¿Qué es un Modelo en Neurociencia?

Entender el cerebro, con su complejidad asombrosa, a menudo requiere la construcción de modelos. Un modelo en neurociencia, al igual que en otras disciplinas científicas, es una representación simplificada o una herramienta conceptual diseñada para explicar datos u observaciones específicas sobre un fenómeno de interés. Imagina que eres un arqueólogo sin conocimiento previo de los relojes y encuentras uno antiguo. Para descifrar su propósito y funcionamiento, tendrías que construir un modelo que explique el comportamiento observado de sus manecillas y engranajes. De manera similar, cuando estudiamos el cerebro, construimos modelos para comprender cómo computa o realiza ciertas funciones.

Un enfoque de modelado exitoso comienza con un fenómeno bien definido que necesita explicación y los datos asociados a él. El proceso de modelado implica varias etapas, que comienzan con la crucial tarea de enmarcar la pregunta correcta. A continuación, exploraremos los primeros pasos de este proceso, utilizando la analogía del reloj para ilustrar cada concepto.

Enmarcando la Pregunta

La fase inicial y fundamental en el modelado es definir claramente qué problema se intenta resolver. Esto implica identificar el fenómeno de interés y formular una pregunta precisa al respecto. Este proceso se divide en varios pasos esenciales.

Paso 1: Encontrar un Fenómeno y una Pregunta

El punto de partida para cualquier modelo es un fenómeno de interés. El primer paso práctico para el modelador es compilar una lista o tabla de las observaciones críticas que definen los aspectos interesantes del fenómeno. ¿Qué lo distingue de otras cosas? ¿Qué aspectos carecen de una buena explicación?

Volviendo a nuestra analogía del reloj, si observamos uno, algunas características distintivas podrían ser:

• Son precisos en su movimiento.
• Son periódicos de forma circular.
• Múltiples manecillas tienen periodicidades anidadas (una se mueve más rápido que otra).
• Estas periodicidades son múltiplos aproximados de otro fenómeno natural (la rotación de la Tierra).

Definir con precisión el fenómeno es vital para formular una buena pregunta. Una vez que hemos caracterizado el fenómeno, necesitamos definir una pregunta de modelado significativa. Ayuda mucho tener claridad sobre el tipo de pregunta que estamos haciendo:

• ¿Las características que definen el “qué” del fenómeno están bien descritas, o necesitamos describir mejor los datos?
• ¿Queremos preguntar “cómo” funciona algo (el mecanismo)?
• ¿Estamos interesados en “por qué” el fenómeno existe en primer lugar (la razón o propósito)?

Las observaciones sobre el reloj pueden llevar a diferentes tipos de preguntas. ¿Cuál es la relación entre los engranajes y el movimiento de las manecillas? (Cómo). ¿Cómo producen los engranajes el patrón observado de movimientos de las manecillas? (Cómo). ¿Y por qué alguien construiría tal mecanismo? (Por qué). Ninguna de estas preguntas es inherentemente más o menos interesante; todas podrían representar objetivos legítimos para un constructor de modelos. Sin embargo, una elección clara de dicho objetivo es esencial para permitir modelos significativos.

Debes especificar claramente tu objetivo desde el principio, para ti mismo y en toda tu comunicación sobre el proyecto de modelado. Una vez que tenemos un fenómeno general y una pregunta en mente, podemos delimitar qué aspectos de los datos debe capturar nuestro modelo. Sin una pregunta exacta, hay muchas probabilidades de perderse en los vastos océanos de lo desconocido.

Esto nos lleva a nuestro primer lema del modelado: Comenzando con la pregunta, ¡escribe todo de forma precisa! Las preguntas imprecisas llevan a un fracaso rápido. “Modelar un reloj” sería una mala definición de un objetivo; después de todo, no identifica observaciones clave o criterios de éxito o fracaso. La pregunta “¿Cómo predicen los ángulos de las manecillas la hora del día?”, por otro lado, sería una pregunta bien definida. Especifica tanto el fenómeno (relación con la hora del día) como implica criterios de éxito (baja varianza al predecir la hora del día).

