Investigadores de la EPFL, la Universidad Duke y el Instituto Superior Técnico han desarrollado una simulación realista de larva de pez cebra, así como un robot inspirado en este animal capaz de remontar una corriente utilizando únicamente la visión. Su trabajo, publicado en Science Robotics, muestra cómo el cuerpo y los circuitos neuronales de un animal participan conjuntamente en el comportamiento.
Para mantenerse en un lugar en un río, un pez debe saber a qué velocidad nadar y cómo orientarse para compensar la corriente. La mayoría de las especies utilizan la visión para detectar el flujo óptico, es decir, el desplazamiento del entorno, y su cerebro transforma estas señales en movimientos compensatorios. Los neurocientíficos denominan a este reflejo estabilizador respuesta optomotora (OMR). La retina capta la dirección del flujo, las neuronas del pretectum, una región cerebral, la interpretan, y los nervios espinales ordenan la contracción de los músculos.
El problema radica en la dificultad de modificar un cerebro vivo para probar el papel de una conexión. Si la imagenología permite ahora registrar e incluso manipular neuronas durante el comportamiento, reescribir las conexiones de un animal complejo sigue siendo casi imposible.
Un esquema extraído del cerebro del pez
El punto de partida se encuentra en el laboratorio Naumann de Duke, donde estudios conductuales detallados y una imagenología de calcio de todo el cerebro de larvas expuestas a estímulos visuales que imitan el flujo óptico de un lecho fluvial, combinados con un modelado de circuitos, permitieron establecer un esquema de cableado de las vías de la OMR a escala cerebral.
A partir de este modelo y otros datos sobre el procesamiento neuronal en la retina y la médula espinal de los vertebrados, el Dr. Xiangxiao Liu y Luca Zunino, del equipo de la EPFL, desarrollaron simZFish, una simulación neuromecánica. Esta reproduce el cuerpo de la larva, con sus ojos y aletas, y utiliza este esquema experimental como cerebro.
simZFish, un cerebro que se puede desmontar
Construido en el simulador físico Webots, simZFish representa una larva de seis días de edad, a escala 1:1: un cuerpo de 4 mm que pesa 0,3 mg, siete segmentos, seis motores simulados, una cabeza con dos cámaras laterales y una hidrodinámica realista. Su cerebro artificial reproduce todo el circuito neuronal, desde los píxeles captados por la retina hasta la activación de los músculos.
Los investigadores pueden modificar cualquier elemento del modelo, eliminar o añadir neuronas, o cambiar la lente del ojo, y luego observar los efectos inmediatamente. En el animal, recuerdan los autores, solo se pueden registrar correlaciones de actividad cuando el pez adopta el comportamiento estudiado, sin poder excluir otros procesos en curso. El modelo hace que los componentes sean identificables y permite localizar los « elementos esenciales mínimos » de la OMR.
El cuerpo forma parte del cálculo
Al colocar las cámaras a los lados de la cabeza, los investigadores observaron que el flujo óptico producido por la corriente crea vórtices contradictorios de un campo visual a otro, un caso cercano al clásico « problema de la apertura ». Cuando toda la retina alimentaba el circuito, estas señales se anulaban y el comportamiento de OMR desaparecía. Volvía en cuanto la entrada se limitaba a la parte inferior y posterior del campo visual.
Esta zona corresponde precisamente a la que impulsa más fuertemente la OMR en el pez real. Según los autores, la disposición de los ojos laterales explica por qué el circuito está cableado así: capta la mayor cantidad de información útil con el menor número de conexiones, una solución eficiente que la evolución parece haber seleccionado también.
Una predicción que vuelve al microscopio
La simulación también reveló los límites del modelo inicial. Cuando cada ojo recibía un movimiento en sentido opuesto, un estímulo de cizalladura nunca probado, simZFish 1.0 giraba mucho más de lo esperado. Mostrado a larvas reales, el mismo estímulo apenas provocaba rotación, según el Dr. Matthew Loring, neurobiólogo principal del equipo.
Los investigadores de Duke registraron entonces, mediante imagenología de calcio volumétrica de dos fotones, decenas de miles de neuronas. Identificaron varios subtipos de neuronas binoculares del pretectum, hasta entonces no descritos. Integrados en el modelo, dieron lugar a simZFish 2.0, que reproduce mucho mejor el comportamiento del pez real, incluso frente al estímulo de cizalladura. Auke Ijspeert, que dirige el laboratorio de biorrobótica (BioRob) de la EPFL, resume: « simZFish reduce el campo de investigación, los experimentos con el animal verifican las predicciones, y juntos completan el rompecabezas del circuito neuronal. »
El robot ZBot en el río
El circuito se transpuso luego en ZBot, un robot de 80 centímetros que pesa 2,7 kilogramos, equipado con dos cámaras reales, seis motores de cola y una Raspberry Pi ejecutando la misma red neuronal. En el río Chamberonne, cerca de Lausana, el robot permaneció en el campo de visión de la cámara de un dron durante 58 segundos con su circuito visual activado, frente a unos 37 segundos cuando sus « ojos » estaban desactivados y 20 segundos cuando estaba a la deriva, con los motores parados.
Estas pruebas sugieren que un pez podría, en principio, luchar contra una corriente utilizando únicamente circuitos visuales, lo que contradice la hipótesis de que la reotaxis requiere la línea lateral, esa red de órganos sensoriales a lo largo del cuerpo. Para la robótica, el enfoque evita añadir hardware: los drones suelen utilizar una cámara orientada hacia abajo, mientras que el método aprovecha las cámaras laterales ya presentes. Los modelos del simulador y los diseños del robot son de código abierto.
