Entonces, los neurocientíficos usan un enfoque llamado «reducción de la dimensionalidad» para hacer posible tal visualización: toman datos de miles de neuronas y, mediante la aplicación de técnicas inteligentes de álgebra lineal, describen sus actividades usando solo unas pocas variables. Esto es exactamente lo que hicieron los psicólogos en la década de 1990 para definir sus cinco dominios principales de la personalidad humana: apertura, amabilidad, escrupulosidad, extroversión y neuroticismo. Descubrieron que, con solo saber cómo puntuó un individuo en esos cinco rasgos, podían predecir de manera efectiva cómo esa persona respondería cientos de preguntas en una prueba de personalidad.
Pero las variables extraídas de los datos neuronales no se pueden expresar en una sola palabra como «apertura». Son más como motivos, patrones de actividad que abarcan poblaciones neuronales enteras. Algunos de estos motivos pueden definir los ejes de una trama, en la que cada punto representa una combinación diferente de esos motivos: su propio perfil de actividad único.
Hay desventajas en reducir los datos de miles de neuronas a solo unas pocas variables. Al igual que tomar una imagen 2D de un paisaje urbano 3D hace que algunos edificios sean totalmente invisibles, concentrar un conjunto complejo de datos neuronales en solo unas pocas dimensiones elimina una gran cantidad de detalles. Pero trabajar en unas pocas dimensiones es mucho más manejable que examinar miles de neuronas individuales a la vez. Los científicos pueden trazar patrones de actividad en evolución en los ejes definidos por los motivos para observar cómo cambia el comportamiento de las neuronas con el tiempo. Este enfoque ha demostrado ser especialmente fructífero en la corteza motora, una región donde las respuestas confusas e impredecibles de una sola neurona habían desconcertado a los investigadores durante mucho tiempo. Sin embargo, vistas colectivamente, las neuronas trazan trayectorias regulares, a menudo circulares. Las características de estas trayectorias se correlacionan con aspectos particulares del movimiento; su ubicación, por ejemplo, está relacionada con la velocidad.
Olsen dice que espera que los científicos utilicen la reducción de la dimensionalidad para extraer patrones interpretables de los datos complejos. “No podemos ir neurona por neurona”, dice. “Necesitamos herramientas estadísticas, herramientas de aprendizaje automático, que puedan ayudarnos a encontrar una estructura en los grandes datos”.
Pero esta línea de investigación aún está en sus inicios, y los científicos luchan por ponerse de acuerdo sobre el significado de los patrones y las trayectorias. “La gente pelea todo el tiempo sobre si estas cosas son fácticas”, dice John Krakauer, profesor de neurología y neurociencia en la Universidad Johns Hopkins. «¿Son reales? ¿Se pueden interpretar tan fácilmente [as single-neuron responses]? No se sienten tan arraigados y concretos”.
Traer estas trayectorias a la tierra requerirá el desarrollo de nuevas herramientas analíticas, dice Churchland, una tarea que seguramente se verá facilitada por la disponibilidad de conjuntos de datos a gran escala como los del Instituto Allen. Y las capacidades únicas del instituto, con sus bolsillos profundos y su enorme personal de investigación, le permitirán producir una mayor cantidad de datos para probar esas herramientas. El instituto, dice Olsen, funciona como un observatorio astronómico: ningún laboratorio por sí solo podría pagar por sus tecnologías, pero toda la comunidad científica se beneficia y contribuye a sus capacidades experimentales.
Actualmente, dice, el Instituto Allen está trabajando para poner a prueba un sistema donde los científicos de toda la comunidad de investigación pueden sugerir qué tipo de estímulos se deben mostrar a los animales y qué tipo de tareas deben realizar, mientras se registran miles de sus neuronas. . A medida que las capacidades de grabación continúan aumentando, los investigadores están trabajando para diseñar paradigmas experimentales más ricos y realistas, para observar cómo las neuronas responden a los tipos de tareas desafiantes del mundo real que impulsan sus capacidades colectivas. “Si realmente queremos entender el cerebro, no podemos seguir mostrando barras orientadas a la corteza”, dice Fusi. “Realmente necesitamos seguir adelante”.