El sistema nervioso posee una notable capacidad de adaptación. A lo largo del tiempo, las respuestas de las neuronas cambian en función de la información que reciben. Esta característica adaptativa se manifiesta de forma particularmente clara en la corteza visual primaria, donde la manipulación del entorno visual, como ocluir un ojo durante el desarrollo, puede alterar drásticamente la formación de los campos receptivos neuronales. Se cree que los cambios en la fuerza de las conexiones entre neuronas, conocidos como plasticidad sináptica, son los responsables de esta adaptación. Para describir estos fenómenos observados en experimentos neurofisiológicos, Bienenstock, Cooper y Munro (BCM) introdujeron hace unos 40 años un modelo computacional de plasticidad sináptica, conocido como la regla BCM.
La teoría BCM es una regla de aprendizaje no supervisado que incorpora dos elementos fundamentales. Primero, al igual que otros modelos hebbianos de plasticidad, una alta actividad postsináptica tiende a aumentar (potenciar) la fuerza de las sinapsis activas al mismo tiempo. Por el contrario, una baja actividad postsináptica conduce al debilitamiento (depresión) de las sinapsis activas. Sin embargo, esta regla hebbiana simple podría llevar a un crecimiento exponencial descontrolado de las sinapsis, ya que las sinapsis fortalecidas tienen más probabilidades de generar respuestas fuertes, lo que a su vez las potenciaría aún más. Aquí entra el segundo ingrediente, único de BCM: el umbral que determina el punto de conmutación entre depresión y potenciación se ajusta dinámicamente en función del promedio de la actividad reciente de la neurona postsináptica. Cuando la actividad neuronal aumenta demasiado, el umbral de potenciación se eleva, haciendo que las sinapsis sean más propensas a la depresión. Como resultado, con los parámetros adecuados, el modelo BCM puede desarrollar campos receptivos estables sin necesidad de imponer límites rígidos a los pesos sinápticos u otros mecanismos homeostáticos explícitos.
El Modelo BCM Estándar
Consideremos una neurona que recibe entradas a través de sinapsis con pesos modificables. La respuesta o actividad de la neurona depende de la suma ponderada de sus entradas. La regla de modificación sináptica en el modelo BCM estándar se define por la siguiente relación:
τw dwi/dt = xi y (y - θ)
Donde wi es el peso de la sinapsis i, xi es la entrada correspondiente, y es la actividad postsináptica, θ es el umbral dinámico de plasticidad y τw es una constante de tiempo que determina la velocidad de actualización de los pesos. La función F(y) = y(y - θ) determina si la sinapsis se potencia (cuando y > θ) o se deprime (cuando y < θ).
Para evitar la inestabilidad, el umbral θ no es fijo, sino que cambia dinámicamente, siguiendo el promedio de la actividad postsináptica al cuadrado con una constante de tiempo τθ:
τθ dθ/dt = -θ + y²
Este ajuste dinámico del umbral hace que la condición para la potenciación sea más difícil de alcanzar cuando la actividad postsináptica es alta. Se ha encontrado evidencia experimental de este desplazamiento dinámico del umbral. Las constantes de tiempo τw y τθ son parámetros clave del modelo. Para que el sistema sea estable, la actualización del umbral debe ser lo suficientemente rápida para rastrear la actividad, pero no tan rápida como para causar oscilaciones o caos. Típicamente, τθ es más lento que la presentación de estímulos pero más rápido que τw.
Resultado Típico del BCM Estándar: Competencia Winner-Take-All
Cuando se presenta repetidamente a una neurona BCM estándar un conjunto de patrones de entrada, los pesos sinápticos evolucionan hacia un estado estable. Un resultado característico es la aparición de
Limitaciones Biológicas e Incorporación de Detalles Realistas
Una limitación del modelo BCM estándar es que permite que los pesos sinápticos cambien de signo, lo cual no es biológicamente plausible para sinapsis que originalmente son excitatorias o inhibitorias. En la biología, las conexiones excitatorias y inhibitorias suelen ser distintas y mantener su carácter. Para abordar esto, se adopta una solución común: modelar la neurona con conexiones excitatorias plásticas y, en paralelo, conexiones inhibitorias fijas (inhibición feed-forward). La entrada neta a la neurona sería una suma de la entrada excitatoria (ponderada por los pesos plásticos) menos una cantidad fija de inhibición proporcional a la suma de las entradas.
