Durante décadas, los científicos han utilizado ordenadores y algoritmos para resolver problemas complejos en robótica o inteligencia artificial. Sin embargo, en los últimos años ha surgido una línea de investigación bastante distinta: utilizar tejido cerebral cultivado en laboratorio como sistema de procesamiento biológico. Estos pequeños fragmentos de neuronas, conocidos como organoides cerebrales, se están empleando para estudiar cómo funciona el cerebro y cómo aprenden las redes neuronales reales.

Un nuevo experimento desarrollado por investigadores de la Universidad de California en Santa Cruz ha llevado este concepto un paso más allá. Los científicos han conseguido que un pequeño conjunto de neuronas cultivadas en una placa de laboratorio aprenda a resolver un problema clásico de ingeniería conocido como “cart-pole”. En términos simples, se trata de mantener equilibrada una barra sobre un carrito en movimiento, una tarea que exige reaccionar constantemente a cambios de posición y velocidad.

El resultado no significa que estos mini cerebros tengan conciencia o inteligencia comparable a la humana. Sin embargo, sí demuestra que redes neuronales biológicas relativamente simples pueden adaptarse a un objetivo y mejorar su rendimiento mediante aprendizaje guiado. Este avance abre nuevas vías para estudiar enfermedades neurológicas, comprender cómo se forman los circuitos neuronales e incluso explorar sistemas híbridos entre biología y electrónica.

Organoides cerebrales: pequeños modelos del cerebro

Los organoides cerebrales son estructuras tridimensionales formadas por neuronas cultivadas a partir de células madre. En condiciones adecuadas de laboratorio, estas células pueden diferenciarse y organizarse espontáneamente en pequeñas redes neuronales que imitan algunas características del tejido cerebral temprano. Aunque su tamaño suele ser comparable al de un grano de pimienta, pueden contener varios millones de neuronas interconectadas.

El desarrollo de este tipo de modelos comenzó a consolidarse a partir de la década de 2010, cuando diferentes laboratorios lograron cultivar tejido cerebral tridimensional estable durante semanas o meses. Estos organoides no reproducen un cerebro completo ni poseen estructuras complejas como regiones corticales plenamente organizadas, pero sí generan actividad eléctrica espontánea y patrones de comunicación entre neuronas.

Desde el punto de vista técnico, las neuronas de estos organoides pueden registrar señales electrofisiológicas que se detectan mediante matrices de electrodos microscópicos. Estos dispositivos, conocidos como sistemas de microelectrodos o MEA, permiten tanto registrar los impulsos eléctricos producidos por las neuronas como estimular determinadas zonas del tejido. Gracias a este tipo de interfaces, los investigadores pueden establecer un bucle de comunicación entre el organoide y un sistema informático externo.

Esta interacción entre biología y electrónica es clave para entender el experimento reciente. Los científicos no se limitaron a observar cómo se comportaba el tejido neuronal, sino que lo conectaron a un sistema computacional que enviaba información al organoide y recibía respuestas en forma de actividad neuronal.

El problema del péndulo invertido

El desafío que los investigadores eligieron para probar la capacidad de aprendizaje del organoide se conoce como cart-pole o “péndulo invertido”. Este problema se utiliza desde hace décadas en robótica, control automático e inteligencia artificial para evaluar si un sistema puede adaptarse dinámicamente a un entorno cambiante.

La idea básica es sencilla. Sobre un carrito que se desplaza a lo largo de un raíl se coloca una barra vertical que puede inclinarse hacia un lado u otro. El objetivo consiste en mover el carrito hacia la izquierda o hacia la derecha para mantener la barra en equilibrio. Si el ángulo de la barra supera aproximadamente los 12 grados respecto a la vertical, se considera que el sistema ha fallado y la simulación termina.

En una implementación típica, el sistema recibe cuatro parámetros fundamentales: la posición del carrito, su velocidad, el ángulo de la barra y la velocidad angular de esa barra. Cada 20 milisegundos aproximadamente el sistema debe decidir si empujar el carrito hacia la izquierda o hacia la derecha. Este modelo de control se utiliza frecuentemente como banco de pruebas para algoritmos de aprendizaje automático, ya que exige una respuesta rápida y continua a pequeños cambios en el entorno. Una descripción técnica de este tipo de simulaciones puede consultarse aquí.

En el experimento reciente, el organoide cerebral no veía ni tocaba ningún objeto real. En su lugar, recibía información codificada mediante impulsos eléctricos que representaban el ángulo del poste. La actividad neuronal registrada en el tejido se interpretaba como una señal que indicaba si el carrito debía moverse hacia la izquierda o hacia la derecha.

Cómo se entrenó el mini cerebro

Para enseñar al organoide a resolver el problema, los investigadores emplearon un enfoque inspirado en el aprendizaje por refuerzo, una técnica ampliamente utilizada en inteligencia artificial. Este método consiste en proporcionar retroalimentación al sistema para que aprenda qué acciones producen mejores resultados.

En el experimento, el organoide estaba conectado a un chip capaz de registrar la actividad eléctrica de miles de neuronas simultáneamente. Cada vez que el tejido generaba determinados patrones de señales eléctricas, el sistema interpretaba esa actividad como una acción de control sobre el carrito virtual.

Si el resultado era positivo y el poste permanecía equilibrado durante más tiempo, el sistema enviaba señales eléctricas suaves que reforzaban ciertos circuitos neuronales. Si el resultado era negativo y el poste caía rápidamente, el sistema introducía estímulos diferentes que modificaban el patrón de actividad. Este proceso generaba un bucle cerrado entre el entorno virtual y la actividad neuronal del organoide.

