Un modelo matemático revela los secretos de la visión
Dos matemáticos y un neurocientífico crean el primer modelo anatómicamente preciso que explica cómo puede producirse la visión.
https://www.investigacionyciencia.es/noticias/un-modelo-matemtico-revela-los-secretos-de-la-visin-17812?fbclid=IwAR1ZvNH0oT3qh9_CLxL1ep2jrWJ3kfcYq0g0SXKCC6btJmGnWWg-R307UNw
- Mecanismos cerebrales de la visión
- El rompecabezas de las ondas cerebrales
La retina está
conectada a la corteza visual (en la parte posterior del cerebro) por
medio de un número relativamente pequeño de células nerviosas, que
forman el núcleo geniculado lateral. Esta es la única vía que tiene la
información visual para viajar desde el mundo exterior al cerebro. [iStock/janulla]
La visión humana encierra
un gran misterio: ante los ojos de nuestra mente aparecen vívidas
imágenes del mundo, pero el sistema visual del cerebro recibe muy poca
información del exterior. Gran parte de lo que «vemos» lo evocamos en
nuestra cabeza.
«Muchas de las cosas que creemos ver realmente nos las estamos
inventando», incide Lai-Sang Young, matemática de la Universidad de
Nueva York. «En realidad no las vemos.»Pero al cerebro se le debe dar bastante bien inventar el mundo visual, dado que habitualmente no vamos chocándonos con las puertas. Desgraciadamente, los estudios anatómicos no revelan por sí solos cómo crea el cerebro estas imágenes, del mismo modo que examinar el motor de un automóvil no nos permitiría descifrar las leyes de la termodinámica.
Una nueva investigación sugiere que la clave está en las matemáticas. Durante los últimos años, Young ha participado en una colaboración poco habitual con dos de sus colegas de la Universidad de Nueva York: Robert Shapley, un neurocientífico, y Logan Chariker, un matemático. Están creando un modelo matemático que unifica años de experimentos biológicos y explica la manera en que el cerebro genera elaboradas reproducciones visuales del mundo a partir de una información visual escasa.
También te puede interesar
«El trabajo de un investigador
teórico, desde mi punto de vista, es tomar estos hechos y reunirlos en
un marco coherente», apunta Young. «Los experimentadores no pueden
decirnos qué es lo que hace que algo funcione.»
Young y sus colaboradores han construido su modelo incorporando los
elementos básicos de la visión uno a uno. Han explicado cómo
interaccionan las neuronas de la corteza visual para detectar los bordes
de los objetos y los cambios de contraste, y ahora tratan de entender
de qué modo percibe el cerebro la dirección en que se mueven los
objetos.
Se trata de un trabajo pionero. Los intentos previos de modelizar la
visión humana realizaron suposiciones poco realistas sobre la estructura
de la corteza visual. El trabajo de Young, Shapley y Chariker acepta la
exigente y poco intuitiva biología de la corteza visual tal y como es, y
trata de explicar cómo puede producirse, a pesar de todo, el fenómeno
de la visión.
Artículos relacionados
«Creo
que su modelo supone una mejora, ya que se basa en la anatomía real del
cerebro. Quieren un modelo que sea correcto o plausible desde el punto
de vista biológico», explica Alessandra Angelucci, neurocientífica de la
Universidad de Utah.
Capas y más capas
Hay algunos aspectos de la visión que sabemos a ciencia cierta. El
ojo actúa como una lente. Recibe luz del mundo exterior y proyecta una
réplica a escala de nuestro campo visual sobre la retina, que se
encuentra en la parte trasera del ojo. La retina está conectada a la
corteza visual, la parte del cerebro situada en la zona posterior de la
cabeza.
Sin embargo, hay muy pocas conexiones entre la retina y la corteza
visual. Para un área visual unas 4 veces menor que la luna llena, solo
hay alrededor de 10 células nerviosas que conectan la retina con la
corteza. Estas células forman el núcleo geniculado lateral (NGL), la única vía que transmite la información visual del mundo exterior al cerebro.
Las células del NGL no solo son escasas, sino que tampoco pueden
hacer demasiadas cosas. Envían un impulso a la corteza visual cuando
detectan un cambio de oscuro a claro, o viceversa, en su minúscula
sección del campo visual. Y eso es todo. Nuestro mundo iluminado
bombardea la retina con datos, pero el cerebro solo puede apoyarse en la
exigua señal de una pequeña colección de células del NGL. Ver el mundo
basándonos en tan poca información es como tratar de reconstruir Moby Dick a partir de las notas escritas en una servilleta.
