neurociencia computacional.pdf

7/21/2019 Neurociencia computacional.pdf

1/4

Neurociencia computacional 1

Neurociencia computacional

La Neurociencia computacional es una ciencia interdisciplinar que enlaza los diversos campos de la neurociencia,

la ciencia cognitiva, la ingeniera elctrica, las ciencias de la computacin, la fsica y las matemticas. El trmino fue

introducido por Eric L. Schwartz en una conferencia de 1985 en Carmel, California, a peticin de la Systems

Development Foundation, para ofrecer un resumen del estado actual de un campo que hasta entonces era nombrado

de muy diversas formas: modelado neural, teora cerebral y redes neurales. Las actas de esta reunin definitoria

fueron publicadas ms tarde en el libro "Neurociencia Computacional", MIT Press (1990). Las primeras races

histricas del campo pueden ser rastreadas hasta el trabajo de personas como Hodgkin y Huxley, Hubel y Wiesel, y

David Marr, por nombrar unos pocos. Hodgkin y Huxley desarrollaron la pinza de voltaje y crearon el primer

modelo matemtico del potencial de accin. Hubel y Wiesel descubrieron que las neuronas de la corteza visual

primaria, la primera rea cortical que procesa informacin desde la retina, posean campos receptivos orientados y

organizados en columnas (Hubel y Wiesel, 1959). El trabajo de David Marr se centr en las interacciones entre

neuronas, sugeriendo un acercamiento computacional al estudio de cmo ciertos grupos funcionales de neuronas en

el hipocampo y el neocrtex interactan, almacenan, procesan y transmiten informacin. Los modelos

computacionales biolgicamente realistas de neuronas y dendritas comenzaron con las investigaciones de Wilfrid

Rall, y el primer modelo multicompartimental se bas en la teora de cables.

La neurociencia computacional difiere del conexionismo psicolgico y de las teoras del aprendizaje de disciplinas

como el aprendizaje automtico, las redes neurales y la teora del aprendizaje estadstico en que enfatiza las

descripciones funcional y biolgicamente realistas de neuronas (y sistemas neurales), su fisiologa y su dinmica.

Estos modelos captan las caractersticas esenciales del sistema biolgico en mltiples escalas espacio-temporales

desde las corrientes de membranas, protenas y acomplamiento qumico hasta las oscilaciones de redes, la

arquitectura topogrfica y de columnas, y el aprendizaje y la memoria. Estos modelos computacionales se usan para

probar hiptesis que puedan ser verificadas directamente mediante experimentos biolgicos actuales o futuros.

En la actualidad, este campo est experimentando una rpida expansin. Existe gran variedad de programas, como elGENESIS o el NEURON, que permiten un veloz y sistemtico modelado in silico de neuronas realistas. El proyecto

Blue Brain, una colaboracin entre IBM y la Escuela Politcnica Federal de Lausanne, pretende construir una

simulacin biofsica detallada de una columna cortical en el superordenador Blue Gene. Este proyecto internacional

tiene un subproyecto Cajal Blue Brain desarrollado en Espaa, coordinado por la Universidad Politcnica de Madrid

(Facultad de Informtica y CeSViMa) en colaboracin con el Instituto Cajal del CSIC.

Temas Principales

Los desarrollos de la neurociencia computacional se pueden clasificar en varias lneas de investigacin. La mayora

de neurocientficos computacionales se basan en investigaciones experimentales centradas en analizar nuevos datos y

sintetizar nuevos modelos de fenmenos biolgicos.

