Neurociencia Cognitiva y Neuroimagen: Modelos

La neurociencia cognitiva y la neuroimagen son campos en constante evolución que buscan desentrañar los misterios de cómo funciona el cerebro humano y cómo se relaciona con el comportamiento. Una herramienta fundamental en esta búsqueda son los modelos computacionales, que permiten simular y comprender los complejos procesos neuronales subyacentes a la cognición. Estos modelos, junto con las técnicas de neuroimagen, ofrecen una ventana única para observar la actividad cerebral y probar hipótesis sobre cómo pensamos, sentimos y actuamos, incluso en el contexto de diversas condiciones psiquiátricas.

¿Qué es BP:CNNI?

Dentro del ámbito de la neurociencia, existen publicaciones científicas clave que difunden los avances más recientes. Una de ellas es el "Biological Psychiatry: Cognitive Neuroscience and Neuroimaging", conocido por su abreviatura: BP:CNNI. Esta revista es una publicación oficial de la Society of Biological Psychiatry y se centra específicamente en estudios que utilizan las herramientas y constructos de la neurociencia cognitiva. Publica investigaciones que emplean una amplia gama de metodologías no invasivas de neuroimagen, así como métodos de registro fisiológico humano, tanto extracraneal como intracraneal. La revista acoge estudios básicos y clínicos, incluyendo aquellos que incorporan datos genéticos, desafíos farmacológicos y enfoques de modelado computacional.

Neuroimagen y Neurociencia Cognitiva: El Papel de los Modelos Computacionales

A medida que las metodologías en neurociencia avanzan, un número creciente de modelos computacionales se implementan en estudios de neuroimagen. Estos modelos varían en complejidad y objetivos, desde proporcionar explicaciones mecanicistas hasta servir como herramientas predictivas. Para comprender sus distintos propósitos y elegir el modelo apropiado para un estudio particular, es crucial tener en cuenta los principios básicos de la filosofía de la ciencia, que guían la identificación de preguntas de investigación, la generación de hipótesis y la interpretación de hallazgos.

Estos principios son especialmente importantes en una era donde los enfoques basados en la minería de datos, sin hipótesis previas, ganan terreno. Estos enfoques son distintos de los modelos más clásicos, impulsados por la teoría y las hipótesis, diseñados para examinar mecanismos neuronales y computacionales específicos.

Modelos Teóricos vs. Modelos Basados en Datos

Generalmente, los modelos teóricos o dirigidos por la teoría en la neuroimagen computacional buscan identificar las computaciones neuronales que subyacen a comportamientos y procesos mentales específicos. Estos modelos se fundamentan en marcos teóricos, incorporando el conocimiento actual sobre la estructura cerebral, la función y los mecanismos celulares y moleculares (como la actividad dopaminérgica), para hacer predicciones específicas y comprobables sobre resultados neuronales y conductuales. Estas predicciones se pueden probar empíricamente comparándolas con datos observados mediante simulaciones y ajuste de modelos. Además, las variaciones en la arquitectura y los parámetros de los modelos pueden ofrecer insights sobre las bases neuronales de los trastornos psiquiátricos.

En contraste, los modelos basados en datos adoptan una postura en gran medida agnóstica a la teoría, centrándose en la minería de datos con fines pragmáticos, como identificar patrones novedosos en los datos o predecir resultados clínicos. Centrales en la ola actual de la revolución de la inteligencia artificial (IA), estos modelos utilizan técnicas de aprendizaje automático (ML), incluyendo métodos de aprendizaje supervisado y no supervisado, para lograr resultados que tienen utilidad pragmática. Estos modelos priorizan el descubrimiento de relaciones empíricas dentro de grandes conjuntos de datos, a menudo con una dependencia mínima de las teorías existentes. Ofrecen un potencial clínico significativo a través de la posible identificación de biomarcadores o la personalización de protocolos de tratamiento.

Más recientemente, los enfoques teóricos y basados en datos también se han utilizado de manera conjunta, donde los modelos "híbridos" incorporan diversos grados de supuestos teóricos y datos empíricos. Este trabajo puede utilizar el conocimiento teórico para guiar la selección de características o para interpretar los resultados de análisis basados en datos, o pueden usar datos empíricos para refinar y actualizar modelos teóricos. El grado de integración entre teoría y datos puede variar dependiendo de la pregunta de investigación específica, los datos disponibles y los objetivos del estudio.

