MADRID, 17 Jun. (EUROPA PRESS) -
Una investigación realizada por neurocientíficos de la Universidad de Chicago muestra cómo la memoria de trabajo a corto plazo utiliza las redes de neuronas de manera diferente según la complejidad de la tarea en cuestión.
Los investigadores utilizaron técnicas modernas de inteligencia artificial (IA) para entrenar redes neuronales computacionales para resolver una gama de tareas complejas de comportamiento que requerían almacenar información en la memoria a corto plazo.
Las redes de inteligencia artificial se basaron en la estructura biológica del cerebro y revelaron dos procesos distintos involucrados en la memoria a corto plazo. Uno, un proceso "silencioso" donde el cerebro almacena recuerdos a corto plazo sin actividad neuronal en curso, y un segundo proceso más activo donde los circuitos de las neuronas se activan continuamente.
El estudio, dirigido por Nicholas Masse, científico principal de la Universidad de Chicago, y el autor principal David Freedman, profesor de neurobiología, se ha publicado en la revista en 'Nature Neuroscience'.
"La memoria a corto plazo probablemente se compone de muchos procesos diferentes, desde procesos muy simples en los que necesitas recordar algo que viste hace unos segundos, hasta procesos más complejos en los que debes manipular la información que tienes en la memoria --explica Freedman--. Hemos identificado cómo dos mecanismos neuronales diferentes trabajan juntos para resolver diferentes tipos de tareas de memoria".
Muchas tareas diarias requieren el uso de memoria de trabajo, información que debe hacer en el momento pero que probablemente olvidará más adelante. A veces recuerdas activamente algo a propósito, como cuando tienes un problema matemático mental o intentas recordar un número de teléfono antes de que puedas escribirlo. También absorbe pasivamente información que puede recordar más tarde, incluso si no se propuso recordarla, como si alguien le preguntara si vio a una persona en particular en el pasillo.
Los neurocientíficos han aprendido mucho sobre cómo el cerebro representa la información almacenada en la memoria al monitorizar los patrones de actividad eléctrica que recorren el cerebro de los animales mientras realizan tareas que requieren el uso de la memoria a corto plazo. Luego pueden analizar la actividad de las células cerebrales y medir su actividad a medida que los animales realizan las tareas.
Pero Freedman explica que él y su equipo se sorprendieron de que durante ciertas tareas que requerían que la información se guardara en la memoria, sus experimentos encontraron que los circuitos neuronales estaban inusualmente tranquilos. Esto los llevó a especular que estos recuerdos "silenciosos" podrían residir en cambios temporales en la fuerza de las conexiones o sinapsis entre las neuronas.
El problema es que es imposible usar la tecnología actual para medir lo que sucede en las sinapsis durante estos períodos "silenciosos" en el cerebro de un animal vivo. Entonces, Masse, Freedman y su equipo han estado desarrollando enfoques de IA que utilizan datos de experimentos con animales para diseñar redes que pueden simular cómo las neuronas en un cerebro real se conectan entre sí. Luego, pueden entrenar las redes para resolver los mismos tipos de tareas estudiadas en los experimentos con animales.
Durante los experimentos con estas redes neuronales de inspiración biológica, pudieron ver dos procesos distintos en juego durante el procesamiento de la memoria a corto plazo. Uno, llamado actividad neuronal persistente, fue especialmente evidente durante tareas más complejas, pero aún a corto plazo.
Cuando una neurona recibe una entrada, genera un breve aumento eléctrico en la actividad. Las neuronas forman sinapsis con otras neuronas, y cuando una neurona se dispara, se desencadena una reacción en cadena para hacer que se dispare otra neurona. Por lo general, este patrón de actividad se detiene cuando desaparece la entrada, pero el modelo de AI mostró que al realizar ciertas tareas, algunos circuitos de neuronas seguirían activándose incluso después de eliminar una entrada, como una reverberación o eco.
Los investigadores también vieron un segundo proceso que explicaba cómo el cerebro podía mantener la información en la memoria sin actividad persistente, como habían observado en sus experimentos de registro cerebral.
Es similar a la forma en que el cerebro almacena las cosas en la memoria a largo plazo al hacer complejas redes de conexiones entre muchas neuronas. A medida que el cerebro aprende nueva información, estas conexiones se refuerzan, se desvían o se eliminan, un concepto conocido como plasticidad.
Los modelos de IA mostraron que durante los períodos de silencio de la memoria, el cerebro puede usar una forma de plasticidad a corto plazo en las conexiones sinápticas entre las neuronas para recordar información temporalmente.
Ambas formas de memoria a corto plazo duran desde unos pocos segundos hasta unos pocos minutos. Parte de la información utilizada en la memoria de trabajo puede terminar en el almacenamiento a largo plazo, pero la mayor parte se desvanece con el tiempo. "Es como escribir algo con el dedo en un espejo empañado en lugar de escribirlo con un marcador permanente", explica Masse.
El estudio demuestra lo valiosa que se ha convertido la IA en el estudio de la neurociencia y cómo los dos campos se informan entre sí. Freedman señala que las redes neuronales artificiales suelen ser más inteligentes y más fáciles de entrenar en tareas complejas cuando se modelan según el cerebro real. Esto también hace que las redes de IA con inspiración biológica sean mejores plataformas para probar ideas sobre las funciones de las funciones del cerebro real.
"Estos dos campos realmente se benefician entre sí --asegura--. "Los conocimientos de los experimentos de neurociencia están ayudando a crear una inteligencia artificial más inteligente y estudiar circuitos en redes artificiales está ayudando a responder preguntas fundamentales sobre el cerebro".