Modelado de Neuronas Individuales

Cada neurona individual posee caractersticas biofsicas complejas. El modelo original de Hodgkin y Huxley

empleaba nicamente dos corrientes sensibles al voltaje: el sodio de accin rpida y el potasio de rectificacin

interna. A pesar de los xitos en la prediccin del ritmo y las caractersticas cualitativas del potencial de accin,

resultaba imposible predecir ciertas caractersticas esenciales tales como la adaptacin y la derivacin elctrica. Hoy

en da los cientficos creen que existe una amplia gama de corrientes sensibles al voltaje, y que las implicaciones de

las dinmicas diferenciales, las modulaciones y la sensibilidad de estas corrientes son un tema importante en la

neurociencia computacional (vase: Johnston y Wu, 1994).
http://es.wikipedia.org/w/index.php?title=CSIChttp://es.wikipedia.org/w/index.php?title=Instituto_Cajalhttp://es.wikipedia.org/w/index.php?title=CeSViMahttp://es.wikipedia.org/w/index.php?title=Facultad_de_Inform%C3%A1ticahttp://es.wikipedia.org/w/index.php?title=Universidad_Polit%C3%A9cnica_de_Madridhttp://es.wikipedia.org/w/index.php?title=Espa%C3%B1ahttp://es.wikipedia.org/w/index.php?title=Cajal_Blue_Brainhttp://es.wikipedia.org/w/index.php?title=Blue_Genehttp://es.wikipedia.org/w/index.php?title=Superordenadorhttp://es.wikipedia.org/w/index.php?title=%C3%89cole_Polytechnique_F%C3%A9d%C3%A9rale_de_Lausannehttp://es.wikipedia.org/w/index.php?title=IBMhttp://es.wikipedia.org/w/index.php?title=Blue_Brainhttp://es.wikipedia.org/w/index.php?title=Neuron_%28software%29http://es.wikipedia.org/w/index.php?title=GENESIS_%28software%29http://es.wikipedia.org/w/index.php?title=Teor%C3%ADa_del_aprendizaje_estad%C3%ADsticohttp://es.wikipedia.org/w/index.php?title=Red_neuronal_artificialhttp://es.wikipedia.org/w/index.php?title=Aprendizaje_autom%C3%A1ticohttp://es.wikipedia.org/w/index.php?title=Conexionismohttp://es.wikipedia.org/w/index.php?title=Teor%C3%ADa_de_cableshttp://es.wikipedia.org/w/index.php?title=Hipocampo_%28anatom%C3%ADa%29http://es.wikipedia.org/w/index.php?title=Retinahttp://es.wikipedia.org/w/index.php?title=Corteza_visual_primariahttp://es.wikipedia.org/w/index.php?title=Corteza_visual_primariahttp://es.wikipedia.org/w/index.php?title=Neuronahttp://es.wikipedia.org/w/index.php?title=Potencial_de_acci%C3%B3nhttp://es.wikipedia.org/w/index.php?title=David_Marr_%28psic%C3%B3logo%29http://es.wikipedia.org/w/index.php?title=Torsten_Wieselhttp://es.wikipedia.org/w/index.php?title=David_H._Hubelhttp://es.wikipedia.org/w/index.php?title=Andrew_Huxleyhttp://es.wikipedia.org/w/index.php?title=Alan_Hodgkinhttp://es.wikipedia.org/w/index.php?title=Matem%C3%A1ticashttp://es.wikipedia.org/w/index.php?title=F%C3%ADsicahttp://es.wikipedia.org/w/index.php?title=Ciencias_de_la_computaci%C3%B3nhttp://es.wikipedia.org/w/index.php?title=Ingenier%C3%ADa_el%C3%A9ctricahttp://es.wikipedia.org/w/index.php?title=Ciencia_cognitivahttp://es.wikipedia.org/w/index.php?title=Neurociencia


2/4


Las funciones computacionales de las dendritas complejas se encuentran tambin bajo intensa investigacin. Existe

una gran cantidad de literatura referida a cmo diferentes corrientes interactan con las propiedades geomtricas de

las neuronas (vase: Koch, 1998).

Desarrollo, Diseo Axonal y Orientacin

Cmo se forman los axones y las dendritas durante el desarrollo? Cmo saben los axones hacia dnde orientarse ycmo alcanzar sus destinos? Cmo migran las neuronas hacia la posicin correcta en los sistemas central y

perifrico? Cmo se forman las sinapsis? Sabemos, por la biologa molecular, que las diferentes partes del sistema

nervioso liberan diferentes impulsos qumicos, desde factores de crecimiento a hormonas que modulan e influencian

el crecimiento y desarrollo de conexiones funcionales entre neuronas.

