Neuroconstructivismo y modelos computacionales del desarrollo sináptico

09/01/2017 0 comentarios
Menear

El neuroconstructivismo postula que el desarrollo cognitivo se debe a la interacción entre el crecimiento estructural del cerebro y su regulación propiciada por la influencia del entorno. En esta entrada del blog realizamos una pequeña introducción a la aplicación de modelos computacionales al crecimiento y a la poda sinápticas, en el contexto de esta propuesta metodológica.

 

51g0c0ZegAL.jpg

A raíz de una excelente ponencia desarrollada por el profesor Francisco Rodríguez Santos (UAM) en las "Primeras Jornadas Estatales de Psicología Educativa", celebradas a iniciativa del Colegio Oficial de Psicólogos de Madrid en la sede de la Universidad Pontificia de Comillas, me pregunté acerca de qué modelos computacionales existentes pueden desarrollar mejor esta metodología actual de la Neurociencia que, desde hace dos décadas, parece dominar el panorama de los estudios acerca del desarrollo neuronal del cerebro humano.

El Neuroconstructivismo (véase la imagen del libro editado por Mareschal et al. y publicado por Oxford University Press) es una tendencia neurocientífica actual que busca explicar el desarrollo cerebral mediante el estudio de cómo la interacción del organismo con el entorno genera que la plasticidad neuronal vaya esculpiéndo las neuronas y sus redes, poco a poco, hasta ir configurando un cerebro adulto en continuo proceso de estimulación sináptica.

Un proceso clave, por lo tanto, es el del crecimiento y poda de las sinapsis, así como el establecimiento y eliminación de las correspondientes redes o caminos que las interconectan.

El Constructivismo de Piaget tiene como idea básica que el espacio de aprendizaje va pasando de unas etapas más simples a otras más complejas a través de un proceso madurativo. Parece obvio que la plasticidad estructural del cerebro es el mecanismo biológico básico de tal aprendizaje constructivista.

Baum demostró en 1988 que las redes capaces de crecer estructuralmente durante un proceso de aprendizaje son capaces de aprender en tiempo polinómico cualquier problema que sea resoluble también en tiempo polinómico por cualquier algoritmo. Por lo tanto, el paradigma neuroconstructivista tendría universalidad computacional.

Pero ¿qué algoritmos computacionales actuales parecen hoy en día ser más efectivos para modelar el desarrollo sináptico y neuronal del cerebro humano?

Desde los trabajos pioneros de Chechik, Meilijson y Ruppin (1997), se han propuesto diversos modelos de desarrollo y de poda sináptica. Se basan en diversos criterios como la duplicación-divergencia o la eliminación de nodos en redes de pequeños mundos. Pero todos ellos comparten un principio común: el número de nodos y conexiones va creciendo con el tiempo hasta que se produce un proceso de poda. Típicamente empiezan construyendo una red arbórea que se ramifica expandiéndose y entonces se van añadiendo nodos y conexiones según se va necesitando. Tal proceso no introduce nuevos nodos a menos que supongan una mejora de la eficiencia y la robustez de la red. Pero esta decisión no es local ni distribuida por lo que, al depender de un coordinador central (la decisión del programador o agente externo), tiene siempre cierta naturaleza ad-hoc.

Navlahka, Barth y Bar-Joseph (2015) proponen un algoritmo cuyas decisiones sobre el crecimiento o pérdida de nodos y de conexiones entre ellos se sitúa en un plano local y distribuido. Su algoritmo de poda sináptica parte de una red densa en la que cada flecha del grafo "recuerda" las veces que ha sido usada a lo largo de un camino dirigido. Las flechas o conexiones usadas muchas veces adquieren el estatus de importantes mientras que las poco usadas o transitadas se eliminan iterativamente, siguiendo una estrategia de "usadas o perdidas". La eliminación, inicialmente, ocurre a una tasa constante. La red es entrenada con la meta de conseguir un grafo dirigido con un número fijo de caminos, representando esto las limitaciones en los recursos físicos o metabólicos del cerebro.

Finalmente, se evalúa la red introduciendo pares de una distribución desconocida a priori de señales de entrada y de salida que la red ha necesitado conocer durante su entrenamiento. De esta forma, se mimetiza el flujo direccional de información entre poblaciones de neuronas en el cerebro y se atiende al principio clave del Neuroconstructivismo: la emergencia de plasticidad sináptica mediante la influencia de señales internas y de señales externas, procedentes del medio ambiente.