Según un estudio publicado en Nature Communications por un equipo con participación de Cornell University, University of Minnesota, Rutgers y Weill Cornell Medicine, algunas diferencias en la “eficiencia” para pasar entre estados cerebrales podrían explicarse por los tiempos internos de cada región del cerebro y por cómo se conectan entre sí.
La idea de “cambiar de marcha” no va de velocidad mental en plan eslogan. Va de algo más básico: el cerebro no está quieto, va alternando patrones de actividad y, para moverse entre ellos, necesita un empuje que en el modelo se traduce en energía.
El equipo propone una forma de estimar esas escalas de tiempo neuronales intrínsecas (INT): cuánto tarda una región en apagar o mantener su actividad, de manera aproximada. En vez de asumir que todas las regiones se comportan igual, dejan que cada una tenga su propio “ritmo” y lo ajustan para que el modelo encaje mejor con datos reales.
¿Con qué datos trabajan? Usan conectividad estructural del cerebro, derivada de MRI de difusión, y actividad en reposo medida con fMRI. En su muestra principal se apoyan en el Human Connectome Project (adultos jóvenes) y replican resultados en otro conjunto humano (MICA-MICs) y en un conectoma de ratón del Allen Mouse Brain Connectivity Atlas.
Para aterrizarlo: extraen varios estados cerebrales a partir de fMRI en reposo, patrones que se repiten, y simulan transiciones entre esos estados. Luego comparan dos versiones del modelo: una “uniforme” (mismo ritmo interno para todo) y otra “optimizada” (ritmos internos distintos según región).
El resultado central es que, con ritmos internos optimizados, el modelo necesita menos energía de control para lograr las transiciones entre estados, lo que sugiere un encaje más realista entre estructura y dinámica. Además, esas escalas de tiempo estimadas se parecen a las que se pueden medir en los datos, por ejemplo observando cómo decae la autocorrelación de la señal en reposo.
También buscan una “huella biológica”: comparan sus mapas con señales asociadas a tipos de neuronas inhibitorias (marcadores como SST y PVALB) y con patrones de mielina. Encuentran relaciones que van en la dirección esperada por trabajos previos, sin venderlo como “un gen que explica tu cerebro”, porque no es eso.
La parte más delicada —y más fácil de exagerar— es cuando conectan el enfoque con cognición: según los autores, al ajustar el modelo a conectomas individuales, ciertas medidas derivadas del control mejoran predicciones fuera de muestra para algunas pruebas en su cohorte. Es interesante, pero no es un “test de inteligencia del conectoma”: son asociaciones dentro de un marco de modelado.
Ellos mismos reconocen límites importantes: la tractografía de difusión no da direcciones reales de axones ni detalles finos, la fMRI tiene resolución temporal limitada y el modelo es lineal, una simplificación fuerte. O sea: útil para comparar hipótesis, no para “leer” el cerebro como si fuera un motor con manual.
Aun con esas cautelas, el enfoque importa por un motivo práctico: si realmente hay regiones que funcionan como “palancas” más eficientes para guiar transiciones, eso podría ayudar a pensar mejor la neuroestimulación, la fatiga cognitiva o por qué ciertas alteraciones afectan a la flexibilidad del cerebro, sin prometer aplicaciones clínicas inmediatas.
El trabajo no descubre un botón mágico, pero sí propone una manera más realista de estimar los “ritmos” regionales del cerebro combinando conectividad y actividad. Y al hacerlo, sugiere que parte de lo que llamamos “cambiar de marcha” podría depender menos de la fuerza bruta y más de cómo cada zona administra su propio tiempo.
Fuente: Nature Communications (artículo)
