Revela que el funcionamiento neuronal durante procesos cognitivos se desarrolla a múltiples niveles en el cerebro
¿Qué mecanismos neuronales sustentan el pensamiento y la conciencia? El análisis de miles de imágenes de fMRI con un novedoso algoritmo ha arrojado algo de luz sobre este misterio. Al parecer, cada comportamiento cognitivo específico se corresponde con una actividad neuronal que se desarrolla a múltiples niveles de profundidad en el cerebro. El hallazgo, además de aclarar un poco la complejidad del pensamiento, podría tener aplicaciones en inteligencia artificial. Por Yaiza Martínez.
Escritora, periodista, y Directora de Tendencias21. Saber más del autor
Atlas del cerebro. Fuente: Allen Institute.
A pesar de los años de estudio del cerebro humano, la ubicación en este órgano de la mente -o de los mecanismos neuronales que sustentan el pensamiento y la conciencia- sigue siendo un misterio.
“La mente es aún hoy una gran desconocida para la ciencia a nivel fundamental”, escribía en 2013 el físico y filósofo Manuel Béjar enTendencias21. Pero como los neurólogos están convencidos de que “la mente no es otra cosa que la actividad cerebral” (Francisco J. Rubia, 2009), se sigue indagando en el cerebro para intentar desvelar este misterio.
En este camino, la fortuna ha acompañado en las últimas décadas en forma de tecnologías muy avanzadas, que permiten el estudio de la actividad cerebral. Una de ellas es la fMRI -o imagen por resonancia magnética funcional-, un procedimiento que permite mostrar en imágenes las regiones cerebrales que ejecutan una tarea determinada.
Del cerebro físico al pensamiento abstracto
Sin embargo, evidentemente, la ejecución de una sola tarea por parte del cerebro no es la conciencia o, en otras palabras, la actividad del cerebro vinculada a un solo pensamiento o acción no reflejará toda la complejidad de nuestra mente.
Pero, ¿qué pasaría si se analizaran muchas actividades cerebrales al mismo tiempo? ¿Podría darnos eso alguna idea de cómo emerge la conciencia en el cerebro? Justo esto es lo que ha hecho un equipo de neurocientíficos computacionales de la Universidad de Massachusetts en Amherst (EEUU).
Dirigidos por Hava Siegelmann, los científicos usaron datos de fMRI recogidos durante 20 años en miles de experimentos sobre el cerebro, y los analizaron con un algoritmo creado por ellos mismos, basado en la geometría. Su objetivo era comprender mejor cómo el pensamiento surge de la estructura cerebral.
“La investigación con fMRI ha hecho un gran trabajo acerca de áreas cerebrales específicas relacionadas con actividades concretas. Pero nadie había reunido esos miles de experimentos realizados durante décadas para mostrar cómo el cerebro físico puede generar el pensamiento abstracto”, explica Siegelmann en un comunicadode la Universidad de Massachusetts.
“La mente es aún hoy una gran desconocida para la ciencia a nivel fundamental”, escribía en 2013 el físico y filósofo Manuel Béjar enTendencias21. Pero como los neurólogos están convencidos de que “la mente no es otra cosa que la actividad cerebral” (Francisco J. Rubia, 2009), se sigue indagando en el cerebro para intentar desvelar este misterio.
En este camino, la fortuna ha acompañado en las últimas décadas en forma de tecnologías muy avanzadas, que permiten el estudio de la actividad cerebral. Una de ellas es la fMRI -o imagen por resonancia magnética funcional-, un procedimiento que permite mostrar en imágenes las regiones cerebrales que ejecutan una tarea determinada.
Del cerebro físico al pensamiento abstracto
Sin embargo, evidentemente, la ejecución de una sola tarea por parte del cerebro no es la conciencia o, en otras palabras, la actividad del cerebro vinculada a un solo pensamiento o acción no reflejará toda la complejidad de nuestra mente.
Pero, ¿qué pasaría si se analizaran muchas actividades cerebrales al mismo tiempo? ¿Podría darnos eso alguna idea de cómo emerge la conciencia en el cerebro? Justo esto es lo que ha hecho un equipo de neurocientíficos computacionales de la Universidad de Massachusetts en Amherst (EEUU).
