✨︎ Resumen (TL;DR):
- Un equipo del Instituto Zuckerman de la Universidad de Columbia, del laboratorio de Jeff Lichtman en Harvard y de Google Research reconstruyó sinapsis por sinapsis el circuito que cancela la interferencia de las descargas del pez elefante.
- El volumen incluyó 3,534 cortes, 29,694 uniones marcadas y 5,016 células.
- El cableado empareja una neurona rápida con otra lenta para actualizar la predicción sin borrar lo aprendido.
Un equipo del Instituto Zuckerman de la Universidad de Columbia, el laboratorio de Jeff Lichtman en Harvard y Google Research reconstruyó sinapsis por sinapsis el circuito que permite al pez elefante africano cancelar la interferencia de sus propias descargas eléctricas. El estudio, publicado el 2 de septiembre de 2026 en Nature, muestra que el cableado empareja una neurona que aprende rápido con otra que aprende lento. Esa división permite al pez rehacer su predicción cuando cambia la conductividad del agua sin destruir lo que ya aprendió.
El pez tiene que detectar señales mientras dispara pulsos
El pez elefante (Gnathonemus petersii) vive en ríos africanos donde el sedimento vuelve casi inútil la vista. Dispara varias descargas eléctricas por segundo para rastrear larvas de insecto enterradas, de las que se alimenta.
Para orientarse usa dos sistemas eléctricos. El pasivo registra los campos diminutos que producen las larvas; el activo usa un órgano en la cola para disparar pulsos. Con ellos reconoce objetos y se comunica con otros peces de su especie, en una función comparable a la detección por sonido de murciélagos y delfines.
Ambos sistemas llegan a los mismos receptores de la piel. El pulso propio provoca allí una respuesta mucho mayor que la de cualquier presa.
En el rombencéfalo, la parte trasera del cerebro, una estructura en capas llamada lóbulo electrosensorial recibe la señal de la piel y, en paralelo, una copia de la orden motora que disparó el pulso. Con ambas entradas construye una predicción invertida de la respuesta que esa descarga provocará.
La imagen negativa es una predicción invertida de esa respuesta que se resta de la señal recibida para dejar a la vista lo que no estaba previsto. La predicción debe rehacerse cada vez que cambia la conductividad del agua, porque esa variable modifica el tamaño y la forma de cada descarga.
Un mapa de 5,016 células y miles de conexiones
Para reconstruir el circuito, el laboratorio de Jeff Lichtman cortó un fragmento del rombencéfalo en láminas y lo fotografió con microscopía electrónica a una resolución de 4 × 4 × 30 nanómetros.
Michal Januszewski, de Google Research, segmentó el volumen con software automático. Luego, el equipo siguió manualmente cada prolongación celular y marcó dónde una célula pasaba la señal a la siguiente.
El recuento registró 3,534 cortes, 29,694 uniones marcadas y 5,016 células. Apilado, el bloque alcanzaba un grosor aproximado al de una hoja de papel.
Entre las células había 136 neuronas ganglionares medianas, conocidas como MG, y 592 pequeñas, llamadas SG. El lóbulo también contiene células de salida que envían la señal ya limpia fuera de la estructura.
El circuito organiza cada tipo celular en dos versiones opuestas: una se acelera cuando sube el campo eléctrico y la otra se frena.
La regla aparece en las sinapsis, no en la distribución
A simple vista, el tejido parecía desordenado. Sawtell explicó que los tipos rápidos y lentos estaban entremezclados y lo resumió así: “al visualizarlos todos juntos, vimos lo que parece una maraña enredada”.
El patrón surgió al seguir las conexiones individuales. Una MG de una versión se conecta con células de salida de la versión contraria y con MG de esa versión opuesta.
De 3,527 sinapsis entre MG y células de salida, solo una rompió la regla. Entre las MG, la excepción apareció en 10 de 1,322 sinapsis.
Las células que solo se superponían en el tejido no seguían ese patrón con la misma exactitud. La organización estaba en el cableado, no en la posición que cada célula ocupaba dentro del lóbulo.
