Investigadores desarrollan un nuevo modelo sobre cómo el cerebro procesa información compleja
Un modelo gráfico de la investigación realizada por Lynn et al. Crédito: Blevmore Labs
El cerebro humano es un procesador de información muy avanzado compuesto por más de 86 mil millones de neuronas. Los humanos son expertos en reconocer patrones de redes complejas, como idiomas, sin ninguna instrucción formal. Anteriormente, los científicos cognitivos intentaron explicar esta capacidad representando el cerebro como una computadora altamente optimizada, pero ahora hay una discusión entre los neurocientíficos de que este modelo podría no reflejar con precisión cómo funciona el cerebro.
Ahora, los investigadores de Penn han desarrollado un modelo diferente sobre cómo el cerebro interpreta patrones de redes complejas. Publicado en Nature Communications, este nuevo modelo muestra que la capacidad de detectar patrones proviene en parte del objetivo del cerebro de representar las cosas de la manera más simple posible. Su modelo representa al cerebro equilibrando constantemente la precisión con la simplicidad al tomar decisiones. El trabajo fue realizado por la física Ph.D. estudiante Christopher Lynn, neurociencia Ph.D. el estudiante Ari Kahn y la profesora Danielle Bassett.
Este nuevo modelo se basa en la idea de que las personas cometen errores al tratar de dar sentido a los patrones, y estos errores son esenciales para obtener una visión general. «Si miras una pintura puntillista de cerca, puedes identificar correctamente cada punto. Si retrocedes 20 pies, los detalles se vuelven borrosos, pero obtendrás una mejor idea de la estructura general», dice Lynn.
Para probar su hipótesis, los investigadores realizaron una serie de experimentos similares a un estudio anterior de Kahn. Ese estudio encontró que cuando a los participantes se les mostraba la repetición de elementos en una secuencia, como ABCB, etc., automáticamente eran sensibles a ciertos patrones sin ser explícitamente conscientes de que los patrones existían. «Si experimenta una secuencia de información, como escuchar un discurso, puede captar ciertas estadísticas entre elementos sin ser consciente de cuáles son esas estadísticas», dice Kahn.
Para entender cómo el cerebro automáticamente entiende asociaciones tan complejas dentro de secuencias, a 360 participantes del estudio se les mostró una pantalla de computadora con cinco cuadrados grises correspondientes a cinco teclas en un teclado. Cuando dos de los cinco cuadrados cambiaron de gris a rojo, los participantes tuvieron que presionar las teclas de la computadora que correspondían a los cuadrados cambiantes. Para los participantes, el patrón de cuadrados que cambiaban de color era aleatorio, pero las secuencias en realidad se generaron utilizando dos tipos de redes.
Los investigadores descubrieron que la estructura de la red afectaba la rapidez con la que los participantes podían responder a los estímulos, una indicación de sus expectativas de los patrones subyacentes. Las respuestas fueron más rápidas cuando a los participantes se les mostraron secuencias que se generaron utilizando una red modular en comparación con las secuencias provenientes de una red de celosía.
Si bien estos dos tipos de redes parecen diferentes para el ojo humano a gran escala, son en realidad estadísticamente idénticos entre sí a pequeña escala. Hay el mismo número de conexiones entre los nodos y los bordes, aunque la forma general es diferente. «A una computadora no le importaría esta diferencia en la estructura a gran escala, pero el cerebro la capta. Los sujetos podrían comprender mejor la estructura subyacente de la red modular y anticipar la próxima imagen», dice Lynn.
Usando herramientas de la teoría de la información y el aprendizaje por refuerzo, los investigadores pudieron usar estos datos para implementar una métrica de complejidad llamada entropía. «Ser muy aleatorio es lo menos complejo que puedes hacer, mientras que si estuvieras aprendiendo la secuencia con mucha precisión, eso es lo más complejo que puedes hacer. El equilibrio entre errores y complejidad, o entropía negativa, da lugar a las predicciones de que el ofrece el modelo», dice Lynn.
