Óxido nítrico y computación neural

Artículo escrito por David Luque en 2003 para Psicoteca

Recientemente (2003) se ha descubierto el importante papel que juegan en la neurotransmisión los mensajeros gaseosos. Más allá de mediar en un gran número de procesos cognitivos, los mensajeros gaseosos están cambiando la concepción de neurotransmisión clásica. Estos avances ya están siendo aprovechados desde las ciencias computacionales por científicos que simulan redes de neuronas artificiales que incluyen la acción de mensajeros gaseosos.


El óxido nítrico (NO) es uno de los numerosos gases que se difunden libremente por nuestro cuerpo y podría ser la más pequeña y versátil molécula bio-activa que se ha reconocido hasta la fecha. De hecho, el NO está revolucionando el concepto clásico de transmisión sináptica, o eso es la impresión que te llevas cuando empiezas a adentrarte en la interesante (y abundante) literatura acerca del tema. Se ha demostrado que modula procesos tan diversos y complejos como la regulación del aprendizaje y la memoria, el sueño y el insomnio, la propiocepción, el consumo de alimento, la conducta de beber, el olfato, la agresividad, la ansiedad, la conducta sexual y el consumo de alcohol (Cavas y Navarro, 2002).

¿Por qué el NO y sus compañeros gaseosos están cambiando la concepción actual de la neurotransmisión? El proceso de neurotransmisión clásico implica la acción de moléculas mensajeras (neurotransmisores) que son liberados desde la neurona presináptica hasta la postsináptica. Debido a que la mayoría de los neurotransmisores clásicos son grandes moléculas polares, estos para ejercer su función informativa tienen que unirse a receptores específicos en la membrana de la neurona postsináptica, ya que no pueden atravesar la membrana celular por si mismos. Después son rápidamente desactivados por acción enzimática o recaptados por la neurona presináptica. Como resultado, la acción del neurotransmisor esta limitada prácticamente a las neuronas que están muy cercanas a su punto de liberación, que suele ser la neurona "diana" o postsináptica. En otras palabras, la transmisión de información en la sinapsis química clásica opera esencialmente en dos dimensiones: una dimensión espacial y una dimensión temporal (Husbands, Smith, Jakobi y O'Shea,1998).

Sin embargo, si añadimos a la sinapsis clásica la acción de mensajeros gaseosos como el NO, esta visión bidimensional cambia sustancialmente. El NO se difunde a través de las tres dimensiones del espacio. Además, su pequeño tamaño y su apolaridad le permite atravesar sin problemas las membranas celulares, lo que lo convierte en un perfecto mensajero anterógrado. Un mensajero anterógrado es cualquier sustancia que module la actividad de la neurona presináptica en función de la actividad de la neurona postsináptica, es decir, envía información en el sentido opuesto al clásico pre-postsinapsis.

Los mensajeros anterógrados otorgan al sistema de mensajería neuronal una mayor capacidad computacional, sirviendo, por ejemplo, de un sencillo sistema de autorregulación. Un ejemplo de la importancia de los mensajeros anterógrados en general, y del NO en particular, lo tenemos en su mediación en la potenciación a largo plazo, más conocido como LTP (Long-Term Potentiation en inglés), que es un tipo de aprendizaje neuronal estable, muy estudiado y que parece ser de gran importancia en los procesos implicados en la memoria. En estudios recientes se ha mostrado como una inhibición de la síntesis de NO bloquea la formación de LTP si la inhibición se hace a nivel postsináptico y no la bloquea si la inhibición es presináptica (Hölscher, 1997). Estos resultados demuestran la necesidad de la actuación de un mensajero anterógrado para que se produzca LTP y que esta función es ejecutado por el NO.

Mensajeros gaseosos y ciencias computacionales

Desde las ciencias computacionales no han pasado desapercibidos estos descubrimientos y ya una serie de investigadores de la Universidad de Sussex, en Brighton (Reino Unido), han empezado a modelar redes de neuronas artificiales que utilizan los principios de la neurotransmisión gaseosa para crear modelos computacionales más eficaces (ver por ejemplo Smith y Philippides, 2000; Husbands et al., 1998). Estas redes han sido bautizadas por sus autores como GasNets. Concretamente, utilizan este tipo de redes para construir sistemas de control para robots móviles autónomos y comparan su actuación con la de los sistemas de redes de neuronas artificiales estándar (Husbands et al., 1998). Aunque por ahora todo esto aun no se ha llevado a cabo "físicamente" los resultados en simulaciones por ordenador dan una actuación mejor de las GasNets. Es probable que estos resultados originen más investigación en relación a las ventajas computacionales de usar los principios de la neurotransmisión gaseosa.

El cerebro humano es el sistema de procesamiento de información más complejo que conocemos. Este sistema es el fruto de la interacción entre un sistema evolutivo y una serie de presiones ambientales a lo largo de millones de años. A mi modo de ver, no es raro que los avances en el conocimiento sobre cómo actúa el cerebro que aporta la neurociencia colaboren también en desarrollar las ciencias computacionales cuando se enfrentan a las mismas tareas que ha tenido que "resolver" nuestro sistema nervioso con anterioridad. Es posible que con las GasNets estemos ante un nuevo ejemplo de como neurociencia y ciencias computacionales se complementan, formando un interesantísimo matrimonio que ya empieza a tener hijos.

Referencias bibliográficas

Cavas, M., y Navarro, J. F. (2002). Coadministration of l-NOARG and tiapride: Effects on catalepsy in male mice. Progress in Neuro-Psychopharmacology & Biological Psychiatry, 26, 69-73. DOI: 10.1016/S0278-5846(01)00231-7

Husbands, P., Smith, T. M. C., Jakobi, N., y O'Shea, M. (1998). Better Living Through Chemistry: Evolving GasNets for Robot Control. En T. Ziemke y N. E. Sharkey (eds.), Connection Science Special Issue: BioRobotics, 10(3-4), 185-210.

Hölscher, C. (1997). Nitric oxide, the enigmatic neuronal messenger: Its role in synaptic plasticity. Trends in Neuroscience, 20, 298-303. DOI: 10.1016/S0166-2236(97)01065-5

Smith, T.M.C., y Philippides, A. (2000). Nitric Oxide Signalling in Real and Artificial Neural Networks. British Telecom Technology Journal, 18(4), 140-149. DOI: 10.1023/A:1026723229044