4shared

Elemental Gestures Dynamics are Encoded by Song Premotor Cortical Neurons

Por - mayo 7, 2013

Ana Amador imagePor Diego A. Laplagne, Ph.D.
Leon Levy Presidential Fellow in Neuroscience
Shelby White and Leon Levy Center for Mind, Brain and Behavior, The Rockefeller University, New York, NY, USA

En marzo de 2013 publica la revista Nature el trabajo “Elemental gestures dynamics are encoded by song premotor cortical neurons”, un importante aporte, como vamos a ver, para entender de qué manera las neuronas en áreas vocales del cerebro de ciertos pájaros estructuran su canto y permiten su aprendizaje. Pero la pregunta que quiero plantear primero es: ¿por qué tres de sus cuatro autores son físicos de la Universidad de Buenos Aires? El trabajo surge como colaboración entre los laboratorios de Gabriel Mindlin en el Departamento de Física de la Facultad de Ciencias Exactas y Naturales de la UBA y de Daniel Margoliash, en la Universidad de Chicago, y fue liderado por Ana Amador con la participación de Yonatan Sanz Perl.

En 2001 Mindlin publica el primero de una serie de trabajos sobre la mecánica del aparato fonador de pájaros, “Simple Motor Gestures for Birdsongs”. Empieza así, junto con colaboradores que quedarán como héroes anónimos de este relato, una gesta hacia entender de qué manera las propiedades físicas de las distintas partes del órgano vocal juegan en la generación del canto, y al hacerlo dejan sus huellas en él. La ruta seguida fue la de aplicar la fuerte formación propia y de su grupo en el estudio de fenómenos con dinámica no lineal a este caso biológico particular. El juego es claro: generar modelos matemáticos, descriptos por ecuaciones diferenciales no lineales, con la mayor simpleza que permita describir correctamente los datos reales, en este caso las sílabas del canto del pájaro. Así, en su versión más simple, los labios de la siringe (funcionalmente análogos a nuestras cuerdas vocales) se modelan por un resorte amortiguado con una pequeña masa en la punta. La elasticidad del resorte modela la tensión muscular y todo sigue los vaivenes de la presión en los sacos aéreos. Según este modelo, el pájaro puede generar una gran variedad de sílabas complicadas variando de manera suave y continua estos dos parámetros: tensión y presión. Las no-linealidades del sistema mecánico traducen pequeños cambios en estas trayectorias en grandes cambios en la sílaba producida.

Comienza así una historia de validación y perfeccionamiento de los modelos, contrastándolos con mediciones experimentales directas. Vale celebrar que para esto no sólo se colaboró con laboratorios de corte biológico sino que se implementaron las técnicas de registro en los laboratorios del Departamento de Física, ¡que se fueron convirtiendo de a poco en una ruidosa pajarera! A lo largo de este proceso, se fue contrastando hasta qué punto los cantos sintetizados por el modelo se aproximaban a los originales. En 2001 producía sílabas que sonaban al oído humano como canto de canarios. Al 2003 confirman que los músculos y la respiración se portan durante el canto como sugería el modelo. Para el 2005 ya había canarios jóvenes aprendiendo cantos generados por computadora y unos años después pájaros “dialogando” con el modelo.

Quedaba una prueba. En el núcleo vocal “HVC” (identificado dicho sea de paso por otro gran científico argentino, Fernando Nottebohm, en la década del 70) del diamante mandarín, existen neuronas que se activan durante el canto y lo hacen de manera muy similar cuando el pájaro escucha una reproducción de su propio repertorio. Pero son muy selectivas, no responden ni al canto de otros individuos. ¿Reconocerían como propia a una reproducción sintética producida por el modelo? Esto fue a probar Ana Amador a la Universidad de Chicago. La respuesta: no. Nada. Caramba. ¿Qué falló? Después de un paso por el taller de reparaciones físico-matemáticas, el modelo vuelve con dos agregados: un resonador de Helmholtz y “ruido”. El primero filtra el sonido que sale de la siringe, le cambia lo que llamamos el “timbre” (lo mismo que cambia entre las distintas vocales que pronunciamos los humanos). El segundo agrega ruido al músculo del modelo; a las neuronas no les gusta un sonido tan puro, tan perfecto, parecen esperar que se genere con pequeñas imperfecciones, como tanto en la realidad biológica.

Y así llegamos al punto en que, tras una década y monedas de idas y venidas entre teoría y experimentos, el modelo permite entender mejor cómo neuronas vocales participan de la producción y aprendizaje del canto. Un juego central en la neurociencia es correlacionar la actividad de neuronas con estímulos sensoriales o acciones motoras y especular así sobre qué rol juegan en interpretar los primeros y producir los segundos. Pero un problema común es que entre una cosa y la otra puede haber tantas transformaciones que esa correlación puede volverse irrastreable. En el caso del canto del pájaro, el grupo de Mindlin ya había mostrado claramente que tan sólo la mecánica no lineal del aparato vocal es suficiente para oscurecer los rastros de las señales neuronales que le dan origen. Trabajos anteriores que intentaron relacionar la actividad de las neuronas en HVC directamente con el sonido del canto sugirieron de hecho que no existía una relación directa. Pero el modelo teórico construido en la Facultad de Exactas de la UBA permite, a partir de simplemente escuchar el canto, deducir con suficiente acierto cómo son las actividades musculares que lo generan. Y cuándo en este último trabajo alinearon la actividad de las mismas neuronas del núcleo HVC con la evolución de estas variables encontraron que efectivamente existe una correlación entre ambas. En particular, las neuronas disparan casi en simultáneo con los momentos en que las actividades motoras realizan grandes cambios. Más aún, dado la casi simultaneidad observada, los autores deducen que estas neuronas no pueden estar dando directamente las instrucciones para generar estos cambios (porque llegarían muy tarde a los músculos involucrados) sino que estarían prediciendo cómo debería estar sonando el canto en cada momento y comparando con lo que está realmente ocurriendo para permitir corregir desviaciones.

Este trabajo premia más de 10 años de esfuerzos de un número aún mayor de físicos de la Universidad de Buenos Aires (y colaboradores) y demuestra una vez más el rol central que el buen trabajo teórico tiene en el camino hacia la comprensión de los procesos biológicos.