El modelo resultante de cómo el cerebro procesa la información representa al cerebro equilibrando dos presiones opuestas: complejidad versus precisión. «Puedes ser muy complejo y aprender bien, pero luego estás trabajando muy duro para aprender patrones», dice Lynn. «O bien, tienes un proceso de menor complejidad, que es más fácil, pero no vas a aprender los patrones tan bien».
Con su nuevo modelo, los investigadores también pudieron cuantificar este equilibrio utilizando un parámetro beta. Si beta es cero, el cerebro comete muchos errores pero minimiza la complejidad. Si la beta es alta, entonces el cerebro está tomando precauciones para evitar cometer errores. «Todo lo que hace la versión beta es sintonizar cuál domina», dice Lynn. En este estudio, el 20 % de los participantes tenía una beta pequeña, el 10 % tenía valores beta altos y el 70 % restante se encontraba en algún punto intermedio. «Ves esta amplia variedad de valores beta entre las personas», dice.
Kahn dice que esta idea de equilibrar las fuerzas no fue sorprendente, dada la enorme cantidad de información que el cerebro tiene que procesar bajo un cantidad limitada de recursos y sin gastar demasiado tiempo en decisiones simples. «El cerebro ya está utilizando una gran cantidad de costos metabólicos, por lo que realmente desea maximizar lo que obtiene», dice. «Si piensas en algo tan básico como la atención, hay una compensación inherente en maximizar la precisión frente a todo lo demás que estás ignorando».
¿Y qué pasa con el papel de cometer errores? Su modelo respalda la idea de que el cerebro humano no es una máquina de aprendizaje óptima, sino que cometer errores y aprender de ellos juega un papel muy importante en el comportamiento y la cognición. Parece que ser capaz de observar sistemas complejos de manera más amplia, como alejarse de una pintura puntillista, le da al cerebro una mejor idea de las relaciones generales.
«Comprender la estructura, o cómo estos elementos se relacionan entre sí , puede surgir de una codificación imperfecta de la información. Si alguien fuera perfectamente capaz de codificar toda la información entrante, no necesariamente entendería el mismo tipo de agrupación de experiencias que entiende si hay un poco de confusión, «, dice Kahn.
«Lo mejor es que los errores en la forma en que las personas aprenden y perciben el mundo están influyendo en nuestra capacidad para aprender estructuras. Así que estamos muy divorciados de cómo actuaría una computadora», dice Lynn.
Los investigadores ahora están interesados en qué hace que la red modular sea más fácil de interpretar para el cerebro y también están realizando estudios de resonancia magnética funcional para comprender en qué parte del cerebro se forman estas asociaciones de redes. También sienten curiosidad por saber si el equilibrio de complejidad y precisión de las personas es fluido, si las personas pueden cambiar por sí mismas o si están «establecidas», y también esperan hacer experimentos usando entradas de lenguaje en algún momento en el futuro.
«Después de comprender mejor cómo los humanos adultos sanos construyen estos modelos de red de nuestro mundo, estamos emocionados de pasar al estudio de condiciones psiquiátricas como la esquizofrenia en la que los pacientes construyen modelos inexactos o alterados de sus mundos», dice Bassett. «Nuestro trabajo inicial allana el camino para nuevos esfuerzos en el campo emergente de la psiquiatría computacional».
Explore más
Nuestra capacidad para detectar patrones podría deberse al deseo del cerebro de representar las cosas de la manera más simple posible. Más información: Christopher W. Lynn et al, Surgen representaciones abstractas de eventos de errores mentales en el aprendizaje y la memoria, Nature Communications (2020). DOI: 10.1038/s41467-020-15146-7 Información de la revista: Nature Communications
Proporcionado por la Universidad de Pensilvania Cita: Investigadores desarrollan un nuevo modelo de cómo funciona el cerebro procesa información compleja (8 de mayo de 2020) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-05-brain-complex.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.