Un equipo de investigación de Tohoku University y Future University Hakodate ha logrado que redes de neuronas biológicas entrenadas reproduzcan patrones temporales que antes ejecutaban solo sistemas artificiales. El trabajo, publicado en Proceedings of the National Academy of Sciences el March 12, 2026 (DOI: 10.1073/pnas.2521560123), integra cultivos neuronales con un marco de machine learning para enseñar a las neuronas a generar señales de series temporales. Esta aproximación convierte a las redes biológicas en recursos computacionales capaces de producir desde ondas simples hasta trayectorias caóticas, y plantea nuevas preguntas sobre cómo aprovechar la dinámica intrínseca de sistemas vivos.
La investigación parte de conceptos consolidados en la informática neuronal, como las redes neuronales artificiales y las spiking neural networks, y los traslada al laboratorio biológico. Para ello se usó un esquema de aprendizaje en línea conocido como FORCE learning aplicado al plano de salida de la red biológica, permitiendo ajustes continuos en tiempo real. El estudio demuestra que, bajo control de retroalimentación, las neuronas cultivadas pueden transformar su actividad espontánea en patrones estructurados y reproducibles, comportamiento clave para tareas de control motor y procesamiento temporal.
Metodología y montaje experimental
Los investigadores cultivaron neuronas corticales de rata sobre matrices de electrodos y las organizaron mediante dispositivos microfluídicos que guían el crecimiento neuronal. Estos dispositivos facilitaron la construcción de modular network architectures que reducen la sincronización excesiva y fomentan dinámicas de alta dimensionalidad, necesarias para el enfoque de reservoir computing. La combinación de microelectrode arrays con canales microfluídicos permitió tanto registrar la actividad como inyectar señales de retroalimentación y controlar la conectividad física entre módulos.
Control y proceso de entrenamiento
En la fase de entrenamiento, el equipo aplicó FORCE learning sobre la capa de lectura del sistema biológico para minimizar el error entre la salida de la red y la señal objetivo. El uso de retroalimentación en tiempo real fue crucial: al ajustar continuamente las señales de salida, la red biológica reorganizó su actividad para reproducir patrones deseados. Bajo estas condiciones, las neuronas aprendieron a generar ondas senoidales con períodos entre 4 y 30 segundos, así como ondas triangulares, cuadradas e incluso la atractora de Lorenz, un ejemplo de comportamiento caótico.
Resultados y capacidad de la red biológica
Los experimentos mostraron que las redes neuronales biológicas (BNN) pueden servir de reservorios físicos capaces de transformar entradas y producir salidas temporales complejas. En ausencia de entrada externa, la dinámica era alta y aparentemente aleatoria; con el esquema de entrenamiento y retroalimentación, emergió una estructura capaz de reproducir la señal objetivo de forma estable mientras duraba el control. Esto sugiere que las BNN podrían complementar o, en ciertos casos, sustituir a modelos artificiales en tareas que requieren procesamiento temporal rico y adaptable.
Señales aprendidas y estabilidad
Además de la variedad de formas de onda, la red mostró flexibilidad para mantener distintos períodos y trayectorias dentro del mismo montaje experimental. No obstante, los autores reconocen desafíos técnicos: la estabilidad post-entrenamiento y los retrasos en la retroalimentación limitan la persistencia de las señales generadas. Por ello, los investigadores proponen optimizar algoritmos de aprendizaje y reducir latencias de retroalimentación como próximos pasos para consolidar el rendimiento a largo plazo.
Implicaciones, aplicaciones y desafíos
Las implicaciones van desde la informática neuromórfica hasta modelos fisiológicos para farmacología. Un sistema que combine BNN con métodos computacionales puede convertirse en una plataforma microfisiológica para estudiar respuestas a fármacos o modelar trastornos neurológicos con un grado de realismo fisiológico mayor que el de los modelos puramente digitales. A la vez, surgen cuestiones prácticas sobre la escalabilidad, reproducibilidad y mantenimiento de circuitos vivos en condiciones experimentales estables.
Retos éticos y técnicos
El uso de tejidos vivos para cómputo exige reflexionar sobre ética, bienestar y normativas. Desde el punto de vista técnico, persisten retos como la variabilidad entre preparaciones, la necesidad de control preciso de conectividad y la reducción de latencias en bucles de retroalimentación. Superar estos obstáculos es clave para que las redes neuronales biológicas pasen de demostraciones de principio a herramientas fiables en investigación y aplicaciones biomédicas.
Conclusión
El trabajo publicado el March 12, 2026 en PNAS (DOI: 10.1073/pnas.2521560123) marca un hito al mostrar que la actividad neuronal viva puede ser condicionada para realizar tareas de aprendizaje temporal supervisado. Al integrar cultivos neuronales, microfluídica y algoritmos como FORCE learning, los autores abren una vía prometedora para la convergencia entre neurociencia y computación, con aplicaciones potenciales en neuromórfica, farmacología y modelos de enfermedad, siempre acompañadas de retos técnicos y éticos por resolver.
