La notable capacidad del cerebro para procesar información y adaptarse a nuevas experiencias se basa en complejas redes neuronales. Comprender los mecanismos subyacentes de estas redes es un desafío central en neurociencia e inteligencia artificial. Este esquema explora un enfoque novedoso para modelar la dinámica neuronal, inspirándose en diversas áreas de las matemáticas y la computación para proponer un marco para simular el procesamiento de información similar al del cerebro.
El concepto fundamental que subyace a esta exploración es la proposición de un nuevo modelo neuronal, que pretende cerrar la brecha entre los marcos teóricos establecidos y las complejidades observadas en las redes neuronales biológicas. Los modelos actuales a menudo son deficientes en replicar la plasticidad y las capacidades adaptativas matizadas de sus contrapartes biológicas. Este modelo propuesto busca abordar estas limitaciones incorporando elementos de plasticidad intrínseca junto con las modificaciones sinápticas, superando el enfoque tradicional centrado únicamente en los ajustes del peso sináptico. El diseño del modelo está motivado por el creciente cuerpo de evidencia que destaca el papel significativo de las propiedades neuronales intrínsecas en el aprendizaje y la memoria, lo que sugiere que los cambios dentro de una neurona en sí mismos son tan cruciales como, si no más que, los cambios en las conexiones sinápticas.
Una característica distintiva clave de este modelo es su representación explícita de la plasticidad intrínseca. Esto implica incorporar mecanismos que alteran la excitabilidad de una neurona, el umbral de disparo y las propiedades de adaptación. Mahon et al. (2003) demostraron que la plasticidad intrínseca dependiente del pico aumenta la probabilidad de disparo en las neuronas striatales de ratas *in vivo*, proporcionando apoyo empírico a la noción de que la excitabilidad neuronal puede ajustarse dinámicamente. El modelo implementará una versión simplificada de esto, permitiendo cambios en el potencial de membrana en reposo y la resistencia de entrada de una neurona, reflejando alteraciones en la capacidad de respuesta inherente de la neurona a las señales entrantes. Estas modificaciones intrínsecas no son aleatorias; están moduladas por la actividad neuronal, específicamente por la frecuencia y el patrón de los picos. Esta modulación dependiente de la actividad se inspira en el trabajo de Nataraj et al. (2010), que demostraron que la privación visual suprime la excitabilidad de las neuronas piramidales L5 al prevenir la inducción de la plasticidad intrínseca. El modelo incorporará una regla similar a la de Hebb para la plasticidad intrínseca, donde la actividad persistente fortalece la excitabilidad intrínseca, mientras que los períodos de quiescencia conducen a una disminución.
La integración de la plasticidad intrínseca junto con la plasticidad sináptica introduce un paisaje dinámico más rico para el aprendizaje. Los modelos tradicionales, que se basan únicamente en los ajustes del peso sináptico, a menudo tienen dificultades para explicar fenómenos como la plasticidad sináptica dependiente del tiempo (STDP) y la estabilización de las conexiones sinápticas. El modelo propuesto postula que la plasticidad intrínseca puede actuar como un estabilizador, previniendo los cambios sinápticos descontrolados y asegurando que el aprendizaje permanezca dentro de un rango fisiológicamente plausible. Además, la plasticidad intrínseca puede contribuir a la formación de circuitos específicos del tipo celular. Los diferentes tipos de neuronas exhibirán diferentes grados de plasticidad intrínseca, lo que conducirá a la emergencia de roles funcionales especializados dentro de la red. Esto se alinea con la observación de que diferentes poblaciones neuronales en el cerebro muestran propiedades electrofisiológicas distintas.
La arquitectura del modelo será una red neuronal recurrente, lo que permitirá la emergencia de dinámicas temporales complejas. Las conexiones recurrentes son cruciales para capturar el procesamiento secuencial de la información, una característica distintiva de las funciones cognitivas. La red consistirá en neuronas interconectadas, cada una equipada con mecanismos tanto sinápticos como intrínsecos de plasticidad. La plasticidad sináptica seguirá una regla STDP simplificada, capturando la relación temporal entre la actividad pre- y postsináptica. La plasticidad intrínseca, como se mencionó anteriormente, será dependiente de la actividad, modulando la excitabilidad de la neurona. La interacción entre estas dos formas de plasticidad será la clave de las capacidades adaptativas del modelo. Tully et al. (2014) proponen que la plasticidad sináptica y la no sináptica aproximan la inferencia probabilística, destacando el potencial para computaciones complejas dentro de los circuitos neuronales.
Para evaluar el rendimiento del modelo, se someterá a una serie de tareas de aprendizaje, incluido el reconocimiento de patrones y el aprendizaje de secuencias. La capacidad del modelo para aprender estas tareas se comparará con la de una red neuronal estándar que se basa únicamente en la plasticidad sináptica. Además, se evaluará la robustez del modelo al ruido y las perturbaciones. Una métrica clave será la eficiencia energética del aprendizaje, que refleja la capacidad del modelo para lograr un nivel de rendimiento deseado con un costo metabólico mínimo. Gill et al. (2020) demostraron que la modulación muscarínica de los canales K de tipo sk2 promueve la plasticidad intrínseca en las neuronas piramidales L2/3 de la corteza somatosensorial primaria del ratón, lo que sugiere una base fisiológica para el diseño del modelo.
Las aplicaciones potenciales de este modelo se extienden más allá de la neurociencia teórica. Los principios subyacentes a su diseño podrían aplicarse al desarrollo de redes neuronales artificiales más adaptables y eficientes energéticamente. La capacidad de ajustar dinámicamente la excitabilidad neuronal podría ser particularmente beneficiosa en aplicaciones que requieren aprendizaje y adaptación en tiempo real, como la robótica y los sistemas autónomos. Lopez et al. (2022) destacan la regulación específica del tipo celular de KCNQ2 por la ketamina, lo que demuestra el potencial de intervenciones terapéuticas dirigidas basadas en la modulación de las propiedades intrínsecas de las neuronas. La capacidad del modelo para capturar la interacción entre la plasticidad sináptica y la intrínseca podría proporcionar información sobre los mecanismos subyacentes a los antidepresivos de acción rápida, como la ketamina, que ejercen sus efectos a través de la modulación específica del tipo celular de la actividad neuronal (Shinohara et al., 2021; Abdallah et al., 2015; Kang et al., 2022).
Finalmente, el diseño del modelo incorporará elementos inspirados en la neurobiología de los antidepresivos de acción rápida, como la ketamina. Los efectos antidepresivos rápidos de la ketamina se cree que son mediados por la modulación de la actividad neuronal y la inducción de la neuroplasticidad (West et al., 2011; Mahon et al., 2003). El modelo intentará replicar algunos de estos efectos incorporando mecanismos que imiten las acciones de la ketamina sobre la excitabilidad y la plasticidad sináptica neuronal. Esto implicará simular los efectos de la ketamina sobre los receptores NMDA y las vías de señalización posteriores que regulan la actividad neuronal. El objetivo es desarrollar un modelo computacional que pueda proporcionar información sobre los mecanismos subyacentes a los efectos antidepresivos rápidos de la ketamina e identificar posibles objetivos terapéuticos para el tratamiento de la depresión.
El estudio propone un nuevo modelo neuronal que destaca la plasticidad intrínseca y la inferencia probabilística, integrando conceptos de neurociencia y aprendizaje automático. Se sugiere investigar antidepresivos de acción rápida como la ketamina para validar el modelo.
Leave a Reply