Equipo automatizado, de código abierto y rentable para evaluar la inferencia transitiva en ratones

Enseñar a los ratones a hacer saltos lógicos

Imagínese poder plantear a un ratón una pregunta lógica: si A es mejor que B, y B es mejor que C, ¿qué es mejor, A o C? Este tipo de razonamiento, llamado «inferencia transitiva», es un pilar básico del pensamiento humano y se ve alterado en trastornos como la esquizofrenia y la enfermedad de Alzheimer. El artículo presenta AutoTI, un sistema de bajo coste y totalmente automatizado que permite a los científicos sondear este tipo de razonamiento en ratones con mucha más precisión, rapidez y escala que antes.

Una caja simple para pensamiento complejo

En el núcleo del estudio hay una pequeña caja transparente que contiene seis puertos para olfateo: cinco en la pared frontal que actúan como «ítems» y uno en la pared trasera que inicia cada ensayo. Cuando el ratón toca el puerto trasero, dos de los puertos frontales se iluminan y el animal debe elegir uno. Tocar el puerto “mejor” proporciona una pequeña recompensa de agua y un tono breve, mientras que la elección equivocada desencadena una ráfaga de ruido y un breve tiempo fuera. Al controlar cuidadosamente qué pares de puertos se iluminan y cuál recompensa, los investigadores enseñan a los ratones un orden oculto entre los cinco puertos, como A>B>C>D>E, sin mostrar nunca la secuencia completa a la vez.

Hardware de código abierto entre bastidores

AutoTI funciona íntegramente con electrónica y software de código abierto, manteniendo el precio de una cámara completa en torno al coste de un portátil básico. Una pequeña placa microcontroladora se conecta con los puertos, las válvulas y el altavoz, mientras que un programa separado controla una webcam cenital que graba cada movimiento del ratón. La lógica de la tarea está escrita en código de acceso libre, y todos los diseños de hardware pueden descargarse y ensamblarse a mano o encargarse a proveedores. Esto significa que cualquier laboratorio, no solo los bien financiados, puede construir múltiples cámaras y ejecutar muchos ratones en paralelo, haciendo más prácticas las experimentaciones grandes y cuidadosamente controladas sobre el razonamiento en animales.

Sondeando la lógica del ratón sin intervención humana

Con AutoTI, el equipo entrenó a docenas de ratones en pares solapados de opciones de puerto: primero aprendiendo que A vence a B, luego que B vence a C, y así sucesivamente. Tras varias semanas de sesiones cortas y totalmente automatizadas cada día, muchos ratones aprendieron estas comparaciones básicas con alta precisión. La prueba crucial llegó cuando se pidió a los animales que eligieran entre B y D, un par que nunca habían visto junto antes. Para hacerlo bien, el ratón tiene que tejer mentalmente experiencias pasadas: si B venció a C, y C venció a D, entonces B debería vencer a D. La mayoría de los ratones hizo exactamente eso, eligiendo B mucho más a menudo de lo esperado por azar, y muchos acertaron casi todos esos ensayos desde el primer intento. Este comportamiento refleja los resultados humanos y muestra que los animales no solo memorizaban pares específicos de puertos, sino que habían formado un sentido interno de orden.

Cuando el espacio ayuda—y cuando oculta la historia

Los investigadores también exploraron cómo la disposición física de los puertos influye en lo que aprenden los ratones. En una versión, los cinco puertos estaban dispuestos de modo que el orden oculto coincidiera con su posición de izquierda a derecha; favorecer un lado podría ayudar simplemente al animal a ganar. En otra versión, los mismos cinco puertos se reorganizaron de modo que el orden no pudiera leerse directamente a partir del espacio. Con la disposición evidente, los ratones aprendieron la tarea más rápido, pero su comportamiento careció de dos rasgos clásicos del conocimiento jerárquico verdadero: no mostraron mejor desempeño en pares que estaban más separados en el orden oculto, ni el patrón característico en el que los ítems “finales” de la secuencia son más fáciles de juzgar. Esas firmas solo aparecieron cuando se eliminó el atajo espacial, lo que sugiere que en la disposición más exigente los ratones realmente estaban construyendo un mapa mental interno de las relaciones en lugar de depender de un simple sesgo de lado.

Leer la mente a través del movimiento

Como AutoTI graba vídeo de forma continua, el equipo pudo ir más allá de las puntuaciones de acierto/error y estudiar cómo se movían los ratones en la cámara. Los ratones con mejor desempeño tomaban trayectorias rápidas y directas desde el puerto de inicio hasta la elección correcta, ignorando en gran medida el puerto que nunca fue recompensado. Los animales con peor desempeño vagaban más, cubriendo distancias mayores y siguiendo rutas menos eficientes. Los mejores razonadores también mostraron movimientos de escaneo de cabeza más frecuentes, un comportamiento vinculado en trabajos anteriores a la deliberación en roedores. Estos sutiles patrones de movimiento ofrecen una nueva ventana conductual para saber cuándo un ratón está «pensando» una elección, abriendo la puerta para vincular señales cerebrales específicas con diferentes etapas del razonamiento.

Por qué esto importa para cerebros y máquinas

Al final, AutoTI trata menos del hardware ingenioso y más de lo que ese hardware hace posible. Con una forma económica, escalable y sin intervención manual de evaluar el razonamiento lógico en ratones, los investigadores pueden ahora combinar esta tarea con herramientas que registran o manipulan la actividad cerebral célula por célula. Eso ayudará a revelar cómo regiones cerebrales como el hipocampo y la corteza prefrontal trabajan juntas para construir mapas internos de conocimiento y emplearlos para hacer inferencias en situaciones nuevas. Dado que razonamientos similares se ven alterados en varios trastornos psiquiátricos y neurodegenerativos—y que suponen un reto clave para los sistemas de inteligencia artificial—el enfoque AutoTI ofrece un potente puente entre la neurociencia básica, la investigación de enfermedades y la búsqueda de máquinas que razonen más como lo hace el cerebro.

Cita: Margarian, S., Chen, Y., Waheed, J. et al. Cost-effective, open-source, automated apparatus for testing transitive inference in mice. Sci Rep 16, 13071 (2026). https://doi.org/10.1038/s41598-026-43430-x

Palabras clave: inferencia transitiva, cognición en ratones, comportamiento automatizado, memoria relacional, neurociencia de código abierto