Esta nueva herramienta estadística, desarrollada a la URV, permite identificar qué neuronas son equivalentes entre cerebros diferentes. El método es aplicable también a redes de correo electrónico o de interacciones entre proteínas
Comparar cerebros para entender cómo se conectan las neuronas y cómo estas conexiones pueden variar entre especies o individuos es uno de los grandes retos de la neurociencia. Ahora, un equipo investigador del Departamento de Ingeniería Química de la Universitat Rovira i Virgili (URV) ha desarrollado un modelo probabilístico que permite alinear a la vez diferentes redes complejas para encontrar patrones comunes. Este método, que se ha publicado en la revista científica Nature Communications no solo mejora sustancialmente los métodos actuales, sino que significa una revolución en la manera de encarar el problema que permitirá en un futuro próximo alinear redes de centenares de miles de neuronas de una manera eficaz, cosa que ahora mismo no es posible de forma automática.
Este método parte de una idea sencilla, pero biológicamente plausible: asume que todas las redes que se quieren alinear son copias con errores de una misma estructura subyacente -como un tipo de plano o blueprint-, y lo que hace es reconstruir este patrón común a partir de las observaciones disponibles; es decir, asume que todos los conectomas -los mapas de conexiones neuronales dentro del cerebro- son copias con error de un mismo patrón de conexiones subyacente. Esto permite no solo alinear las redes, sino también estimar la probabilidad de que cada nodo (que podría ser una neurona o un usuario) en una red corresponda a un nodo determinado en las otras.
“Nuestra motivación principal era poder comparar conectomas. Pero para compararlos primero hay que saber qué neuronas son equivalentes en cada cerebro”, explica Marta Sales-Pardo, investigadora del Departamento de Ingeniería Química involucrada en la investigación. Esta tarea es especialmente compleja cuando se trata de cerebros diferentes -de individuos o, incluso, de especies diferentes- y cuando no se dispone de información contextual clara sobre cada neurona.
El método lo han validado con datos reales de conectomas del gusano C. Elegans en diferentes estadios de desarrollo, de la larva de la Drosophila melanogaster (conocida como mosca del vinagre) y también con redes sociales de comunicación por correo electrónico. En los tres casos su técnica ha demostrado una precisión muy superior a los métodos que existen hasta ahora. “Hemos podido alinear hasta diez redes a la vez y lo hemos hecho mejor que cualquier otra herramienta conocida hasta ahora”, indica Roger Guimerà, profesor ICREA del mismo departamento.
Además de aumentar la precisión, el enfoque probabilístico ofrece una ventaja fundamental: hace explícitas las hipótesis sobre cómo se generan los datos. Esto permite adaptar el modelo a diferentes tipos de redes, añadir información contextual como las categorías de los nodos (por ejemplo, el tipo de neurona) e interpretar mejor los resultados. «Con este método, no solo buscamos la mejor alineación posible, sino que estimamos la probabilidad que cada correspondencia sea correcta, cosa que es clave para hacer deducciones fiables», añaden.
A pesar de que el trabajo se enmarca en el contexto de la neurociencia, el método es aplicable en cualquier red en que se puedan buscar patrones de equivalencia. El equipo lo han probado también con redes de correos electrónicos: “Partíamos del conocimiento de quién era cada usuario y esto nos ha permitido validar que el método encontraba correctamente quién es quien a través de las conexiones”, explica Teresa Lázaro, que también hace investigación al Departamento de Ingeniería Química de la URV. También podría aplicarse a redes de interacciones entre proteínas, útiles para identificar funciones desconocidas en organismos nuevos o patógenos, o para detectar patrones sospechosos en redes financieras o de seguridad.
Los resultados de la investigación abren una puerta prometedora, puesto que “permiten comparar redes de forma microscópica, mucho más allá de los indicadores generales que se usaban hasta ahora”, concluyen.
Referència bibliogràfica: Lázaro, T., Guimerà, R., & Sales-Pardo, M. (2025). Probabilistic alignment of multiple networks. Nature Communications, 16, Article 3949. https://doi.org/10.1038/s41467-025-59077-7
