lunes, 3 de febrero de 2014

Decodificando diagramas de circuitos del cerebro

Mediciones de calcio fluorescente muestra la actividad neuronal (izquierda) permitiendo a los científicos deducir la manera en que están conectadas las neuronas entre sí (derecha). (Crédito: MPI for Dynamics and Self-Organization)

Científicos del Instituto Max Plack para Dinámica y Auto-organización, la Universidad de Göttingen y el Centro de Neurociencia Computacional Bernstein, han desarrollado un método de decodificación de diagramas de circuitos neuronales. Por medio de la medición de la actividad neuronal, pueden determinar la probabilidad que dos neuronas estén conectadas entre sí.

El cerebro humano está compuesto de cerca de 80 mil millones de neuronas que intercambian señales entre sí. La comprensión de qué neuronas se conectan entre sí promete proporcionar información valiosa sobre la manera en que el cerebro trabaja.

La identificación de la conexión de red directamente de la estructura del tejido es prácticamente imposible, incluso en células de cultivo con sólo algunas pocas neuronas. En contraste, existen métodos bien desarrollados para grabar patrones de actividad dinámica neuronal. Tales patrones indican qué neurona específica transmitió una señal y en qué tiempo, teniendo así una especie de log de conversación neuronal.

Theo Geisel, quien encabeza el equipo, ha utilizado ya esos patrones de actividad. Los científicos utilizan información proporcionada por las mediciones de calcio fluorescente que fueron grabadas en colaboración con la Universidad de Barcelona.

El método de imagen utiliza moléculas especialmente adaptadas con células que son fluorescente cuando se unen al calcio. Ya que la concentración de calcio dentro de una neurona sigue a su actividad eléctrica, es posible grabar la actividad de miles de neuronas simultáneamente en un cultivo de células o en el cerebro vivo.

Sin embargo, la velocidad de la comunicación es demasiado alta como para observar directamente como un impulso es “disparado” y por consiguiente saber si una conexión es directa o se da a través de muchos pasos intermedios. Por medio de la consideración de estas dificultades, el algoritmo desarrollado por el equipo de Geisel hace posible obtener información increíblemente precisa sobre las líneas de conexión de la red neuronal.

“Nuestro método se basa en un concepto conocido como transferencia de entropía”, explica Olav Stetter. La transferencia de entropía es una medida utilizada en la teoría de la información para cuantificar directamente la información que fluye.

En otras palabras, es posible calcular qué tan probable es que una señal de una neurona particular ocasionará actividad en otra. “Utilizando la transferencia de entropía, desarrollamos un método robusto que puede distinguir de manera confiable entre relaciones verdaderas causales y esas que parece que existen pero son resultado de conexiones indirectas o errores de medición”, indicó Stetter.
Los científicos inicialmente aplicaron su nuevo método en experimentos de simulación de fluorescencia de calcio. Para eso, utilizaron un modelo de red neuronal para simular las señales medidas incluyendo efectos realísticos de medición dinámica y fluorescencia de calcio. Como mostraron los científicos, las relaciones causales en la red varían con el tiempo y dependen del estado de la actividad de la red. Sólo en las fases más calmadas, con relativamente baja actividad, coincidieron las relaciones causales con la estructura actual de la red.

Los investigadores esperan que su algoritmo permitirá calcular diagramas de circuitos neuronales en amplia escala, tanto en redes cultivadas como naturales. La información reunida de múltiples y diferentes redes neuronales podría ayudar a los científicos a entender cuando y donde crean conexiones las neuronas, y qué criterio utilizan para elegir sus patrones.