En este paso, también es útil identificar los aspectos de las observaciones que el modelo no abordará para responder la pregunta. Por ejemplo, podemos decidir que no nos importa (para el modelo actual) los materiales de los que está hecho el reloj o el mecanismo interno detallado más allá de la relación entre engranajes. Al enfocarnos en las características distintivas de los fenómenos junto con las intuiciones sobre los factores que deben incluirse en una explicación, el modelo se enfoca tanto en una pregunta concreta como en un nivel de abstracción apropiado.

Al mantener el enfoque, evitamos la inevitable “expansión de la misión” (mission creep) que resulta de tener una pregunta difusa; las preguntas difusas inevitablemente empujan a los investigadores a intentar responder a una familia mucho más amplia de preguntas aparentemente relacionadas. Tener enfoque también proporciona una cualidad natural de la navaja de Occam a nuestros modelos. A través del enfoque, nuestros modelos abordan la brecha de conocimiento central de la pregunta minimizando la complejidad del enfoque.

Como parte del objetivo, también se debe definir el método de evaluación del modelo. Esto nos lleva a nuestro segundo lema del modelado: ¡Saber cuándo parar! Un objetivo de modelado bien definido debe tener criterios de parada bien definidos, o de lo contrario sufriremos una interminable expansión de la misión. Deberíamos ser capaces de responder las siguientes preguntas: ¿Cuándo estamos satisfechos con el nuevo modelo? ¿Qué significaría que un modelo fuera mejor que otro para nuestro criterio?

Estas son preguntas difíciles, pero hay desiderata claros a los que deben adherirse los buenos criterios de evaluación. La evaluación debe asegurar que el modelo incorpore las observaciones críticas. La evaluación debe hacer que el modelo se conecte con datos reales o potenciales. En el ejemplo del reloj, podríamos querer reproducir la periodicidad observada con un error bajo. O podríamos querer proporcionar una explicación de por qué hay tantos engranajes y para qué sirven.

Pensar en un experimento específico que potencialmente podría responder las preguntas planteadas a menudo es tremendamente útil para asegurar que estos desiderata se satisfagan. Proporciona una instanciación específica, tangible e intuitiva de una pregunta abstracta. Además, inherentemente proporciona un objetivo de referencia para el modelo a diseñar. De hecho, el modelo debería poder simular este experimento exacto para proporcionar una respuesta basada en el modelo. En el reloj, quitar un engranaje o cambiar una relación de engranajes podría ser un buen experimento para probar el papel de los engranajes. Ser capaz de simular resultados de un experimento hipotético o real se convierte así en parte del objetivo de modelado.

Finalmente, también es importante determinar criterios de evaluación precisos basados en propiedades cualitativas y/o cuantitativas bien definidas que el modelo debe exhibir. Esto es crucial porque los datos derivados de las observaciones experimentales son naturalmente variables, y por lo tanto, determinar criterios que nos permitan juzgar el rendimiento del modelo es importante para determinar en última instancia cuándo se ha logrado el ejercicio de modelado. Por ejemplo, ¿el objetivo es reproducir tendencias/patrones generales, o es importante una coincidencia detallada entre el modelo y los datos? ¿Hay ciertos efectos o relaciones experimentales específicos que el modelo debe reproducir? ¿Cómo se medirá el rendimiento? Por ejemplo, si el reloj realmente está destinado a la medición del tiempo, entonces un modelo del reloj debería coincidir con su periodicidad muy de cerca (es decir, dentro del ruido de medición). Establecer el método de evaluación desde el principio garantizará una evaluación justa y crítica del esfuerzo de modelado y una finalización oportuna del modelo.

En nuestra experiencia, el Paso 1 es el más difícil tanto para investigadores novatos como experimentados. Es el paso que requiere más reflexión, y es un paso que a menudo se revisa para su refinamiento después de darse cuenta de que los pasos subsiguientes no funcionan.