Las investigaciones tericas en el campo de la formacin y diseo de las conexiones sinpticas y su morfologa an

son jvenes. Una hiptesis que ha atrado cierta atencin recientemente es la hiptesis del mnimo cableado, la cual

postula que la formacin de axones y dendritas minimiza el reparto de recursos al tiempo que mantiene el mximo

almacenamiento de informacin (vase: Chklovskii, 2004[1]

.

Procesamiento sensorial

Los primeros modelos de procesamiento sensorial se basaban en el marco terico postulado por Horace Barlow. En

cierto modo eran similares a la hiptesis de mnimo cableado descrita en la seccin anterior, ya que Barlow entenda

el procesamiento de los primeros sistemas sensoriales como una forma de codificacin eficiente, segn la cual las

neuronas codificaban la informacin para minimizar el nmero de espinas neuronales necesarias. Los trabajos

experimentales y computacionales posteriores han apoyado esta hiptesis de una forma u otra.

Las investigaciones actuales en procesamiento sensorial se dividen en dos ramas: los modelos biofsicos de

subsistemas, y los modelos tericos de la funcin perceptiva. Los actuales modelos de la percepcin sugieren que el

cerebro realiza alguna clase de inferencia bayesiana e integra las diferentes informaciones sensoriales para generar

nuestra percepcin del mundo fsico.

Memoria y plasticidad sinptica

Los postulados del aprendizaje hebbiano fueron la base de los primeros modelos de la memoria. Los cientficos han

desarrollado modelos biolgicamente relevantes como la red de Hopfield a fin de comprender las propiedades

asociativas de la memoria de los sistemas biolgicos, en vez de centrarse en cmo se fijan los contenidos. Estos

intentos buscan comprender la formacin de la memoria a medio y largo plazo, localizada en el hipocampo. Se han

construido modelos de memoria funcional, basados en teoras de oscilaciones de redes y actividad persistente, para

capturar algunas caractersticas del crtex prefrontal en el contexto de la memoria. (Ver: Durstewitz et al, 2000)

Uno de los principales problemas de la memoria biolgica es cmo se mantiene y cambia a travs de mtliples

escalas temporales. Sinapsis inestables son fciles de entrenar, pero tienden a la interrpucin estocstica. Las sinapsis

estables se olvidan menos fcilmente, pero son ms difciles de consolidar. Una hiptesis computacional reciente

incluye cascadas de plasticidad (Fusi et al, 2004) que permiten a las sinapsis funcionar en mltiples escalas

temporales. Eso ha llevado al desarrollo de modelos estereoqumicos detallados de sinapsis basadas en el receptor

acetilcolina con el mtodo Monte Carlo, que funcionan en una escala temporal de milisegundos (Coggan et al, 2005).

Es probable que en las prximas dcadas las herramientas computacionales contribuyan enormemente a nuestra

comprensin del funcionamiento de las sinapsis y cmo cambian en relacin a los estmulos externos.
http://es.wikipedia.org/w/index.php?title=M%C3%A9todo_Monte_Carlohttp://es.wikipedia.org/w/index.php?title=Receptor_acetilcolinahttp://es.wikipedia.org/w/index.php?title=Receptor_acetilcolinahttp://es.wikipedia.org/w/index.php?title=Sinapsishttp://es.wikipedia.org/w/index.php?title=Hipocampo_%28anatom%C3%ADa%29http://es.wikipedia.org/w/index.php?title=Red_de_Hopfieldhttp://es.wikipedia.org/w/index.php?title=Donald_Olding_Hebbhttp://es.wikipedia.org/w/index.php?title=Inferencia_bayesianahttp://es.wikipedia.org/w/index.php?title=Hip%C3%B3tesis_de_la_codificaci%C3%B3n_eficientehttp://es.wikipedia.org/w/index.php?title=Horace_Barlowhttp://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=15483599&ordinalpos=1&itool=EntrezSystem2.PEntrez.Pubmed.Pubmed_ResultsPanel.Pubmed_RVDocSumhttp://es.wikipedia.org/w/index.php?title=Hormonahttp://es.wikipedia.org/w/index.php?title=Factor_de_crecimientohttp://es.wikipedia.org/w/index.php?title=Dendritahttp://es.wikipedia.org/w/index.php?title=Ax%C3%B3nhttp://es.wikipedia.org/w/index.php?title=Dendrita


