Alzheimer y plasticidad sináptica: modelos conexionistas

08/07/2017 1 comentario
Menear

En la misma época en la que empezaron a formularse algunas de las ideas acerca de la conexión entre la Enfermedad de Alzheimer (EA) y los problemas en la plasticidad sináptica neuronal, surgieron una serie de modelos conexionistas de modificación y compensación sinápticas. En esta entrada del blog damos un breve repaso a los modelos pioneros y formulamos una propuesta de investigación futura.

Las redes neuronales artificiales son sistemas dinámicos autoadaptativos. Gracias a su capacidad de autoajuste de los elementos (neuronas) que integran el sistema, son adaptables, mientras que son sistemas dinámicos, pues son capaces de estar constantemente cambiando para adaptarse a los nuevos requerimientos. Los enlaces ponderados de las neuronas se ajustan, obteniéndose unos determinados resultados en el proceso de aprendizaje. Esta capacidad de aprendizaje adaptativo permite autoorganizar la información recibida. En la autoorganización se modifica la red neuronal entera permitiendo la facultad de generalización, esto es, la capacidad para responder de manera apropiada a datos o situaciones no presentados anteriormente, muchas veces producto de información de entrada difusa o incompleta.

Las redes neuronales son tolerantes a fallos puesto que presentan cierto grado de redundancia en el almacenamiento de la información (almacenan información no localizada) que hace que, aún cuando pierdan unidades, no puedan presentar un fallo global de funcionamiento. Por otro lado, al estar diseñadas en paralelo, la necesidad de cambiar las condiciones de entrenamiento es mínima, por lo que pueden operar en tiempo real, procesando una enorme cantidad de datos (Hilera y Martínez, 1995).

Los modelos conexionistas pioneros para el estudio de los efectos de la EA sobre la plasticidad sináptica neuronal son los del grupo de Eyat Ruppin y los de Michael Hasselmo. Horn et al. (1993) elaboraron un modelo de redes neuronales para dar cuenta del deterioro de la memoria en la EA en el que apelaban a los procesos de destrucción (Davies et al., 1987) y de compensación sinápticas (Bertoni-Freddari et al., 1990) como mecanismos producto de la plasticidad sináptica, en las fases iniciales de la enfermedad. Empleando una red neuronal no lineal, basada en atractores, representaron estocásticamente la eliminación de sinapsis, removiendo una fracción d de todos los pesos sinápticos y modelaron el proceso de compensación sináptica, multiplicando los pesos sinápticos restantes por un factor común c,haciendo proporcional el valor del área sináptica total (AST) por unidad de volumen a c(1-d). Al variar c en función de d, se alcanzaría una estrategia de compensación. La tasa de fallo en la red, medida por la fracción de memorias erróneamente recuperadas, representaría el grado de déficit cognitivo evaluado en las observaciones clínicas.

En un trabajo algo posterior (Horn et al., 1996), se introducía un mecanismo de compensación sináptica basado en un modelo de memoria asociativa de dinamismo local. En concreto, los autores emplearon una variante, fundamentada en atractores, de una red neuronal de Hopfield; es decir, los patrones de memoria eran almacenados en una red de N neuronas a través de una matriz sináptica hebbiana, formando puntos fijos en la dinámica de la red. En los mismos años, Hasselmo (1994, 1997) introducía un modelo de modificación por “explosión” sináptica aplicado a la EA. El crecimiento exponencial de un gran número de conexiones sinápticas describiría el inicio y la progresión de la degeneración neuronal cortical en la EA. El solapamiento de patrones sinápticos de conexión llevaría a interferencias en el aprendizaje y memoria.

Recientemente y en esta misma línea de generación de modelos conexionistas explicativos de las desregulaciones provocadas por la EA en la plasticidad sináptica neuronal, Monteiro et al. (2007) han introducido un sistema computacional descriptivo de la hipótesis del desequilibrio del calcio (Cudmore y Turrigiano, 2004) como origen de la enfermedad. Los autores argumentan que dicha alteración podría afectar a la estabilidad de los pesos sinápticos en los que se almacenan las memorias. Este modelo tiene en cuenta los diferentes tipos de plasticidad sináptica. El adecuado flujo de calcio sería determinante para que se dé la plasticidad neuronal intrínseca, que es un tipo de mecanismo homeostático que cambia la función de activación neuronal, de modo que la neurona nunca se vea saturada. La plasticidad intrínseca conlleva la estabilidad de los pesos sinápticos pero cuando el mecanismo compensatorio es alterado, los pesos sinápticos pierden sus valores estables y esta inestabilidad sería consistente con los déficits cognitivos típicos dela EA. 

Otros modelos conexionistas, también recientes, abordan la cuestión de la plasticidad sináptica aunque no directamente enfocada a los efectos provocados por la EA. Son el modelo de redes neuronales recurrentes de tiempo continuo (CTRNN) de Williams (2005) y el modelo de redes de neuroagentes artificiales de Fernando et al. (2009a, 2009b). Ambos intentan  afrontar el problema del estatus dinámico de la actividad sináptica.

Los modelos de redes de tipo CTRNN todavía no han conseguido solventar el problema de cómo permitir que se produzca aprendizaje durante el proceso de modificabilidad sináptica continua. En cambio, el modelo de Fernando et al. (2009a, 2009b) logra soslayar el problema a través de una curiosa combinación de técnicas procedentes de las redes neuronales artificiales y de los sistemas multi-agente (Wooldridge, 2001). Según estos autores, podemos contemplar el sistema nervioso como una red de agentes simples, llamados neuroagentes, que se auto-organizan y reajustan, controlando su propia excitabilidad y su fuerza de conectividad sináptica. Cada neuroagente consiste de un gran número de receptores y transmisores que pueden estar activados o no activados. Así se simula el estado de sobreexcitación de una neurona cambiando una serie de receptores y de transmisores no activados  por otros activados, debilitándose, por lo tanto, la fuerza de la conectividad sináptica. O para simular la inhibición de una neurona se selecciona un número de transmisores y de receptores activados y se desactivan. El número de transmisores activados dentro de la neurona determina el volumen de señal transmitido por un neuroagente particular, pero no hay conexiones fijas entre receptores y transmisores ni entre neuronas. Un transmisor activado puede transmitir una señal a un receptor activado en la misma neurona o a un receptor en otra neurona. Por ello, la estructura de la red neuronal se asemeja a una red neuronal recurrente.

En la imagen ilustramos la estructura de una neurona A con neuroagentes actuando como transmisores y como receptores en el modelo de Fernando y colaboradores (2012): 

Estructura de una neurona con neuroagentes receptores y transmisores.

Imagen extraída de "Computational Intelligence and Neuroscience 2012(1):968272" · Diciembre de 2012

DOI: 10.1155/2012/968272