«Uno podría pensar que el cerebro realiza una fotografía de lo que
vemos en nuestro campo visual», dice Young. «Pero no es el cerebro el
que hace la foto, sino la retina, y de la retina a la corteza visual
pasa muy poca información.»
Es entonces cuando la corteza visual se pone manos a la obra.
Mientras la corteza y la retina están conectadas por un número
relativamente pequeño de neuronas, la propia corteza posee una gran
densidad de ellas. Por cada 10 neuronas del NGL que retornan de la
retina, hay 4000 neuronas en la «capa de entrada» de la corteza visual, y
muchas más en el resto. Esta discrepancia sugiere que el cerebro
procesa mucho los escasos datos visuales que recibe. «La corteza visual
posee una mente propia», asegura Shapley.
Para investigadores como Young, Shapley y Chariker, el reto es descifrar lo que sucede en esa mente.
Bucles visuales
La anatomía neuronal de la visión da que pensar. Al igual que una
persona menuda que levante un enorme peso, pide a gritos una
explicación: ¿cómo logra hacer tanto con tan poco?
Young, Shapley y Chariker no son los primeros que intentan responder
esa pregunta con un modelo matemático. Sin embargo, todos los esfuerzos
anteriores suponían que entre la retina y la corteza viajaba más
información, una suposición con la que sería más fácil explicar la
respuesta de la corteza visual a los estímulos. «A la hora de
desarrollar modelos computacionales nadie se había tomado en serio lo
que decía la biología», comenta Shapley.
Los matemáticos cuentan con una larga y exitosa trayectoria en la
modelización de fenómenos variables, desde el movimiento de bolas de
billar hasta la evolución del espaciotiempo. Estos son ejemplos de
«sistemas dinámicos»: sistemas que evolucionan con el tiempo de acuerdo
con unas reglas fijas. Las interacciones entre las neuronas que se
activan en el cerebro también son un ejemplo de un sistema dinámico,
aunque uno especialmente sutil y difícil de definir mediante una lista
de reglas.
Las células del NGL envían a la corteza un tren de impulsos
eléctricos con una magnitud de una décima de voltio y una duración de un
milisegundo, lo que desencadena una cascada de interacciones
neuronales. Según Young, las reglas que gobiernan esas interacciones son
«infinitamente más complejas» que las que nos encontramos en otros
sistemas físicos más familiares.
Cada neurona recibe al mismo tiempo las señales de otros cientos de
neuronas. Algunas de estas señales empujan a la neurona a activarse.
Otras la refrenan. A medida que una neurona recibe impulsos eléctricos
de estas neuronas excitadoras e inhibidoras, el voltaje a través de su
membrana fluctúa. La neurona solo se activa cuando ese voltaje (su
«potencial de membrana») supera un cierto valor umbral, pero es casi
imposible predecir cuándo sucederá eso.
«Si observamos el potencial de membrana de una única neurona, vemos
que fluctúa enormemente», indica Young. «No hay forma de saber
exactamente cuándo se va a activar.»
La situación es aún más complicada. Cada una de esos cientos de
neuronas conectadas a una única neurona está a su vez recibiendo señales
de centenares de otras neuronas. La corteza visual es una espiral de
bucles y más bucles de retroalimentación. «El problema es que hay un
montón de componentes. Eso es lo que lo hace difícil», razona Shapley.
Los anteriores modelos de la corteza visual ignoraban este aspecto.
Daban por sentado que la información fluye en un único sentido: desde la
parte frontal del ojo hasta la retina y de ahí al interior de la
corteza, hasta que ¡zas! aparece la visión, como un artilugio que sale
de una cinta transportadora. Estos modelos de «prealimentación» eran más
fáciles de implementar, pero no tenían en cuenta las evidentes
implicaciones de la anatomía de la corteza, que sugería que los bucles
de «retroalimentación» debían jugar un papel importante.
«Lidiar con los bucles de retroalimentación es realmente difícil,
porque la información vuelve una y otra vez y te cambia, no deja de
volver y afectarte», señala Young. «Es algo que no aborda casi ningún
modelo y que en el cerebro ocurre por doquier.»
En su artículo inicial de 2016,
Young, Shapley y Chariker comenzaron a tomarse en serio estos bucles de
retroalimentación. Los bucles de su modelo introducían algo parecido al
efecto mariposa: los pequeños cambios en la señal del NGL se
amplificaban a medida que atravesaban un bucle de retroalimentación tras
otro, en un proceso conocido como «excitación recurrente» que
propiciaba grandes cambios en la representación visual finalmente
producida por el modelo.
