El estudio de una simulación computarizada muestra que los cerebros inteligentes tardan más en resolver problemas difíciles

Publicado originalmente por Stefanie Seltmann, Instituto de Salud de Berlín in der Charité (BIH), el 1 de junio de 2023

Crédito: BIH/Petra Ritter

¿Las personas inteligentes piensan más rápido? Investigadores de la BIH y Charité-Universitätsmedizin Berlin, junto con un colega de Barcelona, hicieron el sorprendente hallazgo de que los participantes con puntuaciones de inteligencia más altas solo eran más rápidos al abordar tareas simples, mientras que tardaban más en resolver problemas difíciles que los sujetos con puntuaciones de CI más bajos.

En simulaciones cerebrales personalizadas, los investigadores pudieron determinar que, de los 650 participantes, los cerebros con sincronía reducida entre diferentes áreas del cerebro toman decisiones casi automáticamente, en lugar de esperar hasta que las regiones cerebrales superiores puedan completar los pasos de procesamiento necesarios para resolver el problema.

De hecho, los participantes con mayor puntuación también necesitaron más tiempo para resolver tareas difíciles, pero cometieron menos errores. Los científicos han publicado sus hallazgos en la revista Nature Communications.

Hay aproximadamente 100 mil millones de neuronas en el cerebro humano. Se estima que cada una de ellas está conectada a unas 1.000 neuronas, vecinas o lejanas. Esta red insondable es la clave de las increíbles capacidades del cerebro, pero también es lo que hace que sea tan difícil entender cómo funciona el cerebro.

La profesora Petra Ritter, jefa de la Sección de Simulación Cerebral del Instituto de Salud de Berlín en Charité (BIH) y del Departamento de Neurología y Neurología Experimental de Charité-Universitätsmedizin Berlin, ha creado una simulación del cerebro humano utilizando ordenadores. "Queremos entender cómo funcionan los procesos de toma de decisiones del cerebro y por qué diferentes personas toman decisiones diferentes", dice, al describir el proyecto actual.

Modelos cerebrales personalizados

Para simular los mecanismos del cerebro humano, Ritter y su equipo han utilizado datos digitales de escáneres cerebrales como imágenes de resonancia magnética (MRI), así como modelos matemáticos basados en conocimientos teóricos sobre procesos biológicos. Esto inicialmente resulta en un modelo de cerebro humano "general". Luego, los científicos refinan este modelo utilizando datos de personas individuales, creando así "modelos cerebrales personalizados".

Para el presente estudio, los científicos trabajaron con datos de 650 participantes del Human Connectome Project, una iniciativa estadounidense que ha estado estudiando las conexiones neuronales en el cerebro humano desde septiembre de 2010. "Es el equilibrio correcto de excitación-inhibición de las neuronas lo que influye en la toma de decisiones y más o menos permite a una persona resolver problemas", explica Ritter. El equipo tenía acceso a los informes de las pruebas cognitivas exhaustivas  de los participantes y a sus puntuaciones de coeficiente intelectual.

Correlaciones entre inteligencia, RTs y FC. a, b Factor g promedio grupal (30 grupos, basado en el factor g, N = 650 sujetos) versus RT para respuestas correctas en las preguntas PMAT #1 (muy fácil, p = 4.0×10−6p = 4.0×10−6p = 4.0 \ veces {10}^{-6}) y #24 (muy difícil, p = 3.0 × 10−6p = 3.0 × 10−6p = 3.0 \ veces {10}^ {-6}). c, d Correlaciones entre el promedio de grupo y a nivel de sujeto entre g/PMAT24_A_CR y el RT para respuestas correctas en cada pregunta PMAT individual. Los sujetos con mayor g/PMAT24_A_CR fueron más rápidos para responder correctamente a las preguntas fáciles, pero tardaron más tiempo en responder correctamente a las preguntas difíciles (preguntas ordenadas según la dificultad creciente; el signo de correlación cambia en la pregunta # 9). e Factor g promedio del grupo versus CF medio (20 grupos, basado en el factor g, N  = 650 sujetos, p = 0,13 p=0,13 p= 0,13 p= 0,13). f PMAT24_A_RTCR promedio de grupo versus CF media (20 grupos, basado en PMAT24_A_RTCR, N = 650 sujetos, p = 6.9×10−7p = 6.9×10−7p = 6.9\times {10}^{-7}). g, h Promedio de grupo (20 grupos, basado en PMAT24_A_RTCR) y correlaciones a nivel de sujeto entre la media FC y RT para respuestas correctas en cada pregunta PMAT. Los sujetos que tardaron más tiempo en responder correctamente a las preguntas de la prueba tuvieron un FC más alto, independientemente de si la pregunta era fácil o difícil. Valores de p de la prueba de correlación de Pearson de dos caras: *p < 0,05, **p < 0,01, ***p < 0,001; incluyendo solo los valores de p que continuaron siendo significativos después de controlar las comparaciones múltiples utilizando el procedimiento de Benjamini-Hochberg con una tasa de descubrimiento falso de 0.1. Crédito: Nature Communications (2023). DOI: 10.1038/s41467-023-38626-y

