Correlaciones Vudú en Neurociencia

La neurociencia busca desentrañar los vínculos entre la actividad cerebral y los complejos aspectos del comportamiento humano, la personalidad y la emocionalidad. Herramientas como la resonancia magnética funcional (fMRI) permiten observar la actividad cerebral mientras las personas experimentan emociones como el miedo, la confianza o toman decisiones. Sin embargo, hace algunos años, ciertas correlaciones sorprendentemente altas reportadas en estudios de neurociencia social comenzaron a generar escepticismo en una parte de la comunidad científica, dando origen al término polémico y un tanto humorístico de 'correlaciones vudú'.

Este término fue popularizado por un influyente artículo titulado “Voodoo Correlations in Social Neuroscience”, liderado por Ed Vul, entonces estudiante de posgrado en el MIT. El estudio puso bajo la lupa las elevadas correlaciones reportadas entre medidas conductuales o de personalidad y la actividad en áreas cerebrales específicas detectada mediante fMRI. El debate que siguió a su publicación ha sido intenso y revelador, obligando a los neurocientíficos a reflexionar sobre sus métodos de análisis de datos.

¿Qué son exactamente las Correlaciones Vudú?

Según Ed Vul, el término correlaciones vudú se utiliza de forma humorística para describir correlaciones misteriosamente altas que a menudo son producto de métodos estadísticos complejos que no siempre se describen con suficiente claridad en los artículos científicos. El problema central que identificaron, responsable de muchas de estas correlaciones inusualmente elevadas, es lo que denominan análisis o pruebas “no independientes” de correlación.

Fundamentalmente, esto implica una selección inadvertida de datos que resulta en estimaciones infladas de las correlaciones. Para entenderlo, consideremos cómo funciona un escaneo de fMRI. Un escaneo produce una gran cantidad de datos, dividiendo el cerebro en miles de pequeñas regiones llamadas vóxeles. Cuando los investigadores quieren identificar qué partes del cerebro se relacionan con un comportamiento específico, deben seleccionar un subconjunto de estos vóxeles.

Una estrategia común y, hasta cierto punto, necesaria, es elegir vóxeles que muestren una alta correlación con el comportamiento estudiado. Sin embargo, el problema crítico surge cuando, después de seleccionar estos vóxeles basándose en su alta correlación, los investigadores proceden a reportar la magnitud cuantitativa de la correlación midiendo *solo dentro* de este subconjunto de vóxeles preseleccionados. Este procedimiento de dos pasos es inherentemente circular: se seleccionan los vóxeles que ya mostraron una alta correlación y, lógicamente, el promedio de la correlación dentro de ese grupo será alto.

Esta práctica infla la medición de la correlación porque selecciona aquellos vóxeles que se han beneficiado tanto de una correlación real subyacente como, crucialmente, del azar. Al elegir solo los que tuvieron "suerte" en esa medición particular, se obtiene una estimación de la correlación que es artificialmente alta y no representa la verdadera relación.

Vul compara esto con seleccionar a los analistas financieros cuyas recomendaciones bursátiles tuvieron el mejor rendimiento en un mes específico. Estos analistas probablemente tienen talento, pero también tuvieron una suerte inusual ese mes. Si se les pide que predigan el rendimiento para un mes futuro, como grupo, no podrán replicar el rendimiento excepcional del mes anterior. Esto se debe a que en el mes original, todos se beneficiaron de la suerte para entrar en el grupo superior, mientras que en el futuro, la suerte ayudará a algunos y perjudicará a otros. Su rendimiento promedio en el mes de selección fue una sobreestimación de su verdadera habilidad.

Exactamente lo mismo ocurre con los datos de fMRI y los vóxeles. Si los investigadores seleccionan solo los vóxeles altamente correlacionados, están seleccionando aquellos que “tuvieron suerte” en esa medición particular, además de cualquier correlación subyacente. Por lo tanto, utilizar las correlaciones que se usaron para seleccionar los vóxeles como medida de la verdadera correlación para esos vóxeles resulta en una sobreestimación muy engañosa. Esta capitalización inadvertida del azar es, según Vul, la raíz de las correlaciones vudú.

El Origen de la Crítica Metodológica

La sospecha inicial que llevó a Ed Vul a investigar este fenómeno surgió hace años, cuando, junto al neurocientífico Hal Pashler, asistieron a una charla donde se reportó una correlación muy alta entre la actividad cerebral en una zona específica y la velocidad con la que alguien salía de la sala después del estudio, medida dos horas después de la resonancia. Dada la comprensión de la fMRI y los factores que influyen en la velocidad al caminar, una correlación tan alta, especialmente con un retraso de dos horas, parecía implausible. Esto sugería que algo no estaba bien, aunque en ese momento no sabían exactamente qué.

Años más tarde, trabajando directamente con datos de fMRI en el laboratorio de Nancy Kanwisher en el MIT, y familiarizándose con la jerga y estadísticas relevantes, Vul encontró la clave. Un trabajo de Chris Baker y Nancy Kanwisher, que criticaba un artículo por usar un análisis no independiente, le hizo darse cuenta de cómo se estaban produciendo las misteriosas correlaciones que habían observado años atrás. Tras profundizar en el tema, Vul y sus colaboradores se propusieron investigar formalmente, lo que culminó en el artículo sobre las correlaciones vudú.

El Debate Científico y sus Implicaciones

El artículo de Vul generó un considerable debate en la neurociencia social. Si bien algunos autores criticados inicialmente cuestionaron el punto estadístico, esta línea de argumentación no prosperó. Según Vul, la mayoría parece aceptar ahora que el análisis utilizado en muchos de estos estudios no era adecuado para proporcionar cifras de correlación que pudieran tomarse en serio.

Los argumentos actuales se centran en otras cuestiones. Uno es que los valores de correlación en sí mismos no importan tanto; lo relevante es simplemente el hecho de que existe una correlación en una ubicación cerebral determinada. Vul discrepa fuertemente de esta postura. Argumenta que la magnitud de la correlación es crucial. Poder explicar, por ejemplo, tres cuartas partes de las diferencias individuales en algo importante como la ansiedad o la empatía sería un avance significativo que indicaría dónde enfocar la investigación futura. Por el contrario, si solo se explica un 3% de la varianza, el hallazgo es mucho menos impresionante y puede reflejar asociaciones mucho más indirectas. La alta visibilidad de muchos de estos trabajos se debió, justificadamente, a la impresión que causaban los grandes efectos reportados.

Otro argumento ha sido sobre el tono del artículo, considerado por algunos como demasiado duro al criticar artículos específicos y usar el término "vudú". Vul y sus coautores se sorprendieron por la gran atención que recibió su trabajo. Si bien lamentan haber herido sentimientos, argumentan que era necesario “nombrar nombres” para que la literatura científica pudiera guiar decisiones futuras sobre qué resultados son fiables y cuáles no. Sospechan que solo identificaron una fracción de los trabajos con estos problemas, que también existen en otros campos como la neurogenética o la neurociencia cognitiva en general.

El Papel de los Medios de Comunicación

El debate también ha tocado la responsabilidad de los medios en la posible sensacionalización de los hallazgos en neurociencia social. Vul reconoce que el campo es intrínsecamente emocionante; a la gente le interesa saber por qué sentimos amor, celos o cómo tomamos decisiones. Esto facilita la sensacionalización.

Vul aboga por un mayor escepticismo general por parte de los periodistas al informar sobre hallazgos científicos. Sugiere que los reporteros a menudo presentan las conclusiones de forma más grandilocuente de lo que lo hacen los científicos, quienes a su vez ya podrían haber exagerado un poco las implicaciones de sus propios hallazgos. La combinación puede llevar a una cobertura excesivamente inflada.

En cuanto a los datos de escaneo cerebral en particular, Vul observa que los hallazgos que más atraen al público y a los reporteros suelen ser del tipo “el cerebro hace X”, donde X es una característica humana valorada (amor, lenguaje, etc.). Esto puede ser emocionante para el lego que aún distingue mente y cerebro, pero no tanto para muchos neurocientíficos que consideran mente y cerebro como una única entidad. Sugiere que, quizás, si los reporteros se centraran en el *cómo* algo funciona en el cerebro, en lugar del simple *que* funciona, podrían abordar un subconjunto del campo más interesante desde una perspectiva científica.

Más Allá del Vudú: La Correlación en la Neurociencia Neuronal

Si bien las correlaciones vudú se refieren a un problema metodológico específico en la neurociencia social que utiliza fMRI, el concepto de correlación es fundamental en la neurociencia en general. Comprender cómo el cerebro codifica información y realiza cálculos requiere estudiar las correlaciones entre neuronas. Técnicas de registro recientes, como matrices de multielectrodos e imágenes de dos fotones, han facilitado la medición de estas correlaciones, abriendo la puerta a exploraciones detalladas de sus propiedades y contribuciones al procesamiento cortical.

Sin embargo, los estudios realizados hasta la fecha han reportado hallazgos dispares sobre la magnitud de las correlaciones neuronales, ofreciendo un panorama confuso. Esto se debe a que la medición de la correlación neuronal también está influenciada por varios factores experimentales y fisiológicos que pueden sesgar sistemáticamente las estimaciones.