Young, Shapley y Chariker demostraron que su modelo con abundante
retroalimentación era capaz de reproducir la orientación de los bordes
de los objetos (desde vertical hasta horizontal, pasando por todas las
posibilidades intermedias) únicamente a partir de ligeros cambios en la
débil señal de entrada del NGL. «[Mostraron] que es posible generar
todas las orientaciones del mundo visual usando tan solo unas pocas
neuronas conectadas a otras neuronas», valora Angelucci.
Sin embargo, la visión es mucho más que detectar bordes, y el
artículo de 2016 solo fue el comienzo. El siguiente reto consistió en
incorporar a su modelo nuevos elementos de la visión sin perder el que
ya habían descifrado.
«Si un modelo hace algo bien, debería poder hacer más cosas a la
vez», afirma Young. «Nuestro cerebro siempre es el mismo, pero podemos
actuar de manera diferente en circunstancias distintas.»
Enjambres de visión
En los experimentos de laboratorio, los investigadores exponen a
primates a estímulos visuales sencillos: patrones en blanco y negro que
varían en cuanto al contraste o la dirección en la que entran en el
campo visual. Los investigadores estudian los impulsos nerviosos
producidos en respuesta a esos estímulos mediante electrodos conectados a
la corteza visual de los primates. Un buen modelo debería reproducir
los mismos tipos de impulsos al recibir los mismos estímulos.
«Sabemos cómo reacciona [un primate] si le mostramos una determinada
foto», señala Young. «A partir de esa información, intentamos aplicar
ingeniería inversa para comprender lo que sucede en el interior.»
En 2018, los tres investigadores publicaron un segundo artículo
en el que demostraban que el mismo modelo que es capaz de detectar los
bordes también puede reproducir un patrón general de la actividad
eléctrica de la corteza conocido como «ritmo gamma». (Es similar a lo que vemos cuando un enjambre de luciérnagas brilla de acuerdo con un patrón colectivo.)
Su tercer artículo, actualmente en proceso de revisión, explica cómo
percibe los cambios de contraste la corteza visual. Su explicación se
basa en un mecanismo por el que las neuronas excitadoras refuerzan
mutuamente su actividad, un efecto parecido al fervor creciente que se
vive en una fiesta. Es el tipo de aumento necesario para que la corteza
visual cree imágenes completas a partir de escasos datos de entrada.
Actualmente, Young, Shapley y Chariker tratan de añadir sensibilidad
direccional a su modelo, lo que serviría para explicar cómo reconstruye
la corteza visual la dirección en que se mueven los objetos a través de
nuestro campo visual. Después de eso, comenzarán a intentar entender el
modo en que la corteza visual reconoce patrones temporales en los
estímulos visuales. Con ello esperan descifrar, por ejemplo, por qué
podemos percibir los destellos de un semáforo que parpadea, mientras que
en una película no vemos la acción fotograma a fotograma.
En ese momento tendrán un modelo sencillo de la actividad de una de
las seis capas de la corteza visual, aquella donde el cerebro esboza los
aspectos básicos de la impresión visual. Su trabajo no aborda las cinco
capas restantes, donde se lleva a cabo un procesamiento visual más
complejo. Tampoco dice nada sobre el modo en que la corteza visual distingue los colores, lo cual ocurre a través de una vía neuronal completamente diferente y más difícil.
«Creo que aún tienen un largo camino por delante, aunque eso no
quiere decir que no estén haciendo un buen trabajo», asevera Angelucci.
«Es complicado y se necesita tiempo.»
Si bien su modelo está lejos de revelar completamente el misterio de
la visión, constituye un paso en la dirección correcta: es el primer
modelo que intenta descifrar la visión de una manera plausible desde el
punto de vista biológico.
«Durante largo tiempo, la gente pasó de puntillas sobre este
problema», concluye Jonathan Victor, neurocientífico de la Universidad
Cornell. «Demostrar que es posible emplear un modelo que se ajusta a la
biología constituye un verdadero triunfo.»
Kevin Hartnett / Quanta Magazine
Artículo traducido
por Investigación y Ciencia con permiso de QuantaMagazine.org, una
publicación independiente promovida por la Fundación Simons para
potenciar la comprensión de la ciencia.
Referencias: «Orientation selectivity from very sparse LGN inputs in a comprehensive model of macaque V1 cortex», Logan Chariker, Robert Shapley y Lai-Sang Young en Journal of Neuroscience, vol. 36, n.º 49, págs. 12368-12384, 7 de diciembre de 2016; «Rhythm and synchrony in a cortical network model», Logan Chariker, Robert Shapley y Lai-Sang Young en Journal of Neuroscience, vol. 38, n.º 40, págs. 8621-8634, 3 de octubre de 2018.-
-
No hay comentarios:
Publicar un comentario