Paso 2: Comprender el Estado del Arte

Antes de sumergirse en el modelado en sí, es obviamente esencial revisar la literatura existente. Esta revisión sirve para proporcionar información adicional sobre el fenómeno, si hay controversia o condiciones específicas bajo las cuales ocurre, y proporciona antecedentes sobre el conjunto de preguntas que ya se han abordado. Desde una perspectiva de modelado, proporciona información sobre los tipos de abstracciones y enfoques que ya podrían haberse utilizado.

¿Qué se ha hecho ya en términos de modelado? ¿Hay modelos anteriores que se puedan usar como punto de partida? ¿Qué hipótesis han emitido otros investigadores (teóricos y experimentadores por igual) sobre el fenómeno en cuestión? ¿Hay modelos o explicaciones alternativas y/o complementarias? En el ejemplo del reloj, podemos conocer la teoría elemental de la escuela de que si tenemos un engranaje con N dientes y otro con K dientes, entonces traduce la velocidad de rotación como N/K.

Este segundo paso garantizará que no se omitan accidentalmente aspectos importantes (teóricos y experimentales) relacionados con el modelo. También proporcionará los conjuntos de datos específicos y/o modelos alternativos contra los que comparar el nuevo modelo. Además, esta revisión podría proporcionar información sobre los criterios de evaluación específicos (por ejemplo, error cuadrático medio de ajuste) que se utilizan típicamente en el campo. Por lo tanto, siempre se debe realizar una revisión de la literatura antes de construir un nuevo modelo.

También es importante obtener una comprensión intuitiva y práctica de los modelos y teorías propuestos anteriormente. Tal comprensión solo se puede obtener reimplementando modelos anteriores y explorando su potencial y limitaciones de manera práctica. Explorar modelos anteriores familiariza al investigador con enfoques específicos, herramientas y mecanismos que se han propuesto anteriormente. Explorar las fortalezas y debilidades de los modelos existentes ayudará a identificar y justificar la necesidad de un nuevo modelo.

El Paso 2 puede caracterizarse como una tarea de “forrajeo” donde el investigador caracteriza mejor el fenómeno, la brecha explicativa y reúne un conjunto de ingredientes posiblemente útiles en el taller del modelador, como conceptos, métodos y mecanismos. Finalmente, la revisión de la literatura también debería permitir determinar las habilidades necesarias para comprender los esfuerzos de modelado anteriores. Esto podría resultar en la necesidad de aprender nuevas habilidades, independientemente de si esas habilidades también serán útiles para construir el nuevo modelo. Por lo tanto, una buena comprensión del estado del arte de un campo es fundamental para comprender los modelos anteriores y proponer un nuevo modelo a la luz del trabajo previo. Sin embargo, nuestro enfoque centrado en la pregunta evita la adopción prematura de cualquiera de estos enfoques. En cambio, abogamos por evaluar los enfoques anteriores a través de la lente de la pregunta enfocada y sus ingredientes básicos.

Paso 3: Determinar los Ingredientes Básicos

Después de definir los fenómenos y los objetivos, ahora podemos ser un poco más específicos. Cada esfuerzo de modelado comienza con una intuición que proporcionará un inventario de conceptos y/o interacciones específicas que deben ser instanciadas. ¿Qué variables y/o parámetros en la pregunta e inventario se necesitan en el modelo? ¿Son constantes o cambian, por ejemplo, en el espacio, el tiempo o las condiciones? ¿Hay algún concepto (por ejemplo, valor, utilidad, incertidumbre, costo, saliencia, metas, estrategia, planta, dinámica) que deba instanciarse como variables?

¿Pueden estas variables ser observadas/medidas directamente o son variables latentes (internas) en el modelo? Para instanciar variables latentes, deben estar relacionadas con mediciones potenciales, ya sean prácticamente posibles o no. En nuestro ejemplo del reloj, la velocidad angular de los engranajes (variable latente) podría importar para determinar el movimiento de las manecillas (observado), y sabemos que es constante para un engranaje dado pero diferente entre engranajes.

