Aprendizaje y criticidad en un modelo de autoorganización del crecimiento del conectoma

Área de la Ciencia:

• Neurociencia computacional
• Ciencia de las redes
• Física estadística

Sus antecedentes:

• Los datos de Connectome revelan características de red universales como la longitud estructural exponencial y las distribuciones de fuerza de los nodos lognormales de cola pesada.
• Las propiedades de la red cerebral sugieren una operación cerca de un punto crítico, optimizando las capacidades computacionales y la sensibilidad al estímulo.
• La naturaleza autoorganizada de estas características impulsa la investigación en marcos de modelado comunes, particularmente la criticidad en la física estadística.

Objetivo del estudio:

• Modele las características de la red cerebral universal utilizando un marco común basado en la criticidad.
• Reproducir las estadísticas de ley de potencia de los pesos de los bordes del conectoma y las distribuciones de fuerza de los nodos lognormales.
• Investigar el papel de la autoorganización y el aprendizaje en las propiedades emergentes de la red cerebral.

Principales métodos:

• Utilizó un modelo de tipo avalancha con aprendizaje que opera en redes de línea de base que imitan los circuitos neuronales.
• Las neuronas simuladas se conectan a través de una red modular jerárquica (HMN).
• Utilizó un modelo similar al de los montones de arena para generar avalanchas e introdujo el aprendizaje hebbiano ("fuego juntos, alambre juntos").

Principales resultados:

• Las avalanchas en la HMN produjeron distribuciones de tamaño de avalanchas de ley de potencia robustas con exponentes críticos de 3/2, características de los sistemas neuronales.
• La incorporación del aprendizaje de Hebbian reprodujo con éxito las distribuciones de peso de borde de ley de potencia y las distribuciones de grado de nodo lognormal.
• Los resultados del modelo fueron comparables a los datos empíricos del conectoma, apoyando la hipótesis del cerebro crítico.

Conclusiones:

• El estudio proporciona un marco unificado para comprender las estadísticas emergentes de la red cerebral a través de la criticidad y la autoorganización.
• Los resultados refuerzan la hipótesis del "cerebro crítico", donde las interacciones locales impulsan la conectividad y el aprendizaje sin ajuste externo.
• Los hallazgos sugieren que las propiedades computacionales y de sensibilidad óptimas del cerebro surgen de operar cerca de un estado crítico.