Sacar conclusiones para humanos de los estudios en ratones ya no será tan precipitado

Un nuevo estudio ha conseguido detectar qué tienen en común las formas de caminar de los ratones, gusanos, escarabajos y humanos cuando tienen Parkinson y otras enfermedades neurológicas. Al haber hallado factores independientes de la especie, los resultados permiten conocer mejor cómo afecta este tipo de enfermedades al movimiento.

De ratones a humanos hay un trecho

En las enfermedades neurodegenerativas como el Parkinson, el Alzheimer o la esquizofrenia, el conocimiento científico avanza progresiva pero lentamente. No es de extrañar, ya que no es posible experimentar con seres humanos y los únicos experimentos que se hacen son en ratones, gusanos u otras especies muy distantes de la nuestra.

A pesar de las diferencias entre especies, este método ha dado sus resultados. Por ejemplo, sabemos que los ratones con deficiencia de dopamina (una característica del Parkinson y de la esquizofrenia) sufren trastornos en el movimiento, al igual que los humanos con esta deficiencia. Pero muchos de los efectos concretos que se observan en ratones no son tan fáciles de extender a los humanos. De ahí que haya que tener mucho cuidado cuando leemos resultados de terapias que han funcionado en ratones: por esperanzadoras que parezcan, no tienen por qué funcionar en humanos.

Pero un nuevo estudio publicado en Nature Communications arroja luz sobre el problema. El equipo, procedente de varias universidades japonesas, ha inventado una manera de conocer qué características son inherentes al Parkinson e independientes de la especie a la que afecta. La herramienta clave ha sido el aprendizaje automático (el hermano pequeño de la inteligencia artificial).

Hasta ahora, se utilizaba el análisis comparativo de comportamiento para identificar qué comportamientos de los animales se parecían más al comportamiento humano. Si se veía que la falta de dopamina en ratones afectaba a uno de estos comportamientos, era razonable esperar el mismo efecto en humanos. Pero era complicado realizar este tipo de análisis entre muchas especies, porque las diferencias de tamaño y de método de locomoción eran demasiado difíciles de abarcar para las técnicas estadísticas convencionales.

Aprendiendo a distinguir…

El aprendizaje automático puede analizar muchos más datos en un tiempo mucho menor, de ahí su atractivo para este problema. Aunque el estudio ha dado una vuelta de tuerca a esta técnica para poder extraer características independientes de la especie.

Y es que, normalmente, el aprendizaje automático es una herramienta muy útil para saber distinguir entre diferentes conjuntos de datos. Supongamos, por ejemplo, que queremos diseñar un algoritmo de aprendizaje automático para que reconozca la letra manuscrita. Para ello, primero cogeremos una colección muy grande de letras del alfabeto, escritas a mano, y les asociaremos la letra (en el teclado) a la que corresponden. Es decir, a todo lo que se asemeje a un palo vertical le asociaremos la i, a cualquier garabato que parezca un círculo le asociaremos la o, etc. Esta es la fase de entrenamiento. Después, cogeremos otra colección nueva de letras manuscritas, y pediremos a la máquina que las asocie a la letra correspondiente. Así evaluaremos si la máquina ha aprendido a distinguir qué garabato corresponde a cada letra.

Justo aquí está la palabra clave: distinguir. Esto es lo que los algoritmos de aprendizaje automático saben hacer muy bien. De ahí su utilidad para el reconocimiento facial, para cribar currículums en las grandes empresas o para clasificar secuencias de ADN. Pero hay distinciones que no ayudan, como en el caso de este estudio: lo que el equipo quería averiguar sobre los comportamientos de ratones, gusanos, escarabajos y humanos con falta de dopamina era qué tenían en común.

… o todo lo contrario

Se pusieron manos a la obra y obtuvieron una colección muy grande de patrones de movimiento de estas especies. Algunos patrones procedían de animales con falta de dopamina y otros no. Primero diseñaron una red neuronal (un tipo de algoritmo de aprendizaje automático) que predecía si el patrón de movimiento procedía de un animal con falta de dopamina, y a qué especie correspondía. Después, entrenaron a la red neuronal para que fuera incapaz de predecir a qué especie pertenecía cada muestra. La red resultante sabía si el patrón de movimiento correspondía a una falta de dopamina, pero no sabía distinguir entre especies.

La información que obtuvo el estudio es muy útil: ahora sabemosqué características tienen en común los patrones de movimiento correspondientes a la falta de dopamina. Ninguno de estos animales es capaz de moverse muy rápido durante un periodo prolongado. Además, cuando aceleran, la velocidad que llevan es muy poco estable.

Lo más sorprendente es que estas características son comunes a los ratones, gusanos, escarabajos y humanos a pesar de que algunas de estas especies son mucho más grandes que otras, y la manera que tienen de moverse es totalmente diferente. Por eso podemos concluir que estos cambios en el movimiento son inherentes a la falta de dopamina. Otros estudios ya habían demostrado que esta deficiencia afectaba al movimiento en todas estas especies, pero por primera vez sabemos cómo afecta.

Pero las implicaciones del estudio no acaban aquí. Ahora que conocemos este nuevo método, se podrán investigar otras enfermedades, para saber qué consecuencias comunes tienen en especies que sean muy diferentes. Una vez afianzado, se podría incluso aplicar a los estudios en animales sobre otras enfermedades para saber si son extrapolables a humanos o no.

Incluso más allá de la salud, el equipo investigador aventura que sus técnicas se pueden utilizar para conocer qué características tienen en común las maneras de conducir de los taxistas más eficaces en diferentes ciudades, o las maneras de moverse por los centros de logística que comparten los trabajadores más productivos. Así se podría entrenar a otros trabajadores para aumentar su rendimiento.

Estas son solo las aplicaciones más directas que podemos adivinar a día de hoy. Pero podría haber muchísimas más ramificaciones y en el futuro se podrían descubrir infinidad de situaciones en las que esta nueva técnica de aprendizaje automático podrían ser de utilidad. Tres “podrías” en una misma oración, seña inconfundible de investigación básica: un gran potencial aún por descubrir.

QUE NO TE LA CUELEN:

• El aprendizaje automático no es la solución para todos tus problemas. Los algoritmos dependen del tipo de datos que quieran tratar (si son garabatos, currículums o secuencias de ADN) y de la clasificación que se quiera hacer con ellos. Estudiar los efectos de otras enfermedades como proponen en este estudio requerirá diseñar nuevos algoritmos. Por supuesto, el conocimiento desarrollado en esta investigación servirá para saber cómo diseñarlos, pero no será algo inmediato y tardaremos en ver los resultados.

REFERENCIAS (MLA):

• Maekawa, Takuya et al. “Cross-Species Behavior Analysis With Attention-Based Domain-Adversarial Deep Neural Networks”. Nature Communications, vol 12, no. 1, 2021. Springer Science And Business Media LLC, doi:10.1038/s41467-021-25636-x