¿Qué tiene de malo modelar? | blog de biologia computacional


Una tarea típica de la neurociencia teórica es el “modelado”, por ejemplo, construir y analizar modelos de red de la corteza cerebelosa que incorporen la diversidad de tipos de células y conexiones sinápticas observadas en esta estructura. La meta es entender mejor las funciones de estos diversos tipos de células y conexiones. Se pueden utilizar enfoques de física estadística, dinámica no lineal y aprendizaje automático, y los modelos deben estar «restringidos» por datos electrofisiológicos, transcriptómicos y conectómicos.

Todo esto suena muy bien y bastante inocuo. Es «estado del arte». Entonces, ¿qué tiene de malo este enfoque que domina la neurociencia computacional actual?

Lo que está mal es la creencia de que un modelo detallado de abajo hacia arriba podría cumplir el objetivo de comprender su función. Esta es solo una forma de sintetizar la información existente. Muchos, la mayoría de los aspectos del modelo se seleccionan de antemano y mucha información existente se omite, ya que es irrelevante para el modelo. Irrelevante para el modelo no significa que no pueda ser crucial para la función del objeto biológico real, como una neurona. Por ejemplo, durante décadas simplemente se ignoró el hecho de que muchas neuronas se adaptan en términos de sus canales iónicos bajo el aprendizaje conductual. Entonces la noción de toda la neurona el aprendizaje se volvió aceptable, y bajo el término “excitabilidad intrínseca” lentamente se convirtió en parte del modelado computacional, y ahora se están descubriendo varias funciones, donde esos cambios fueron primero descartado como «homeostático» es decir, sólo se aceptaban funciones en términos de limpieza.

Si comenzamos un modelo de arriba hacia abajo en términos de lo que tiene sentido (lo que preferiría la evolución) y lo que es lógicamente necesario o útil para que la neurona funcione, entonces nos habríamos dado cuenta hace mucho tiempo de que la excitabilidad (intrínseca) de toda la neurona es una parte crucial del aprendizaje. Este papel fue publicado por primera vez el arxiv 2005pero aceptado para su publicación solo en 2013, cuando la excitabilidad intrínseca se había vuelto más conocida.

Fuente del artículo

¿Que te ha parecido?

Deja un comentario