1.3: El enfoque computacional

Una característica importante de nuestro recorrido por el cerebro es que utilizamos el vehículo de los modelos informáticos para comprender la neurociencia cognitiva (es decir, la neurociencia cognitiva computacional). Estos modelos de computadora enriquecen la experiencia de aprendizaje de maneras importantes: rutinariamente escuchamos de nuestros alumnos que realmente no entendían nada hasta que sacaron el modelo de computadora y jugaron con él durante unas horas. Ser capaz de manipular y visualizar el cerebro usando una poderosa interfaz gráfica 3D da vida a conceptos abstractos y permite que muchos experimentos se realicen de manera fácil, limpia y segura en la comodidad de su propio portátil. Esto es divertido, como un videojuego — piensa en “sim brain”, como en el popular juego “sim city” de hace unos años.

A un nivel más serio, el uso de modelos informáticos para entender cómo funciona el cerebro ha sido un contribuyente crítico para el progreso científico en esta área en las últimas décadas. Una ventaja clave del modelado por computadora es su capacidad para luchar con la complejidad que a menudo resulta desalentadora para la comprensión humana sin ayuda de otra manera. ¿Cómo podríamos esperar entender cómo miles de millones de neuronas que interactúan con 10 de miles de otras neuronas producen cognición humana compleja, con solo hablar en términos verbales vagos o simples diagramas en papel? Ciertamente, nadie cuestiona la necesidad de utilizar modelos informáticos en el modelado climático, para hacer predicciones precisas y entender cómo interactúan los muchos factores complejos entre sí. La situación sólo es más grave en la neurociencia cognitiva.

Sin embargo, en todos los campos donde se utilizan modelos de computadora, existe una desconfianza fundamental hacia los modelos. Ellos mismos son complejos, creados por personas, y no tienen ninguna relación necesaria con el sistema real en cuestión. ¿Cómo sabemos que estos modelos no son solo fantasías completamente maquilladas? La respuesta parece simple: los modelos deben estar limitados por datos en tantos niveles como sea posible, y deben generar predicciones que luego puedan probarse empíricamente. En lo que sigue, discutimos diferentes enfoques que las personas podrían tomar ante este desafío —esto pretende dar una idea del enfoque científico detrás del trabajo descrito en este libro— como estudiante esto quizás no sea tan relevante, pero podría ayudar a dar alguna perspectiva sobre cómo funciona realmente la ciencia.

En un mundo ideal, se podría imaginar que las neuronas en el modelo neural serían imágenes especulares de las del cerebro real, replicando el mayor detalle posible dadas las limitaciones técnicas para obtener los detalles necesarios. Estarían conectados exactamente como están en el cerebro real. Y producirían comportamientos detallados que replicaban exactamente cómo se comporta el organismo en cuestión a través de una amplia gama de situaciones diferentes. Entonces te sentirías seguro de que tu modelo es lo suficientemente “real” como para confiar en algunas de sus predicciones.

Pero incluso si esto fuera técnicamente factible, ¡quizás te preguntes si el sistema resultante sería más comprensible que el cerebro mismo! En otras palabras, solo habríamos logrado transportar los misterios fundamentales del cerebro a nuestro modelo, sin desarrollar ningún entendimiento real sobre cómo funciona realmente la cosa. Desde esta perspectiva, lo más importante es desarrollar el modelo más simple posible que capture la mayor cantidad de datos posibles — este es básicamente el principio de la navaja de Ockham, que es ampliamente considerada como un principio central para toda teorización científica.

En algunos casos, es fácil aplicar esta maquinilla de afeitar para cortar detalles innecesarios. Ciertamente, muchas propiedades biológicas de las neuronas son irrelevantes para su función central de procesamiento de información (por ejemplo, procesos celulares que son comunes a todas las células biológicas, no solo a las neuronas). Pero muchas veces se reduce a una llamada de juicio sobre qué fenómenos considera importantes, los cuales variarán dependiendo de las cuestiones científicas que se aborden con el modelo.