Los cerebros artificiales se comportan como sus contrapartes biológicas

"Podemos reproducir la actividad de los cerebros individuales de manera muy eficiente", dice Ritter. "Durante el proceso, descubrimos que estos cerebros de silicio se comportan de manera diferente entre sí, igual que sucede con los diferentes cerebros biológicos que modelan. Nuestros avatares virtuales coinciden con el rendimiento intelectual y los tiempos de reacción de sus análogos biológicos".

Curiosamente, los cerebros "más lentos" tanto en los humanos como en los modelos estaban más sincronizados entre sí, por ejemplo, en cuanto a tiempo. Esta mayor sincronía permitió que los circuitos neuronales en el lóbulo frontal retrasaran las decisiones más tiempo que los cerebros que estaban menos coordinados. Los modelos revelaron cómo la coordinación temporal reducida da como resultado que la información requerida para la toma de decisiones no esté disponible cuando sea necesaria, ni quede almacenada en la memoria de trabajo.

La recopilación de pruebas lleva tiempo y conduce a decisiones correctas

Las resonancias magnéticas funcionales en estado de reposo mostraron que los solucionadores más lentos tenían una conectividad funcional promedio, o sincronía temporal, más alta entre sus regiones cerebrales. En simulaciones cerebrales personalizadas de los 650 participantes, los investigadores pudieron determinar que los cerebros con conectividad funcional reducida literalmente "sacan conclusiones" al tomar decisiones, en lugar de esperar hasta que las regiones cerebrales superiores puedan completar los pasos de procesamiento necesarios para resolver el problema.

Se pidió a los participantes que identificaran reglas lógicas en una serie de patrones. Estas reglas se volvieron cada vez más complejas con cada tarea y, por lo tanto, más difíciles de descifrar. En términos cotidianos, una tarea fácil consistiría en frenar rápidamente en un semáforo en rojo, mientras que una tarea difícil requeriría elaborar metódicamente la mejor ruta en una hoja de ruta. En el modelo, se produce una competición entre diferentes grupos neuronales involucrados en una decisión, que se conoce como “el ganador se lleva toda la gloria”, prevaleciendo los grupos neuronales que cuentan con una evidencia más fuerte. Sin embargo, en el caso de decisiones complejas, dicha evidencia a menudo no es lo suficientemente clara como para una toma de decisiones rápida, lo que literalmente obliga a los grupos neuronales a sacar conclusiones precipitadas.

"La sincronización, es decir, la formación de redes funcionales en el cerebro, altera las propiedades de la memoria de trabajo y, por lo tanto, la capacidad de 'soportar' períodos prolongados sin una decisión", explica Michael Schirner, autor principal del estudio y científico en el laboratorio de Ritter.

"En tareas más desafiantes, debe almacenar el progreso previo en la memoria de trabajo mientras explora otras rutas de solución y luego las integra entre sí. Esta recopilación de evidencias para alcanzar una solución concreta a veces puede llevar más tiempo, pero también conduce a mejores resultados. Pudimos usar el modelo para mostrar cómo el equilibrio excitación-inhibición de toda la red cerebral a nivel global afecta la toma de decisiones y a la memoria de trabajo en el nivel más granular de los grupos neuronales individuales".

Los hallazgos son interesantes para la planificación de tratamientos

Ritter se congratula en cuanto a que los resultados observados en los "avatares cerebrales" computarizados coincidan con los resultados observados en sujetos sanos "reales". Después de todo, su principal interés es ayudar a los pacientes afectados por enfermedades neurodegenerativas como la demencia y la enfermedad de Parkinson.

"La tecnología de simulación utilizada en este estudio ha logrado avances significativos y se puede utilizar para mejorar la planificación personalizada in silico de intervenciones quirúrgicas y farmacológicas, así como la estimulación cerebral terapéutica. Por ejemplo, un médico ya puede usar una simulación computarizada para evaluar qué intervención o medicamento podría funcionar mejor para un paciente en particular, lo que tendría como consecuencia una reducción de sus efectos secundarios".

Más información: Michael Schirner et al, Learning how network structure shapes decision-making for bio-inspired computing, Nature Communications (2023). DOI: 10.1038/s41467-023-38626-y

Información de la revista: Nature Communications