Una neurona aprende rápido y su pareja aprende lento
El cableado no es estático. Las conexiones se debilitan cuando la señal de entrada y el disparo de la propia célula coinciden en el tiempo, y se refuerzan por su cuenta durante el resto del tiempo.
El debilitamiento ocurre mucho más rápido. Si el pulso del pez se hace más fuerte, primero aprenden las células que necesitan debilitar sus conexiones, mientras su pareja tarda mucho más; cuando el pulso se debilita, los papeles se invierten.
Así, cada pareja termina con una célula rápida y otra lenta. Salomon Muller, investigador posdoctoral en los laboratorios de Abbott y Sawtell y coautor principal del estudio, explicó que las rápidas aprenden pronto, aunque son más vulnerables al ruido aleatorio e inconsistente. Las lentas aportan estabilidad y terminan cancelando las señales que interfieren de manera constante.
Krista Perks, científica investigadora asociada del laboratorio de Sawtell y también coautora principal, explicó la consecuencia: una vez cancelado lo previsible, cualquier otra cosa que el pez detecta resalta.
La cancelación resistió una prueba de 10 minutos
El modelo computacional se ajustó con registros eléctricos de peces despiertos. Para probarlo, el equipo simuló 10 minutos de pulsos que llegaban en momentos impredecibles, como los que produciría otro pez cercano, y después repitió esas condiciones con animales reales.
La cancelación se mantuvo en ambos casos. Cuando el modelo permitía aprender en un solo sitio en vez de dos, el ruido dejaba a las células de salida disparando lejos de su ritmo estable.
Por qué este circuito interesa a la IA
El paralelo con la inteligencia artificial aparece en el problema del aprendizaje continuo. El olvido catastrófico es un fenómeno en el que un modelo pierde buena parte de lo que ya sabía al incorporar información nueva.
Los modelos pueden perder lo aprendido al sumar datos nuevos. El aprendizaje a dos velocidades figura entre las defensas propuestas contra ese problema.
Sawtell, profesor de neurociencia en Columbia y uno de los autores sénior del estudio, señaló que la estrategia de dos velocidades ya es común en machine learning. Lo distinto está en dónde y cómo la implementa el cerebro y para qué le sirve al animal.
Los estudios de aprendizaje suelen observar cambios en los pesos entre neuronas tratadas como iguales; este circuito trabaja con tipos celulares distintos y un cableado fijo entre ellos.
En el comunicado del Instituto Zuckerman, Sawtell lo resumió así: “Los sistemas biológicos tienen mucho que enseñar a los sistemas artificiales”.
El mapa muestra conexiones, no actividad
La reconstrucción salió de un único ejemplar, un pez de aproximadamente 9.3 centímetros. El bloque muestra cómo están conectadas las células, pero no registra su actividad; las velocidades de aprendizaje y los resultados frente al ruido se apoyan en registros de peces vivos y en el modelo computacional.
Los límites pendientes son concretos:
- Un tipo celular del lóbulo nunca se ha registrado en un animal vivo; el modelo lo trata como un simple relevo por falta de datos.
- El equipo todavía no ha medido directamente con qué fuerza se inhiben entre sí las neuronas MG.
- La capa superior del lóbulo, donde están las conexiones que aprenden, no se ha analizado con el mismo detalle.
Tampoco está resuelto si otros animales usan el mismo arreglo. El lóbulo electrosensorial está construido como un cerebelo y los dos tipos celulares tienen equivalentes ahí.
Sobre los mamíferos, Sawtell respondió que su trabajo en sistemas de mamíferos encontró parecidos y diferencias. Los circuitos dedicados al mismo problema general tienen que variar entre especies y sentidos.
Las imágenes de microscopía, las reconstrucciones y el código quedaron depositados en repositorios públicos. Eso permite que cualquier laboratorio vuelva sobre el mismo volumen sin necesitar un ejemplar nuevo. La pregunta pendiente empieza en la capa superior del lóbulo, donde están las conexiones que aprenden y que todavía no se han analizado con el mismo detalle.
