Invarianza bipartita funcional en los campos receptivos de la corteza visual primaria de ratón

Cómo el cerebro ve a través del desorden visual

Encontrar a un amigo en una multitud o detectar un pájaro entre ramas frondosas parece fácil, pero exige una habilidad notable: nuestros cerebros deben reconocer lo importante aun cuando la iluminación, la distancia y el fondo cambian constantemente. Este artículo explora cómo circuitos diminutos en el cerebro del ratón logran una visión tan flexible. Los autores descubren una manera inesperada en que neuronas individuales dividen su “visión” del mundo en dos partes para mantenerse sensibles a los bordes de los objetos mientras ignoran detalles distractores.

Provando el cerebro visual con ordenadores inteligentes

El estudio se centra en la corteza visual primaria, una región que procesa inicialmente las imágenes procedentes de los ojos. En lugar de mostrar patrones simples como franjas, los investigadores expusieron a ratones despiertos a miles de fotografías naturales ricas mientras registraban la actividad de decenas de miles de neuronas. Luego entrenaron un modelo de aprendizaje profundo para predecir cómo respondería cada neurona a cualquier imagen nueva. Este modelo sirvió como un “gemelo digital” del tejido cerebral real: un sustituto rápido y flexible que podía ser sondeado con innumerables imágenes sintéticas que sería poco práctico probar directamente en animales.

Muchas imágenes diferentes, la misma excitación neuronal

Usando el gemelo digital, el equipo generó, para cada neurona, una imagen más excitante (su imagen favorita) y luego un conjunto de “entradas excitantes variadas”. Se trata de 20 imágenes que se ven lo más diferentes posible entre sí pero que activan con fuerza la misma célula. Cuando mostraron estas imágenes especiales a los ratones, las neuronas reales se activaron casi con la intensidad que el modelo había predicho, confirmando que el método de síntesis había descubierto propiedades genuinas del cerebro. Los patrones a lo largo de estas imágenes resumían qué le importaba a cada neurona y qué cambios en la imagen podía tolerar sin perder su respuesta.

Una sorprendente visión partida dentro de neuronas individuales

Muchas neuronas se comportaron como se esperaba, respondiendo a bordes simples o a texturas que podían desplazarse sin alterar la respuesta. Pero un gran grupo mostró un nuevo tipo de comportamiento que los autores llaman “invarianza bipartita”. Para estas neuronas, el parche del espacio visual que monitorean se divide efectivamente en dos zonas no superpuestas. En una zona, la neurona exige un patrón específico y fijo. En la otra zona, responde robustamente siempre que aparezca alguna versión de una textura fina preferida, aunque esa textura se desplace. Esta combinación —un patrón rígido junto a un detector de textura flexible— no puede explicarse por los modelos clásicos de células visuales tempranas y sugiere que estas neuronas están afinadas específicamente a las transiciones entre distintos tipos de detalle superficial.

Detectar los bordes de los objetos en un mundo ruidoso

Los investigadores preguntaron seguidamente para qué podría servir esta estructura partida en escenas reales. Escanearon más de un millón de fotografías de aves etiquetadas, buscando recortes naturales que activaran con fuerza cada neurona. Esos recortes altamente efectivos tendían a contener el borde entre el ave y el fondo. Además, el lado del campo receptivo de la neurona que toleraba entradas variables solía favorecer el detalle espacial alto —plumas finas, corteza o grava—, mientras que el lado fijo prefería patrones más suaves y de baja frecuencia. Cuando el equipo reconstruyó las imágenes de aves usando simples rejillas, hallaron que estas neuronas preferían con fuerza los límites donde los dos lados diferían en nitidez de textura, a veces junto con diferencias de orientación. En otras palabras, estas células parecen estar diseñadas para señalar lugares donde el mundo visual cambia bruscamente de estructura gruesa a fina, una pista poderosa para separar objetos de su entorno.

Conectar el cableado de los circuitos con la visión flexible

Para relacionar este cálculo con el cableado físico, los autores recurrieron a un enorme conjunto de datos de “conectómica funcional” en el que se han mapeado tanto las respuestas como las conexiones sinápticas de miles de neuronas visuales de ratón. Aplicando allí su enfoque de gemelo digital, encontraron que las neuronas que reciben entrada (células postsinápticas) mostraban generalmente más invarianza —mayor tolerancia a entradas excitantes variadas— que las neuronas que les suministran señal. Al mismo tiempo, las neuronas con menor invarianza tendían a formar más conexiones. Este patrón apoya una idea de larga data: las respuestas más complejas y tolerantes se construyen agregando señales de muchas entradas más simples, pero aquí esa jerarquía se demuestra dentro de una sola capa cortical, no solo entre áreas cerebrales.

Por qué esto importa para cerebros y máquinas

En conjunto, estos hallazgos revelan un nuevo principio organizativo en la corteza visual del ratón: muchas neuronas dividen su campo en una región estable y otra flexible ante texturas, convirtiéndolas en detectores naturales de bordes definidos por diferencias en el detalle fino. Esta estructura bipartita parece robusta frente a distintos métodos y se alinea limpiamente con los bordes de objetos en el mundo real, ofreciendo un mecanismo concreto a nivel de circuito sobre cómo el cerebro segmenta escenas complejas. Más allá de la neurociencia básica, el trabajo también sugiere ideas de diseño para sistemas de visión artificial, donde introducir unidades con campos divididos similares podría hacer la visión por ordenador más resistente a cambios de fondo manteniendo una alta sensibilidad a los contornos de los objetos.

Cita: Ding, Z., Tran, D., Ponder, K. et al. Functional bipartite invariance in mouse primary visual cortex receptive fields. Nat Neurosci 29, 851–863 (2026). https://doi.org/10.1038/s41593-026-02213-3

Palabras clave: corteza visual, segmentación de texturas, invarianza neuronal, bordes de objetos, neurociencia computacional