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.