El aprendizaje automático descubre numerosos nuevos principios computacionales que sustentan la detección elemental del movimiento

Por qué a nuestros cerebros les importan los cambios mínimos en el movimiento

Cada vez que atrapas una pelota, notas un coche que pasa o simplemente observas hojas moviéndose con el viento, tu sistema visual está resolviendo discretamente un problema difícil: a partir de un revoltijo de patrones de luz cambiantes sobre la retina, debe inferir hacia dónde se mueven las cosas. Durante décadas, los científicos han recurrido a unas pocas teorías clásicas para explicar cómo las neuronas detectan el movimiento. Este estudio utiliza aprendizaje automático inspirado biológicamente para plantear una pregunta más audaz: ¿existen muchas más formas en que circuitos neuronales simples pueden percibir el movimiento de las que imaginábamos?

Ideas clásicas sobre ver el movimiento

Los trabajos tempranos sobre la visión del movimiento propusieron que las neuronas sensibles a la dirección actúan como pequeños calculadores de sincronía. En un esquema tradicional, las entradas desde puntos vecinos en el espacio se comparan tras retrasar una de ellas, de modo que las señales que se mueven en la dirección preferida llegan juntas y se suman, mientras que el movimiento en la dirección opuesta no lo hace. Otro modelo clásico enfrenta una excitación rápida contra una inhibición retardada desde el lado opuesto del campo receptivo de una célula, cancelando las respuestas al movimiento en la dirección desfavorecida. Estos mecanismos, aunque influyentes, se centran principalmente en diferencias temporales y dejan la cuestión abierta de si otras soluciones de circuito podrían lograr el mismo objetivo.

Permitir que la evolución explore el espacio de circuitos

Para explorar esta cuestión, el autor construyó modelos computacionales detallados de neuronas en la retina y la corteza visual y luego configuró una búsqueda evolutiva. Partiendo de conexiones y propiedades sinápticas aleatorias, un algoritmo genético mutó repetidamente los parámetros de los circuitos y seleccionó aquellos modelos que mejor señalaban la dirección correcta de barras en movimiento y de rejillas desplazantes. Es importante: las células de entrada individuales que alimentaban a los detectores de movimiento no eran en sí mismas selectivas a la dirección; solo su organización colectiva y su dinámica podían dar lugar a salidas afinadas. Esta exploración automatizada descubrió muchos diseños de circuitos diferentes que igualaban o superaban el desempeño de los modelos clásicos, todo ello manteniéndose dentro de restricciones biológicamente realistas extraídas de la anatomía y la fisiología.

Muchas rutas hacia la misma percepción del movimiento

La búsqueda reveló que diferencias simples en la disposición espacial de las entradas pueden generar una fuerte afinación direccional incluso cuando su sincronía es idéntica. Por ejemplo, disponer células presinápticas de modo que sus campos receptivos aumenten gradualmente de tamaño, o roten en orientación, a lo largo del eje de movimiento preferido puede hacer que sus respuestas se alineen en el tiempo para el movimiento en una dirección pero no en la otra. Las regiones de entorno que suprimen la respuesta de una célula también demostraron ser poderosas: variando la fuerza, el tamaño o la velocidad de estos entornos entre las entradas, el modelo pudo tallar ventanas temporales precisas en las que las señales se alinean solo durante el movimiento en la dirección preferida. Incluso pesos sinápticos desiguales, con filtros de entrada idénticos, permitieron que los circuitos se volvieran selectivos a la dirección, aunque esta estrategia funcionó peor que las que explotaban la estructura del campo receptivo.

Bloques constructivos ocultos de los circuitos de movimiento

A pesar de la desconcertante variedad de circuitos exitosos, su comportamiento pudo destilarse en un pequeño conjunto de “primitivas computacionales”: bloques de construcción algorítmicos reusables. Algunas coincidían con los esquemas clásicos de retrasar y comparar y los basados en inhibición. Otras eran nuevas, como mecanismos que dependen de alinear los picos de muchas entradas en el tiempo mediante interacciones espaciales y de entorno, o esquemas en los que pausas en la inhibición o cambios en la amplitud de la respuesta transmiten la señal direccional. Cuando se añadieron entradas inhibitorias, surgieron variantes adicionales, incluida una forma “anti” del modelo tradicional de inhibición y patrones en los que la inhibición cae brevemente en el momento crucial para dejar que la excitación se imponga. Estas primitivas reaparecían no solo en modelos detallados de células ganglionares retinianas, sino también en neuronas piramidales corticales y en circuitos sencillos de juguete con dos entradas, mostrando que no dependen de un tipo celular o diagrama de conexión particular.

Percepción del movimiento resiliente en un mundo ruidoso

El estudio también examinó cómo se comportan estos mecanismos cuando el movimiento es desordenado, como en la vida real donde las velocidades varían de manera impredecible. Los circuitos que dependían de cambios en el tamaño de los campos receptivos de entrada, especialmente en sus regiones centrales, fueron notablemente robustos: siguieron señalando la dirección del movimiento con precisión incluso cuando el estímulo aceleraba y desaceleraba aleatoriamente. En contraste, los modelos que dependían principalmente de sutiles diferencias en las propiedades del entorno u otras relaciones temporales finamente ajustadas tendían a perder selectividad bajo las mismas condiciones. Esto sugiere que algunas de las estrategias recién descubiertas pueden ser particularmente adecuadas para una percepción del movimiento fiable en escenas naturales.

Qué significa esto para entender el cerebro

Al permitir que el aprendizaje automático explore libremente cómo circuitos neuronales simples podrían detectar el movimiento, este trabajo muestra que el cerebro no está limitado a uno o dos trucos para percibir el movimiento. En lugar de eso, muchas disposiciones de circuitos distintas se reducen a un puñado de ideas computacionales subyacentes que pueden implementarse con componentes biológicos realistas. Para el público general, la conclusión es que la detección del movimiento en el cerebro es a la vez más flexible y más elegantemente organizada de lo que se pensaba: un pequeño conjunto de operaciones centrales, reutilizadas y recombinadas, puede explicar una gran variedad de células sensibles al movimiento en diferentes regiones cerebrales y especies.

Cita: Poleg-Polsky, A. Machine learning discovers numerous new computational principles supporting elementary motion detection. Nat Commun 17, 3424 (2026). https://doi.org/10.1038/s41467-026-70288-4

Palabras clave: detección de movimiento, selectividad direccional, circuitos neuronales, retina y corteza, aprendizaje automático en neurociencia