Neurona@Home

Estructura del Cerebro

El cerebro es el centro del sistema nervioso en la mayoría de las especies del Reino Animal: vertebrados e invertebrados. Los cefalópodos, por ejemplo, se caracterizan por sus complejos cerebros que dan lugar a pautas de comportamiento inteligente. Es sabido que los pulpos pueden abrir botes cerrados con tapadera de rosca entre otro repertorio de pautas inteligentes.


Cerebro de un tiburón pintarroja, “The soul of man”, P. Carus, 1905.

Entre los insectos, las abejas destacan entre las especies con el mayor mini-cerebro: con un total de 900.000 neuronas que gracias a su intrincada interconexión permiten a estos insectos recordar la localización de los campos de flores y el camino requerido para llegar a los mismos y transmitir esta información al resto de la colmena mediante la “danza” estudiada por el etólogo y premio Nobel de Medicina, Karl von Frisch a mediados del siglo pasado.


Abeja común, “Apis Mellifera” recolectando néctar. Las abejas son consideradas el “Rolls Royce” de la neurociencia de los insectos debido al tamaño y organización de sus mini-cerebros.

Por complejidad, no por tamaño relativo, el cerebro humano evolucionó en los últimos 2 millones de años para convertirse en el más sofisticado del planeta. Con un total de diez mil millones de neuronas (tantas como estrellas en una galaxia típica) y diez mil conexiones (sinapsis) por neurona puede decirse que es el sistema físico más complejo del Universo conocido. Tratar de desentrañar, o al menos arrojar algo de luz, sobre la forma en la que estos sistemas complejos son capaces de llevar a cabo las tareas para las que han sido diseñados por la evolución: reconocimiento de patrones, memoria, planificación del comportamiento, inteligencia e incluso consciencia, es el objetivo de la neurociencia actual.

Modelo de Autómata Celular

Un modelo que capta la estructura esencial del cerebro debe contener un gran número de unidades, que llamaremos nodos, interconectadas entre sí por enlaces que representarán las sinapsis como se muestra en la figura siguiente:


Cada nodo o neurona simulada puede hallarse en tres estados:

    (i) Neurona en reposo, que es susceptible de ser excitada por las vecinas en la estructura de la red. Es decir, por aquellas con las que se halla conectada.
    (ii) Neurona activa que está emitiendo impulsos electro-químicos a través de sus dendritas.
    (iii) Neurona refractaria, que ha dejado de disparar recientemente y debe pasar un período de tiempo antes del regresar al estado de reposo.

Las neuronas en reposo pueden ser excitadas con cierta probabilidad por las neuronas activas en el paso de tiempo anterior.

Definido de esta forma nuestro modelo muestra un paralelismo evidente con el modelo SIRS (Susceptible-Infectado-Recuperado-Susceptible) de la Epidemiología Matemática donde las neuronas en reposo juegan el papel de los individuos susceptibles a la enfermedad, las neuronas activas serían los individuos infectados y las refractarias se corresponden con los recuperados.

Como sucede tan a menudo en la Matemática Aplicada el mismo modelo desarrollado con objetivos muy diferentes emerge de forma natural en otro campo de investigación completamente distinto.

Así definido, este sería un modelo de autómata celular: Modelos matemáticos en los que un conjunto de unidades llamadas autómatas evolucionan de acuerdo con una serie de reglas preestablecidas creando patrones enormemente complejos algunos de los cuales pueden hallarse en la naturaleza, y que fueron estudiados por S. Wolfram, el creador del programa Mathematica (Véase A new kind of Science Online, S. Wolfram, http://www.wolframscience.com/nksonline/toc.html)


Un caracol marino cuya concha muestra un patrón con estructura similar a la que genera la regla 30 de Wolfram. Fotografía: Richard Ling richard@research.canon.com.au, 2005.

La experiencia adquirida en proyectos BOINC para modelos epidémicos (Virus Respiratorio Sincitial) nos permitirá adaptar el esquema y código para estudiar la propagación de señales en un cerebro simulado. El mini-cerebro que estudiaremos tendrá un millón de neuronas lo que lo coloca en el ámbito de los cerebros más avanzados entre los insectos.

Objetivos del Proyecto

Aunque nuestro modelo de mini-cerebro simulado tenga las mismas neuronas virtuales que una abeja no pretendemos, evidentemente, que explique todo el repertorio de comportamiento de una abeja real. Nuestro objetivo, más modesto, es explicar la actividad colectiva típica de la red neuronal.

Se sabe que las oscilaciones cerebrales, comportamientos rítmicos cuasi-periódicos de actividad eléctrica cerebral, están presentes desde los insectos al hombre. En el caso de las abejas, langostas o la mosca de la fruta se han encontrado oscilaciones en conexión con la codificación del olor.

En el caso del hombre, el propósito de estas oscilaciones parece haber sido moldeado por la evolución. Las ondas theta parecen estar asociadas con la memoria, la atención e incluso la consciencia.

Estas oscilaciones permitirían a los insectos discriminar entre olores muy similares.


Una oscilación de 10 Hz. El potencial local representa la actividad de un gran número de neuronas.

Qué se calcula

En este proyecto exploraremos el espacio de parámetros del modelo para determinar aquellas regiones que puedan corresponden con esta actividad síncrona y explicar el porqué de su papel en tareas de discriminación de olores en los insectos o de memoria y atención en los humanos.

El modelo que se suministra a los clientes genera una red de 1.000.000 de neuronas y un cierto grado de conectividad k. Se manejan dos tipos de neuronas:

    Neuronas inhibitorias
    Estas neuronas, cuando están activas, tiene el efecto de inhibir la excitación de una neurona en reposo que pudiera ser activada por una neurona excitatoria vecina.
    Neuronas excitatorias
    Estas neuronas, cuando están activas, pueden contagiar esta actividad a sus vecinas en reposo.

y asigna a cada tipo de neurona los tres posibles estados antes mencionados de en reposo, activada o refractaria. Luego elige un rango de valores de conexión entre ellas y comprueba si con dichos valores se obtiene sincronía en la actividad neuronal y por tanto es viable, o no.

Leave a Reply

You must be logged in to post a comment.