Esto nos lleva a un segundo aspecto crucial: la dependencia del peso de la plasticidad. Evidencia experimental sugiere que la cantidad de plasticidad, tanto de potenciación como de depresión, depende de la fuerza actual de la sinapsis. Específicamente, se ha observado que la potenciación a largo plazo (LTP) relativa es menor para sinapsis ya fuertes que para las débiles. Por otro lado, la depresión a largo plazo (LTD) relativa (porcentaje de disminución) parece ser menos dependiente del peso absoluto, o incluso proporcional al peso. Incorporar esta dependencia del peso en el modelo BCM, especialmente cuando separamos explícitamente las conexiones excitatorias e inhibitorias, cambia el comportamiento de la plasticidad.
El Modelo BCM con Dependencia del Peso e Inhibición Feed-Forward
En este modelo modificado, las sinapsis excitatorias plásticas (vi) existen junto a una inhibición feed-forward fija (u). Los pesos efectivos (wi = vi - u) ahora están restringidos a ser mayores o iguales a -u (dado que vi >= 0). La regla de aprendizaje se modifica para incorporar la dependencia del peso:
τw dvi/dt = xi y (y - θ) si y(y - θ) > 0 (potenciación)
τw dvi/dt = (vi) xi y (y - θ) si y(y - θ) < 0 (depresión)
Esto significa que, durante la depresión, el cambio en el peso excitatorio (vi) es proporcional a su valor actual. Expresado en los pesos efectivos wi, esto se convierte en:
τw dwi/dt = xi y (y - θ) si y(y - θ) > 0
τw dwi/dt = (wi + u) xi y (y - θ) si y(y - θ) < 0
La actualización del umbral dinámico (θ) permanece igual que en el modelo estándar. Esta modificación de la regla de depresión, donde el cambio es proporcional al peso excitatorio (vi = wi + u), asegura que la depresión relativa (Δvi / vi) sea independiente del peso, como sugieren algunos experimentos. Crucialmente, a diferencia del BCM estándar, la separación en pesos excitatorios e inhibitorios SÍ importa ahora debido a esta dependencia del peso.
Resultados del Modelo Modificado
Con Dos Entradas
Al aplicar este modelo a una neurona con dos entradas, observamos diferencias significativas con respecto al BCM estándar. Si bien la plasticidad sigue siendo competitiva, la competencia es más débil, especialmente con bajos niveles de inhibición feed-forward. La neurona no alcanza un estado de winner-take-all completo, sino que responde a ambos estímulos, aunque con diferente intensidad. La selectividad de la respuesta neuronal depende directamente de la fuerza de la inhibición feed-forward (u). Para una inhibición débil, la selectividad es baja. A medida que aumenta la inhibición, la selectividad se incrementa. Existe un nivel crítico de inhibición por encima del cual el modelo con dependencia del peso se comporta de manera idéntica al BCM estándar, produciendo selectividad winner-take-all. Esto sugiere que la inhibición feed-forward actúa como un parámetro que controla la intensidad de la competencia en este modelo modificado.
Con Múltiples Entradas y Estímulos Complejos
Los resultados observados con dos entradas se extienden a escenarios con múltiples entradas y estímulos. Al entrenar una neurona con 20 entradas y 20 patrones de estímulo estructurados, el BCM estándar produce campos receptivos altamente selectivos con perfiles de peso oscilatorios. En contraste, el BCM con dependencia del peso e inhibición feed-forward produce campos receptivos cuya selectividad varía con la fuerza de la inhibición, desde poco selectivos con pesos positivos hasta altamente selectivos (similares al BCM estándar) con inhibición fuerte. Los perfiles de peso tienden a ser más suaves con menor inhibición.
Al utilizar patrones de imágenes naturales, que son mucho más complejos y numerosos que las entradas, el BCM estándar sigue generando campos receptivos muy selectivos con pesos de gran magnitud y estructura fina. El modelo con dependencia del peso e inhibición produce campos receptivos menos selectivos y perfiles de peso más suaves y centrados alrededor de cero. Para obtener campos receptivos localizados tipo Gabor, similares a los de la corteza visual primaria, ambos modelos requieren modificaciones adicionales, como entradas centradas en cero y una función de actividad postsináptica no lineal (sigmoidal). Sin embargo, incluso con estas modificaciones, el modelo con dependencia del peso tiende a producir distribuciones de pesos sinápticos ligeramente asimétricas, lo cual es interesante.
