Introducción a neurociencia: saber imprescindible para las Neural Networks (3)

introduccion neurociencia para neural networks

En el anterior artículo de esta pequeña serie de introducción a la neurociencia, se habían mencionado los dos tipos de sinapsis: por un lado, la quizá más conocida, sinapsis eléctrica y por otro lado la sinapsis química, la cual se cree que juega un papel crucial.

Además de esta categorización de las sinapsis, según su naturaleza. Existe otro criterio que es el efecto postsináptico (o el efecto que tienen en la neurona destino).

Sinapsis excitatoria

En este tipo de sinapsis se produce un incremento en el potencial de la membrana postsináptica. Es decir, si tenemos una neurona A y una neurona B y entre ambas existe una conexión sináptica tal que, la neurona A es la neurona presináptica y la neurona B es la neurona postsináptica. La sinapsis excitatoria tiende a excitar a la neurona B.

Veamos cómo funciona:

  1. Lo primero es la existencia de una señal de entrada o input spike.
  2. Este spike ocasionará que las moléculas neurotransmisoras se vuelquen en el synaptic cleft (o hendidura postsináptica).
  3. Estas se asociarán con los receptores de los canales iónicos de la neurona postsináptica. Estos, por ejemplo, pueden resultar sensibles a los iones NA+, provocando que los canales selectivos de ese tipo de iones se abran.
  4. Los iones NA+ accederán a la neurona postsináptica provocando la despolarización de la misma.
  5. Esta despolarización es una disminución en el valor absoluto del potencial de la membrana en la neurona postsináptica. Cuando esta despolarización alcanza un determinado valor umbral es cuando se produce la respuesta en forma de EPSP (Excitatory PostSynaptic Potential)

Sinapsis inhibitoria

En este caso el efecto será el opuesto, es decir, el potencial de la membrana correspondiente a la neurona postsináptica disminuye.

Doctrina Sináptica

Sostiene que el aprendizaje y los recuerdos están basados en las sinapsis. ¿Cómo es que estas estructuras juegan un papel tan crucial?

El caso es que las sinapsis facilitan el aprendizaje a través de lo que se denomina la plasticidad sináptica. Su ejemplo más conocido es la plasticidad Hebbiana o Hebbian plasticity (en honor al psicólogo canadiense Donald Hebb). En pocas palabras, este concepto viene a decir que, si una neurona A toma parte de forma sistemática en que otra neurona B se active, la sinapsis entre la neurona A y la neurona B, se reforzará cada vez más. Se puede apreciar en el gráfico de abajo cómo al principio (en la parte de arriba) la respuesta de B es más tímida. Pero, a medida que A interviene en la activación de B repetidas veces, llega un punto en el que la respuesta de B se hace más intensa y rápida (esto se denota con el triángulo rojo)

introduccion neurociencia para neural networks

El mantra de la plasticidad Hebbiana es: “Neurons that fire togeher, wire together”. Realmente todo esto suena lógico, pero ¿hay algo de científico realmente en ello?

LTP (Long Term Potentiation)

Este comportamiento ha podido ser detectado en el hipocampo y se describe como un incremento evidente en la fuerza sináptica que dura horas o días.

introduccion neurociencia para neural networks

Esto se puede demostrar experimentalmente, midiendo el tamaño del EPSP (Excitatory PostSynaptic Potential) causado por una sola neurona A sobre otra neurona B, a lo largo del tiempo.

LTD (Long Term Depression)

En este caso, se observa un decremento en el EPSP ocasionado en la neurona B cuando esta es estimulada por la neurona A, a lo largo del tiempo.

introduccion neurociencia para neural networks

Tanto el LTP con el LTD depende de la temporización o coordinación entre la entrada y la salida de las neuronas involucradas. Por ejemplo, si la neurona A se dispara antes de que la neurona B (la entrada antes que la salida), se puede apreciar como a medida que se repite esta combinación, el EPSP resultante se incrementa.

introduccion neurociencia para neural networks

En cambio, podríamos tener una situación en la que el spike de salida de B se produjera antes de que se disparara A (algo que podría ocurrir si la neurona B es afectada por múltiples entradas de otras neuronas, no solo de A). En este caso, si se refuerza esta secuencia, el EPSP resultante irá disminuyendo.

introduccion neurociencia para neural networks

Unos pocos milisegundos de diferencia en la coordinación marcan la diferencia entre el LTP y el LTD.

introduccion neurociencia para neural networks

Y eso es todo, por el momento. Esperamos que esta serie de artículos os esté resultando útil e interesante.


Alejandro Arranz. Data Engineer en datahack

 

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *