Investigadores han demostrado un prometedor concepto: circuitos neuronales cultivados en laboratorio pueden ser “guiados” para resolver un problema clásico de control a través de una retroalimentación cuidadosamente estructurada. En un sistema de circuito cerrado que proporcionaba retroalimentación eléctrica basada en el rendimiento, los organoides corticales – pequeños grupos de tejido cerebral – mejoraron constantemente su capacidad para controlar un punto virtual inestable, equilibrando un “péndulo invertido” virtual.
Si bien este avance está lejos de ser un “ordenador híbrido” funcional, representa una prueba de concepto importante. Demuestra que el tejido neural en un plato de laboratorio puede ser ajustado de forma adaptativa mediante retroalimentación estructurada, un resultado que podría ayudar a los investigadores a comprender cómo las enfermedades neurológicas alteran la capacidad del cerebro para la plasticidad.
“Estamos tratando de comprender los fundamentos de cómo las neuronas pueden ser ajustadas de forma adaptativa para resolver problemas”, explica Ash Robbins, investigador en robótica e inteligencia artificial de la Universidad de California (UC) Santa Cruz. “Si podemos descubrir qué impulsa esto en un laboratorio, nos brindará nuevas formas de estudiar cómo las enfermedades neurológicas pueden afectar la capacidad del cerebro para aprender.”
El problema del “péndulo invertido” es conceptualmente simple. Imagina equilibrar un objeto largo, como una regla o un bolígrafo, en tu mano. A menos que esté perfectamente alineado, comenzará a caerse. Para mantenerlo en equilibrio, debes ajustar constantemente la posición de tu mano a medida que el objeto se tambalea. En la versión virtual, un carrito puede moverse hacia la izquierda o hacia la derecha para mantener un poste articulado en equilibrio vertical. Las reglas son sencillas, pero pequeños errores se acumulan rápidamente, lo que lo convierte en un ejemplo clásico de un problema de control inestable.
Este problema se utiliza a menudo en la investigación de aprendizaje por refuerzo, ya que es fácil de simular y rápido de ejecutar. A diferencia de las tareas de reconocimiento de patrones, requiere ajustes constantes y precisos en lugar de una única respuesta correcta.
Para Robbins y sus colegas, el péndulo invertido representó una nueva y limpia forma de probar las capacidades de los organoides cerebrales. Los organoides no fueron cultivados a partir de tejido humano, sino de células madre de ratón, cultivadas para formar pequeños grupos de tejido cortical capaces de señalización neuronal. Estos organoides no eran lo suficientemente complejos como para pensar o tener consciencia, pero podían enviar y recibir señales eléctricas, y sus conexiones internas podían cambiar en respuesta a la estimulación externa.
El experimento se centró en el péndulo invertido virtual. Diferentes patrones de estimulación eléctrica señalaban la dirección y el grado de inclinación del poste. Las respuestas de los organoides se interpretaron entonces como fuerzas hacia la izquierda o hacia la derecha para mover el carrito y contrarrestar el tambaleo. Es importante destacar que los organoides no tenían comprensión de la tarea. Los investigadores estaban probando si las conexiones neuronales del tejido podían ser ajustadas a través de la retroalimentación, es decir, si las ráfagas de estimulación eléctrica podían producir cambios que orientaran la red hacia un mejor control.
Cada intento de equilibrar el poste duró hasta que se inclinó más allá de un ángulo preestablecido. El rendimiento se rastreó en ventanas móviles de cinco episodios. Los organoides se asignaron a una de tres condiciones: sin retroalimentación, retroalimentación aleatoria entregada a neuronas seleccionadas o retroalimentación adaptativa basada en el rendimiento pasado. La condición adaptativa fue crucial. Si el rendimiento en cinco episodios disminuyó en relación con el promedio de los últimos 20 episodios, el sistema entregó una breve ráfaga de estimulación de alta frecuencia. Un algoritmo ajustó qué neuronas recibieron esas ráfagas en función de si patrones de estimulación similares habían sido seguidos previamente por una mejor control.
“Puedes imaginarlo como un entrenador artificial que dice: ‘Lo estás haciendo mal, ajústalo un poco de esta manera’”, explica Robbins. “Estamos aprendiendo cómo darles mejor estas señales de entrenamiento.”
Para determinar si los organoides estaban mejorando genuinamente o simplemente teniendo suerte, los investigadores establecieron un punto de referencia basado en el rendimiento de un controlador completamente aleatorio. Si el mejor rendimiento de los organoides durante una sesión superó lo que la aleatoriedad por sí sola podría producir de manera plausible, esa sesión se consideró competente.
Las tasas de competencia en el rendimiento obtenidas para cada una de las condiciones fueron sorprendentes. Los organoides que no recibieron retroalimentación alcanzaron el punto de referencia de un buen rendimiento solo el 2.3% de las veces, y aquellos que recibieron retroalimentación aleatoria tuvieron un buen rendimiento el 4.4% de las veces. Sin embargo, bajo retroalimentación adaptativa continua, los organoides superaron el umbral de competencia en el 46% de los ciclos.
“Cuando podemos elegir activamente los estímulos de entrenamiento, podemos realmente dar forma a la red para resolver el problema”, dice Robbins. “Lo que demostramos es un aprendizaje a corto plazo, en el sentido de que podemos tomar un organoide en un estado y cambiarlo a otro al que aspiramos, y podemos hacerlo de manera consistente.”
Relacionado: Científicos cultivaron ‘mini cerebros’ de células madre y luego los cerebros desarrollaron algo parecido a ojos
Sin embargo, “a corto plazo” es correcto. Si se dejaban inactivos durante un período de tiempo (solo 45 minutos), los organoides “olvidaban” su entrenamiento, volviendo a un rendimiento de referencia. El trabajo futuro podría investigar cómo mejorar la memoria del organoide, quizás aumentando su complejidad.
“El software de Ash podría crear una comunidad más grande en torno a la computación adaptativa de organoides. Pero queremos dejar claro que nuestro objetivo es avanzar en la investigación cerebral y el tratamiento de las enfermedades neurológicas, no reemplazar los controladores robóticos y otros tipos de computadoras con tejidos cerebrales de animales cultivados en laboratorio”, dice el bioinformático David Haussler de UC Santa Cruz.
“Esto último podría considerarse interesante, pero plantearía serios problemas éticos, especialmente si se utilizaran organoides cerebrales humanos.”
La investigación ha sido publicada en Cell Reports.
