Clear Sky Science
Explicaciones basadas en evidencia y con jerga mínima

Clear Sky Science · es

Conjunto de datos conductuales de Long-Evans y su sublinaje con rasgos similares a la esquizofrenia a lo largo de varias generaciones

· Volver al índice

Por qué el comportamiento de las ratas puede ayudarnos a entender las enfermedades mentales

La esquizofrenia es un trastorno mental grave, pero estudiarlo directamente en personas es lento, complejo y está sujeto a limitaciones éticas. Los investigadores recurren con frecuencia a animales para explorar cómo interactúan a lo largo del tiempo los genes, las experiencias de vida y la química cerebral. Este artículo describe un rico conjunto de datos abiertos recogidos durante siete años en más de mil ratas, incluida una línea criada específicamente que muestra rasgos semejantes a la esquizofrenia. Al poner estas mediciones a disposición de forma gratuita, los autores ofrecen un recurso potente para cualquiera interesado en cómo se entrelazan comportamiento, aprendizaje y herencia.

Una mirada prolongada a dos líneas de ratas

El estudio sigue a 1.342 ratas de una cepa de laboratorio estándar, Long-Evans, y a una línea hermana llamada Lisket, diseñada para modelar algunas características de la esquizofrenia. Las ratas Lisket fueron expuestas en etapas tempranas de la vida a tres desafíos: un periodo de aislamiento social, dosis repetidas de un fármaco que altera la señalización cerebral y cría selectiva basada en el comportamiento. A lo largo de 16 generaciones, machos y hembras de ambas líneas fueron criados bajo condiciones cuidadosamente controladas y luego evaluados a las diez semanas de edad. Este diseño a largo plazo permite a los científicos examinar no solo las diferencias entre las dos cepas, sino también cómo el comportamiento se mantiene estable o deriva a medida que los animales se reproducen con los años.

Una pista para ratas que mide curiosidad y aprendizaje

Para capturar el comportamiento de forma eficiente, el equipo utilizó un dispositivo construido a medida llamado Ambitus: una pista rectangular de paredes transparentes con pequeñas cajas laterales que pueden dispensar diminutas recompensas alimentarias.

Figure 1
Figure 1.
Las ratas con restricción alimentaria se colocan en el mismo punto de partida y se les permite explorar durante unos minutos, con sensores infrarrojos registrando silenciosamente cada movimiento y cada incursión con el hocico. En la tarea matutina, todas las cajas contienen recompensa; en la tarea posterior, solo las cajas internas están cebadas, obligando a los animales a ajustar su estrategia de búsqueda. Cada rata completa cuatro ensayos cortos, generando lecturas detalladas sobre cuánto se mueve, qué tan rápido encuentra la comida, con qué frecuencia revisita las cajas y cómo cambia su comportamiento de un ensayo a otro.

De las rutas crudas a puntuaciones significativas

Los autores convirtieron estos movimientos en 91 medidas diferentes que, en conjunto, describen la locomoción, la exploración, la recolección de recompensas y la eficiencia del aprendizaje. Para el programa de cría, las medidas clave se agruparon en puntuaciones simples que clasificaban a cada animal como de bajo, medio o alto riesgo para un perfil semejante a la esquizofrenia. Sin embargo, el conjunto de datos completo va mucho más allá de estas categorías. Incluye una tabla “cruda”, donde cada ensayo de cada rata figura por separado, y una tabla “procesada”, donde el comportamiento a lo largo de los cuatro ensayos se resume cuidadosamente para cada animal junto con su cepa, sexo, generación y fecha de prueba. Esta estructura permite a los usuarios acercarse al comportamiento momento a momento o alejarse para comparar patrones entre grandes grupos.

Comprobación de la calidad de los datos

Los grandes conjuntos de datos solo son útiles si son confiables, por lo que los autores realizan varias comprobaciones. Mapean con qué frecuencia faltan valores y muestran que la mayoría de las medidas están completas en más del 99%. Las principales lagunas aparecen cuando una rata simplemente no visita ninguna caja lateral en una fase dada, lo que en sí mismo es un signo informativo de baja actividad más que un error técnico.

Figure 2
Figure 2.
También examinan con qué intensidad distintas medidas se mueven conjuntamente, revelando cúmulos de comportamientos relacionados y cierta redundancia que los futuros usuarios pueden eliminar. Finalmente, prueban si las puntuaciones derivan a lo largo de las generaciones y encuentran solo cambios pequeños e irregulares, lo que sugiere que los patrones conductuales generales permanecen estables a lo largo del periodo de siete años.

Qué significa esto para la investigación futura

Por sí sola, este trabajo no pretende resolver la esquizofrenia ni identificar un único “comportamiento de enfermedad” en ratas. En cambio, ofrece una base cuidadosamente documentada y de acceso abierto sobre la que pueden construirse muchos estudios diferentes. Los neurocientíficos pueden usarla para buscar marcadores conductuales sólidos, los científicos de datos pueden probar nuevas herramientas de aprendizaje automático y los farmacólogos pueden comparar cómo posibles tratamientos podrían modificar los patrones de actividad y aprendizaje. Para un lector general, el mensaje clave es que los bloques de construcción crudos del descubrimiento—mediciones limpias y a largo plazo del comportamiento bajo condiciones controladas—ahora se comparten de forma que invitan a la colaboración. Esto aumenta la probabilidad de que los vínculos sutiles entre genes, experiencia y salud mental acaben por clarificarse.

Cita: Kőrösi, G., Czimbalmos, O., Kekesi, G. et al. Behavioral dataset for Long-Evans and its schizophrenia-like substrain through several generations. Sci Data 13, 398 (2026). https://doi.org/10.1038/s41597-026-06735-0

Palabras clave: comportamiento de ratas, modelo de esquizofrenia, conjunto de datos longitudinal, pruebas cognitivas, aprendizaje automático en neurociencia