Científicos desarrollan una herramienta que mejora la comprensión de los circuitos cerebrales durante el comportamiento en animales.
Investigadores de siete instituciones, liderados por la Universidad de Duke, crearon un clasificador basado en inteligencia artificial (AI) capaz de identificar tipos neuronales a partir de registros eléctricos en cerebros de ratones y monos. Esta herramienta de AI permite identificar el tipo de neurona que genera señales eléctricas en el cerebelo, una región del cerebro clave para el control del movimiento. El estudio fue publicado en la revista Cell y representa un avance metodológico que podría transformar la investigación neurocientífica al facilitar el análisis de circuitos cerebrales en tiempo real.
El cerebelo desempeña funciones esenciales en la coordinación del movimiento y el equilibrio. Aunque los investigadores han podido registrar señales eléctricas en esta región durante décadas, no contaban con una forma precisa de saber qué tipo de neurona emitía cada señal.
Para resolver este desafío, científicos de la Universidad de Duke y otras seis instituciones desarrollaron un clasificador de deep learning o aprendizaje profundo entrenado con datos obtenidos mediante optogenética y farmacología. El modelo fue diseñado para identificar cuatro tipos de neuronas cerebelosas: células de Purkinje, interneuronas de la capa molecular, células de Golgi y fibras musgosas.
El procedimiento comenzó con la creación de una base de datos de referencia que asoció firmas eléctricas específicas con cada tipo de neurona, en animales despiertos. Luego, el equipo entrenó un clasificador de inteligencia artificial capaz de predecir el tipo neuronal a partir de características como la forma de onda, la estadística de descarga y la ubicación del registro.
El clasificador demostró una precisión superior al 95% y coincidió con las clasificaciones realizadas por expertos en diferentes laboratorios, utilizando distintos equipos y especies animales. Además, permitió observar dinámicas poblacionales distintas entre tipos neuronales durante tareas conductuales, abriendo nuevas líneas de análisis sobre cómo el cerebro transforma entradas sensoriales en acciones.
Para el profesor Stephen Lisberger, del Departamento de Neurobiología de Duke, este avance permite abordar preguntas que han estado sin respuesta desde la década de 1970. Por su parte, Javier Medina, del Baylor College of Medicine, explicó que el modelo permite distinguir “quién está hablando” en las conversaciones neuronales, al identificar los grupos celulares por su “idioma eléctrico”.
El desarrollo del modelo fue liderado por siete co-primeros autores, incluidos David Herzfeld (Duke), Maxime Beau y Federico D’Agostino, y forma parte de un proyecto de colaboración internacional iniciado en 2018. Herzfeld destacó que esta herramienta permite vincular la actividad eléctrica con la identidad celular, facilitando el estudio funcional de los circuitos cerebrales y su relación con trastornos neurológicos.
Esta herramienta habilita nuevas formas de estudiar cómo el cerebro transforma señales sensoriales en comportamientos observables, y podría contribuir a futuras investigaciones sobre trastornos del movimiento, el habla y el equilibrio.