El objetivo era comprobar si las conexiones sinápticas dentro del tejido podían reorganizarse para mejorar el rendimiento. Los resultados mostraron que el sistema biológico sí era capaz de adaptarse. En los ensayos iniciales, cuando el organoide no recibía entrenamiento específico, la tasa de éxito era de aproximadamente un 4,5 %, lo que equivale prácticamente a decisiones aleatorias. Tras el entrenamiento mediante retroalimentación adaptativa, el rendimiento aumentó hasta cerca del 46 % de intentos exitosos. Este progreso fue descrito en varios informes científicos sobre el experimento, como el publicado aquí.

El cambio en la eficacia demuestra que las redes neuronales del organoide modificaron su actividad de manera consistente con un proceso de aprendizaje. Cuando los investigadores bloquearon los receptores sinápticos excitatorios AMPA y NMDA mediante fármacos, el rendimiento cayó significativamente, lo que indica que el aprendizaje dependía directamente de la plasticidad sináptica. Este tipo de receptores interviene en la transmisión de señales excitatorias en el cerebro y desempeña un papel clave en procesos de memoria y adaptación neuronal.

El sistema experimental en detalle

El sistema utilizado para el experimento consistía en un organoide derivado de células de ratón cultivado sobre una matriz de microelectrodos. Cada electrodo tenía un diámetro de unas pocas decenas de micrómetros y permitía detectar potenciales de acción generados por las neuronas cercanas.

El organoide contenía varios millones de neuronas interconectadas que producían patrones espontáneos de actividad eléctrica. Estas señales se digitalizaban y se analizaban mediante software para identificar patrones asociados a decisiones de control. La interfaz electrofisiológica podía tanto registrar señales como enviar estímulos eléctricos específicos a grupos de neuronas.

Cuando el poste virtual se inclinaba hacia un lado, el sistema convertía esa información en impulsos eléctricos con determinada frecuencia y amplitud. Esos impulsos estimulaban regiones concretas del organoide, generando una señal que representaba el estado del sistema. A partir de la respuesta neuronal, el software decidía si mover el carrito hacia la izquierda o hacia la derecha.

En términos computacionales, el sistema funcionaba como una arquitectura híbrida. La parte biológica realizaba procesamiento neuronal basado en actividad sináptica real, mientras que el entorno virtual y el algoritmo de entrenamiento gestionaban la simulación y la retroalimentación.

Limitaciones actuales del aprendizaje biológico

Aunque los resultados son interesantes, los propios investigadores señalan varias limitaciones importantes del experimento. La primera es la duración del aprendizaje. Los organoides demostraron capacidad para mejorar su rendimiento durante el entrenamiento, pero ese conocimiento no se conservaba durante largos periodos de tiempo.

Después de aproximadamente 45 minutos sin estímulos, el rendimiento del sistema volvía a niveles cercanos al comportamiento aleatorio. Esto sugiere que el aprendizaje observado corresponde principalmente a mecanismos de memoria a corto plazo y reorganización transitoria de conexiones sinápticas.

Otra limitación es la estructura incompleta del tejido neuronal. Los organoides no contienen todas las regiones cerebrales ni los sistemas moduladores presentes en un cerebro completo. Por ejemplo, carecen de circuitos dopaminérgicos complejos que en organismos vivos participan en el aprendizaje basado en recompensas.

También existe una limitación física relacionada con el suministro de nutrientes y oxígeno. Cuando los organoides crecen más allá de unos pocos milímetros de diámetro, el interior del tejido puede sufrir falta de oxígeno. Esto restringe su tamaño y su complejidad estructural.

Posibles aplicaciones en investigación

A pesar de estas limitaciones, el experimento demuestra que el tejido neuronal cultivado puede participar en procesos de aprendizaje dirigidos hacia objetivos concretos. Este resultado tiene implicaciones interesantes para diferentes áreas de investigación.

Uno de los campos más relevantes es el estudio de enfermedades neurológicas. Los organoides derivados de células humanas podrían utilizarse para analizar cómo ciertos trastornos afectan a la capacidad de aprendizaje o a la formación de redes neuronales. Enfermedades como el Alzheimer, el autismo o la epilepsia podrían estudiarse mediante modelos celulares que reproduzcan parte de los procesos cerebrales implicados.

Otra posible aplicación es el desarrollo de sistemas híbridos entre biología y electrónica. Algunos investigadores exploran la idea de “computación biológica”, donde redes neuronales reales actúan como componentes de procesamiento dentro de sistemas informáticos. Aunque esta idea todavía está en fases muy tempranas, los experimentos con organoides muestran que las neuronas pueden interactuar con entornos digitales y adaptarse a tareas específicas.

Reflexiones finales

El experimento que ha permitido a un organoide cerebral resolver el problema del cart-pole ilustra hasta qué punto las redes neuronales biológicas poseen capacidades adaptativas incluso cuando se encuentran fuera de un organismo completo. Aunque estos mini cerebros carecen de percepción, cuerpo o conciencia, sus neuronas siguen respondiendo a estímulos y modificando sus conexiones para mejorar su comportamiento.

Desde el punto de vista científico, este tipo de investigaciones puede contribuir a comprender mejor cómo surge el aprendizaje a partir de la actividad neuronal. También permite observar directamente procesos que en un cerebro humano resultan extremadamente difíciles de estudiar con precisión.

Al mismo tiempo, el avance plantea cuestiones éticas y filosóficas sobre el uso de tejido cerebral en experimentos computacionales. A medida que estas técnicas evolucionen y los organoides se vuelvan más complejos, será necesario establecer marcos éticos claros para garantizar que la investigación se realiza de forma responsable.

En cualquier caso, el hecho de que un pequeño conjunto de neuronas cultivadas en laboratorio pueda aprender a mantener en equilibrio un sistema virtual demuestra que incluso las redes neuronales más simples contienen mecanismos de adaptación sorprendentemente eficientes.