La capacidad de reconstruir visualmente lo que alguien está viendo a partir de señales cerebrales es un antiguo sueño de la ciencia ficción que ahora está un paso más cerca de hacerse realidad. Investigadores del Instituto Federal Suizo de Tecnología en Lausana (EPFL) han desarrollado un novedoso algoritmo de aprendizaje automático llamado CEBRA (pronunciado «zebra»), que tiene la capacidad de capturar con una impresionante precisión la dinámica cerebral y aprender la estructura oculta en el código neural.
CEBRA, basado en contrastive learning, es capaz de entender cómo los datos cerebrales de alta dimensionalidad pueden organizarse en un espacio de menor dimensionalidad llamado espacio latente. Esto permite que los datos similares estén más cercanos entre sí, mientras que los datos más diferentes se encuentren más separados. En otras palabras, CEBRA puede inferir relaciones y estructuras ocultas en los datos cerebrales, abriendo así nuevas posibilidades en el campo de la neurociencia.
Una de las aplicaciones más fascinantes de CEBRA es su capacidad para decodificar lo que alguien ve basándose únicamente en las señales cerebrales. A través de un proceso de entrenamiento inicial, mapea las señales cerebrales con características específicas, como fotogramas de una película. Después del entrenamiento, CEBRA puede predecir fotogramas no vistos directamente a partir de las señales cerebrales. Esto ha sido probado con éxito en ratones mientras observan una película, demostrando la capacidad de CEBRA para descifrar lo que está experimentando un sujeto basándose únicamente en su actividad cerebral.
El potencial de CEBRA va mucho más allá de la corteza visual y los datos cerebrales. Los investigadores han demostrado que este algoritmo también puede predecir los movimientos del brazo en primates y reconstruir las posiciones de las ratas mientras se mueven libremente en una arena. Esto destaca la versatilidad de CEBRA y su capacidad para abordar diferentes conjuntos de datos y situaciones.
Los investigadores enfatizan que CEBRA es solo un paso hacia el desarrollo de algoritmos respaldados teóricamente que son necesarios en la neurotecnología para permitir interfaces cerebro-máquina de alto rendimiento. Sin embargo, los resultados obtenidos hasta ahora son prometedores y abren nuevas vías de investigación en este emocionante campo.
Además de su impacto en la neurociencia, CEBRA tiene el potencial de ser aplicado en una amplia gama de conjuntos de datos que involucran información temporal o conjunta, como el comportamiento animal y los datos de expresión génica. Esto sugiere posibles aplicaciones clínicas emocionantes y la posibilidad de descubrir nuevos principios en diferentes campos científicos al combinar datos entre animales e incluso especies.
El desarrollo del algoritmo CEBRA representa un hito importante en la investigación de las interfaces cerebro-máquina y la comprensión de la estructura y dinámica cerebral. Si bien todavía estamos lejos de poder reconstruir completamente lo que alguien ve basándonos solo en señales cerebrales, este avance nos acerca un paso más a comprender y aprovechar el poder de nuestra mente. CEBRA allana el camino hacia futuras aplicaciones clínicas y nos permite desentrañar los secretos del órgano más complejo de nuestro universo: el cerebro humano.
Referencias: Schneider, S., Lee, J.H. & Mathis, M.W. Learnable latent embeddings for joint behavioural and neural analysis. Nature (2023). https://doi.org/10.1038/s41586-023-06031-6
