%20(3)-Photoroom.png)
POR MEGAN PETERS
Fuente: The Transmitter | 16/10/2024
Imagénes: Quorumetrix Studio
Este artículo cambió mi vida: "la actividad cortical espontánea revela las características de un modelo interno óptimo del entorno", del laboratorio Fiser.
El trabajo de Fiser me enseñó a fundamentar los modelos computacionales en implementaciones biológicamente plausibles.
Del software al wetware: Fiser y sus colegas vincularon modelos computacionales con sistemas biológicos para comprender la inferencia bayesiana.
Ilustración de Julien Posture
Muchas opiniones dominantes en neurociencia sostienen que, cuando se trata de percepción, el cerebro opera realizando algo parecido a la inferencia bayesiana. De algún modo, el cerebro desarrolla e instanciar una expectativa previa sobre lo que es probable que ocurra en el entorno (la distribución de orientaciones de bordes/contornos, por ejemplo) y, a continuación, combina esa expectativa con la información sensorial entrante para formar una estimación posterior que impulsa la percepción, como la orientación de una línea dentro del campo visual.
Todavía se debate cómo los cerebros representan probabilísticamente las expectativas previas y la información sensorial entrante y cómo combinan estas representaciones para crear percepciones.
En este artículo, Jozsef Fiser y sus colegas se preguntan cómo podrían instanciarse neuronalmente los componentes de un modelo bayesiano de percepción, en concreto con respecto a la percepción visual y la actividad del córtex visual en hurones. Su elegante trabajo electrofisiológico demuestra que las expectativas sobre las variables del entorno están representadas en la actividad espontánea continua a nivel de población de las neuronas de la corteza visual, y que esta actividad espontánea converge de forma óptima para parecerse a la actividad evocada en respuesta a estímulos sensoriales naturalistas a medida que el animal se desarrolla y aprende a través de la experiencia.
¿Cuándo conoció este artículo?
Más o menos cuando se publicó, a finales de 2011 o principios de 2012.
¿Por qué es importante para usted este artículo?
Estaba a mitad de mi doctorado y empezaba a darme cuenta de la extrema dificultad de estudiar cómo se representa la información perceptiva probabilística en el cerebro.
Este fue el primer artículo que leí sobre el tema en el que sentí que la explicación y las pruebas presentadas me resultaban inmediatamente «comprensibles». Proporcionaba una visión sucinta y holística de cómo el cerebro podría representar la información perceptiva probabilística, y respondía explícitamente a la pregunta de cómo se combinan las expectativas previas y la información entrante en regiones superpuestas del cerebro; de hecho, ¡en poblaciones neuronales superpuestas! Al leer este artículo y sentir que lo entendía, me sentí más seguro de poder comprender otras publicaciones sobre el tema e incluso de poder aportar mis propias ideas a la conversación.
¿Cómo cambió esta investigación su forma de pensar sobre la neurociencia (o un subcampo dentro de la neurociencia) o desafió sus suposiciones previas?
Durante mi doctorado estudié los cálculos subyacentes a la percepción multisensorial, principalmente en humanos. Mi objetivo era explicar cómo el cerebro integra las pruebas sensoriales procedentes de múltiples fuentes (visuales y hápticas) con las expectativas previas sobre el tamaño y la densidad de los objetos para producir la percepción de pesadez.
Mis colegas y yo habíamos desarrollado algunos modelos jerárquicos de inferencia causal bayesiana que parecían coincidir con el comportamiento humano, pero me costaba vincular conceptualmente esos modelos con el cerebro. La inferencia bayesiana está muy bien, pero me parecía que si no estaba relacionada con lo que el cerebro hace en realidad, faltaba algo crucial en las explicaciones que yo buscaba con tanto esfuerzo.
Había leído otros artículos que pretendían establecer este vínculo y estaba trabajando para comprenderlo, pero seguía sin sentirme satisfecho. Cuando leí este artículo, las cosas empezaron a tener más sentido.
Era la primera vez que veía un ejemplo tangible de la relación que estaba buscando. Fue la primera vez que vi un ejemplo tangible de la relación que buscaba y me dio una base real para el trabajo de modelización que hacía entonces y que sigo haciendo hoy en día. Esta base vuelve una y otra vez incluso ahora, obligándome a considerar siempre cómo el «software» sobre percepción, metacognición y experiencia subjetiva que intento aplicar mediante ingeniería inversa se traduce al wetware humano.
¿Cómo influyó esta investigación en su trayectoria profesional?
Este trabajo fue el catalizador de lo que se convirtió en una fascinación por encontrar formas de intervenir en poblaciones específicas de células identificadas no por su ubicación, sino por su función como parte de un todo dinámico. Empecé a pensar en vínculos más directos entre modelos computacionales e implementaciones biológicamente plausibles y, lo que es más importante, en cómo podría llegar al nivel de granularidad típico de la electrofisiología en organismos modelo mediante métodos no invasivos en humanos.
Como investigadora posdoctoral, trabajé por primera vez con datos electrofisiológicos de monos y electrocorticografía humana, y me entusiasmó la idea de ensuciarme las manos con código escrito a medida para observar la dinámica de pequeñas ventanas al cerebro. La influencia de este artículo me llevó a vincular mis modelos a representaciones y dinámicas neuronales específicas, y me impulsó a sugerir nuevas formas de utilizar la resonancia magnética funcional en tiempo real para probar modelos computacionales de metacognición perceptiva.
Muchas de las ideas más locas y de los proyectos más apasionantes que he llevado a cabo en mi carrera probablemente se deban en cierto modo a la lectura de este artículo en la escuela de posgrado.
¿Hay algún aspecto infravalorado de este artículo que crea que otros neurocientíficos deberían conocer?
No se trata de este artículo en sí, pero creo que cualquier persona interesada en estos conceptos debería ser consciente de que el debate sobre cómo el cerebro representa la información probabilística y realiza cálculos «tipo Bayes» sigue siendo un tema candente. Por ejemplo, la conversación constituye la base de una de las actuales «Generative Adversarial Collaborations» que han surgido de la conferencia Cognitive Computational Neuroscience.
Animo a la gente a que no pierda de vista este trabajo.
Comments