Un abordaje epistemológico de la integración neurocientífica

Un abordaje epistemológico de la integración neurocientífica El caso de los estudios EEG / RMf A. Nicolás Venturelli Instituto de Humanidades UNC / CONICET Abstract En el trabajo introduzco la noción de integración científica y analizo su aplicación al campo de las neurociencias cognitivas contemporáneas. Luego de una caracterización del estado fragmentario que este campo muestra, presento algunos de los principales desarrollos filosóficos en torno de la idea de integración. A este respecto, delimito un concepto específico particularmente adecuado para el caso de las neurociencias cognitivas y en función de aquellos de sus rasgos destacados previamente. Detallo finalmente un conjunto de prácticas experimentales recientes que ejemplifican el concepto delimitado. En particular abordo algunas líneas de investigación centradas en el estudio conjunto del electroencefalograma y de la resonancia magnética funcional. Palabras clave: Integración científica, neurociencias cognitivas, resonancia magnética funcional, electroencefalograma, neuroimágenes. 1. Introducción No es una novedad afirmar que las neurociencias cognitivas (NC) constituyen uno de los campos científicos de mayor crecimiento de las últimas décadas. Mientras sin dudas esto es de por sí un hecho positivo, por otro lado la proliferación de líneas de trabajo muy heterogéneas y asentadas sobre supuestos encontrados vuelve difícil un acercamiento epistemológico a este campo. En particular, una mirada cercana a las prácticas científicas encontrará dificultades a la hora de ofrecer caracterizaciones y evaluaciones filosóficamente motivadas de algún aspecto de las mismas. La historia reciente de la filosofía de la ciencia ofrece un número de herramientas conceptuales para hacer esto. Es fundamental sin embargo evaluar la medida en que estas pueden ser aplicadas a un sector joven, muy dinámico y de crecimiento acelerado como es el caso que aquí me ocupa. En este trabajo me propongo ponderar para un sector de la investigación neurocientífica contemporánea el alcance de la noción de integración científica, en particular a los fines de abordar el tipo de relaciones que se dan entre áreas diferentes de investigación y sus prácticas asociadas. Pretendo a la vez contribuir a una evaluación del aporte relativo de los modelos a la integración entre diferentes aspectos de la investigación neurocientífica; estos son aspectos generales que comprenden la adopción de las técnicas de neuroimagen e inspección del cerebro, la elaboración de los diseños experimentales, y el tratamiento y la interpretación de los datos obtenidos. En función de la recomendación antes adelantada, se hace especial hincapié sobre el rol idiosincrático de los modelos en las NC y sobre otros rasgos característicos como la superabundancia y alta diversidad de los datos experimentales, el estatus provisional de las teorías, la complejidad de los sistemas experimentales y el marcado carácter exploratorio de la investigación. Luego de una caracterización del estado fragmentario que hoy manifiestan las NC, presento algunos de los principales desarrollos filosóficos en torno de la idea de integración científica. A este respecto, delimito un concepto específico particularmente

 

1

adecuado para el sector de interés y en función de aquellos de sus rasgos destacados previamente. Detallo a continuación un conjunto de prácticas experimentales recientes que ejemplifican el concepto delimitado. Abordo en particular algunas líneas de investigación centradas en el estudio conjunto del electroencefalograma y de la resonancia magnética funcional. Destaco finalmente la importancia y aplicabilidad de la noción de integración para examinar interacciones complejas entre diferentes prácticas en las NC actuales. 2. Una semblanza de las NC contemporáneas Por más que las caracterizaciones generales del tipo de las que se dan a continuación pueden pecar de imprecisas o parciales, un modo de minimizar este riesgo es el de tomar aquellos aspectos del desarrollo de la disciplina que tengan un consenso amplio en las comunidades relevantes. Tomo en cuenta, además, un número reducido de estos aspectos, que en conjunto ofrecen una aproximación a las NC que evidencia algunos de sus rasgos idiosincráticos, esto es, que la tipifican como sector particular de la investigación científica. En primer lugar, una pregunta general que puede hacerse tiene que ver con la delimitación del campo. A menudo se utiliza la noción de NC para hacer referencia a un área vasta y diversa que comprende cualquier sector de la investigación neurocientífica que aborda fenómenos y categorías tradicionalmente asociados con la investigación psicológica (por ejemplo, Hardcastle 2007, y Bechtel 2008), especialmente aquella más cercana a la metodología de trabajo y los objetivos teóricos de la psicología cognitiva. Esta impacta como una caracterización abarcadora y poco controvertida. Aun así, el reciente desarrollo y la creciente accesibilidad de diversas técnicas de neuroimagen funcional (ver, por ejemplo, Horwitz, Friston & Taylor 2000, y Bub 2000) –que posibilitan la exploración de cerebros humanos, vivos y en actividad–, ha incidido fuertemente sobre el campo, configurando un tipo distintivo de investigación centrado en la experimentación sobre procesos psicológicos básicos con sujetos humanos y el tratamiento estadístico de los datos arrojados en los estudios por neuroimágenes. Ahora bien, dentro de esta área así delimitada se encuentra una gran diversidad de abordajes y líneas de investigación. Los factores de cambio dentro de esta diversidad son muy variados: El recorte de los problemas y los niveles en los que se abordan (molecular, celular, de sistemas neuronales, conductual, etcétera), las herramientas experimentales y de observación adoptadas (nuevamente, con especial referencia a las diversas técnicas de neuroimagen cuyo uso ha crecido exponencialmente en los últimos años), los diferentes rangos asociados de precisión en los que los modelos pueden elaborarse y los experimentos pueden realizarse (ver, por ejemplo, Liljenström y Svedin 2005, y la distinción que hoy podríamos caracterizar como de grano grueso entre escalas microscópicas, mesoscópicas y macroscópicas en el estudio del cerebro), el punto relacionado concerniente al grado de dependencia respecto de los modelos computacionales (lo que comprende la reducción de datos y el manejo de artefactos experimentales a través de algoritmos especializados), el mismo formato de los aparatos explicativos elaborados (diversos tipos de modelos, aparatos matemáticos, simulaciones computacionales y elaboraciones teóricas), entre otros. Gerstner, Sprekeler y Deco (2012), preocupados por la fragmentación creciente que presentan las neurociencias, discuten dos criterios inclusivos que contemplan muchos de los puntos recién destacados y que están dirigidos a facilitar la clasificación de los diversos tipos de modelos neurocientíficos. Por un lado, presentan el criterio de “complejidad del modelo”, que tiene que ver con el nivel de detalle biológico que es incorporado en los modelos: Estos van desde modelos conceptuales simplificados

 

