Un equipo internacional de científicos desarrolló un modelo computacional inspirado en el funcionamiento real del cerebro humano que no solo aprende tareas visuales con una precisión comparable a la de animales de laboratorio, sino que además puede anticipar errores en la toma de decisiones antes de que ocurran. El avance abre nuevas posibilidades para comprender cómo el cerebro aprende, se equivoca y se adapta, y podría acelerar el desarrollo de tratamientos personalizados para enfermedades neurológicas y psiquiátricas.
El estudio fue realizado por investigadores del Dartmouth College, el Picower Institute for Learning and Memory del Instituto Tecnológico de Massachusetts (MIT) y la Universidad Estatal de Nueva York en Stony Brook, y fue publicado en la revista científica Nature Communications. Según el equipo, el modelo propone una nueva forma de estudiar los circuitos cerebrales sin necesidad de recurrir inicialmente a pruebas en animales o personas.
A diferencia de los sistemas tradicionales de inteligencia artificial, que suelen entrenarse con grandes volúmenes de datos, este “cerebro digital” fue diseñado a partir de principios biológicos básicos. El modelo replica la arquitectura neuronal real, la forma en que las neuronas se conectan, se comunican mediante neurotransmisores y cooperan distintas regiones del cerebro, como la corteza, el estriado y el tronco encefálico.
La simulación también incorpora el rol de neurotransmisores clave, como la acetilcolina, que introduce variabilidad en la actividad neuronal y cumple una función central en los procesos de aprendizaje. Gracias a este enfoque, el sistema no sigue reglas rígidas, sino que aprende de la experiencia, de manera similar a un cerebro biológico.
El modelo está compuesto por pequeñas redes de neuronas artificiales que imitan el comportamiento eléctrico y químico de las neuronas reales. Algunas actúan como filtros que seleccionan la información relevante y descartan señales secundarias, mediante un mecanismo conocido como “el ganador se lleva todo”. Además, el sistema incorpora cierto nivel de “ruido” neuronal, que lejos de ser un error, permite explorar alternativas y favorece el aprendizaje progresivo.
Durante las pruebas, los investigadores detectaron un hallazgo inesperado: cerca del 20% de las neuronas analizadas mostraban patrones de actividad capaces de anticipar decisiones incorrectas antes de que se produjeran. A estas células las denominaron “neuronas incongruentes”, ya que parecían activarse cuando el sistema evaluaba opciones con mayor probabilidad de error.
Para verificar si este fenómeno también existía en el cerebro biológico, el equipo analizó grandes bases de datos de registros neuronales en animales y confirmó que señales similares estaban presentes, aunque hasta ahora no habían sido identificadas ni estudiadas en profundidad.
Este descubrimiento desafía la idea tradicional de que el cerebro aprende únicamente después de cometer errores. Según los investigadores, el modelo sugiere que el cerebro también anticipa equivocaciones, lo que le permite ajustar su comportamiento de manera más flexible frente a contextos cambiantes o inciertos.
Las aplicaciones potenciales son amplias. El “cerebro digital” podría utilizarse como plataforma para probar fármacos y terapias neurológicas en un entorno virtual, reduciendo costos, tiempos y riesgos antes de avanzar a ensayos clínicos. En ese marco, parte del equipo científico fundó la empresa Neuroblox.ai, con el objetivo de trasladar el modelo al ámbito farmacéutico y biomédico.
Actualmente, los investigadores trabajan en ampliar la simulación incorporando nuevas regiones cerebrales y distintos neurotransmisores, con la meta de comprender mejor el funcionamiento del cerebro sano y avanzar en el desarrollo de tratamientos más precisos y personalizados para trastornos neurológicos y psiquiátricos.