Diferentes modalidades de imagen pueden ser más adecuadas para informar modelos computacionales de diversas escalas. Por ejemplo, la resonancia magnética funcional (fMRI), con su capacidad para proporcionar información sobre la actividad cerebral y la localización al detectar cambios asociados con el flujo sanguíneo, puede usarse en combinación con modelos teóricos que mapean funciones cognitivas a regiones y circuitos cerebrales específicos, y con modelos basados en datos que decodifican estados mentales a partir de patrones de actividad cerebral localizados. El electroencefalograma (EEG), que ofrece una mayor resolución temporal, se presta para modelos mecanicistas, teóricos y predictivos que investigan fenómenos sensibles al tiempo, siendo también particularmente valioso para poblaciones o entornos inaccesibles debido a su portabilidad y facilidad de uso. La magnetoencefalografía (MEG), con su combinación de resolución temporal y espacial relativamente alta, puede utilizarse para modelos que requieren una sincronización y localización precisas de eventos neuronales, incluso al realizar modelado predictivo.

Tabla Comparativa: Modelos Teóricos vs. Basados en Datos

Tipos de Modelos Computacionales en Neuroimagen

Para ilustrar estos diferentes enfoques de modelado computacional, examinemos algunos tipos de modelos:

Modelos de Aprendizaje por Refuerzo (RL)

Normalmente utilizados de manera teórica, los modelos de aprendizaje por refuerzo (Reinforcement Learning, RL) han demostrado ser una herramienta poderosa en la investigación cognitiva, ofreciendo insights tanto en patrones de comportamiento como en mecanismos neuronales que soportan el aprendizaje y la toma de decisiones. Principalmente mecanicistas, los modelos RL asumen que los agentes aprenden actualizando sus predicciones sobre los resultados basándose en las recompensas y castigos encontrados, y pueden construir estrategias de aprendizaje simples y complejas. Un concepto central en los modelos RL es el error de predicción (PE), que cuantifica la discrepancia entre los resultados esperados y reales. Este concepto ha encontrado un fuerte apoyo en estudios neurofisiológicos, con neuronas dopaminérgicas que exhiben patrones de disparo que se asemejan mucho a los PE.

La investigación en neuroimagen computacional inspirada en RL ha identificado estructuras mesolímbicas como el estriado ventral y la corteza frontal como jugadores clave en la anticipación y procesamiento de recompensas. Estudios más recientes han ampliado estos hallazgos, explorando estrategias de aprendizaje alternativas como la planificación basada en modelos y la interacción entre diferentes políticas de toma de decisiones. Además, la investigación ha demostrado que los PE dopaminérgicos pueden rastrear características detalladas de la recompensa, como la variabilidad de la recompensa y los valores almacenados o inferidos. Esto subraya sus roles matizados y multifacéticos en el cerebro, ya que extienden su función a escenarios complejos como la toma de decisiones sociales y el aprendizaje.

Modelos Bayesianos

Los modelos Bayesianos ofrecen un marco alternativo y complementario para comprender funciones cognitivas fundamentales. Tradicionalmente mecanicistas, originarios de teorías de la percepción, utilizan estadísticas Bayesianas para modelar cómo el cerebro actualiza sus creencias basándose en nueva evidencia. Este proceso implica integrar entradas sensoriales, vistas como evidencia probabilística del entorno externo, con el conocimiento existente. El cerebro procesa estas entradas como datos inciertos y actualiza sus creencias combinando el conocimiento previo con la información recién percibida.

La neuroimagen computacional con modelos Bayesianos ha avanzado nuestra comprensión de cómo se integra la información sensorial y ha ayudado en investigaciones sobre la cognición de nivel superior, como la autoevaluación y las creencias sobre un mundo externo cambiante. Aunque se utilizan con mayor frecuencia para caracterizar el comportamiento, estos modelos, al incorporar principios basados en la actividad neural, ofrecen una perspectiva única sobre los mecanismos neuronales que pueden subyacer a estos procesos cognitivos. Los enfoques Bayesianos han ofrecido, por lo tanto, insights sobre cómo la actualización de creencias alterada puede contribuir a las perturbaciones perceptuales características de condiciones como la psicosis. Además, al cuantificar las diferencias individuales en la actualización de creencias, estos modelos pueden usarse para ayudar a la clasificación y, por lo tanto, para fines predictivos basados en datos también.

