La IA descubre patrones neuronales compartidos en las mentes
Investigadores de la EPFL desarrollaron MARBLE, un método de IA que identifica patrones cerebrales latentes capaz de identificar estructuras
Podría ser utilizado para interpretar señales cerebrales y convertirlas en comandos para dispositivos robóticos de asistencia. Crédito: Giovanni Cancemi | Shutterstock
La comprensión de la dinámica cerebral ha sido durante mucho tiempo un desafío para la neurociencia. Al igual que en la parábola de los ciegos y el elefante, en la que cada individuo percibe solo una parte del todo, los investigadores deben inferir patrones cerebrales a partir de registros limitados de neuronas.
En este contexto, un equipo de científicos de la Escuela Politécnica Federal de Lausana (EPFL) ha desarrollado un innovador método de aprendizaje profundo geométrico llamado MARBLE (Manifold Representation Basis Learning), capaz de identificar estructuras ocultas en la actividad neuronal de diferentes individuos.
Pierre Vandergheynst, director del Laboratorio de Procesamiento de Señales LTS2 en la EPFL, plantea una cuestión fundamental: “Si dos personas realizan la misma tarea mental, ¿se puede determinar si usan estrategias similares analizando solo una pequeña fracción de neuronas?”.
Este problema es clave para la neurociencia, ya que los datos neuronales provienen de diferentes sujetos y las interpretaciones pueden ser diversas. Para abordar esta cuestión, Vandergheynst y Adam Gosztolai, actualmente profesor asistente en el Instituto de IA de la Universidad Médica de Viena, desarrollaron MARBLE, cuya efectividad ha sido publicada en Nature Methods.
El método MARBLE se basa en la capacidad de descomponer la actividad eléctrica neuronal en patrones dinámicos o “motivos”, los cuales son aprendidos por una red neuronal geométrica.
A diferencia de los enfoques tradicionales de aprendizaje profundo, que no son adecuados para analizar sistemas dinámicos en constante cambio, MARBLE permite modelar estos procesos en espacios matemáticos curvos de alta dimensión. Un ejemplo de estos espacios es un toro, una estructura geométrica similar a una rosquilla, que representa de manera más precisa la actividad cerebral.
Los investigadores probaron MARBLE en grabaciones de la corteza premotora de macacos realizando una tarea de alcance y en registros del hipocampo de ratas mientras navegaban un laberinto.
Patrones nuronales universales
Los resultados fueron prometedores: MARBLE identificó patrones dinámicos compartidos entre distintos individuos cuando empleaban estrategias similares, lo que sugiere que ciertos principios de procesamiento neuronal pueden ser universales. Además, se demostró que las representaciones generadas por MARBLE eran más interpretables y precisas que las obtenidas con otros métodos de aprendizaje automático.
Una de las ventajas clave de MARBLE es su capacidad para unificar registros de diferentes condiciones experimentales sin depender de una estructura predeterminada por el usuario. Esto le permite generar una representación global de la actividad cerebral, facilitando la comparación entre distintos sujetos y experimentos.
Las aplicaciones de esta tecnología van más allá de la neurociencia. MARBLE podría emplearse para analizar patrones en otros conjuntos de datos científicos y en diversos campos. En el ámbito de la neurociencia aplicada, podría ser utilizado para interpretar señales cerebrales y convertirlas en comandos para dispositivos robóticos de asistencia, mejorando el control de prótesis o interfaces cerebro-máquina.
“MARBLE es una herramienta versátil que no solo nos ayuda a entender cómo funciona el cerebro en diferentes individuos y condiciones, sino que también tiene el potencial de beneficiar a investigadores de otras disciplinas que estudian fenómenos dinámicos complejos”, concluye Vandergheynst. Su trabajo representa un avance significativo en la comprensión del cerebro y abre nuevas posibilidades para la investigación interdisciplinaria.
Sigue leyendo:
