Red neuronal (biología)

Una red neuronal , también llamada red neuronal , es una población interconectada de neuronas que normalmente contiene múltiples circuitos neuronales . ^{[ 1 ] [ 2 ]} Las redes neuronales biológicas se estudian para comprender la organización y el funcionamiento de los sistemas nerviosos .

Las redes neuronales artificiales , definidas como modelos de aprendizaje automático , se inspiran libremente en las redes neuronales biológicas. Consisten en neuronas artificiales , creadas mediante funciones matemáticas diseñadas para imitar los mecanismos utilizados por los circuitos neuronales .

Una red neuronal biológica está compuesta por un grupo de neuronas conectadas químicamente o asociadas funcionalmente. ^{[ 3 ]} Una sola neurona puede estar conectada a muchas otras neuronas, y el número total de neuronas y conexiones en una red puede ser extenso. Las conexiones, llamadas sinapsis , generalmente se forman desde los axones hasta las dendritas , aunque también son posibles las sinapsis dendrodendríticas ^{[ 4 ]} y otras conexiones. Además de la señalización eléctrica, existen otras formas de señalización que surgen de la difusión de neurotransmisores .

El origen de una red neuronal comienza con una neurona simple . Las células nerviosas, o neuronas, son únicas porque tienen la capacidad de traducir señales eléctricas en señales químicas y conectar vías neuronales en todo el cuerpo mediante este mecanismo. Debido a su función específica, también poseen una morfología única.

Una sola neurona consta de tres partes principales: el cuerpo celular , las dendritas y el axón . El cuerpo celular actúa como centro de control de la neurona y contiene el núcleo y otros orgánulos. Las dendritas son prolongaciones ramificadas que parten del cuerpo celular por un extremo y su función principal es recibir señales de otras neuronas. Estas señales se conocen como señales aferentes , lo que significa que se dirigen hacia el sistema nervioso central . El axón es una estructura larga, similar a una cola, que sale del cuerpo celular por el otro extremo y es responsable de transportar los potenciales de acción desde las dendritas y el cuerpo celular hacia otras neuronas ( señales eferentes ). El terminal axónico es el extremo del axón donde el potencial de acción (señalización eléctrica) desencadena la liberación de neurotransmisores , neuromoduladores o neurohormonas (señal química), lo que crea la sinapsis que se comunica con las neuronas vecinas. ^{[ 5 ]} Cuando esta conexión sináptica se produce entre un gran número de neuronas, se forma una red neuronal . En el proceso de creación de una conexión sináptica, se produce una transmisión sináptica desde la neurona presináptica a la neurona postsináptica.

Si bien es cierto que la transmisión de una señal dentro de una neurona se realiza mediante sustancias químicas, la transmisión de dicha señal, desde las dendritas hasta el terminal axónico, se produce a través de cambios en el potencial de membrana . Este potencial de acción se genera porque cada neurona posee una membrana celular cargada (lo que implica un desequilibrio de voltaje entre el exterior y el interior de la célula), creado por la presencia de canales iónicos dependientes de voltaje . La carga de las neuronas se ve influenciada por neurotransmisores y otros estímulos externos, lo que permite que el proceso de transmisión de la señal química a una señal eléctrica se repita. En esencia, una membrana presenta un potencial de reposo cuando la neurona no transmite una señal, y este potencial de membrana en reposo se mantiene mediante bombas de sodio-potasio y canales de fuga de potasio . Posteriormente, se produce un potencial de acción, regulado por canales de sodio y potasio dependientes de voltaje y bombas de sodio-potasio. Cuando el potencial de acción atraviesa la neurona, libera neurotransmisores u otros mensajeros químicos a través del cono axónico y la terminal, que envían un mensaje a la neurona adyacente en la red neuronal, lo que aumenta o disminuye la probabilidad de que se produzca otro potencial de acción para continuar o detener la transmisión del mensaje. ^{[ 6 ]} Este es el "lenguaje" que utilizan las redes neuronales para comunicarse y constituye la base del funcionamiento de todo el sistema nervioso.

Las redes neuronales artificiales son herramientas populares en estudios computacionales, estudios biológicos e inteligencia artificial. Estas redes se basan en el modelo de las redes neuronales biológicas y pueden aportar contribuciones significativas al estudio de estas últimas.

Una red neuronal biológica no es un sistema simple. El cerebro humano forma millones de redes neuronales a través de 10¹¹ neuronas que tienen aproximadamente 10¹⁵ conexiones sinápticas entre ellas. Todas estas redes neuronales están especializadas para trabajar en una función específica, como la supervivencia básica, el procesamiento intenso del pensamiento o la formación de la memoria . ^{[ 7 ]}

La red neuronal biológica puede modelarse matemáticamente analizando primero la función de una neurona desde una perspectiva matemática. La interpretación matemática de una sola neurona, conocida como nodo dentro de la red neuronal, se basa en la señal de entrada que recibe de las neuronas circundantes. La activación total se convierte entonces en la suma de todas las entradas, la cual se conecta estadísticamente con la conectividad sináptica que tiene con el resto de las conexiones neuronales a su alrededor. ^{[ 7 ]} La señal de salida de la neurona se convierte entonces en una función de su activación, y cuando estas funciones se combinan de manera más compleja, se puede crear una red neuronal artificial.

La inteligencia artificial , el modelado cognitivo y las redes neuronales artificiales son paradigmas de procesamiento de información inspirados en cómo los sistemas neuronales biológicos procesan datos. La inteligencia artificial y el modelado cognitivo intentan simular algunas propiedades de las redes neuronales biológicas, ya que las redes neuronales artificiales actúan como un subconjunto del aprendizaje automático que permite a la inteligencia artificial adaptarse gradualmente y procesar datos complejos. ^{[ 8 ]} En el campo de la inteligencia artificial , las redes neuronales artificiales se han aplicado con éxito al reconocimiento de voz , el análisis de imágenes y el control adaptativo , con el fin de construir agentes de software (en juegos de computadora y videojuegos ) o robots autónomos .

La teoría de redes neuronales, el estudio de modelos computacionales (redes neuronales artificiales) inspirados en la biología del cerebro y el sistema nervioso (redes neuronales biológicas), ha servido para identificar mejor cómo funcionan las neuronas en el cerebro y proporciona la base para los esfuerzos por crear inteligencia artificial y sistemas más complejos basados ​​en la transformación y optimización no lineales. ^{[ 9 ]}

La base teórica preliminar para las redes neuronales contemporáneas fue propuesta independientemente por Alexander Bain ^{[ 10 ]} (1873) y William James ^{[ 11 ]} (1890). En su trabajo, tanto los pensamientos como la actividad corporal resultaron de interacciones entre neuronas dentro del cerebro.

Para Bain, ^{[ 10 ]} cada actividad provocaba la activación de un conjunto específico de neuronas. Al repetirse las actividades, las conexiones entre esas neuronas se fortalecían. Según su teoría, esta repetición era lo que conducía a la formación de la memoria. La comunidad científica en general de la época se mostró escéptica ante la teoría de Bain ^{[ 10 ]} porque requería lo que parecía ser un número desmesurado de conexiones neuronales dentro del cerebro. Ahora resulta evidente que el cerebro es sumamente complejo y que el mismo "cableado" cerebral puede manejar múltiples problemas y entradas. ^{[ 13 ]}

La teoría de James ^{[ 11 ]} era similar a la de Bain; ^{[ 10 ]} sin embargo, sugirió que los recuerdos y las acciones resultaban de corrientes eléctricas que fluían entre las neuronas del cerebro. Su modelo, al centrarse en el flujo de corrientes eléctricas, no requería conexiones neuronales individuales para cada recuerdo o acción. ^{[ 14 ]}

C.S. Sherrington ^{[ 15 ]} (1898) realizó experimentos para comprobar la teoría de James. Aplicó corrientes eléctricas a la médula espinal de ratas. Sin embargo, en lugar de demostrar un aumento de la corriente eléctrica, como pronosticaba James, Sherrington observó que la intensidad de la corriente disminuía a medida que transcurría el experimento. Cabe destacar que este trabajo condujo al descubrimiento del concepto de habituación .

McCulloch y Pitts ^{[ 16 ]} (1943) también crearon un modelo computacional para redes neuronales basado en matemáticas y algoritmos. Denominaron a este modelo lógica de umbral. Estos primeros modelos allanaron el camino para que la investigación en redes neuronales se dividiera en dos enfoques distintos. Un enfoque se centró en los procesos biológicos del cerebro y el otro en la aplicación de las redes neuronales a la inteligencia artificial.

En 1956, Svaetichin descubrió algunos de los procesos neuronales subyacentes a las redes neuronales in vivo. Había estudiado el funcionamiento de las células retinianas de segundo orden (células horizontales) y descubrió que, en esta primera capa de procesamiento, operaban mediante un mecanismo de oposición. Esto ayudó a explicar la primera capa de procesamiento del sistema visual.

El procesamiento distribuido en paralelo de mediados de la década de 1980 se popularizó bajo el nombre de conexionismo . El texto de Rumelhart y McClelland ^{[ 17 ]} (1986) proporcionó una exposición completa sobre el uso del conexionismo en computadoras para simular procesos neuronales.

Las redes neuronales artificiales, tal como se utilizan en la inteligencia artificial, se han considerado tradicionalmente como modelos simplificados del procesamiento neuronal en el cerebro, aunque la relación entre este modelo y la arquitectura biológica del cerebro es objeto de debate, ya que no está claro hasta qué punto las redes neuronales artificiales reflejan la función cerebral. ^{[ 18 ]}

Si bien las redes neuronales artificiales desempeñan un papel fundamental en la teoría de redes neuronales y otros avances relacionados con el aprendizaje automático, la inteligencia artificial y los servicios digitales modernos, también pueden utilizarse para impulsar estudios biológicos y neurociencia. La neurociencia teórica y computacional es el campo que se ocupa del análisis y el modelado computacional de los sistemas neuronales biológicos. Dado que los sistemas neuronales están estrechamente relacionados con los procesos cognitivos y el comportamiento, este campo está vinculado al modelado cognitivo y conductual.

El objetivo de este campo es crear modelos de sistemas neuronales biológicos para comprender cómo funcionan dichos sistemas. Para lograr esta comprensión, los neurocientíficos se esfuerzan por establecer una conexión entre los procesos biológicos observados (datos), los mecanismos biológicamente plausibles para el procesamiento y el aprendizaje neuronal (modelos de redes neuronales) y la teoría (teoría del aprendizaje estadístico y teoría de la información ).

En cuanto a los hallazgos recientes en neurociencia biológica, la investigación inicial se había centrado principalmente en las características eléctricas de las neuronas, pero en los últimos años, una parte particularmente importante de la investigación ha sido la exploración del papel de los neuromoduladores como la dopamina , la acetilcolina y la serotonina en el comportamiento y el aprendizaje. ^{[ 29 ] [ 30 ]}

Los modelos biofísicos , como la teoría BCM , han sido importantes para comprender los mecanismos de la plasticidad sináptica y han tenido aplicaciones tanto en la informática como en la neurociencia. ^{[ 31 ]}

• Teoría de la resonancia adaptativa
• Cibernética biológica
• Arquitectura cognitiva
• Ciencia cognitiva
• Conectómica
• Redes neuronales cultivadas
• Procesos de satisfacción de restricciones en paralelo
• Red de madera