Tabla Comparativa
| Característica | BCM Estándar | BCM con Dependencia del Peso e Inhibición Feed-Forward |
|---|---|---|
| Regla de Plasticidad | Depende de y(y-θ) | Depresión depende adicionalmente del peso excitatorio (vi) |
| Umbral Dinámico | Sí | Sí (igual que el estándar) |
| Pesos Sinápticos | Pueden cambiar de signo | Separados en excitatorios (plásticos, >=0) e inhibitorios (fijos) |
| Resultado Típico | Alta selectividad (Winner-Take-All) | Selectividad variable, controlada por la fuerza de la inhibición |
| Campos Receptivos (sin pre-procesamiento) | Altamente selectivos, pesos oscilatorios/finos | Menos selectivos (con baja inhibición), pesos más suaves |
| Parámetros Clave Adicionales | Ninguno | Fuerza de la inhibición feed-forward (u) |
Preguntas Frecuentes (FAQ)
- ¿Qué es la regla BCM? Es un modelo computacional de plasticidad sináptica que explica cómo la fuerza de las conexiones entre neuronas cambia en función de su actividad, crucial para el aprendizaje y el desarrollo neural, especialmente en la corteza visual.
- ¿Cómo se diferencia BCM de una regla hebbiana simple? La diferencia clave es el umbral de plasticidad dinámico en BCM. A diferencia de una regla hebbiana pura donde cualquier co-actividad lleva a potenciación, BCM ajusta el umbral basado en la actividad promedio, previniendo un crecimiento descontrolado de los pesos.
- ¿Por qué es importante el umbral dinámico? El umbral dinámico es esencial para la estabilidad del aprendizaje en BCM. Permite que la neurona se adapte a diferentes niveles de actividad promedio y evita que todas las sinapsis crezcan indefinidamente.
- ¿Qué es la dependencia del peso en plasticidad? Es la observación experimental de que la cantidad de cambio en la fuerza de una sinapsis depende de su fuerza actual. Por ejemplo, las sinapsis fuertes pueden ser más difíciles de potenciar relativamente que las débiles.
- ¿Cómo afecta la inhibición feed-forward al modelo BCM con dependencia del peso? En este modelo, la fuerza de la inhibición feed-forward actúa como un parámetro que controla la intensidad de la competencia entre las entradas. Una inhibición más fuerte conduce a una mayor selectividad neuronal.
- ¿Qué son los campos receptivos? En neurociencia, un campo receptivo es la región del espacio de entrada (por ejemplo, una parte del campo visual) que, al ser estimulada, provoca una respuesta en una neurona. La plasticidad sináptica, como la descrita por BCM, moldea estos campos receptivos.
Consideraciones Finales
El modelo BCM ha sido un pilar en la comprensión de la plasticidad sináptica y el desarrollo de la corteza visual. Al incorporar detalles biológicos adicionales, como la separación de conexiones excitatorias e inhibitorias y la dependencia del peso de la plasticidad, el modelo modificado introduce un nuevo parámetro: la fuerza de la inhibición feed-forward. Este parámetro permite controlar la intensidad de la competencia entre las entradas y, por lo tanto, la selectividad de la neurona. Esto podría tener implicaciones biológicas, sugiriendo un mecanismo por el cual las neuronas desarrollan diferentes grados de sintonía o selectividad a los estímulos. Aunque el modelo modificado no resuelve por sí solo la formación de campos receptivos complejos como los de Gabor sin pre-procesamiento adicional, su capacidad para modular la selectividad mediante la inhibición ofrece una perspectiva valiosa sobre cómo la arquitectura neuronal y las reglas de plasticidad interactúan para dar forma a las representaciones sensoriales.
La relación entre BCM y la Plasticidad Dependiente del Tiempo de Espiga (STDP) también es relevante. Se ha demostrado que modelos de STDP basados en umbrales de calcio pueden generar reglas tipo BCM. Incorporar la dependencia del peso en estos modelos de STDP también puede derivar en la regla BCM con dependencia del peso aquí descrita, particularmente si la depresión es proporcional al peso.
En conclusión, la regla BCM, en sus variantes, sigue siendo una herramienta poderosa para explorar los mecanismos fundamentales del aprendizaje y la memoria a nivel sináptico, y la inclusión de detalles biológicos como la dependencia del peso y la inhibición feed-forward enriquece nuestra comprensión de cómo se forman las complejas propiedades de las neuronas en el cerebro.
Si quieres conocer otros artículos parecidos a La Regla BCM: Plasticidad Neuronal Explicada puedes visitar la categoría Neurociencia.