Neuronas democráticas
Científicos de Exactas UBA, utilizando métodos computacionales, postularon un nuevo modelo para entender cómo toma decisiones el cerebro frente a situaciones de incertidumbre. Esta nueva visión permite entender no sólo de qué manera «discuten» las neuronas antes de definirse sino también posibilita estimar el nivel de confianza que el propio cerebro le otorga a esa determinación.
Noche de niebla manejando por la ruta. Adelante aparece una señal de tránsito que indica curva que no se distingue bien. ¿Para qué lado girar? Dos opciones son igual de probables al desconocer cómo es el camino, por ende tampoco sirve la experiencia previa. En el interior del auto todos son interrogantes. El cerebro debate y la decisión que se adopte será la que logre más del cincuenta por ciento de los votos de las poblaciones neuronales, según un modelo computacional propuesto por científicos de Exactas UBA, que también permite establecer el nivel de confianza con el cual se elige, es decir cuán convencido se está de la elección hecha. Esta medida de certeza amplía el modelo clásico existente que no había podido darla hasta ahora y generaba complicaciones a la hora de comprender ciertos datos comportamentales.
“Si la mitad más uno de estos módulos de neuronas se vuelcan hacia un sentido, finalmente se decide doblar en esa dirección. Estos módulos pueden reunir varias neuronas y -como bloques partidarios en un Parlamento- dan su voto. Pero esa mitad más uno que eligió una opción, también tenía ciertas discrepancias entre ellos. Algunos lo hicieron muy convencidos porque integraron más evidencia en favor, en tanto otros no estaban tan seguros. Si se mira la discrepancia entre los que optaron por sí, se codifica la confianza”, señala Luciano Paz, doctor en Física, quien junto con su director de tesis Mariano Sigman, Andrea Insabato, Ariel Zylberberg y Gustavo Deco acaban de publicar en Scientific Report, del grupo editorial Nature.
Desde el Laboratorio de Neurociencias, los investigadores tratan de entender el cerebro usando métodos computacionales. ¿Cómo, a partir de la interacción de grupos de neuronas que reciben un estímulo sensorial, las personas son capaces de tomar decisiones sobre lo que ven, escuchan o sienten? Además, de definirse por algo, ¿cuán seguros están -por ejemplo- de girar a la izquierda en vez de la derecha? “El cerebro, además de decidir a partir de la información sensorial que recibió, evalúa la confianza que tiene en lo que efectivamente hizo. A esto lo llamamos metacognición, es decir cuán seguros o convencidos estamos de lo que finalmente optamos”, describe Paz, desde el Departamento de Física de la Facultad de Ciencias Exactas y Naturales de la Universidad de Buenos Aires (Exactas UBA).
No importa aquí si el resultado fue acertado, es decir si el auto dobló en el sentido correcto. Lo que interesa saber es cuán confiados se estaba de la maniobra al momento de girar el volante. “El cerebro no sólo optó por A ó B, sino que puede decir cuán seguro está de lo que decidió. Entonces, está haciendo una especie de selección de segundo orden. No sólo decidió en base a este estímulo raro y ruidoso (poca visibilidad por la niebla), sino que decidió en base a lo que decidió, lo que llamamos metacognición. De algún modo, -subraya Paz- es como que hay otra área del cerebro registrando lo que pasa, e indica si se tiene mucha o poca seguridad de la decisión adoptada”. En este sentido, el científico agrega que este mecanismo sirve para la supervivencia. “Un individuo que debe tomar una decisión de vida o muerte, va a decidir únicamente si está totalmente seguro, pero en una situación que no sea límite puede ser más laxo. El comportamiento estará muy influido por la confianza”, puntualiza.
¿Más o menos seguros?
El modelo teórico propuesto por Paz amplía la visión clásica. En el paradigma tradicional, el cerebro, como si fuera una balanza con dos platillos, coloca en uno de ellos evidencia a
Luciano Paz. Foto: Exactas Comunicación.
favor de una opción (girar a la izquierda) y en el otro, lo mismo pero de la opción opuesta (girar a la derecha). “A estas dos actividades, si las restamos, tenemos una noción de confianza, y esto, en este modelo, se llama balance de la evidencia”, historia Paz.
En otras palabras, dos poblaciones de neuronas definen la elección luego de reunir cada una evidencia hasta superar un umbral que inclina la balanza hacia una de las opciones. A esta mirada clásica, Paz sumó detalles de relevancia. “El modelo clásico sostiene que cada población tiene miles de neuronas que se conectan todas entre sí. Nosotros proponemos que esto no tiene por qué ser así, si no que cada población puede tener a las neuronas agrupadas en comunidades más o menos independientes entre sí. Esto permitiría que estas dos poblaciones neuronales en realidad puedan dividirse en varios módulos. Siguen siendo sólo dos poblaciones en el mismo lugar de la corteza cerebral pero lo importante es que ahora estas poblaciones tienen una estructura interna”, expresa.
Con este agregado, Paz y su equipo destacan uno de los logros novedosos obtenidos. “El paradigma tradicional suponía que no había estructura de módulos y eso hace que no sea posible mirar si hubo discrepancias en la decisión. Con nuestro modelo, estas discrepancias quedan a la vista. Proponemos que estas discrepancias cumplen un rol importante para el comportamiento porque le permiten al resto del cerebro tener una noción de qué tan seguro está en la decisión tomada. Con el modelo tradicional esta información no estaba disponible, lo único con lo que se podía evaluar algo era el método de balance de evidencia”, compara.
En esta ampliación propuesta al modelo tradicional, Paz expone que dentro de esas dos grandes poblaciones neuronales hay miles de módulos y sub-módulos que integran cada uno la evidencia sensorial. “Si todos los módulos eligen lo mismo, entonces el cerebro está muy seguro de su elección. Según la discrepancia entre ellos se puede establecer el nivel de confianza, se puede codificar la certeza”, describe.
Para buscar respuesta de cómo funciona el cerebro, ese enigma que llevamos sobre los hombros, Paz y el equipo tienen en cuenta los resultados de distintos experimentos psicofísicos realizados en el laboratorio con distintas personas, y a la vez construyen modelos matemáticos que buscan explicar el modelo observado.
“El modelo tradicional no lograba explicar observaciones comportamentales que registramos en casi 7.000 ensayos realizados en el laboratorio con personas, que recibían distintos estímulos visuales y daban sus respuestas. En tanto que, el modelo computacional que propusimos basados en diseños previos, permite comprender mejor los datos comportamentales”, concluye Paz.