2

susceptibles de análisis matemático hasta modelos muy detallados que requieren de simulaciones computacionales para su estudio. Por otro lado, presentan el criterio de “dirección del abordaje”, esto es, la clásica distinción entre abordajes de tipo bottom-up o desde abajo hacia arriba y abordajes de tipo top-down o desde arriba hacia abajo: Estos comprenden respectivamente el tipo de trabajo que avanza desde escalas microscópicas hasta escalas macroscópicas de la estructura y función del cerebro, y la investigación que va desde funciones delimitadas sobre la base de tareas conductuales hacia propiedades de los componentes estructurales subyacentes a las mismas y sus operaciones. Si bien se trata de criterios muy amplios, ayudan a dar una idea de la variedad y diversidad que presentan las NC contemporáneas. Pueden darse algunos ejemplos de abordajes ubicados en puntos muy diferentes de un espectro delimitado por los criterios de Gerstner et al (2012). Un caso muy desarrollado es el de los programas que giran en torno del concepto de “codificación neuronal” (neural coding): Estos programas, en general centrados en el registro de la actividad extracelular de neuronas aisladas, han evolucionado desde el estudio limitado a la tasa de disparo (el número promedio de los picos de los potenciales de acción por unidad de tiempo) de las neuronas y hoy dependen fuertemente de métodos computacionales para extraer información sobre las propiedades computacionales de neuronas individuales (ver, por ejemplo, Koch & Segev 2000) o a partir del análisis de grupos neuronales en la llamada codificación de población (ver, por ejemplo, Quian Quiroga & Panzeri 2009). Un caso muy alejado de este es la búsqueda de patrones espacio-temporales a gran escala (esto es, mesoscópicos y macroscópicos) en las dinámicas neuronales, alimentado tanto por técnicas en dinámica no lineal (ver, por ejemplo, Abarbanel & Rabinovich 2001) para el estudio del comportamiento de los modelos como por técnicas de detección de la actividad de conjuntos de neuronas, como puede ser el caso del electroencefalograma. Otra faceta de la situación retratada es el alto, aunque a menudo dificultoso, grado de intercambio entre comunidades científicas diferentes. Esto acarrea algunas dificultades para el desarrollo de la disciplina, como por ejemplo la incompatibilidad entre los lenguajes adoptados, la dificultad para interpretar la enorme cantidad de datos experimentales acumulados y la presencia de supuestos encontrados que condicionan los métodos de obtención y análisis de estos datos. En términos generales, ha sido remarcada (por ejemplo, McCollum 2000) una relación conflictiva entre comunidades dedicadas preponderantemente al modelado computacional (matemáticos, físicos, ingenieros) y comunidades dedicadas a la experimentación (biólogos, químicos, fisiólogos, psicólogos). A esto se suma que, más allá del carácter marcadamente interdisciplinario del trabajo, los métodos en uso tanto para el manejo de los dispositivos experimentales como para el tratamiento y análisis de los datos así como también para el desarrollo de las simulaciones son alta y crecientemente especializados y requieren de entrenamiento intensivo por parte de los investigadores. Cabe sentar algunos puntos generales en torno al costado experimental de esto. En primer lugar, como es hoy común para buena parte de las ciencias de la vida, la mayoría de las técnicas experimentales de uso difundido en las NC se caracterizan por ser masivas o de high-throughput (Elgar 2002), esto es, que arrojan grandes cantidades de datos y necesitan ser acompañadas por sofisticados abordajes para su análisis estadístico. Sin dejar de subrayar las enormes diferencias entre los diseños experimentales y el tratamiento de los datos dentro de cada técnica, cabe remarcar además la alta diversidad existente entre ellas. Técnicas comunes como la tomografía por emisión de positrones, la resonancia magnética funcional, el electroencefalograma, el magnetoencefalograma, la estimulación magnética transcraneana, la espectroscopia

 

3

de infrarrojo cercano, entre otras, se asientan sobre principios físicos muy variados y ofrecen un acercamiento más o menos indirecto a aspectos muy distintos de la actividad neuronal, como pueden ser diferencias en el flujo sanguíneo o en la oxigenación sanguínea de ciertas regiones cerebrales, propiedades eléctricas y magnéticas de la actividad dendrítica sincrónica de grupos de neuronas piramidales (la medición del llamado potencial de campo local), el efecto de la inactivación transitoria de un grupo de neuronas corticales sobre el comportamiento, y así a continuación. Esto denota en consecuencia una diversidad altísima de los datos obtenidos. Se suma finalmente a esto una acelerada dinámica de desarrollo tanto de los diseños experimentales como, especialmente, de los abordajes analíticos, como por ejemplo el desarrollo de algoritmos para reducir fuentes de ruido, y el desarrollo continuado de nuevas técnicas, como puede ser el caso de los avances en resonancia magnética con imágenes por tensor de difusión. En lo que hace al costado teórico de este panorama, existe un acuerdo generalizado sobre el estatus de las teorías neurocientíficas. Puede afirmarse que un campo joven como el de las NC no está organizado en torno a cuerpos teóricos sólidos o de amplia aceptación en las comunidades científicas relevantes. La filósofa Valerie Hardcastle, por ejemplo, ha elaborado una de las pocas posiciones sistemáticas en torno de este punto. En una serie de artículos (Hardcastle & Stewart 2001, Hardcastle 2007) plantea la idea de que, más que teorías que articulen la disciplina, en las NC existen principios teóricos generales usados como guías para la búsqueda experimental, principios a los que se anexan descripciones detalladas de cómo estos se aplican dentro de los paradigmas experimentales particulares en función de las diversas tareas y modelos (animales) bajo estudio. Estos principios –como por ejemplo que dos o más sistemas sensoriales se superpongan o el principio de codificación eficiente por el cual dichos sistemas utilizarían un mínimo de actividad para transmitir información sobre los estímulos–, a la vez fueron propuestos a raíz de resultados experimentales obtenidos a partir de protocolos y modelos animales específicos. Aunque el foco de Hardcastle está puesto sobre el uso de modelos animales, algo que no voy a considerar en lo que sigue del trabajo, la idea global se sostiene respecto del rol y el tipo de aparatos teóricos comunes en los diferentes sectores de las NC: “[G]rupos de principios teóricos relacionados que conjuntamente conforman un marco teórico general” (Hardcastle & Stewart 2001: 42)1. Estos alimentan y son alimentados por los experimentos y los datos experimentales resultantes, caracterizados en contraste por su alto grado de detalle, teniendo en cuenta la diversidad de abordajes previamente resaltada. Además, la idea de que el campo no se encuentra dominado por una construcción teórica fuerte es compartida por un número de neurocientíficos, de diferente modo. Uno de los casos más explícitos es el de Churchland & Sejnowski (1992), quienes definían las NC en sus etapas tempranas como un área rica en datos pero pobre en cuanto refiere a la teoría. Marder, Kopell y Sigvardt (1997) y Stevens (2000) por su parte subrayan el rol idiosincrático de los modelos teóricos marcado por el estatus de las teorías en las NC. Stevens (2000) llega a afirmar que no logra “pensar en siquiera una teoría que haya hecho una contribución realmente significativa a la neurobiología” (Stevens 2000: 1177). Las teorías neurocientíficas se ven fundamentalmente como proveyendo principios para guiar la elaboración de modelos (rol subrayado también por Gerstner et al 2012, en especial atendiendo al caso de las simulaciones computacionales) y para guiar la actividad experimental o incluso como “filtros iniciales para las ideas previas a una investigación experimental” (Abbott 2008: 489). No se sostiene tanto, en este sentido, la visión de la pregunta experimental dirigida a contrastar algún aspecto de una teoría estructurada, sino que aquella ostenta más bien

 