Modelos Biofísicos

Los modelos biofísicos son una forma típica de modelos teóricos que simulan explícitamente las propiedades y mecanismos biológicos y fisiológicos del cerebro. Su objetivo es cerrar la brecha entre los constructos teóricos y la actividad cerebral real, incorporando conocimiento detallado sobre los mecanismos neuronales en varios niveles, desde neuronas individuales y neurotransmisores hasta regiones y redes cerebrales. Los modelos varían en complejidad, siendo los más complejos a menudo difíciles de estimar.

Los modelos biofísicos ofrecen profundos insights sobre cómo patrones de actividad complejos mostrados en, por ejemplo, señales BOLD de fMRI pueden surgir de interacciones neuronales subyacentes y así soportar la cognición y el comportamiento. Son particularmente útiles para comprender cómo las alteraciones a nivel sináptico o de neurotransmisores, como las observadas en la esquizofrenia, pueden llevar a disfunciones generalizadas de la red cerebral. Esta capacidad para vincular procesos biológicos con impactos a nivel de sistema también ha demostrado ser valiosa para investigar cómo medicamentos específicos afectan la función cerebral y potencialmente impactan la cognición de nivel superior, como la memoria de trabajo.

Modelos de Aprendizaje Automático (ML)

Principalmente basados en datos, los modelos de aprendizaje automático (Machine Learning, ML) son algoritmos capaces de aprender patrones a partir de datos mediante "entrenamiento". Sin embargo, aunque típicamente se centran en identificar relaciones empíricas dentro de los datos, algunos modelos ML pueden incorporar elementos de conocimiento mecanicista para mejorar su interpretabilidad y rendimiento.

Los modelos ML se pueden separar en aprendizaje supervisado, que implica modelos que aprenden de conjuntos de datos etiquetados, y aprendizaje no supervisado, que se centra en encontrar patrones en datos sin etiquetar, ofreciendo diferentes funciones al campo. Ambas categorías han demostrado ser herramientas útiles en la investigación cognitiva y de salud mental. Los enfoques supervisados han demostrado que los datos de neuroimagen contienen información predictiva sobre experiencias perceptivas, así como variables cognitivas superiores, asociadas con la toma de decisiones, el aprendizaje y la memoria. Los métodos no supervisados dependen de grandes conjuntos de datos, y su popularidad en la investigación cognitiva y de salud mental está aumentando debido al crecimiento de conjuntos de datos de neuroimagen a gran escala, (parcialmente) de código abierto.

Los modelos ML también abarcan un espectro de complejidad, desde métodos lineales simples como las regresiones lasso, que pueden identificar características predictivas promoviendo la escasez, hasta máquinas de vectores de soporte (SVM) para clasificación, y bosques aleatorios para aprendizaje de conjunto. Además, las técnicas de aprendizaje profundo (deep learning), particularmente las redes neuronales convolucionales (CNNs), han ganado prominencia debido a su capacidad para manejar eficientemente datos más complejos y ricos a partir de datos de neuroimagen brutos, como fMRI o escáneres de resonancia magnética estructural.

Aplicaciones en Trastornos Psiquiátricos

Crucialmente, los sustratos neuronales identificados por estos modelos a menudo están alterados en condiciones psiquiátricas, y la neuroimagen computacional ofrece insights valiosos sobre estas alteraciones. La neuroimagen basada en RL ha arrojado luz sobre cómo el procesamiento de recompensas y errores se ve afectado en los trastornos psiquiátricos. Ejemplos incluyen PE atenuados vinculados a la depresión, procesamiento de errores aumentado asociado con el trastorno obsesivo-compulsivo (TOC), y alteraciones en los PE que desempeñan un papel clave en la psicosis y la adicción. Estos hallazgos demuestran el potencial de los modelos RL, con su base en la actividad neural, para capturar diversos perfiles neurocognitivos en diferentes trastornos psiquiátricos, proporcionando insights valiosos tanto para comprender como para potencialmente tratar estos trastornos.

Los modelos Bayesianos también han ofrecido insights sobre cómo la actualización de creencias alterada puede contribuir a las perturbaciones perceptuales características de condiciones como la psicosis. Los modelos biofísicos son útiles para comprender cómo las alteraciones a nivel sináptico o de neurotransmisores, como las vistas en la esquizofrenia, pueden llevar a disfunciones generalizadas de la red cerebral. Finalmente, los modelos ML han demostrado un potencial clínico significativo. Estudios han identificado patrones de actividad cerebral que distinguen entre individuos sanos y aquellos con, o en riesgo de, trastornos psiquiátricos o neurológicos. Además, los modelos ML también se han explorado para predecir resultados de tratamiento. Si bien aún existen ciertas debilidades (como el problema de la "caja negra" o la interpretabilidad limitada), los avances en ML pueden conducir a una asignación de tratamiento más informada, diagnósticos e incluso enfoques individualizados en psiquiatría.