Dirigidos por Hava Siegelmann, los científicos usaron datos de fMRI recogidos durante 20 años en miles de experimentos sobre el cerebro, y los analizaron con un algoritmo creado por ellos mismos, basado en la geometría. Su objetivo era comprender mejor cómo el pensamiento surge de la estructura cerebral.
“La investigación con fMRI ha hecho un gran trabajo acerca de áreas cerebrales específicas relacionadas con actividades concretas. Pero nadie había reunido esos miles de experimentos realizados durante décadas para mostrar cómo el cerebro físico puede generar el pensamiento abstracto”, explica Siegelmann en un comunicadode la Universidad de Massachusetts.
Hava Siegelmann, autora del actual estudio sobre el pensamiento abstracto y la arquitectura cerebral. Fuente: Universidad de Massachusetts.
Artículos relacionados
Despiertan y duermen a ratas manipulando el tálamo central de su cerebro
La capacidad para procesar el sonido es una medida de nuestra salud cerebral
Dime cómo recuerdas y te diré cómo es tu cerebro
Los jóvenes antisociales tienen menos materia gris en varias áreas del cerebro
Las personas atrevidas son más inteligentes
El ejemplo de la balanza
Para su estudio, los científicos de Amherst definieron en primer lugar una red fisiológica del cerebro entero, empezando por las regiones cerebrales de entrada de las señales sensoriales (input areas). Luego etiquetaron cada una de las áreas del cerebro en función de su distancia con respecto a esas entradas sensoriales (a mayor distancia de ellas, mayor “profundidad”).
Como explica Siegelmann, “la idea era proyectar las regiones activas para un comportamiento cognitivo específico en la red (fisiológica) de profundidades creada, y describir dicho comportamiento en términos de distribución de profundidad”.
El análisis de los datos de fMRI reveló que “cada comportamiento cognitivo mostraba actividad a través de múltiples niveles de profundidad de la red” y que, por tanto, la cognición es muchísimo más compleja de lo que se pensaba. El algoritmo geométrico sirvió para establecer la profundidad y la superficialidad de las áreas del cerebro activadas en cada tarea cognitiva específica.
“Imaginemos una balanza”, explica Siegelmann. Una balanza con múltiples platos en los que se “pesaran” la profundidad o la superficialidad de la actividad neuronal durante un comportamiento cognitivo particular. La barra de la balanza (más o menos inclinada) indicaría los niveles de profundidad o superficialidad de la actividad cerebral en la red fisiológica durante dicho comportamiento. Ese es, grosso modo, el papel que ha desempeñado este algoritmo en el proceso de investigación.
Coincidencias con la teoría de grafos
Esta no es la primera vez que se utilizan las matemáticas para tratar de comprender el cerebro y sus redes de actividad. Recientemente se aplicó a ello también la teoría de grafos (o de gráficas), que es una rama de las matemáticas que estudia las interrelaciones entre los componentes de redes complejas (el cerebro activo también forma este tipo de redes entre sus componentes, de ahí la aplicación).
En esta otra investigación, realizada en la Universidad de Vanderbilt (EEUU), se reveló que durante una tarea cognitiva concreta, el cerebro entero se vuelve más conectado –esto es, aumentan las conexiones entre sus diversas áreas-.
Así que este estudio también apuntó a que una actividad multinivel en el cerebro haría posible el surgimiento de la conciencia. Es decir, que es probable que la conciencia sea un producto de la comunicación generalizada entre diversas regiones cerebrales; una propiedad emergente de la propagación, por todo el cerebro, de la información a actualizar.
Aplicaciones en inteligencia artificial
Como Siegelmann es una neurocientífica computacional, cree que su estudio podría tener un gran impacto en la informática, en concreto en la mejora del aprendizaje profundo, basado en redes neuronales artificiales multicapas.
Estos métodos de aprendizaje automático se aplican a la inteligencia artificial (IA), en la que Siegelmann trabaja. De hecho, su laboratorio está creando una "red masivamente recurrente de aprendizaje profundo", que podría hacer que la IA aprenda de manera más parecida a cómo lo hace el cerebro.