4

un marcado carácter exploratorio (sobre este punto ver Venturelli 2015, para un tratamiento detallado). 3. Modalidades de la integración científica Desde una perspectiva epistemológica es posible abordar la diversidad de las prácticas científicas que alimentan las NC. Generalmente, la tradición en filosofía de la ciencia ha concebido las interacciones inter-área e interdisciplinares en términos de reducción y unificación. Esto ha sido especialmente así en la filosofía de las neurociencias (por ejemplo, Bickle 2003, Weber 2004, Bechtel 2007), que, puede afirmarse, ha seguido dos líneas principales de pensamiento que en una gran medida han dominado y siguen dominando la reflexión filosófica. En primer lugar, la problematización en torno de las relaciones entre, por un lado, las capacidades cognitivas descritas por la psicología experimental y la psicolingüística y, por otro, las bases neuronales subyacentes. En segundo lugar, la discusión, que se disparó a partir del año 2000 con la publicación del artículo de Machamer, Darden y Craver sobre el concepto de mecanismo en las ciencias biológicas, en torno del tipo de explicación pasible de ser obtenida en las NC, con un particular foco sobre los diferentes niveles de descripción de los sistemas neuronales de interés. Ambos debates están en el fondo atravesados por el problema de la reducción: En el primer caso, en términos de qué tipo de heurísticas y estrategias de búsqueda se trazan desde la caracterización de fenómenos cognitivos a través de medios comportamentales hacia la correspondiente investigación de sus bases neuronales y, en el segundo caso, en términos de la plausibilidad y el formato de clases legítimas de explicación científica asequibles en las NC por encima de la identificación y descripción de las estructuras causales relevantes de los fenómenos cognitivos. A veces, ambos aspectos se solapan y entrecruzan (como por ejemplo es el caso de Glennan 2002). Más allá de que se trata de debates importantes y que han ido determinando el desarrollo actual de la filosofía de las neurociencias, creo que pueden abrirse otras aristas de relevancia epistemológica para sondear y elucidar diversos aspectos del conflicto y la concordancia existentes en la interacción entre actividades científicas diferentes asociadas a diferentes comunidades. Esto, como veremos, es especialmente así considerando el contexto fragmentario que he retratado arriba, y que en ocasiones no logra ser reflejado dentro de los términos de los debates centrados en el concepto de reducción. En los últimos años, en el seno de la biología de sistemas ha crecido una tendencia que gira en torno del concepto de integración científica. En particular, este concepto ha sido reivindicado también por parte de un grupo de epistemólogos –por ejemplo, Mitchell & Dietrich 2006, Brigandt 2010, O’Malley & Soyer 2012, y la edición especial de 2013 de la revista Studies in History and Philosophy of Biological and Biomedical Sciences dedicada al tema de la integración en biología–: “La integración […] se ha convertido en algo que sucede no sólo ocasional o accidentalmente, sino en una actividad a la que debe apuntarse sistemáticamente y que debe ser consistentemente obtenida” (O’Malley & Soyer 2012: 66). La principal, aunque no exclusiva, motivación para esto ha sido inaugurar un modo de superar la tensión entre el reduccionismo y el pluralismo como respuestas globales al problema de la explicación científica en las ciencias biológicas. Ahora, la sugerencia que quiero fundamentar aquí es que el concepto en cuestión, una vez elaborado y adaptado, puede ser aplicado de modo muy fructífero al estado contemporáneo de las NC, y más allá del problema puntual de la explicación: Ofrece un camino para enriquecer la mirada

 

5

estrecha que los epistemólogos interesados en este campo han mantenido frente a la diversidad que lo caracteriza. A continuación, mostraré brevemente cómo se introdujo la integración al debate epistemológico a la vez que delinearé el concepto en función de su posible aplicación a las NC. El tratamiento filosófico de la noción de integración científica fue inaugurado por Lindley Darden y Nancy Maull en un artículo de 1977. Estas filósofas introducen la noción de integración en el contexto de su propuesta de las “teorías inter-campo” o “inter-field theories”, que es también el título del artículo en cuestión (Darden & Maull 1977). Allí intentan recuperar un tipo específico de teoría científica, que hasta ese momento había sido olvidado o poco comprendido por la comunidad filosófica. La idea central es la de una generación de puentes entre distintas áreas disciplinares: Dos áreas o campos científicos diferentes pueden ser unificados por una teoría inter-campo que conecta entidades o procesos estudiados por ambos. Una teoría de esta clase responde típicamente a preguntas que ponen en relación dos campos diferenciados y para cuya respuesta los recursos (esto es, las técnicas y los conceptos) de uno solo de ellos resultan insuficientes. Los campos científicos son el foco de interés propuesto. Algunos de los campos que Darden y Maull consideran son la citología, la genética y la bioquímica. Un campo se caracteriza por los siguientes elementos: “Un problema central, un dominio compuesto por ítems asumidos como hechos asociados al problema, factores y objetivos explicativos generales que proveen expectativas sobre cómo resolverlo, técnicas y métodos, y, a veces, pero no siempre, conceptos, leyes y teorías asociados al problema y que intentan satisfacer los objetivos explicativos” (Darden & Maull 1977: 44; Mi subrayado). Constituye así una noción más abarcadora que la de “teoría” y que no la comprende necesariamente. Además, un campo se individúa a través de su estructura conceptual, dejando en un segundo lugar sus aspectos sociológicos. Darden y Maull abrían de este modo una vertiente de la reflexión epistemológica que se reconocía como innovadora. Por un lado, conformaba una vertiente que intentaba explícitamente oponerse a lo que ya en ese momento se veía como un fuerte dominio de la reducción como unidad privilegiada de análisis de las relaciones entre teorías y entre ramas de la ciencia. Por otro lado, la noción de “campo”, tradicionalmente descuidada en la filosofía de la ciencia (cfr., Darden & Maull 1977: 60), parecía aportar aire nuevo a la discusión filosófica tradicionalmente instalada en las teorías científicas, como unidad de análisis privilegiada, y en las relaciones entre ellas: Tanto es así que, de acuerdo con las autoras, las mismas ramas y campos científicos se tendían a concebir en términos de teorías. Ambos puntos son positivos de cara a la reflexión sobre las NC, ya que, por un lado, también allí la reducción ha ocupado un rol central entre los epistemólogos y, por otro lado, el concepto de campo tal como es delimitado parece muy fértil para el caso de ciencias jóvenes. Aun así, cabe subrayar que el objetivo final de las autoras es individuar un grupo de teorías particulares, justamente en tanto fruto de la integración de dos campos previamente independientes: Los casos analizados son la teoría cromosómica de la herencia mendeliana, que ponía en contacto los campos de la genética y de la citología, la teoría del operón, que conectaba la genética y la bioquímica, y la teoría de la regulación alostérica, que conectaba la bioquímica y la fisicoquímica. En parte como un intento de salirse de este objetivo último, Grantham (2004) avanza una propuesta novedosa sobre la base del aporte de Darden & Maull (1977), centrada en la noción de “interconexión”. En este caso, el autor reflexiona sobre la integración científica, haciendo el intento de ir más allá de un foco sobre las teorías que protagonizan la vinculación entre áreas científicas. A la vez, sigue la línea de las autoras al intentar

 