¿Qué detalles se pueden omitir (por ejemplo, los materiales de los que está hecho el reloj)? ¿Cuáles son las restricciones, las condiciones iniciales? ¿Cómo se espera que estas variables interactúen? Por ejemplo, hay una relación específica entre las velocidades de los engranajes en el reloj que es constante y está determinada por la fracción del número de dientes. ¿Cuáles deberían ser las entradas (potencialmente bajo control experimental) y las salidas (que podrían medirse; es decir, las salidas deberían ser típicamente las mismas que los datos que el modelo aborda) del modelo?

Responder a estas preguntas establecerá los elementos que se requieren en el modelo, así como las condiciones específicas que deben ser satisfechas por el modelo.

Un segundo conjunto de instrumentos para el modelador, mucho más difícil de adquirir, pero crucial, es una biblioteca de posibles mecanismos explicativos. Dicha biblioteca generalmente se recopila con el tiempo mediante la exploración práctica de diferentes modelos, enfoques, piezas de matemáticas y algoritmos. Esto va de la mano con la construcción de una intuición para un campo de investigación a través del análisis exploratorio de datos/modelos y la lectura cuidadosa de la literatura relevante. Se forma una intuición como resultado de experiencias con diferentes clases de modelos y datos. Para el ejemplo del reloj, los modelos que producen comportamiento oscilatorio (es decir, periodicidad) podrían ser de particular interés.

Sostenemos que no hay forma de evitar este paso de aprender haciendo (y la catalogación regular de este conjunto explicativo debería ser una prioridad para la comunidad). Pero como resultado, los posibles mecanismos explicativos requeridos también ayudarán a proporcionar conceptos e interacciones específicas que deben ser instanciadas. Una vez que se han identificado los ingredientes del modelo y los posibles mecanismos, se pueden expresar hipótesis específicas en lenguaje matemático.

Tipos de Preguntas en Modelado (Analogía del Reloj)

Preguntas Frecuentes sobre Modelos en Neurociencia

¿Por qué necesitamos modelos en neurociencia?

Los modelos nos ayudan a sintetizar datos complejos, proponer hipótesis sobre mecanismos subyacentes, generar predicciones experimentales verificables y obtener una comprensión más profunda de cómo funciona el cerebro.

¿Cuál es el paso más importante al comenzar un proyecto de modelado?

Aunque todos los pasos son importantes, definir clara y precisamente el fenómeno de interés y la pregunta específica a abordar es fundamental. Una pregunta mal definida puede llevar a la confusión y al fracaso del proyecto.

¿Qué significa tener criterios de parada claros?

Implica establecer de antemano qué se considerará un éxito o una finalización para el modelo. Esto podría ser alcanzar un cierto nivel de precisión al reproducir datos, explicar un fenómeno específico o generar una predicción concreta. Evita la "expansión de la misión" interminable.

¿Debo construir mi modelo desde cero?

No necesariamente. Comprender el estado del arte y explorar modelos existentes es crucial. A menudo, se puede partir de modelos previos, adaptarlos o usarlos como inspiración, lo que ahorra tiempo y esfuerzo.

¿Qué diferencia hay entre variables observadas y latentes en un modelo?

Las variables observadas son aquellas que podemos medir directamente a través de experimentos (ej. el ángulo de la manecilla del reloj). Las variables latentes son estados internos o propiedades del sistema que no se miden directamente pero que son necesarias para explicar el comportamiento observado (ej. la velocidad angular interna de un engranaje).

Estos primeros pasos sientan las bases para un proceso de modelado riguroso y productivo. Al dedicar tiempo y esfuerzo a enmarcar la pregunta, comprender el contexto existente y determinar los ingredientes básicos, los neurocientíficos pueden aumentar significativamente las posibilidades de desarrollar modelos que ofrezcan una comprensión valiosa de los complejos fenómenos cerebrales.

Si quieres conocer otros artículos parecidos a ¿Qué es un Modelo en Neurociencia? puedes visitar la categoría Neurociencia.