Previamente, ya se había determinado que existen determinadas regiones del cerebro que se activan de manera aislada cuando percibimos conscientemente: el encéfalo, el hipotálamo, el tálamo o la corteza son algunas de ellas. Las relaciones entre estas áreas diversas en los procesos cognitivos comienza a desvelarse.
Para su estudio, los científicos de Amherst definieron en primer lugar una red fisiológica del cerebro entero, empezando por las regiones cerebrales de entrada de las señales sensoriales (input areas). Luego etiquetaron cada una de las áreas del cerebro en función de su distancia con respecto a esas entradas sensoriales (a mayor distancia de ellas, mayor “profundidad”).
Como explica Siegelmann, “la idea era proyectar las regiones activas para un comportamiento cognitivo específico en la red (fisiológica) de profundidades creada, y describir dicho comportamiento en términos de distribución de profundidad”.
El análisis de los datos de fMRI reveló que “cada comportamiento cognitivo mostraba actividad a través de múltiples niveles de profundidad de la red” y que, por tanto, la cognición es muchísimo más compleja de lo que se pensaba. El algoritmo geométrico sirvió para establecer la profundidad y la superficialidad de las áreas del cerebro activadas en cada tarea cognitiva específica.
“Imaginemos una balanza”, explica Siegelmann. Una balanza con múltiples platos en los que se “pesaran” la profundidad o la superficialidad de la actividad neuronal durante un comportamiento cognitivo particular. La barra de la balanza (más o menos inclinada) indicaría los niveles de profundidad o superficialidad de la actividad cerebral en la red fisiológica durante dicho comportamiento. Ese es, grosso modo, el papel que ha desempeñado este algoritmo en el proceso de investigación.
Coincidencias con la teoría de grafos
Esta no es la primera vez que se utilizan las matemáticas para tratar de comprender el cerebro y sus redes de actividad. Recientemente se aplicó a ello también la teoría de grafos (o de gráficas), que es una rama de las matemáticas que estudia las interrelaciones entre los componentes de redes complejas (el cerebro activo también forma este tipo de redes entre sus componentes, de ahí la aplicación).
En esta otra investigación, realizada en la Universidad de Vanderbilt (EEUU), se reveló que durante una tarea cognitiva concreta, el cerebro entero se vuelve más conectado –esto es, aumentan las conexiones entre sus diversas áreas-.
Así que este estudio también apuntó a que una actividad multinivel en el cerebro haría posible el surgimiento de la conciencia. Es decir, que es probable que la conciencia sea un producto de la comunicación generalizada entre diversas regiones cerebrales; una propiedad emergente de la propagación, por todo el cerebro, de la información a actualizar.
Aplicaciones en inteligencia artificial
Como Siegelmann es una neurocientífica computacional, cree que su estudio podría tener un gran impacto en la informática, en concreto en la mejora del aprendizaje profundo, basado en redes neuronales artificiales multicapas.
Estos métodos de aprendizaje automático se aplican a la inteligencia artificial (IA), en la que Siegelmann trabaja. De hecho, su laboratorio está creando una "red masivamente recurrente de aprendizaje profundo", que podría hacer que la IA aprenda de manera más parecida a cómo lo hace el cerebro.
Previamente, ya se había determinado que existen determinadas regiones del cerebro que se activan de manera aislada cuando percibimos conscientemente: el encéfalo, el hipotálamo, el tálamo o la corteza son algunas de ellas. Las relaciones entre estas áreas diversas en los procesos cognitivos comienza a desvelarse.
Referencia bibliográfica:
P. Taylor, J. N. Hobbs, J. Burroni, H. T. Siegelmann. The global landscape of cognition: hierarchical aggregation as an organizational principle of human cortical networks and functions. Scientific Reports (2015). DOI:10.1038/srep18112.
P. Taylor, J. N. Hobbs, J. Burroni, H. T. Siegelmann. The global landscape of cognition: hierarchical aggregation as an organizational principle of human cortical networks and functions. Scientific Reports (2015). DOI:10.1038/srep18112.
No hay comentarios:
Publicar un comentario