6

pensar en la unificación entre campos más allá de la relación de reducción (vale aclarar que el concepto de unificación es tratado por Grantham casi como sinónimo del de integración). Si bien la propuesta de Grantham en torno del concepto de interconexión pretende superar la idea de teorías inter-campo (así como otras formas de unidad sin reducción, como aquellas propuestas por Kitcher y Kincaid), la misma hereda del trabajo de 1977 el foco sobre los campos científicos. Este es un punto central ya que le brinda una mayor riqueza y flexibilidad, en la medida en que no se restringe a los componentes teóricos que caracterizan un área sino que comprende componentes no teóricos, como heurísticas y métodos que intervienen en diversos aspectos de la investigación. Entre las ventajas que esto tendría, Grantham señala, por un lado, que la noción es más básica que la de reducción, en tanto que esta constituye una forma, entre otras, de interconexión científica. Por otro lado, señala que de este modo se conceptualiza la unificación científica como una cuestión de grado, a diferencia de la relación de reducción que o bien se da o bien no se da. Ahora, a pesar de esto, el autor sigue denunciando un descuido, por parte de sus predecesores, de los aspectos prácticos (no teóricos) de las formas de unificación no reductiva. Para mis objetivos, la propuesta de Grantham es superadora respecto de Darden y Maull (1977), especialmente si tomamos el punto desarrollado arriba sobre el estatus de las teorías en las NC. En el caso de las autoras, más allá del foco sobre áreas o campos, son las relaciones teóricas entre ellos que aportan integración. De acuerdo con Darden y Maull, para que haya integración entre campos es necesaria la formulación de una teoría cuya función específica sea la de conectar elementos entre aquellos. Este punto es explicitado por el mismo Grantham: “…[A]unque la unificación práctica requiere de cierta unidad conceptual, a menudo constituye un logro importante por encima de las conexiones conceptuales iniciales” (Grantham 2004: 141). Esto, como veremos en el cuarto apartado, es especialmente válido para el caso de las NC. El autor, por su parte, reconoce el rol relevante de la unificación en lo que hace a los aspectos prácticos que caracterizan dos o más campos relacionados. Hace para esto una distinción entre interconexiones teóricas e interconexiones prácticas. Entre estas últimas, distingue a la vez tres modos en que pueden darse (cfr., Grantham 2004: 143144): a) Dependencia heurística, en la que las teorías y / o métodos propios de un campo pueden guiar la generación de nuevas hipótesis en otro campo; b) Dependencia confirmacional, en la que los métodos y / o datos en un campo pueden ser usados para confirmar hipótesis generadas en otro campo; c) Integración metodológica, en la que se desarrollan métodos para evaluar una hipótesis a la luz de datos provenientes de campos diferentes. Veremos más adelante que en algunos sectores de las NC pueden detectarse casos afines tanto a a) como a c). Otro aspecto interesante del planteo de Grantham es que defiende la independencia (no total, pero predominante) entre ambos grupos de interconexiones, teóricas y prácticas. De hecho, en ninguno de los modos mencionados de interconexión práctica el papel de las teorías es necesario o fundamental: Una tesis que el autor ejemplifica con un caso de integración metodológica que concierne el rol de los datos paleontológicos en la reconstrucción filogenética. Como también veremos, este es un punto de especial importancia para una aplicación a las NC: Específicamente, la posibilidad que se abre es la de tener un alto grado de unificación práctica (aunque, en mi tratamiento posterior, voy a preferir la noción de integración en lugar de la de unidad) a pesar de un grado desdeñable de unificación teórica, como el que he sostenido puede atribuirse al caso de interés.

 

7

Una última contribución filosófica que especifica aun más el concepto de integración científica en una dirección propicia para su aplicación a las NC es la de O’Malley y Soyer (2012). Estos autores se centran en el caso de la biología molecular de sistemas, como un campo disciplinar privilegiado para estudiar algunas de las diferentes dimensiones y de los diferentes roles que ocupa la integración en la investigación reciente. De hecho, la biología de sistemas en general adopta como un objetivo de gran alcance a la integración, concebida en los siguientes términos: “[El desarrollo] de interpretaciones y manipulaciones en multinivel de bases de datos mediante el abordaje de diferentes niveles de preguntas, desde diferentes marcos explicativos, a través de una gama de métodos” (O’Malley & Soyer 2012: 59). La motivación filosófica o conceptual detrás de esto no es ya un viraje desde el tema recurrente de la reducción interteórica, sino la superación de la distinción común entre ciencia guiada por hipótesis (hypothesis-driven) y ciencia guiada por los datos (datadriven), una distinción que según los autores no logra hacer justicia a la dinámica de las prácticas científicas y el desarrollo de programas de investigación en ciertos sectores. Desde ya cabe afirmar que se trata de una motivación más que justificada si se tiene en cuenta el panorama que tracé en el anterior apartado. El aporte central para el concepto que me ocupa aquí es una distinción entre tres tipos de integración: Integración de datos, integración explicativa e integración metodológica. El primero y el último caso son ricos para las NC. La integración de datos consiste en el desarrollo de procedimientos para volver comparables y analizables data sets obtenidos a partir de fuentes independientes y potencialmente inconsistentes. Si bien más adelante voy a ilustrar esto en detalle, cabe subrayar la ya mencionada superabundancia y alta diversidad de los datos experimentales obtenidos en gran parte de las NC contemporáneas. El segundo caso de integración se da en términos de teorías y modelos explicativos, aunque los autores la entienden como una actividad no independiente respecto de las demás –esto contrariamente al tratamiento que de este concepto parece hacer Craver 2005, analizado enteramente en términos de explicación científica y, en particular, de tipo mecanicista–. Para las NC, su papel aquí puede ser menor, en función, nuevamente, del estatus de las teorías y, también, de la complejidad típica de los sistemas experimentales (Rheinberger 1997). Este punto también será ilustrado en el siguiente apartado, donde presentaré un número de actividades llevadas adelante en función de la integración, sin estar enmarcadas en esfuerzos explicativos claros. Finalmente, la integración metodológica se entiende como la combinación de métodos, y a veces metodologías generales, para abordar un problema particular. También este conjunto de prácticas será ejemplificado a continuación para mostrar su vigencia en las NC. O’Malley y Soyer puntualizan además que este último tipo de búsqueda no tiende a ser guiada por hipótesis específicas, sino por una determinación general de explorar un área de investigación o un fenómeno biológico particular. Afirman: “La integración metodológica en este sentido amplio puede ser a veces guiada por métodos o técnicas, en tanto que la mera disponibilidad de un método o una tecnología inspira su aplicación a un nuevo dominio de fenómenos o a un nuevo problema al que otros métodos han sido previamente aplicados” (O’Malley & Soyer 2012: 60). Este es uno de los puntos más elocuentes para mis intereses, debido al marcado carácter exploratorio de la experimentación neurocientífica (Venturelli 2015) que se condice con la caracterización que hacen los autores de esta modalidad de integración. Es importante notar cómo la unidad de análisis ha cambiado en el caso de esta última etapa en la caracterización de la integración científica. O’Malley y Soyer (2012)

 

