N.71 – Simulación de procesos en trastornos

Con el fin de contribuir con el diseño de nuevas terapias, investigadores argentinos utilizaron una herramienta computacional para simular el funcionamiento de la corteza cerebral y poder comprender mejor la relación entre procesos fisiológicos y perceptuales que tendrían lugar en personas con trastornos del espectro autista (TEA).

El trabajo fue desarrollado por investigadores del CONICET (Rodrigo Echeveste, Diego Milone y Enzo Ferrante) en el Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional, CONICET-UNL), y contó también con la participación de Inés Samengo, investigadora del CONICET y directora del Departamento de Física Médica del Centro Atómico Bariloche.

Para abordar la relación entre los procesos fisiológicos y perceptuales que ocurren en personas con TEA el equipo de investigación modificó un modelo de computación diseñado para imitar el funcionamiento de la corteza cerebral a partir de estímulos visuales. El modelo original había sido desarrollado por Echeveste en un trabajo previo realizado durante su estancia postdoctoral en la Universidad de Cambridge (Reino Unido) (1) (2).

Con base en estudios anteriores, se considera que -en las personas con autismo- el balance entre la información sensorial del mundo exterior y las propias expectativas se produce de una manera menos conveniente que en las personas sin autismo, dado que para los primeros, la percepción sensorial se intensifica y las expectativas se atenúan. El equipo de investigación se propuso indagar por qué ese balance en personas con TEA es diferente, para lo cual analizaron observaciones acerca de la fisiología del autismo. Al respecto, Rodrigo Echeveste señala: “Entender mejor la relación entre la fisiología del cerebro y la percepción o el comportamiento es central para avanzar en el diseño de nuevas terapias”.

El funcionamiento óptimo del cerebro humano requiere de un delicado balance entre neuronas excitatorias -que al activarse ayudan a encender a otras-, y neuronas inhibitorias que al encenderse tienden a hacer apagar a las demás. El equipo se preguntaba si las diferencias perceptuales -entre personas con y sin autismo-, en términos del pesaje de información, podrían explicarse a partir de diferencias en los mecanismos de inhibición y, para ello, utilizó un modelo computacional que simula el funcionamiento neurológico y fisiológico humano. Se verificó que al debilitar la inhibición en la red neuronal artificial comenzaban a pesar menos las expectativas previas y más la percepción de los estímulos. Por lo tanto, al menos en el modelo desarrollado, “la visión fisiológica sobre déficits de inhibición y la visión perceptual sobre el uso de expectativas previas en autismo constituirían dos caras de la misma moneda”, indica el investigador. En el desarrollo de la neurociencia, durante los últimos años, se observa una explosión en el uso de técnicas de inteligencia artificial con la finalidad de desarrollar modelos computacionales útiles para entender mejor el funcionamiento del cerebro. “La mayoría de los modelos representan el funcionamiento neurotípico del cerebro. Con este trabajo mostramos que este enfoque también es muy útil para entender el procesamiento sensorial de personas con autismo”.

Este trabajo desarrollado en el campo de la neurociencia computacional orientada a autismo, contó con apoyo de la Agencia Santafesina de Ciencia, Tecnología e Innovación, y presenta un amplio campo de perspectivas y desafíos. Tal como señala el Echeveste: “Nuestro trabajo conecta dos piecitas de un rompecabezas mucho más grande como es el autismo, del que todavía hay mucho que desconocemos”. En ese terreno tan vasto, el investigador sostiene que “los modelos computacionales, en un ida y vuelta con la pata experimental, pueden ser muy útiles como bancos de prueba para distintas hipótesis y para guiar futuros experimentos”.

Echeveste, quien mantiene vínculos de cooperación e intercambio con instituciones y grupos del Reino Unido, Alemania y EE.UU., considera que a futuro “sería interesante poder escalar estos modelos para capturar fenómenos más complejos del comportamiento, lo cual requerirá de nuevos desarrollos técnicos en las herramientas de ”machine learning” para entrenar estas redes”, en lo que se está trabajando actualmente.