La Importancia de los Datos de Calidad

Independientemente de sus objetivos específicos, el grado en que incorporan detalles biológicos o mecanicistas, o si son teóricos o basados en datos, todos los modelos computacionales en neuroimagen dependen de conjuntos de datos de alta calidad. Estos conjuntos de datos son esenciales para una estimación robusta de parámetros, validación y generalización de hallazgos, facilitando la creación de modelos más precisos y biológicamente plausibles. Los conjuntos de datos ricos y de alta calidad pueden incluso facilitar el desarrollo de modelos más complejos y matizados. La relación entre los datos empíricos y los modelos es, por lo tanto, verdaderamente bidireccional.

Existen grandes conjuntos de datos públicos o accesibles bajo solicitud que son fundamentales para la investigación en este campo, como el UK Biobank, la Alzheimer’s Disease Neuroimaging Initiative (ADNI), el Human Connectome Project (HCP) y el Adolescent Brain Cognitive Development (ABCD) Study.

Sobre la Revista BP:CNNI: Ranking e Impacto

El "Biological Psychiatry", la revista madre, es una de las publicaciones más selectivas y altamente citadas en el campo de la neurociencia psiquiátrica. Se clasificó en el puesto 7 de 155 títulos de Psiquiatría y en el puesto 12 de 271 títulos de Neurociencias en el Journal Citations Reports® de 2019. El Factor de Impacto de 2019 para Biological Psychiatry fue de 12.095.

Por su parte, "Biological Psychiatry: Cognitive Neuroscience and Neuroimaging" (BP:CNNI) se lanzó en enero de 2016. Esta nueva revista publica avances fundamentales de estudios básicos y clínicos que proporcionan nuevos insights sobre las relaciones entre el cerebro y el comportamiento utilizando las herramientas y constructos de la neurociencia cognitiva y la neuroimagen. Se clasificó en el puesto 47 de 271 títulos de Neurociencias en el Journal Citations Reports® de 2019. El Factor de Impacto de 2019 para BP:CNNI fue de 5.335.

Existe también una tercera revista en la familia, "Biological Psychiatry: Global Open Science" (BP:GOS), lanzada en 2020, que es una revista de acceso completamente abierto y complementa a las otras dos.

Preguntas Frecuentes

¿Qué significa la abreviatura BP:CNNI?

BP:CNNI es la abreviatura de "Biological Psychiatry: Cognitive Neuroscience and Neuroimaging", una revista científica.

¿Cuál es el enfoque principal de la revista BP:CNNI?

Se centra en estudios de neurociencia cognitiva y neuroimagen que investigan la relación entre el cerebro y el comportamiento, utilizando diversas técnicas de imagen y registro fisiológico, incluyendo modelado computacional.

¿Cómo se utilizan los modelos computacionales en la neuroimagen cognitiva?

Se utilizan para simular y comprender procesos cerebrales, probar hipótesis sobre la cognición y el comportamiento, identificar mecanismos subyacentes y predecir resultados, especialmente en el contexto de trastornos psiquiátricos.

¿Cuál es la diferencia entre modelos teóricos y basados en datos?

Los modelos teóricos buscan explicar mecanismos basándose en conocimiento previo, mientras que los modelos basados en datos se centran en encontrar patrones y hacer predicciones directamente a partir de grandes conjuntos de datos.

¿Qué tipos de modelos computacionales se mencionan?

Se mencionan modelos de Aprendizaje por Refuerzo (RL), Bayesianos, Biofísicos y de Aprendizaje Automático (ML).

¿Cómo contribuye la neuroimagen computacional a la comprensión de los trastornos psiquiátricos?

Ayuda a identificar alteraciones en mecanismos neuronales (como el procesamiento de recompensas o la actualización de creencias) asociados con trastornos como la depresión, TOC, psicosis y adicción, y tiene potencial para el diagnóstico y la predicción de respuesta al tratamiento.

¿Qué Factor de Impacto tenía la revista BP:CNNI en 2019?

El Factor de Impacto de 2019 para Biological Psychiatry: CNNI fue de 5.335.

Si quieres conocer otros artículos parecidos a Neurociencia Cognitiva y Neuroimagen: Modelos puedes visitar la categoría Neurociencia.