8

trabajan la integración ya despojados de una mirada general sobre grandes sectores de la investigación científica (como en los casos de Darden y Maull, y de Grantham), y, en su lugar, con un foco más fino sobre las prácticas y actividades que exhibe un campo científico y, dentro de él, las diferentes áreas distintivas que lo componen. Esta ampliación del foco es la que podrá detectarse en las NC, nutridas, como mostré arriba, de líneas experimentales separadas y abordajes distintivos para el modelado, que constituyen la base de áreas diferentes y relativamente independientes entre sí. Estas conforman entonces, no tanto campos en el sentido de Darden y Maull (1977), sino áreas neurocientíficas, constituidas en función del tipo de preguntas formuladas, los fenómenos típicos de interés, el tipo de propiedades neuronales estudiadas, las técnicas experimentales seleccionadas, el peso y rol de los abordajes analíticos y los métodos computacionales aplicados a los datos, etcétera. Pero pasemos ahora a mirar el sector neurocientífico de interés y algunas facetas de cómo allí se manifiesta el concepto presentado hasta el momento. Me centraré para esto en el uso de dos conocidas y muy difundidas técnicas experimentales: El electroencefalograma (en adelante, EEG) y la resonancia magnética funcional (en adelante, RMf) orientados al estudio de fenómenos psicológicos básicos. 4. Integración y neurociencias: El caso RMf / EEG La integración, como un conjunto de prácticas dentro de las NC contemporáneas, ha tomado entidad hace un par de décadas y un fuerte ímpetu en los últimos años. Puede decirse que constituye una tendencia reciente (Stewart & Walsh 2006, Gazzaniga et al 2009, Aminoff et al 2009, Cooper & Shallice 2010, entre otros) que ha superado la etapa de una mera declaración de intenciones ante la persistente dispersión de áreas y abordajes. Si bien en la literatura de revisión se ha hecho sobre todo foco en la diversidad de grandes sectores de trabajo como pueden ser las variantes teóricas, computacionales y comportamentales de las NC, la integración neurocientífica centrada en técnicas experimentales se ha convertido en una línea de investigación en sí misma, con una gran capacidad de trabajo. Menciono a continuación algunos ejemplos de esto, todos casos de lo que siguiendo a Grantham (2004) denominaríamos interconexión práctica y que siguiendo O’Malley y Soyer (2012) podríamos ubicar en las categorías de integración metodológica y de integración de datos. Dentro de la primera de estas categorías, pueden mencionarse los estudios combinados de intervención y neuroimagen, como por ejemplo la estimulación magnética transcraneana (que induce una interrupción breve de la actividad neuronal normal) combinada con la tomografía por emisión de positrones (Walsh & Cowey 2000). Dentro de la segunda categoría, existen diferentes abordajes para el análisis de datos multimodales y obtenidos a partir de fuentes diversas (Valdes-Sosa et al 2009, Rosa, Daunizeau & Friston 2010). Pueden mencionarse también, como casos híbridos, un número de estudios que apuntan a la generación y la recolección simultánea de datos a través de distintas técnicas, que detectan propiedades diferentes del sistema bajo estudio y están asentadas sobre principios físicos diferentes. Ejemplos de esto son el registro simultáneo mediante RMf por un lado y espectroscopia de infrarrojo cercano por otro, para estudiar comparativamente los cambios hemodinámicos (Strangman et al 2002), y el registro simultáneo de EEG y RMf en contextos de experimentos cognitivos clásicos (Herrmann & Debener 2008), sobre el que ampliaré más adelante. En todos los casos, se trata de abordajes experimentales que se plantean como objetivo el acercamiento de áreas y líneas de trabajo previamente alejados. Esta tendencia y esta situación reciente en las NC no ha sin embargo captado la atención de los epistemólogos y en consecuencia no se vio reflejada en los debates

 

9

filosóficos asociados al sector. Como manifestaba más arriba, estos están en gran parte instalados en la problemática de la explicación científica, en la que se aviva la cuestión de la reducción, y en problemas planteados en términos de niveles psicológicos y neurocientíficos de investigación. De hecho, las excepciones existentes de trabajos que han tomado la integración neurocientífica como problema de relevancia epistemológica están enmarcados en planteos de este tipo. Bechtel (2002) analiza el uso de diferentes técnicas para abordar las mismas preguntas científicas desde la perspectiva del rédito epistémico obtenido, esto es, la obtención de información complementaria sobre el fenómeno de interés. En particular, el interés recae sobre el conocido problema de conectar procesos cognitivos específicos con el sustrato neuronal responsable de los mismos: “En las neurociencias cognitivas, donde un objetivo principal es el de relacionar las estructuras neuronales con las operaciones cognitivas, ninguna técnica aislada puede revelar qué operación cognitiva desempeña una determinada área, pero integrar los resultados desde múltiples técnicas puede brindar una comprensión mucho mejor” (Bechtel 2002: 49). La contribución ya mencionada de Craver (2005), por otra parte, utiliza el concepto de integración en el contexto de un planteo limitado a determinar el alcance y la naturaleza del modelo mecanicista de la explicación en las NC: Los aspectos analizados que hacen a la integración se miran en función de su aporte para la explicación científica. Los trabajos mencionados, además, siguen siendo casos aislados. Volviendo a los dos criterios propuestos por Gerstner et al (2012), puede afirmarse que la atención de los filósofos ha gravitado en torno del segundo criterio, la dirección del abordaje, especialmente en concomitancia con el auge reciente del problema de la explicación en NC. Lo que sostengo es que una mayor atención dirigida sobre los diferentes aspectos y las modalidades que toma la integración neurocientífica puede enriquecer enormemente la reflexión filosófica en torno de las prácticas experimentales y de modelado, sus interrelaciones, así como el desarrollo de líneas de investigación en este sector: Por un lado, haciendo foco sobre la complejidad y el grado de detalle que los modelos incorporan en función de los resultados experimentales y a raíz de ellos (esto es, el segundo criterio de Gerstner y colaboradores) y, por otro lado, colaborando a individuar los diferentes roles que desempeñan los modelos en la experimentación neurocientífica. Para ilustrar la riqueza aludida, me concentraré en un caso particular de integración metodológica en las NC. El caso de los abordajes unificados entre el EEG y la RMf muestra el interés de esta perspectiva más allá del planteo clásico de “niveles” y los avatares de la explicación científica. Los estudios RMf / EEG representan un área extensa (ver Herrmann & Debener 2008, Wagner 2009, Rosa et al 2010 y Huster et al 2012, para algunas revisiones) que comprende formas de la integración metodológica y de datos en las NC. Acá voy a tomar en consideración tanto el registro y obtención simultáneos de datos de la RMf y del EEG así como el análisis conjunto de los datos obtenidos a través de una y otra técnica. Entiendo el primer caso como un tipo de integración metodológica, mientras el segundo corresponde a una forma de la integración de datos. Este conjunto de trabajos tiene su desarrollo inicial a partir de mediados de los años ‘00s,2 bajo el objetivo general de explorar y optimizar la combinación entre estas técnicas. En los últimos años, los abordajes dentro de los dos grupos distinguidos se han diversificado y sofisticado notablemente: Lo que intento hacer a continuación es presentar algunos de estos abordajes para que pueda dimensionarse algo de la diversidad y sofisticación de los estudios integrativos en las NC contemporáneas. En primer lugar, hay que subrayar que se trata de técnicas muy diferentes. De hecho, una de ellas es una técnica de neuroimagen, cuando la otra no lo es: Mientras el

 

