La geometría del pensamiento: cómo las poblaciones neuronales codifican la flexibilidad

Kira y Panzeri (Florida State University y UKE Hamburgo) sintetizan el estado del campo en un área central: ¿cómo hace el cerebro para que la misma entrada sensorial guíe acciones distintas según el contexto? La respuesta emerge de cuatro mecanismos poblacionales. El primero es la selectividad mixta no lineal: cuando una neurona responde de forma combinada a la categoría del estímulo y a la regla de la tarea —no a cada uno por separado—, el espacio de representaciones crece exponencialmente, como si añadir una dimensión extra al plano expandiera la capacidad de separar casos que antes se confundían. El segundo mecanismo son las geometrías poblacionales dependientes de tarea: la forma que adopta la nube de activaciones en el espacio neuronal no es fija, sino que se reconfigura con el aprendizaje.

Los otros dos mecanismos son los subespacios representacionales compartidos —dimensiones del espacio de activaciones que distintas tareas reutilizan, favoreciendo la generalización sin sacrificar flexibilidad— y las correlaciones estructuradas entre neuronas: la covarianza de la actividad neuronal no es ruido, sino que transmite selectivamente información contexto-específica a circuitos descendentes. La revisión integra evidencia de registros multielectrodo en primates y ratones con modelos computacionales de redes recurrentes entrenadas con gradiente.

Tarka, Gaucher y Walker (Universidad de Oxford) registraron la actividad individual de cientos de neuronas de la corteza auditiva del hurón mientras variaban sistemáticamente dos propiedades físicas de los sonidos: su estructura armónica (si los parciales del sonido forman una serie de múltiplos del tono fundamental, como en un instrumento musical) y su periodicidad temporal (el ritmo con que se repiten los pulsos del sonido). Ambas propiedades producen la misma percepción de tono —la sensación de "nota musical"—, pero por caminos físicos distintos. Encontraron tres subpoblaciones neuronales: unas responden solo a la estructura armónica, otras solo a la periodicidad temporal, y una tercera —la más llamativa— muestra sintonía invariante al tono: responde igual sin importar cuál de las dos claves físicas lo genere.

Este es el primer reporte de neuronas con invarianza de tono en un mamífero no primate. Hasta ahora, esa propiedad se consideraba exclusiva de primates o dependiente de áreas especializadas. El hallazgo sugiere que el mecanismo de abstracción de pitch —extraer la frecuencia fundamental independientemente de la física del sonido— puede ser una solución evolutiva más generalizada en mamíferos. Metódicamente, el estudio combina electrofisiología multicanal con diseño experimental factorial cruzado que separa ambas claves de forma ortogonal.

Aquino, Kim y Rungratsameetaweemana (Universidad de Columbia) estudiaron cómo la corteza visual del ratón ajusta el procesamiento sensorial según la tarea que el animal está realizando. Entrenaron redes neuronales recurrentes —modelos computacionales que imitan la arquitectura de circuitos corticales— en una tarea de discriminación con instrucción y descubrieron que las redes desarrollaban espontáneamente un motivo de circuito: una interneurona (neurona inhibitoria que controla la actividad de otras neuronas) que inhibe a otra interneurona, liberando así a la neurona principal de la inhibición —un proceso llamado desinhibición. Esta cadena actúa como un interruptor: en el contexto correcto, la interneurona desinhibitoria "abre la compuerta" y permite que la información sensorial relevante fluya; en otro contexto, la mantiene cerrada.

Los experimentos de perturbación y lesión en el modelo confirmaron que ese motivo es necesario: sin él, el rendimiento en la tarea colapsa y las representaciones sensoriales de distintos contextos se fusionan. Crucialmente, cuando registraron interneuronas en la corteza visual del ratón vivo, encontraron exactamente los patrones de actividad predichos por el modelo: la modularidad entre inhibición e información sensorial que la red aprendió a construir existe también en el tejido biológico.

Durian, Bojanek, Marre y Palmer (Universidad de Chicago e Institut de la Vision) abordaron un problema clásico: la retina tiene muchas más células fotorreceptoras que células ganglionares (las neuronas que forman el nervio óptico), así que comprime enormemente la señal antes de enviarla al cerebro. ¿Cuál es el criterio de esa compresión? Los autores compararon diferentes estrategias matemáticas de compresión bajo escenas naturales y encontraron que comprimir preservando específicamente la información predictiva —es decir, la que permite anticipar cómo cambiará la escena en el siguiente instante— produce células ganglionares artificiales que predicen el futuro de la imagen casi óptimamente. Las otras estrategias de compresión, más eficientes en teoría, no logran ese rendimiento predictivo.

El marco teórico combina teoría de la información (la rama de las matemáticas que cuantifica cuánto "sabe" una señal sobre otra) con modelos de escenas naturales calibrados experimentalmente. La comparación entre comprimir para eficiencia genérica versus comprimir para predicción reveló que la retina biológica, con sus propiedades conocidas de células ganglionares, se ajusta mejor a la segunda estrategia. Es un argumento de principio primero —la función define la estructura— luego validado con datos reales de electrofisiología retiniana.

Auer, Chen, Stubenrauch, Lindner y Kempter (Humboldt-Universität Berlin) investigaron un principio fundamental del aprendizaje neuronal: la regla de Hebb establece que cuando dos neuronas se activan juntas, el vínculo sináptico entre ellas se fortalece ("las neuronas que disparan juntas, se conectan"). Pero ¿qué tan fuerte debe ser esa modificación? El estudio demuestra que la respuesta depende de qué tan escaso sea el código, es decir, de qué proporción de neuronas de la población se activa al representar cada patrón. En código muy escaso —pocas neuronas activas por patrón, como ocurre en el hipocampo—, las sinapsis deben cambiar de forma más pronunciada en cada ensayo para maximizar cuántos recuerdos puede almacenar la red.

El análisis combina simulaciones de redes prealimentadas con plasticidad hebbiana y homeostática, y una teoría analítica que predice exactamente la capacidad de memoria en función de la esparcidad y la intensidad del aprendizaje. Un resultado particularmente fino: la relación entre esparcidad de entrada y capacidad de memoria es no monótona —hay un nivel óptimo de esparcidad de input más allá del cual añadir más esparcidad empieza a reducir la capacidad. Por contraste, la esparcidad en la salida sí se relaciona monótonamente con la capacidad.