Un nuevo algoritmo de aprendizaje automático basado en GPU desarrollado por investigadores del Instituto Indio de Ciencias (IISc) puede ayudar a los científicos a comprender y predecir mejor la conectividad entre diferentes regiones del cerebro. El algoritmo, llamado Regularized, Accelerated, Linear Fascicle Evaluation, o ReAl-LiFE, puede analizar rápidamente las enormes cantidades de datos generados a partir de imágenes de resonancia magnética de difusión (dMRI) del cerebro humano.
Usando ReAL-LiFE, el equipo pudo evaluar los datos de dMRI más de 150 veces más rápido que los algoritmos de última generación existentes.
“Las tareas que antes tomaban horas o días se pueden completar en segundos o minutos”, dice Devarajan Sridharan, profesor asociado del Centro de Neurociencia (CNS), IISc, y autor correspondiente del estudio publicado en la revista Nature Computational Science .

Foto: La imagen muestra el fascículo longitudinal superior (SLF), un tracto de materia blanca que conecta la corteza prefrontal y parietal, dos regiones cerebrales relacionadas con la atención. El tracto se estimó con MRI de difusión y tractografía en el cerebro humano vivo (Créditos: Varsha Sreenivasan y Devarajan Sridharan)
Neuronas y conectividad del cerebro
Millones de neuronas disparan en el cerebro cada segundo, generando pulsos eléctricos que viajan a través de redes neuronales desde un punto del cerebro a otro a través de cables de conexión o “axones”. Estas conexiones son esenciales para los cálculos que realiza el cerebro.
«Comprender la conectividad del cerebro es fundamental para descubrir las relaciones entre el cerebro y el comportamiento a escala», dice Varsha Sreenivasan, estudiante de doctorado en CNS y primer autor del estudio.
Sin embargo, los enfoques convencionales para estudiar la conectividad cerebral suelen utilizar modelos animales y son invasivos. Las exploraciones dMRI, por otro lado, proporcionan un método no invasivo para estudiar la conectividad cerebral en humanos.
Los cables (axones) que conectan diferentes áreas del cerebro son sus autopistas de información. Debido a que los haces de axones tienen forma de tubos, las moléculas de agua se mueven a través de ellos, a lo largo de su longitud, de manera dirigida. La dMRI permite a los científicos rastrear este movimiento para crear un mapa completo de la red de fibras en el cerebro, llamada conectoma.
Desafortunadamente, no es sencillo identificar estos conectomas. Los datos obtenidos de los escaneos solo proporcionan el flujo neto de moléculas de agua en cada punto del cerebro. “Imagina que las moléculas de agua son autos. La información obtenida es la dirección y velocidad de los vehículos en cada punto del espacio y tiempo sin información sobre las carreteras. Nuestra tarea es similar a inferir las redes de carreteras al observar estos patrones de tráfico”, explica Sridharan.

La imagen muestra las conexiones entre el mesencéfalo y varias regiones de la neocorteza. Las conexiones a cada región se muestran en un color diferente y todas se estimaron con MRI de difusión y tractografía en el cerebro humano vivo (Créditos: Varsha Sreenivasan y Devarajan Sridharan)
Algoritmos para identificar redes neuronales
Para identificar estas redes con precisión, los algoritmos convencionales hacen coincidir de cerca la señal de dMRI predicha del conectoma inferido con la señal de dMRI observada. Los científicos habían desarrollado previamente un algoritmo llamado LiFE (evaluación de fascículos lineales) para llevar a cabo esta optimización, pero uno de sus desafíos era que funcionaba en unidades de procesamiento central (CPU) tradicionales, lo que hacía que el cálculo requiriera mucho tiempo.
En el nuevo estudio, el equipo de Sridharan modificó su algoritmo para reducir el esfuerzo computacional involucrado de varias maneras, incluida la eliminación de conexiones redundantes, mejorando así significativamente el rendimiento de LiFE. Para acelerar aún más el algoritmo, el equipo también lo rediseñó para que funcione en chips electrónicos especializados, del tipo que se encuentra en las computadoras de juegos de alta gama, llamados Unidades de Procesamiento de Gráficos (GPU), que les ayudaron a analizar datos a velocidades 100-150 veces más rápidas que enfoques anteriores.
Este algoritmo mejorado, ReAl-LiFE, también fue capaz de predecir cómo se comportaría un sujeto de prueba humano o cómo realizaría una tarea específica.
En otras palabras, utilizando las fuerzas de conexión estimadas por el algoritmo para cada individuo, el equipo pudo explicar las variaciones en los puntajes de las pruebas cognitivas y de comportamiento en un grupo de 200 participantes.
Dicho análisis también puede tener aplicaciones médicas. “El procesamiento de datos a gran escala es cada vez más necesario para las aplicaciones de neurociencia de Big Data, especialmente para comprender la función cerebral saludable y la patología cerebral”, dice Sreenivasan.
Por ejemplo, utilizando los conectomas obtenidos, el equipo espera poder identificar los primeros signos de envejecimiento o deterioro de la función cerebral antes de que se manifiesten en el comportamiento de los pacientes de Alzheimer.
“En otro estudio, descubrimos que una versión anterior de ReAL-LiFE podría funcionar mejor que otros algoritmos de la competencia para distinguir a los pacientes con enfermedad de Alzheimer de los controles sanos”, dice Sridharan. Agrega que su implementación basada en GPU es muy general y también se puede usar para abordar problemas de optimización en muchos otros campos.
REFERENCIA:
GPU-accelerated connectome discovery at scale
Sreenivasan V, Kumar S, Pestilli F, Talukdar P, Sridharan D, descubrimiento de conectoma acelerado por GPU a escala. Nature Computational Science 2, 298–306 (2022).
https://doi.org/10.1038/s43588-022-00250-z
La investigación fue apoyada por DBT Wellcome Trust India Alliance, entre otras agencias de financiación.
Otras noticias sobre redes neuronales y cerebro humano que te pueden interesar:
- Interfaz cerebro-máquina para convertir pensamientos en acciones
- Neuromodulación: Inteligencia Artificial inspirada en el funcionamiento del cerebro humano
- Chips y Robots para el estudio del cerebro humano
- Un ordenador que emula el cerebro y puede resolver los problemas matemáticos más complejos del mundo
- Del Aprendizaje Automático al Aprendizaje Natural en Robots
- Neuronas Artificiales para Inteligencia Artificial Cuántica
- Tratar la Epilepsia con sondas de grafeno
- ‘Neuronas’ y ‘sinapsis’ para nuevas computadoras
- Memristors o memoria orgánica para IoT y la Inteligencia Artificial
- Tecnología para leer la mente con Aprendizaje Automático
- Sensores neuronales inalámbricos diminutos
- Fusionar Inteligencia Artificial y Humana