10

EEG es un registro directo de la actividad eléctrica sincronizada de grupos de neuronas piramidales, que de este modo mantiene la misma escala temporal en milisegundos de la actividad neuronal, la RMf es una técnica de neuroimagen basada en la estimación del consumo energético de las neuronas, en función de la detección de diferencias en la oxigenación sanguínea que se encuentran en una escala temporal de varios segundos. En contrapartida, la resolución espacial de la RMf es alta, de menos de 1 mm, y no está limitada a la superficie de la corteza cerebral, sino que alcanza estructuras más profundas en el cerebro. Estas técnicas difieren entonces en el tipo de proceso detectado (electrofisiológico versus hemodinámico), en que en un caso la medición es directa mientras en el otro se trata de diferencias entre estados de actividad y de reposo, en el tipo de estructuras a las que se tiene acceso (en el caso del EEG se detecta casi exclusivamente la actividad del neocórtex), en la resolución tanto espacial como temporal, entre otros aspectos. En acuerdo con lo anterior, entre las motivaciones teóricas que impulsaron este conjunto de estudios, la principal es la complementación entre la mayor precisión espacial de la RMf y la mayor precisión temporal del EEG. A la vez, las técnicas electrofisiológicas como el EEG detectan actividad neuronal más débil y mayormente distribuida respecto de lo que permite la RMf: El denominado problema inverso del EEG es el problema de inferir la localización de las fuentes neuronales de señales tomadas desde fuera del cerebro, sobre el cuero cabelludo, considerando los efectos de la conducción volumétrica de la corteza y del líquido cerebroespinal y los efectos atenuantes del cráneo y del cuero cabelludo, entre otros. Por su parte, los mapas regionales que la RMf genera no permiten hacer inferencias sobre el momento preciso o la secuencia temporal en los que se dan las activaciones neuronales estimadas. De este modo, otra motivación importante es la de avanzar en la resolución de los respectivos problemas de estas técnicas respecto de la localización y la evolución temporal de los procesos bajo estudio: Para esto, los neurocientíficos inauguraron vías novedosas para el estudio de los generadores biológicos de lo que es detectado a través de una modalidad a partir de la información provista por la otra. Como adelanté, en el marco de los intentos para combinar las técnicas de RMf y EEG se pueden distinguir a grandes rasgos el análisis integrado de los datos arrojados por una y otra técnica, por un lado, y el registro simultáneo del EEG y la RMf, por otro. En este último caso, los principales desafíos fueron técnicos –en la medida en que la necesidad de usar materiales conductores para el EEG dentro de un resonador afecta la calidad de la señal detectada en ambos casos–, razón por la cual estos abordajes se popularizaron recién en los últimos años. El avance de técnicas para minimizar las interferencias mutuas entre ambas señales y los posibles artefactos debidos a su uso conjunto (incluyendo aquí también el desarrollo de algoritmos para el control y la eliminación de estos artefactos) ha sido fundamental para dar sustento al registro simultáneo EEG / RMf. Ahora, una de las mayores ventajas de la adquisición simultánea de datos a partir de las dos modalidades es que el registro está constreñido por un diseño experimental de base que facilita el subsiguiente cotejo e interpretación de los resultados obtenidos: La conducción conjunta de un único diseño bajo un mismo protocolo experimental funciona así como marco para el estudio optimizado de los datos. La utilización de potenciales evocados es en este sentido una variante importante para el uso simultáneo de ambas técnicas ya que en este caso se registran las respuestas del EEG ante estímulos específicos, que pueden ser coordinados con los patrones de estimulación usados para generar los contrastes en la oxigenación sanguínea (esto es, en el consumo energético) estimados en la RMf. Además, el registro simultáneo EEG / RMf minimiza una serie de

 

11

problemas que puede acarrear el registro independiente en sesiones diferentes, como por ejemplo efectos de habituación, la influencia del resonador sobre el sujeto experimental, variaciones indeseadas en la estimulación, y otros factores no controlados. Para algunos neurocientíficos, la actitud recomendable es de cautela. En un trabajo temprano, Makeig, Jung y Sejnowski (2002) consideran que, en lo que hace a los objetivos de estas iniciativas, habría que pensar no tanto en una complementaridad directa entre los aspectos temporales y espaciales de las señales obtenidas, sino en una oportunidad para evaluar el alcance de las correlaciones existentes entre aquello que una y otra técnica pueden detectar –una evaluación, por ejemplo, de hasta qué punto se estarían detectando aspectos diferentes de los mismos procesos neuronales: En este sentido, critican duramente el análisis integrado de datos obtenidos independientemente, en sesiones diferentes, bajo la observación de que este tipo de estudios está asentado sobre un supuesto de complementariedad simple. A la vez, estas ventajas del registro simultáneo se potencian al considerar el conocido y crecientemente ponderado hecho de que las respuestas neuronales no son un simple reflejo de los estímulos externos –por ejemplo, en el contexto de experimentos típicos con sujetos humanos– sino que son moduladas por estados endógenos de actividad neuronal (cfr., Ritter & Villringer 2006: 824; para una introducción filosófica sobre esta tendencia, ver Abrahamsen & Bechtel 2012). Esta clase de actividad del cerebro en reposo, en el sentido de no ser exigido por estimulación específica, ha sido tradicionalmente el dominio del EEG. Muchos neurocientíficos han reconocido en este sentido las oportunidades que se abren para el estudio comparativo de la relación reposo / actividad en la obtención de la RMf en el contexto de tareas cognitivas, en función de las posibilidades que ofrece el EEG: En particular, la idea es que se puede verificar el supuesto de un estado de reposo idealizado –a partir del cual se calculan las diferencias respecto de estados de actividad frente a alguna tarea cognitiva– que atraviesa todos los estudios con RMf. El objetivo de largo alcance en todos estos estudios es lograr hacer inferencias sobre la actividad neuronal a partir información proveniente de data sets multimodales. En este sentido, muchas veces integración metodológica y de datos serán inseparables en la práctica. Los estudios presentados hasta el momento son claros casos de integración metodológica, en la medida en que los abordajes experimentales son elaborados bajo consideraciones dirigidas a compatibilizar métodos para el uso conjunto de dos técnicas experimentales muy diferentes. Pero en la gran mayoría de los casos los estudios EEG / RMf comportan a la vez un tratamiento integrado de los datos experimentales. Esto es así porque, especialmente para el caso de la RMf, se trata de técnicas complejas en las que en el mismo proceso de adquisición de los datos intervienen diferentes tipos de modelos. Un foco central de atención ha estado por esto dirigido a desarrollar y adaptar abordajes analíticos y de modelado para trabajar sobre datos multimodales (ver, por ejemplo, la revisión de Rosa et al 2010). Así, en la mayoría de los casos, se parte de un registro simultáneo acompañado por sofisticadas técnicas para el análisis integrado de los datos resultantes. De modo que, volviendo a la terminología de O’Malley y Soyer (2012), en general en las NC la integración de datos está necesariamente comprendida en la integración metodológica: Un problema puede ser abordado a través de dos técnicas diferentes en la misma medida en que se logren desarrollar procedimientos para volver comparables y analizables data sets obtenidos a partir de fuentes independientes. Un caso notable es el de la llamada fusión de datos o data fusion, que podría decirse consistiría en una forma más “pura” de integración de datos neurocientíficos. Aquí el rol de los modelos es el de organizar y estructurar data sets provenientes del

 