3/4


Comportamiento de las redes

Las neuronas biolgicas se conectan entre s de forma compleja y recurrente. A diferencia de la mayora de redes

neurales artificiales, estas conexiones son escasas y suelen ser especficas. Se desconoce cunta informacin es

transmitida a travs de redes tan escasamente conectadas. Tambin se desconoce cules son las funciones

computacionales de esos patrones de conectividad especfica, si es que las hay.

Las interacciones entre las neuronas de una red pequea pueden reducirse a modelos simples como el modelo de

Ising. La mecnica estadstica de sistemas tan simples es fcil de describir tericamente. Pruebas recientes[cita requerida]

sugieren que la dinmica de redes neuronales arbitrarias puede ser reducida a interacciones de

conjuntos (Schneidman et al, 2006; Shlens et al, 2006.) Pero se desconoce si esas descripciones transmiten alguna

funcin computacional importante. El surgimiento del microscopio de dos fotones y la tcnica de imagen de calcio

permite en la actualidad potentes mtodos experimentales con los que poner a prueba las nuevas teoras sobre redes

neuronales.

Aunque muchos neuro-tericos se decantan por modelos de complejidad reducida, otros argumentan que descifrar

las relaciones de las estructuras funcionales exige incluir tanta estructura neuronal y de redes como sea posible. Los

modelos de este tipo suelen ser diseados en enormes plataformas de simulacin como GENESIS o NEURON.

Referencias

[1] http:/ /www.ncbi. nlm.nih. gov/sites/entrez?Db=pubmed& Cmd=ShowDetailView&TermToSearch=15483599& ordinalpos=1&

itool=EntrezSystem2. PEntrez.Pubmed. Pubmed_ResultsPanel. Pubmed_RVDocSum
http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=15483599&ordinalpos=1&itool=EntrezSystem2.PEntrez.Pubmed.Pubmed_ResultsPanel.Pubmed_RVDocSumhttp://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=15483599&ordinalpos=1&itool=EntrezSystem2.PEntrez.Pubmed.Pubmed_ResultsPanel.Pubmed_RVDocSumhttp://es.wikipedia.org/w/index.php?title=Neuron_%28software%29http://es.wikipedia.org/w/index.php?title=GENESIS_%28software%29http://es.wikipedia.org/w/index.php?title=T%C3%A9cnica_de_imagen_de_calciohttp://es.wikipedia.org/w/index.php?title=Microscopio_de_dos_fotoneshttp://en.wikipedia.org/wiki/Verificabilidadhttp://es.wikipedia.org/w/index.php?title=Mec%C3%A1nica_estad%C3%ADsticahttp://es.wikipedia.org/w/index.php?title=Modelo_de_Isinghttp://es.wikipedia.org/w/index.php?title=Modelo_de_Isinghttp://es.wikipedia.org/w/index.php?title=Red_neural_artificialhttp://es.wikipedia.org/w/index.php?title=Red_neural_artificial


4/4

Fuentes y contribuyentes del artculo 4

Fuentes y contribuyentes del artculoNeurociencia computacionalFuente: http://es.wikipedia.org/w/index.php?oldid=65535649 Contribuyentes: Andreasmperu, Smoken Flames, Transon, Urdangaray, 1 ediciones annimas

LicenciaCreative Commons Attribution-Share Alike 3.0

//creativecommons.org/licenses/by-sa/3.0/

neurociencia computacional.pdf

Documents