Modelado matemático de la plasticidad y homeostasis en el hipocampo de un ratón.

Ponente(s): Liubove Orlov Savko

Las neuronas se comunican entre sí por medio de impulsos eléctricos, llamados también disparos. Se cree que la mayor parte de la información se encapsula en la tasa de disparo de la neurona, es decir, cantidad de disparos ocurridos en cierta cantidad de tiempo, dividida entre esa cantidad. Estudiar tasas de disparo nos puede ayudar a entender el código neuronal. Un descubrimiento sorprendente, descrito en el artículo “Interplay between population firing stability and single neuron dynamics in hippocampal networks”, Edden Slomowitz et al., fue que la tasa de disparo poblacional en las redes neuronales del hipocampo de un ratón se mantiene constante a pesar de tener estímulos externos cambiantes, mientras que la tasa de disparo individual es altamente inestable. Esto quiere decir que hay un proceso de autorregulación en la red neuronal que mantiene estable la tasa de disparo global. El experimento que se llevó a cabo para confirmar esto consistía en suprimir la actividad sináptica usando el baclofeno, un agonista de los receptores del GABA¬B – principal neurotransmisor inhibitorio. Para cantidades distintas de baclofeno introducido en la red, se registraban las tasas de disparo individuales de cada una de las neuronas observadas, y la tasa de disparo poblacional. Al cambiar la cantidad introducida de este agonista se ha notado que la tasa de disparo poblacional se estabiliza después de cierto tiempo y regresa a su valor original, es decir, el valor que tenía antes de haber introducido el baclofeno, mientras que la mayoría de las tasas de disparo individuales cambian. Este experimento es puramente de laboratorio, y no hay ningún análisis cuantitativo al respecto. Mi objetivo fue cambiar eso. Aprovechando varios modelos de aprendizaje neuronal existentes, elaboré un programa usando Wolfram Mathematica. Analicé las ventajas y desventajas de los modelos neuronales existentes en cuanto a la propiedad introducida en el párrafo anterior, y propuse uno, biológicamente factible, que imite dicha propiedad. En particular analizamos el principal modelo biológico de aprendizaje: el modelo de Hebb; analizamos el método del gradiente más empinado y, por último, el que propusimos nosotros: un algoritmo basado en las tasas de disparo locales, concepto que expongo en mi trabajo. Este fenómeno es considerado la base para la memoria y el aprendizaje, pues la red es suficientemente estable – las memorias anteriores no son eliminadas, pero a la vez es suficientemente inestable, lo que da lugar a nuevos aprendizajes. Estudiar este fenómeno es importante para entender una de las funciones más misteriosas del cerebro – la memoria, y ahora que existen las computadoras y lenguajes computacionales tan avanzados, es posible hacer un análisis muy riguroso, dando resultados bastante fructíferos. Podemos variar parámetros en las simulaciones que programé y observar los resultados, facilitando la comprensión de propiedades de las redes neuronales que no se podrían descubrir con una sola observación experimental. Analizar este fenómeno y haber propuesto un nuevo modelo puede ser un pasito que nos encaminará decodificar el enigma del código neuronal.