando algo se mueve de izquierda a derecha en lugar de derecha a izquierda o arriba y abajo.
Si un ingeniero de software estuviera diseñando un programa para reconocer una dirección de movimiento específica, por ejemplo, para un auto con auto, podría haber varias formas diferentes de incorporar esa función en una computadora, dijo Yazan Billeh , Ph.D. un neurocientífico computacional en el Instituto Allen para la Ciencia del Cerebro que trabaja en los modelos de circuito. “Pero la pregunta es, ¿cómo lo hace la biología? Ahí es cuando entra el modelado “, dijo.
Una visualización de un modelo a gran escala de un circuito cerebral de la corteza visual del ratón, construido en el Instituto Allen y que contiene 230,000 modelos de bloques de construcción de neuronas. Imagen cortesía de Sergey Gratiy, Ph.D.
Niveles de abstraccion
Cuando está descubriendo qué detalles incluir y cuáles dejar fuera de un modelo del cerebro, es útil saber el tipo de pregunta que desea que su modelo responda.
“Digamos que estabas tratando de averiguar qué tan rápido puede conducir un auto”, dijo Teeter. “Si considera todos los detalles del volante, el tinte de la ventana y la tapicería del asiento en lugar de la potencia del motor y el peso del automóvil, se estará enfocando en las cosas equivocadas”.
Teeter y Mihalas trabajaron juntos en un equipo que construyó recreaciones más simples de neuronas, modelos que ignoran las formas de árbol ramificadas de las neuronas y las representan como puntos únicos en el espacio . Para ahorrar tiempo y poder de procesamiento, aproximadamente tres cuartos de los modelos de circuitos grandes están hechos de estos bloques de construcción más simples.
Esos modelos más simples podrían ser bloques de construcción perfectamente capaces para los modelos que se enfocan en reproducir las actividades de las neuronas en una red y los cálculos que implementan. De hecho, los investigadores descubrieron que los circuitos construidos con los modelos de neuronas de punto en el espacio se comportaban de manera muy similar en sus simulaciones de la actividad cerebral con los circuitos construidos con los modelos de neuronas biorealistas. Pero si quisiera usar un modelo computacional para, por ejemplo, predecir cómo podría reaccionar el cerebro a un nuevo medicamento que interactúa con una proteína específica en la superficie de una neurona, necesitará las versiones más detalladas.
“En neurociencia, necesitamos teorías en muchos niveles diferentes: en un nivel alto para ayudarnos a entender los algoritmos que el cerebro está utilizando para calcular, pero también a niveles bajos, por lo que entendemos cómo las propiedades biofísicas del cerebro producen estos cálculos, ”Dijo Adrienne Fairhall , Ph.D., profesora de fisiología y biofísica en la Universidad de Washington que estudia los circuitos neuronales y las teorías de computación. “La construcción de modelos potentes de nivel biofísico que acumulan información de muchos estudios experimentales y que sirven como recurso comunitario está simplemente fuera del alcance de la mayoría de los laboratorios individuales. Este es un gran objetivo para los esfuerzos científicos en equipo como los del Instituto Allen “.
Influencia del modelaje
Servidores en la sala de servidores dedicados del Instituto Allen
Los datos y modelos de neurociencia también pueden ayudar a construir mejores programas de computadora. La primera ola de inteligencia artificial utilizó reglas lógicas precisas, dijo Michael Buice , Ph.D., un teórico computacional en el Instituto Allen para la Ciencia del Cerebro. Pero cuanto más aprendemos sobre el cerebro humano, más nos damos cuenta de lo impreciso que es.
Digamos que estás mirando una mesa. Las reglas de tu cerebro sobre qué es una tabla y qué no, no están muy bien definidas, dijo Buice. “Hay una especie de espacio de mesa en tu cerebro. “Y es porque todos nosotros tenemos este espacio borroso de lo que es una tabla en la que podemos estar más o menos de acuerdo, nos permite salir adelante”, dijo. Cuando los científicos informáticos imitan esa confusión a través del aprendizaje automático, lo que hace que el software sea más similar a un sistema neuronal, los programas se acercan mucho más y, con frecuencia, superan los niveles humanos de rendimiento.
Buice y su equipo trabajan con datos del Allen Brain Observatory , una plataforma experimental a gran escala donde los investigadores estudian las células cerebrales disparando en tiempo real mientras los ratones observan diferentes imágenes y películas. Quieren recopilar datos suficientes para poder predecir qué neuronas responderán a una imagen específica y, finalmente, poder observar un patrón de actividad cerebral y predecir la imagen precisa que impulsó a esas neuronas específicas a dispararse.
Es un nivel de ciencia ficción de lectura de la mente que resulta ridículamente difícil, porque la parte del procesamiento visual del cerebro es aún más borrosa de lo que los investigadores pensaron. Pero si logran modelar las neuronas como se comportan realmente en un animal vivo, junto con los modelos de neuronas en sus niveles más detallados, eso sería un gran paso para la neurociencia computacional. “Eso nos enseñaría lo que realmente está impulsando las células”, dijo Buice.
“Estamos muy lejos de un modelo funcional de todo el cerebro”, dijo Teeter. “Muchos años después, esperamos poder fusionar todo esto en una idea global de cómo funciona el cerebro”.
