Nuevo modelo de cómo el cerebro procesa información compleja
8 DE MAYO DE 2020
Los investigadores desarrollan un nuevo modelo de cómo el cerebro procesa información compleja
El cerebro humano es un procesador de información altamente avanzado compuesto por más de 86 mil millones de neuronas. Los humanos son expertos en reconocer patrones de redes complejas, como los idiomas, sin ninguna instrucción formal. Anteriormente, los científicos cognitivos intentaron explicar esta capacidad al representar el cerebro como una computadora altamente optimizada, pero ahora hay una discusión entre los neurocientíficos de que este modelo podría no reflejar con precisión cómo funciona el cerebro.
Ahora, los investigadores de la Universidad de Pensilvania han desarrollado un modelo diferente de cómo el cerebro interpreta los patrones de redes complejas . Publicado en Nature Communications , este nuevo modelo muestra que la capacidad de detectar patrones proviene en parte del objetivo del cerebro de representar las cosas de la manera más simple posible. Su modelo representa el cerebro como un equilibrio constante entre la precisión y la simplicidad al tomar decisiones. El trabajo fue realizado por la la estudiante de Ph.D. en física, Christopher Lynn, y la estudiante de Ph.D. en neurociencia, Ari Kahn y la profesora Danielle Bassett.
Este nuevo modelo se basa en la idea de que las personas cometen errores al tratar de dar sentido a los patrones, y estos errores son esenciales para tener una idea general. "Si observa de cerca a un puntillista, puede identificar correctamente cada punto. Si retrocede 20 pies, los detalles se vuelven borrosos, pero obtendrá una mejor idea de la estructura general", dice Lynn.
Para probar su hipótesis, los investigadores realizaron un conjunto de experimentos similares a un estudio previo de Kahn. Ese estudio encontró que cuando a los participantes se les mostraban elementos repetidos en una secuencia, como ABCB, etc., eran automáticamente sensibles a ciertos patrones sin ser explícitamente conscientes de que los patrones existían. "Si experimenta una secuencia de información, como escuchar el habla, puede recoger ciertas estadísticas entre elementos sin ser consciente de cuáles son esas estadísticas", dice Kahn.
Para comprender cómo el cerebro comprende automáticamente tales asociaciones complejas dentro de las secuencias, a 360 participantes del estudio se les mostró una pantalla de computadora con cinco cuadrados grises correspondientes a cinco teclas en un teclado. Como dos de los cinco cuadrados cambiaron de gris a rojo, los participantes tuvieron que golpear las teclas de la computadora que correspondían a los cuadrados cambiantes. Para los participantes, el patrón de cuadrados que cambiaban de color era aleatorio, pero las secuencias en realidad se generaron usando dos tipos de redes.
Los investigadores descubrieron que la estructura de la red afectaba la rapidez con la que los participantes podían responder a los estímulos, una indicación de sus expectativas sobre los patrones subyacentes. Las respuestas fueron más rápidas cuando a los participantes se les mostraron secuencias que se generaron usando una red modular en comparación con las secuencias que provienen de una red reticular.
Si bien estos dos tipos de redes se ven diferentes para el ojo humano a gran escala, en realidad son estadísticamente idénticos entre sí a pequeña escala. Hay el mismo número de conexiones entre los nodos y los bordes, a pesar de que la forma general es diferente. "A una computadora no le importaría esta diferencia en la estructura a gran escala, pero está siendo captada por el cerebro. Los sujetos podrían comprender mejor la estructura subyacente de la red modular y anticipar la próxima imagen", dice Lynn.
Usando herramientas de la teoría de la información y el aprendizaje por refuerzo , los investigadores pudieron usar estos datos para implementar una métrica de complejidad llamada entropía. "Ser muy aleatorio es lo menos complejo que puedes hacer, mientras que si estabas aprendiendo la secuencia con mucha precisión, eso es lo más complejo que puedes hacer. El equilibrio entre errores y complejidad, o entropía negativa, da lugar a las predicciones de que arroja el modelo", dice Lynn.
Su modelo resultante de cómo el cerebro procesa la información lo representa como equilibrando dos presiones opuestas: complejidad versus precisión. "Puedes ser muy complejo y aprender bien, pero estás trabajando muy duro para aprender patrones", dice Lynn. "O bien, tiene un proceso de menor complejidad, que es más fácil, pero tampoco aprenderá los patrones".
Con su nuevo modelo, los investigadores también pudieron cuantificar este equilibrio utilizando un parámetro beta. Si beta es cero, el cerebro comete muchos errores pero minimiza la complejidad. Si la beta es alta, entonces el cerebro está tomando precauciones para evitar cometer errores. "Todo lo que hace la beta es sintonizar entre lo que está dominando", dice Lynn. En este estudio, 20% de los participantes tenía una beta pequeña, 10% tenía valores beta altos y 70% restante estaba en algún punto intermedio. "Se ve esta amplia difusión de valores beta entre las personas", dice.
Kahn dice que esta idea de equilibrar las fuerzas no fue sorprendente, dada la gran cantidad de información que el cerebro tiene que procesar con una cantidad limitada de recursos y sin gastar demasiado tiempo en decisiones simples. "El cerebro ya está utilizando una gran cantidad de costos metabólicos, por lo que realmente desea maximizar lo que está obteniendo", dice. "Si piensas en algo tan básico como la atención, hay una compensación inherente en maximizar la precisión frente a todo lo demás que estás ignorando".
¿Y qué hay del papel de cometer errores? Su modelo respalda la idea de que el cerebro humano no es una máquina de aprendizaje óptima, sino que cometer errores y aprender de ellos juega un papel muy importante en el comportamiento y la cognición. Parece que poder mirar sistemas complejos de manera más amplia, como alejarse de una pintura puntillista, le da al cerebro una mejor idea de las relaciones generales.
"La estructura de comprensión, o cómo estos elementos se relacionan entre sí, puede surgir de una codificación imperfecta de la información. Si alguien pudiera codificar perfectamente toda la información entrante, no necesariamente entendería el mismo tipo de agrupación de experiencias que lo hacen si hay un poco de confusión, "dice Kahn.
"Lo mejor es que los errores en la forma en que las personas aprenden y perciben el mundo influyen en nuestra capacidad de aprender estructuras. Por lo tanto, estamos muy divorciados de cómo actuaría una computadora", dice Lynn.
Los investigadores ahora están interesados en lo que hace que la red modular sea más fácil de interpretar para el cerebro y también están realizando estudios de resonancia magnética funcional para comprender en qué parte del cerebro se están formando estas asociaciones de red. También tienen curiosidad por saber si el equilibrio entre la complejidad y la precisión de las personas es fluido, si las personas pueden cambiar por sí mismas o si están "establecidas", y también esperan hacer experimentos utilizando entradas de idioma en algún momento en el futuro.
"Después de comprender mejor cómo los humanos adultos sanos construyen estos modelos de red de nuestro mundo, estamos entusiasmados por estudiar las condiciones psiquiátricas como la esquizofrenia en la que los pacientes construyen modelos de sus mundos inexactos o alterados", dice Bassett. "Nuestro trabajo inicial allana el camino para nuevos esfuerzos en el campo emergente de la psiquiatría computacional".
More information: Christopher W. Lynn et al, Abstract representations of events arise from mental errors in learning and memory, Nature Communications (2020). DOI: 10.1038/s41467-020-15146-7
Journal information: Nature Communications
Traducido de Medical Xpress
Comentarios