El enfoque adoptado para los modelos en este libro es encontrar algún tipo de término medio feliz (o infeliz) entre el detalle biológico y la funcionalidad cognitiva. Este término medio es infeliz en la medida en que los investigadores preocupados por cualquiera de los extremos de este continuo no están satisfechos con el nivel de los modelos. Los biólogos se preocuparán de que nuestras neuronas y redes estén excesivamente simplificadas. A los psicólogos cognitivos les preocupará que nuestros modelos sean demasiado detallados biológicamente, y puedan hacer modelos mucho más simples que capten los mismos fenómenos cognitivos. Nosotros, los que saboreamos este término “medio dorado”, somos felices cuando hemos logrado importantes simplificaciones en el lado neural, al tiempo que seguimos capturando importantes fenómenos cognitivos. Este nivel de modelado explora cómo la consideración de los mecanismos neuronales informan el funcionamiento de la mente, y recíprocamente, cómo las restricciones cognitivas y computacionales permiten una comprensión más rica de los problemas que estos mecanismos evolucionaron para resolver. Por lo tanto, puede hacer predicciones sobre cómo un fenómeno cognitivo (por ejemplo, interferencia de memoria) se ve afectado por cambios a nivel neural (debido a enfermedad, farmacología, genética, o de manera similar debido a cambios en los parámetros de la tarea cognitiva). El modelo puede entonces ser probado, falsificado y refinado. En este sentido, un modelo de neurociencia cognitiva es igual que cualquier otra 'teoría', salvo que se especifica y formaliza explícitamente, obligando al modelador a rendir cuentas de su teoría si/cuando los datos no coinciden. Por el contrario, los modelos a veces pueden mostrar que cuando una teoría existente se enfrenta a datos desafiantes, la teoría puede sostenerse después de todo debido a una dinámica particular que puede no ser considerada a partir de la teorización verbal.

En última instancia, se reduce a factores estéticos o impulsados por la personalidad, que hacen que diferentes personas prefieran diferentes estrategias generales al modelado por computadora. Cada uno de estos diferentes enfoques tiene valor, y la ciencia no progresaría sin ellos, por lo que es una suerte que las personas varíen en su personalidad para que diferentes personas terminen haciendo cosas diferentes. Algunas personas valoran más la simplicidad, la elegancia y la limpieza; estas personas tenderán a favorecer los modelos cognitivos matemáticos abstractos (por ejemplo, bayesianos). Otras personas valoran los detalles biológicos por encima de todo, y no se sienten muy cómodas extraviándose más allá de los hechos más firmemente establecidos; preferirán hacer modelos de neuronas individuales altamente elaborados incorporando todo lo que se sabe. Para vivir en el medio, hay que estar dispuesto a correr algunos riesgos, y valorar más altamente el proceso de emergencia, donde se puede demostrar que fenómenos complejos emergen de mecanismos subyacentes más simples. Los criterios para el éxito aquí son un poco turbios y subjetivos —básicamente se reduce a si el modelo es lo suficientemente simple como para ser comprensible, pero no tan sencillo como para hacer que su comportamiento sea trivial o de otra manera tan completamente transparente que no parece estar haciéndote ningún bien en primer lugar. Una última nota sobre este tema es que los diferentes niveles de modelos no son mutuamente excluyentes. Cada uno de los modelos biofísicos de bajo nivel y cognitivo de alto nivel han hecho enormes contribuciones a la comprensión y análisis en sus respectivos dominios (gran parte de los cuales es una base para una mayor simplificación o elaboración en el libro). De hecho, se puede ganar mucho terreno (y hasta cierto punto ya lo ha sido) por los intentos de entender un nivel de modelado en términos del otro. Al final del día, la vinculación de molécula a mente abarca múltiples niveles de análisis, y al igual que estudiar las leyes de la física de partículas con el movimiento planetario, requieren múltiples herramientas formales.