12

EEG y de la RMf. Se utiliza un modelo común de base para explicar los datos obtenidos por una y otra modalidad, bajo el supuesto de que es conveniente no dar prioridad a una modalidad por sobre la otra (un abordaje de análisis de los datos que en este sentido se ha denominado “simétrico”). En general, la fusión de datos está luego basada en el cálculo de dependencias mutuas entre las señales mediante la aplicación de algoritmos de machine learning sobre la base de un modelo común (un caso difundido es el análisis de componentes independientes sobre data-sets RMf / EEG; un ejemplo sofisticado de esto es Lei et al 2010). El modelo de base puede variar enormemente en el nivel de detalle neurofisiológico que incorpora, y esto abre un gran espectro de posibilidades y limitaciones para el posterior análisis. Aun así, en todos los casos, el modelo es usado para revelar, mediante análisis estadístico, las estructuras subyacentes en los data sets combinados. La suposición de fondo es que las señales generadas por el EEG y la RMf detectan rasgos comunes de un fenómeno de interés, que pueden ser identificados a través del análisis directo de la estructura de los datos disponibles. En la literatura, se suele definir este tipo de esfuerzos como guiados por datos (data-driven), aunque aquí como en otros casos los métodos analíticos varían en función de su dependencia de asunciones y simplificaciones anatómicas y fisiológicas. Como vimos, parte de la motivación detrás de los estudios EEG / RMf es la de mejorar la capacidad de una técnica para detectar aspectos relevantes de los procesos bajo estudio usando la otra técnica como plataforma. Los abordajes “asimétricos” de análisis de datos pueden en parte interpretarse como el uso de estrategias para resolver los problemas de inferencia inversa que atraviesan tanto el EEG, en lo que hace a la localización de la actividad estudiada, como la RMf, en lo que respecta la evolución temporal de la misma: En ambos casos, los avances logrados alimentan la interpretación de los resultados obtenidos a través de una de las técnicas. En el caso del EEG informado por RMf (fMRI-informed EEG), se usa información espacial desde la RMf para reconstruir la fuente del EEG, esto es, a los fines de resolver el mencionado problema inverso del EEG. En el caso de la RMf informada por EEG (EEG-informed fMRI) se modela la señal RMf a través de diversos aspectos del EEG como por ejemplo la amplitud, la sincronización, las latencias, etcétera: El objetivo aquí es mejorar las imágenes de RMf al incorporar información del EEG en los modelos estadísticos usados para generarlas (como, por ejemplo, el muy difundido modelo lineal generalizado). De modo similar a la fusión de datos, la integración reside enteramente en el análisis y la interpretación de los datos, más allá de la dirección del abordaje: En este caso, se hace uso de información, que se estima confiable, derivada de una técnica, para calibrar el análisis de los resultados obtenidos a través de otra. Aquí los modelos actúan como mediadores que guían el análisis de los datos, bajo el supuesto de que se pueden aprovechar las mutuas deficiencias y ventajas complementarias de ambas técnicas. Cabe subrayar que este rol particular de los modelos es especialmente importante para el tipo de prácticas experimentales consideradas atendiendo, por un lado, al carácter fuertemente indirecto de las imágenes obtenidas en la RMf respecto de la actividad neuronal de interés (sobre este punto, ver Bogen 2001) y, por otro lado, al carácter limitado que tiene una detección directa de los potenciales eléctricos generados en la corteza como la que posibilita el EEG. Un último ejemplo de estudios EEG / RMf es el modelado neurogenerativo: Se trata de un abordaje que sigue la misma motivación de estos estudios asimétricos, esto es, obtener insights en la generación de las señales, pero donde el estudio estadístico de la complementariedad entre RMf y EEG se asienta en un modelo neuroanatómico común. A diferencia de la fusión de datos, se puede decir que constituye un abordaje

 

13

guiado por modelos (model-driven), en la medida en que aquí la integración de datos va a depender en última instancia de la capacidad para simular los procesos biofísicos de la generación de ambas señales. Se parte de un modelo de base que especifica los procesos fisiológicos que están detrás de la generación de las señales EEG y RMf. Sobre la base de este modelo común, se reconstruye la actividad neuronal de interés a través de la simulación de los procesos biofísicos subyacentes a la generación de la señal electrofisiológica (EEG) y hemodinámica (RMf), y la subsiguiente búsqueda de distribuciones paramétricas que expliquen los datos EEG / RMf. Este último proceso, que se denomina modelado inverso, apunta a aproximar la cadena de eventos que resultó en la distribución de datos obtenidos experimentalmente. También este último caso de integración neurocientífica comprende un gran número de asunciones sobre la relación entre la actividad electrofisiológica y la actividad hemodinámica detectada por el EEG y la RMf, así como sobre la misma generación de la señal RMf (esto es, la relación entre los cambios en el flujo sanguíneo y la actividad bioeléctrica de las neuronas, llamada a veces acoplamiento neurovascular). Por ende, constituye un factor de cambio determinante dentro de cada abordaje, que depende del grado de detalle incorporado al modelado neurogenerativo (cfr., Rosa et al 2010: 465, y Huster et al 2012: 6056). Huster y colaboradores llegan a considerar que: “De este modo, la habilidad para comparar modelos de complejidad variada y de especificidad fisiológica cambiante debería ser considerada una de las principales fortalezas del enfoque neurogenerativo” (Huster et al 2012: 6057). Esto es muy relevante si se considera que en un mismo modelo conviven diferentes “niveles”, descriptos con más o menos detalle en función de los objetivos de los investigadores: Tanto en la escala macroscópica de patrones conectivos a lo largo de la corteza o la interacción entre regiones activas del cerebro, como en la escala mesoscópica de la actividad inhibitoria y excitatoria de poblaciones neuronales locales, y hasta en la escala microscópica de los mecanismos celulares de la generación del potencial de acción o de la actividad de los neurotransmisores. El ya mencionado desconocimiento existente en torno de varios aspectos de la generación de las señales EEG y, especialmente, RMf es otro factor crucial que hace a la variedad de modelos que pueden usarse y que de este modo repercute sobre los roles que pueden tener: Esto es así en la medida en que de esto también depende la menor o mayor simplificación de algún aspecto de algún modelo en cuestión. En todos los casos de integración presentados, los diferentes grados de detalle neuroanatómico y neurofisiológico incorporado a los modelos están orientados hacia diferentes fines. El aspecto exploratorio de esta área de trabajo es muy claro, y acompaña la idea de integración remarcada por Grantham: La idea de una independencia relativa entre formas teóricas y prácticas de integración. Esto se puede ver en los abordajes revisados, tanto en las conexiones estrictamente metodológicas como también en los aspectos heurísticos, de generación de nuevas hipótesis de búsqueda. Ahora bien, el carácter exploratorio de la integración neurocientífica no depende sólo de la falta de dominio teórico en un sector, sino que también es alimentado por el tipo de técnicas experimentales en uso, la complejidad de los sistemas experimentales y la diversidad de frentes abiertos y objetivos relevantes. Como puede haberse notado, el principal criterio en cuestión que repercute sobre los esfuerzos integrativos presentados es el señalado por Gerstner et al (2012) respecto de la complejidad de los modelos. El punto sobre los diferentes niveles integrados de descripción debería alimentar la discusión filosófica en buena medida asentada sobre una tensión entre niveles asociados a diferentes tipos de modelos: Modelos cognitivos o funcionales, modelos dinamicistas o a gran escala, modelos de diferentes tipos de

 

