Descifrando códigos neuronales con un modelo físico de canto de aves

A. AMADOR, Y. SANZ PERL, G.B. MINDLIN AND D. MARGOLIASH

La Plata

Conferencia; XI Congreso Regional de Física Estadística y Aplicaciones a la Materia Condensada: TREFEMAC 2013; 2013

(CHARLA INVITADA) El canto de aves es un modelo animal particularmente útil para estudiar la base neuronal de vocalizaciones complejas porque, como el habla, es una conducta aprendida de un tutor y depende de la experiencia auditiva. Las aves oscinas presentan un sistema de núcleos neuronales específicos para la producción y aprendizaje del canto. Las neuronas pertenecientes a este sistema exhiben una respuesta selectiva frente a la presentación auditiva del canto propio, siendo ésta cualitativamente mayor que la respuesta a otros sonidos. A pesar de su potencial importancia, la extrema selectividad de estas neuronas ha dificultado su estudio. Para abordar esta limitación y explorar la emergencia de estas respuestas, trabajamos con un modelo de producción vocal de baja dimensión, que incluye parámetros relacionados con variables fisiológicas que el ave puede controlar. Notablemente, el canto sintético generado con el modelo físico elicita respuestas neuronales muy similares a las respuestas obtenidas con la presentación del canto propio. Así, mostramos que un modelo de baja dimensión es suficiente para capturar características relevantes del canto. Esta reducción de la dimensionalidad sugiere una codificación neuronal novedosa donde gestos motores definidos por el modelo estarían representados en áreas corticales siendo utilizados para realizar predicciones del comportamiento esperado.