Observar el cerebro mientras un animal se desplaza, aprende o responde al entorno fue, durante décadas, uno de los límites prácticos de la neurociencia: el tejido se deforma, las neuronas cambian levemente de lugar entre fotogramas y el análisis exige revisar, a mano, miles de imágenes microscópicas. Ese cuello de botella, además de consumir tiempo y recursos, restringía el estudio del comportamiento en condiciones naturales. Ahora, la IA ha cambiado los parámetros.

En ese marco, un equipo del Massachusetts Institute of Technology (MIT) presentó un set de herramientas de inteligencia artificial capaces de rastrear y etiquetar neuronas en animales vivos en movimiento. El trabajo fue desarrollado en el Instituto Picower para el Aprendizaje y la Memoria, liderado por Steven Flavell, y publicado en la revista eLife.

Un problema histórico: seguir neuronas cuando el cuerpo se mueve

Durante años, gran parte de la investigación cerebral se apoyó en animales inmóviles o en tejidos fijos. Esa elección metodológica, aunque útil para describir estructuras y mapas neuronales, limita la comprensión de cómo se organizan los circuitos cuando la conducta ocurre de verdad: moverse, explorar, decidir, recordar.

El obstáculo no es menor: al moverse el organismo, el cerebro puede sufrir deformaciones sutiles, y las neuronas —mínimas, parecidas entre sí— aparecen desplazadas en las imágenes. Identificar cuál célula es cuál, y seguirla a lo largo de un video extenso, demanda precisión y, hasta ahora, una enorme carga de trabajo manual.

Tres herramientas y un salto en automatización

El equipo del MIT desarrolló tres sistemas con funciones complementarias orientadas a automatizar tareas que solían requerir horas por cada muestra de video, además de un entrenamiento técnico prolongado.

BrainAlignNet, según describieron los autores, permite seguir la posición de cada neurona a lo largo de videos extensos y ubicarla fotograma a fotograma con una precisión informada del 99,6%, acelerando el rastreo frente a métodos tradicionales. AutoCellLabeler, por su parte, clasifica el tipo de célula en imágenes microscópicas a partir de datos etiquetados por humanos y llega a cerca del 98% de precisión en el etiquetado.

La tercera herramienta, CellDiscoveryNet, agrupa y rastrea tipos celulares fluorescentes entre distintos animales sin requerir entrenamiento previo, con resultados comparables a los que obtendrían especialistas. En conjunto, los sistemas apuntan a reducir drásticamente el tiempo de análisis y a estandarizar criterios, disminuyendo la variabilidad propia del trabajo manual.

Pruebas en modelos clásicos y qué cambia para la investigación

Las herramientas fueron evaluadas en dos organismos utilizados como modelos en neurociencia: el gusano Caenorhabditis elegans y la medusa Clytia hemisphaerica. En esos escenarios, la anotación manual de actividad neuronal podía demandar hasta cinco horas por muestra de video, incluso con software avanzado, y meses de formación para dominar el proceso.

Además del ahorro de tiempo, el equipo remarcó otro punto: la automatización reduce la subjetividad en la identificación de células y mejora la consistencia de los datos. Esto permite analizar volúmenes mucho mayores de información sin depender de la capacidad humana para sostener criterios idénticos a lo largo de cientos o miles de fotogramas.

Hacia sistemas más complejos y datos “en condiciones naturales”

El desarrollo apunta a un problema que crece en paralelo al avance de los microscopios: cada mejora en la capacidad de registrar actividad neuronal multiplica el volumen de datos. Sin automatización, ese progreso tecnológico choca con un límite humano, tanto en tiempos como en costos (incluida la posibilidad de tercerizar análisis).

El MIT proyecta que estas herramientas podrían extenderse a sistemas biológicos más complejos e integrarse con técnicas que registran actividad cerebral en animales que se desplazan libremente. Si ese salto se consolida, la neurociencia podría acercarse con más fuerza a preguntas centrales sobre aprendizaje, memoria y conducta, pero observadas “en el mundo real” y no en condiciones experimentales rígidas.