Tipos de Correlaciones Neuronales

El término correlación se ha utilizado comúnmente para referirse a dos fenómenos distintos a nivel neuronal:

Nuestro enfoque principal aquí, siguiendo la discusión en la literatura, es la correlación de conteo de picos (r_SC). Las co-fluctuaciones en las respuestas de un par de neuronas pueden surgir en una variedad de escalas de tiempo, desde la alineación temporal precisa de los picos (sincronía) hasta cambios más lentos en la excitabilidad. La mayoría de los trabajos sobre r_SC y codificación poblacional se basan en respuestas medidas durante la duración de la presentación de un estímulo o un ensayo conductual (típicamente cientos de milisegundos).

Además de r_SC y r_signal, se mencionan:

• Sincronía: Mide la precisión temporal del alineamiento de picos individuales, generalmente en escalas de tiempo de milisegundos.
• Correlación de Larga Escala Temporal (r_LT): Mide si la respuesta de una neurona en un ensayo se correlaciona con la respuesta de otra neurona en ensayos futuros o pasados, cuantificando la influencia de fluctuaciones lentas en la respuesta. Se ha encontrado que r_LT es típicamente cercano a 0.

Factores que Influyen en la Medición de r_SC

Las mediciones de correlación de conteo de picos (r_SC) en diversas áreas corticales y condiciones han reportado un rango de valores, típicamente pequeños y positivos. Tienden a ser más altos para pares de neuronas cercanas y con propiedades funcionales similares. Sin embargo, incluso estudios que muestrean de manera similar pueden obtener estimaciones bastante diferentes. Esto se debe a factores que pueden sesgar sistemáticamente las estimaciones:

• Fuerza de Respuesta (Tasa de Disparo): Las tasas de disparo inusualmente bajas resultan en valores medidos de r_SC bajos. Cuando las neuronas disparan pocos o ningún pico por ensayo, la capacidad de medir una correlación significativa disminuye. Esto se sugiere como una explicación clave para las discrepancias en algunos estudios que reportaron correlaciones muy cercanas a cero.
• Ventana Temporal: El período de tiempo sobre el cual se cuentan los picos afecta el valor medido de la correlación.
• Clasificación de Picos (Spike Sorting): Errores en la identificación de picos de neuronas individuales pueden inflar o deflactar las correlaciones medidas, especialmente entre pares registrados en el mismo electrodo. Sin embargo, este factor por sí solo no explica las grandes discrepancias observadas en muchos estudios.
• Estados Internos: Las fluctuaciones en factores cognitivos no controlados o estados conductuales, como los movimientos oculares de fijación, podrían introducir correlaciones 'artefactuales'. Aunque la escala de tiempo de las correlaciones neuronales sugiere que no surgen *principalmente* de estas fluctuaciones lentas, pueden contribuir.

Considerar estos factores, especialmente la tasa de disparo y la duración de la medición, puede explicar gran parte de la variabilidad en los valores de r_SC reportados entre estudios, áreas cerebrales y condiciones de tarea.

¿Por Qué es Importante Estudiar las Correlaciones Neuronales?

Aunque las correlaciones neuronales pueden ser pequeñas y su medición compleja, son cruciales para comprender la función cerebral por varias razones:

• Codificación Poblacional: La variabilidad compartida (r_SC) afecta la cantidad de información codificada por una población neuronal. Las correlaciones reducen la relación señal-ruido de una respuesta poblacional, ya que las fluctuaciones compartidas no pueden promediarse. La modulación atencional de las correlaciones, por ejemplo, puede ser más importante para la codificación sensorial que la modulación de la tasa de disparo individual.
• Arquitectura de Redes: El análisis de correlación ayuda a inferir la conectividad dentro y entre áreas cerebrales. Los cambios en las correlaciones bajo diferentes condiciones de estímulo o comportamiento pueden ser una firma de la función de red o de los cálculos realizados.
• Vínculo con el Comportamiento: Existe evidencia sólida de que la variabilidad correlacionada en las neuronas sensoriales afecta las decisiones perceptuales. El fenómeno de la 'probabilidad de elección' ('choice probability'), donde las fluctuaciones en la actividad de neuronas individuales predicen la decisión perceptual del animal, sugiere que la respuesta de cada neurona refleja la actividad compartida de un gran grupo de células que contribuyen a la decisión. Las fluctuaciones en señales más gruesas como las grabaciones del cuero cabelludo o la señal BOLD de fMRI, que reflejan la actividad sumada de muchas células (y por lo tanto, presumiblemente, variabilidad correlacionada), también son predictivas del comportamiento.

