Un nuevo y enorme conjunto de datos empuja los límites de la neurociencia
Por lo tanto, los neurocientíficos utilizan un enfoque llamado «reducción de la dimensionalidad» para hacer posible esta visualización: toman datos de miles de neuronas y, aplicando técnicas inteligentes de álgebra lineal, describen sus actividades utilizando solo unas pocas variables. Esto es exactamente lo que hicieron los psicólogos en la década de 1990 para definir sus cinco dominios principales de la personalidad humana: apertura, amabilidad, escrupulosidad, extroversión y neuroticismo. Descubrieron que simplemente sabiendo cómo puntuó un individuo en estos cinco rasgos, podían predecir de manera efectiva cómo esa persona respondería cientos de preguntas en una prueba de personalidad.
Pero las variables extraídas de los datos neuronales no se pueden expresar en una sola palabra como «apertura». Son más como patrones, patrones de actividad que abarcan poblaciones neuronales enteras. Algunos de estos patrones pueden definir los ejes de un gráfico, en el que cada punto representa una combinación diferente de estos patrones, su propio perfil de actividad único.
Hay inconvenientes en reducir los datos de miles de neuronas a solo unas pocas variables. Al igual que tomar una imagen 2D de un paisaje urbano 3D hace que algunos edificios sean totalmente invisibles, agrupar un conjunto complejo de datos neuronales en solo unas pocas dimensiones elimina muchos detalles. Pero trabajar en unas pocas dimensiones es mucho más manejable que mirar miles de neuronas individuales a la vez. Los científicos pueden trazar patrones de actividad en evolución en los ejes definidos por los patrones para observar cómo cambia el comportamiento de las neuronas con el tiempo. Este enfoque ha demostrado ser particularmente exitoso en la corteza motora, una región donde las respuestas confusas e impredecibles de una sola neurona han desconcertado a los investigadores durante mucho tiempo. Sin embargo, vistas colectivamente, las neuronas trazan trayectorias regulares, a menudo circulares. Las características de estas trayectorias se correlacionan con aspectos particulares del movimiento; su ubicación, por ejemplo, es relacionado con la velocidad.
Olsen dice que espera que los científicos utilicen la reducción de la dimensionalidad para extraer patrones interpretables de datos complejos. «No podemos hacerlo neurona por neurona», dice. «Necesitamos herramientas estadísticas, herramientas de aprendizaje automático, que puedan ayudarnos a encontrar una estructura en los grandes datos».
Pero esta línea de investigación aún está en sus inicios, y los científicos están luchando por ponerse de acuerdo sobre el significado de los patrones y las trayectorias. “La gente pelea todo el tiempo sobre si estas cosas son fácticas”, dice John Krakauer, profesor de neurología y neurociencia en la Universidad Johns Hopkins. «¿Son reales? ¿Pueden ser interpretados tan fácilmente [as single-neuron responses]? No se sienten tan arraigados y concretos.
Traer estas trayectorias de regreso a la tierra requerirá el desarrollo de nuevas herramientas analíticas, dice Churchland, una tarea que seguramente se verá favorecida por la disponibilidad de conjuntos de datos a gran escala como los del Instituto Allen. Y las capacidades únicas del instituto, con sus bolsillos profundos y su enorme personal de investigación, le permitirán producir una mayor cantidad de datos para probar estas herramientas. El instituto, dice Olsen, funciona como un observatorio astronómico: ningún laboratorio podría pagar por sus tecnologías, pero toda la comunidad científica se beneficia y contribuye a sus capacidades experimentales.
Actualmente, dice, el Instituto Allen está trabajando en conducir un sistema donde los científicos de toda la comunidad de investigación pueden sugerir qué tipo de estímulos se deben mostrar a los animales y qué tipo de tareas deben realizar, mientras se registran miles de sus neuronas. A medida que las capacidades de grabación continúan aumentando, los investigadores se esfuerzan por diseñar paradigmas experimentales más ricos y realistas para observar cómo responden las neuronas a los tipos de tareas desafiantes del mundo real que impulsan sus habilidades colectivas. «Si realmente queremos entender el cerebro, no podemos simplemente mostrar barras que apunten a la corteza», dice Fusi. «Realmente tenemos que seguir adelante»
