Desegregación del procesamiento predictivo neuronal

Cómo el cerebro apuesta por el futuro

Cada momento, tu cerebro adivina en silencio qué ocurrirá a continuación: cómo se sentirá la mano al tocar un pomo, qué sonido harán tus pasos o qué palabra es probable que aparezca en una frase. Cuando la suposición falla, la sorpresa te ayuda a aprender. Este estudio plantea una pregunta profunda sobre ese proceso: ¿existen tipos especiales de células cerebrales que solo predicen y otras que solo señalan la sorpresa, o estas funciones están más repartidas de forma democrática? Usando modelos matemáticos y registros reales del cerebro de ratones, los autores muestran que predicción y sorpresa están mucho más entrelazadas de lo que se pensaba.

El cerebro como máquina de pronósticos

Los neurocientíficos ven cada vez más al cerebro como una máquina de pronósticos que compara constantemente lo que espera con lo que realmente llega a través de los sentidos. Cuando el mundo se comporta como se espera, la actividad en muchas áreas sensoriales se atenúa; cuando ocurre un evento inesperado, ciertas células responden con más fuerza, generando lo que los investigadores llaman un “error de predicción”. Teorías anteriores proponían diagramas de conexiones ordenados en los que un grupo de neuronas representaba las sensaciones entrantes, mientras otro calculaba los errores. Pero la mayoría de los experimentos solo habían probado situaciones muy simples, como un sonido que predice un movimiento, lo cual dista mucho de las asociaciones enmarañadas y muchos-a-muchos que dominan el comportamiento natural.

Simulando un mundo sensorial ocupado

Para explorar situaciones más realistas, los autores construyeron un gran modelo computacional de un circuito cerebral que recibe muchas señales sensoriales y motoras distintas a la vez. El modelo aprende, mediante exposiciones repetidas, qué combinaciones de eventos tienden a ocurrir juntas, muy similar a un animal que aprende que un movimiento suele producir un sonido particular. Es crucial que el modelo fuera diseñado para generar predicciones internas a la vez que mantiene su actividad global económica, reflejando la necesidad del cerebro de usar la energía de forma eficiente. A medida que avanzó el aprendizaje, las neuronas simuladas llegaron a suprimir sus respuestas cuando se producía un emparejamiento esperado y a responder con más fuerza cuando faltaba la pareja predicha, reflejando lo observado en experimentos con ratones.

La sorpresa está por todas partes, no en una sola caja

Cuando los investigadores examinaron en detalle las “neuronas” del modelo, descubrieron que las células no se clasifi caban limpiamente en neuronas de predicción y neuronas de error. Una neurona que señalaba un desajuste para un par de eventos podía comportarse como un reportero sensorial directo para otro par. A medida que el modelo aprendía asociaciones cada vez más distintas, esta mezcla se volvió aún más común, y las neuronas puramente “solo-error” se hicieron raras. Los autores examinaron entonces registros del córtex auditivo de ratones, donde los animales esperaban un tono específico tras presionar una palanca pero a veces se les presentaban sonidos alterados. El patrón de respuestas a lo largo de muchas neuronas mostró el mismo tipo de mezcla predicha por el modelo, lo que va en contra de una separación nítida entre roles de predicción y error en cerebros reales.

Equilibrando excitación, inhibición y complejidad

El estudio también investiga cómo el equilibrio entre excitación y supresión dentro de los circuitos cerebrales moldea la predicción. El modelo separa la entrada de cada neurona en dos partes: la excitación sensorial directa y la retroalimentación interna de otras neuronas que llevan predicciones. Cuando estas dos influencias se cancelan casi por completo, el sistema se vuelve “balanceado” y los pequeños desajustes resaltan con más claridad. Los autores encuentran que existe un nivel óptimo, no excesivamente estricto, de este balance. A medida que crece el número de asociaciones aprendidas, los circuitos de mejor rendimiento se vuelven en realidad más flojamente balanceados, lo que ayuda a evitar la interferencia entre muchas predicciones superpuestas. Al ampliar el modelo para incluir células excitadoras e inhibitorias distintas —y capas apiladas que recuerdan la profundidad cortical—, los autores muestran que las señales relacionadas con la predicción se distribuyen entre tipos celulares y capas en lugar de almacenarse en un único lugar especial.

Por qué esto importa para entender el pensamiento

En la vida cotidiana, manejamos innumerables expectativas sobre sonidos, imágenes y movimientos al mismo tiempo. Este trabajo sugiere que el cerebro sostiene esa rica predicción distribuyendo la carga entre muchas neuronas que comparten las funciones de manera flexible, en lugar de dedicar células especialistas rígidas exclusivamente a la predicción o al error. También destaca cómo un equilibrio cuidadosamente ajustado, pero no excesivamente estricto, entre señales excitatorias e inhibitorias permite que estos circuitos manejen muchas asociaciones sin volverse inestables. Juntos, los modelos y los experimentos apuntan a una imagen del procesamiento predictivo como un código altamente distribuido y adaptable, que puede ayudar a explicar cómo los cerebros construyen modelos internos de un mundo complejo y en constante cambio.

Cita: Wang, B., Audette, N.J., Schneider, D.M. et al. Desegregation of neuronal predictive processing. Nat Commun 17, 3919 (2026). https://doi.org/10.1038/s41467-026-70347-w

Palabras clave: procesamiento predictivo, circuitos neuronales, predicción sensorial, equilibrio excitatorio-inhibitorio, modelos de redes neuronales