Aunque establecer un vínculo causal directo entre la variabilidad correlacionada y las decisiones perceptuales requiere más investigación, la evidencia sugiere que las correlaciones no son solo un subproducto, sino que desempeñan un papel activo.

Enfoques Modernos

Las correlaciones por pares (entre dos neuronas) ofrecen una visión limitada de las respuestas poblacionales complejas. El trabajo teórico reciente ha empezado a ofrecer herramientas más completas y estadísticamente rigurosas, como los modelos de procesos puntuales multivariados, que proporcionan una descripción completa de las distribuciones de respuesta conjuntas e incorporan información sobre propiedades de campo receptivo, historial de disparo e interacciones entre células. Estos métodos permiten simular respuestas poblacionales y evaluar la importancia relativa de las propiedades de células individuales y las influencias de la red.

Conclusión

El debate sobre las correlaciones vudú ha destacado la necesidad de una metodología rigurosa y transparente en la neurociencia social que utiliza fMRI, especialmente en el análisis de datos de alta dimensión. El problema del análisis no independiente puede llevar a sobreestimaciones engañosas de la fuerza de las correlaciones entre la actividad cerebral y el comportamiento, lo que puede distorsionar la interpretación de los hallazgos y la dirección de la investigación futura.

Paralelamente, en la neurociencia a nivel neuronal, el estudio de las correlaciones, particularmente la correlación de conteo de picos (r_SC), es fundamental para entender la codificación poblacional, la arquitectura de red y la base neuronal del comportamiento. Si bien la medición de estas correlaciones es compleja y sensible a factores como la tasa de disparo, la ventana temporal y la clasificación de picos, reconocer y tener en cuenta estas influencias es clave para comparar resultados entre estudios y comprender el verdadero papel de las correlaciones neuronales.

A pesar de las dificultades y los desafíos metodológicos, tanto el escrutinio de los análisis de fMRI como la investigación continua sobre las correlaciones neuronales están impulsando el campo hacia una comprensión más precisa y profunda de cómo el cerebro, a través de la actividad coordinada de sus unidades, da forma a nuestra experiencia y comportamiento.

Preguntas Frecuentes

¿Qué significa "correlación vudú"?
Es un término humorístico para describir correlaciones inusualmente altas, a menudo misteriosas, encontradas en estudios de neurociencia, particularmente en neurociencia social usando fMRI. Se deben principalmente a un problema metodológico llamado análisis no independiente.

¿Por qué se producen las correlaciones vudú?
Se producen por realizar un análisis no independiente. Esto implica seleccionar las regiones cerebrales (vóxeles en fMRI) basándose en que ya mostraron una alta correlación con un comportamiento, y luego reportar la magnitud de la correlación *solo dentro* de esas regiones seleccionadas. Esto capitaliza el azar y sobreestima la verdadera correlación.

¿Es este problema común en neurociencia?
El artículo original sugirió que el problema del análisis no independiente era común en estudios de neurociencia social con fMRI en el momento de su publicación y probablemente existe en otras áreas de la neurociencia que analizan grandes conjuntos de datos con métodos de selección similares.

¿Qué es la correlación en neurociencia a nivel neuronal?
Se refiere a la relación estadística entre la actividad de dos o más neuronas. Es fundamental para entender cómo las poblaciones de neuronas codifican información y funcionan en red.

¿Cuáles son los tipos principales de correlación neuronal?
Los tipos principales son la Correlación de Señal (r_signal), que mide la similitud de la afinación o respuesta promedio a diferentes estímulos, y la Correlación de Conteo de Picos (r_SC) o Correlación de Ruido, que mide el grado en que las fluctuaciones trial-a-trial en la respuesta son compartidas para el mismo estímulo.

¿Qué factores afectan la medición de la correlación neuronal (r_SC)?
Factores clave incluyen la fuerza de respuesta (tasa de disparo), la ventana temporal sobre la que se cuentan los picos, los errores en la clasificación de picos (spike sorting) y las fluctuaciones en los estados internos del animal o sujeto.

¿Por qué es importante estudiar las correlaciones neuronales?
Son importantes porque afectan la forma en que las poblaciones neuronales codifican información, proporcionan pistas sobre la arquitectura y función de las redes neuronales y se ha demostrado que influyen en el comportamiento, como las decisiones perceptuales.

¿Qué es la probabilidad de elección ("choice probability")?
Es un fenómeno donde las fluctuaciones en la actividad de neuronas individuales son predictivas de la decisión perceptual de un animal en un ensayo dado. Se considera evidencia de que la variabilidad correlacionada en las neuronas sensoriales afecta el comportamiento.

Si quieres conocer otros artículos parecidos a Correlaciones Vudú en Neurociencia puedes visitar la categoría Neurociencia.