Un nuevo algoritmo separa los patrones cerebrales intrínsecos de la información sensorial

(Fuente de la imagen: Omid Sani, utilizando IA generativa)

Maryam Shanchiprofesora del decano de ingeniería eléctrica e informática y directora fundadora del Centro de Neurotecnología de la USC, y su equipo han desarrollado un nuevo método de aprendizaje automático que revela patrones cerebrales intrínsecos sorprendentemente consistentes en diferentes sujetos al aislar estos patrones de la influencia de la información visual.

El trabajo fue publicado en procedimientos de la Academia Nacional de Ciencias (Bnas).

Al realizar diversos comportamientos de movimiento cotidianos, como coger un libro, nuestro cerebro debe recibir información, a menudo en forma de información visual (por ejemplo, ver dónde está el libro). Luego, nuestro cerebro tiene que procesar esta información internamente para coordinar nuestra actividad muscular y realizar el movimiento. Pero, ¿cómo realizan tal tarea los millones de neuronas de nuestro cerebro? Responder a esta pregunta requiere estudiar los patrones de actividad colectiva de las neuronas, pero hacerlo separando la influencia de las entradas de los procesos intrínsecos (también conocidos como intrínsecos) de las neuronas, ya sea que estén relacionados con el movimiento o no.

Maryam Chanchi (Crédito de la foto: USC Athletics/John McGillen)

Eso es lo que hicieron Shanichi, su estudiante de doctorado Parsa Vahidi y un investigador asociado en su laboratorio, Omid Sani, al desarrollar un nuevo método de aprendizaje automático que modela la actividad neuronal teniendo en cuenta tanto el comportamiento motor como la información sensorial.

«Los métodos anteriores de análisis de datos cerebrales tenían en cuenta la actividad neuronal y la información, pero no el comportamiento, o tenían en cuenta la actividad neuronal y el comportamiento, pero no la información», dijo Shanici. «Desarrollamos un método que puede tener en cuenta las tres señales (actividad neuronal, comportamiento e información) al extraer patrones cerebrales ocultos. Esto nos permitió no solo separar los patrones neuronales que eran intrínsecos y relacionados con la información, sino también separar los intrínsecos». patrones que estaban relacionados con el comportamiento de movimiento y los que no”.

Shanichi y su equipo utilizaron este método para estudiar tres conjuntos de datos disponibles públicamente, en los que tres personas diferentes realizaban una de dos tareas de movimiento distintas, que consistían en mover el cursor en una pantalla de computadora sobre una cuadrícula o moverlo secuencialmente a ubicaciones aleatorias.

«Cuando se utilizaron métodos que no tenían en cuenta las tres señales, los patrones en la actividad neuronal de estas tres personas parecían diferentes». Dijo Wahidi. Pero cuando el equipo utilizó el nuevo método para observar las tres señales, surgió un patrón sutil de actividad neuronal notablemente consistente para los tres sujetos que era relevante para el movimiento. Esta similitud se produjo a pesar de que las tareas realizadas por las tres personas también eran diferentes.

«Además de revelar este nuevo patrón consistente, el método también mejoró la predicción de la actividad y el comportamiento neuronal en comparación con cuando las tres señales no se tuvieron en cuenta durante el aprendizaje automático, como en trabajos anteriores». Dijo Sunny. «El nuevo método permite a los investigadores modelar datos neuronales y de comportamiento con mayor precisión al tener en cuenta diferentes entradas medidas al cerebro, como entradas sensoriales como en este trabajo, estimulación eléctrica u optogenética, o incluso entradas de diferentes regiones del cerebro».

Este método y el patrón descubierto pueden ayudar a comprender cómo nuestro cerebro realiza movimientos, guiado por la información que recibimos del mundo exterior. Además, al modelar la influencia de las entradas y aislar patrones intrínsecos relevantes para el comportamiento, este método podría ayudar en el desarrollo de futuras interfaces cerebro-computadora que regulen patrones cerebrales anormales en trastornos como la depresión mayor mediante la optimización de entradas externas como la terapia de estimulación cerebral profunda. . .

«Estamos entusiasmados con la forma en que este algoritmo puede facilitar los descubrimientos científicos y el desarrollo de futuras neurotecnologías para millones de pacientes con trastornos neurológicos o neuropsiquiátricos», dijo Shanishi.

Publicado el 14 de febrero de 2024

Última actualización el 14 de febrero de 2024