14

mecanismos definidos por su escala espaciotemporal, y las múltiples relaciones entre ellos. En los casos revisados, los “niveles” están incorporados en un mismo modelo para la interpretación de resultados experimentales dispares. La idea misma de “nivel” no puede ser definida por una demarcación entre tipos de modelos, ni viceversa. Por otra parte, los diferentes rangos de precisión en los que los modelos se elaboran, así como los diferentes supuestos que operan en diversas etapas de su elaboración, ofrecen una perspectiva rica para un acercamiento epistemológico a las NC, tal como fueron retratadas aquí. Se trata de una perspectiva que da pie para estudiar la conformación de líneas de investigación en un campo altamente variado y dinámico. Ofrece a la vez una ventana para el estudio de los diferentes roles que pueden ocupar los modelos y los abordajes experimentales, y el modo como en este sentido se configura la interacción entre prácticas científicas diferentes. Los estudios EEG / RMf revisados aquí intentaron ejemplificar esta riqueza en un sector delimitado y muy activo de la investigación reciente. 5. Conclusión A lo largo del trabajo, presenté una noción que entiendo como de gran interés filosófico, la de integración científica, y analicé su relevancia en el contexto de las NC contemporáneas. Para esto, tomé elementos de la conceptualización filosófica de la integración científica y mostré cómo se ven reflejados en las NC: En particular, destaqué aspectos de las propuestas de Darden y Maull, Grantham, y O’Malley y Soyer. El campo científico de interés ha sido tomado bajo una caracterización general que acentuó sus rasgos idiosincráticos, como ser el carácter exploratorio de los abordajes experimentales y de modelado, la diversidad y abundancia de los datos experimentales, y el estatus provisional de las teorías. A la luz de estos rasgos, fui especificando una noción de integración científica rica para las NC. Por otra parte, exploré un sector particular orientado a la integración de dos técnicas muy difundida para el estudio del cerebro. La investigación en EEG / RMf constituye un sector muy grande de trabajo, que tiene vida propia y que aún se encuentra en estado embrionario. Aparece sin embargo como un puntapié que marca una dirección clara en las NC. Defendí su riqueza epistemológica en el modo en que ejemplifica la noción presentada y defendida aquí: Ofrece, en particular, una perspectiva privilegiada sobre los distintos roles que juegan los modelos y la interacción entre la elaboración de modelos y las estrategias seguidas para cimentar abordajes experimentales. Espero haber mostrado cómo el tratamiento filosófico del tema de la integración ofrece algunas herramientas para el trabajo conceptual en las NC; un trabajo, cabe agregar, alejado de las temáticas recurrentes que han dominado la filosofía de las neurociencias en los últimos años. Notas 1. Todas las citas en este trabajo fueron traducidas por el autor. 2. Aunque hubo incursiones previas para combinar estudios electrofisiológicos y hemodinámicos –ya en 1993 hubo algunos intentos de registros simultáneos EEG / RMf dirigidos a una mejor localización de las fuentes neuronales de la epilepsia– recién en los últimos quince años la integración entre estas técnicas se convirtió propiamente en una línea independiente de investigación.

 

15

Referencias Abarbanel, H. & Rabinovich, M. (2001). Neurodynamics: Nonlinear dynamics and neurobiology. Current Opinion in Neurobiology 11: 432-430. Abbott, L. (2008). Theoretical neuroscience rising. Neuron 60: 489-495. Aminoff, E. M., Balslev, D., Borroni, P., Bryan, R. E., Chua, E. F., Cloutier, J., Cross, E., Drew, T., Funk, C., Gil-da-Costa, R., Guerin, S., Hall, J., Jordan, K., Landau, A., Molnar-Szakacs, I., Montaser-Kouhsari, L., Olofsson, J., Quadflieg, S., Somerville, L., Sy, J., Uddin, L., Yamada, M. (2009). The landscape of cognitive neuroscience: Challenges, rewards, and new perspectives. En Gazzaniga (Ed.), The Cognitive Neurosciences IV. Cambridge: MIT Press. Bechtel, W. (2002). Aligning multiple research techniques in cognitive neuroscience. Philosophy of Science 69: 48-58. Bechtel, W. (2007). Reducing psychology while maintaining its autonomy via mechanistic explanation. En Schouten & Looren de Jong (Eds.), The Matter of the Mind. Oxford: Basil Blackwell. Bechtel, W. (2008). Mental Mechanisms. London: Routledge. Bechtel, W. & Hamilton A. (2007). Reduction, integration, and the unity of science: Natural, behavioral, and social sciences and the humanitites. En Kuipers (Ed.), General Philosophy of Science: Focal Issues. Nueva York: Elsevier. Bickle, J. (2003). Philosophy and Neuroscience: A Ruthlessly Reductive Account. Dordrecht: Kluwer Academic. Bogen, J. (2002). Epistemological custard pies from functional brain imaging. Philosophy of Science 69: 59-71. Brigandt, I. (2010). Beyond reduction and pluralism: Toward an epistemology of explanatory integration in biology. Erkenntnis 73: 295-311. Bub, D. (2000). Methodological issues confronting PET and fMRI studies of cognitive function. Cognitive Neuropsychology 17: 467-484. Churchland, P.S. & Sejnowski, T. (1992). The Computational Brain. Cambridge: MIT Press. Cooper, R. & Shallice, T. (2010). Cognitive neuroscience: The troubled marriage of cognitive science and neuroscience. Topics in Cognitive Science 2: 398-406. Craver, C. (2005). Beyond reduction: Mechanisms, multifield integration, and the unity of science. Studies in History and Philosophy of Biological and Biomedical Sciences 36: 373-396. Craver, C. (2006). What mechanistic models explain. Synthese 153: 355-376. Darden, L. & Maull, N. (1977). Interfield theories. Philosophy of Science 44: 43-64. Elgar, G. (2002). The high throughput revolution. Briefings in Functional Genomics and Proteomics 1: 4-6. Gazzaniga, M. (Ed.), (1995). The Cognitive Neurosciences. Cambridge: MIT Press. Gazzaniga, M., Doron, K. & Funk, C. (2009). Looking toward the future: Perspectives on examining the architecture and function of the human brain as a complex system. En Gazzaniga (Ed.), The Cognitive Neurosciences IV. Cambridge: MIT Press. Gerstner, W., Sprekeler, H. & Deco, G. (2012). Theory and simulation in neuroscience. Science 338: 60-65. Glennan, S. (2002). Rethinking mechanistic explanation. Philosophy of Science 69: 342-353. Grantham, T. (2004). Conceptualizing the (dis)unity of science. Philosophy of Science 71: 133-155.

 

16

Hardcastle, V. (2007). The theoretical and methodological foundations of cognitive neuroscience. En Thagard (Ed.), Handbook of the Philosophy of Science. Amsterdam: Elsevier. Hardcastle, V. & Stewart, M. (2002). What do brain data really show? Philosophy of Science 69: 72-82. Herrmann, C. & Debener, S. (2008). Simultaneous recording of EEG and BOLD responses: A historical perspective. International Journal of Psychophysiology 67: 161-168. Horwitz, B., Friston, K. J., & Taylor, J. G. (2000). Neural modeling and functional brain imaging: An overview. Neural Networks 13: 829-846. Huster, R., Debener, S., Eichele, T. & Herrmann, C. (2012). Methods for simultaneous EEG-fMRI: An introductory review. The Journal of Neuroscience 32: 6053-6060. Koch, C. & Segev, I. (2000). The role of single neurons in information processing. Nature Neuroscience 3: 1171-1177. Lei, X., Qiu, C., Xu, P. & Yao, D. (2010). A parallel framework for simultaneous EEG/fMRI analysis: Methodology and simulation. Neuroimage 52: 1123-1134. Liljenström, H. & Svedin, U. (2005). System features, dynamics, and resilience – Some introductory remarks. En H. Liljenström & U. Svedin (Eds.), Micro, Meso, Macro: Addressing Complex Systems Couplings. New Jersey: World Scientific Printers. Machamer, P., Darden, L. & Craver, C. (2000). Thinking about mechanisms. Philosophy of Science 67: 1-25. Makeig, S., Jung T. & Sejnowski, T. (2002). Having your voxels and timing them too? En Sommer & Wichert (Eds.), Exploratory Analysis and Data Modeling in Functional Neuroimaging. Cambridge (Ma.): MIT Press. Marder, E., Kopell, N. & Sigvardt, K. (1997). How computation aids in understanding biological networks. En Stein, Grillner, Selverston & Stuart (Eds.), Neurons, Networks, and Motor Behavior. Cambridge: MIT Press. McCollum, G. (2000). Social barriers to a theoretical neuroscience. Trends in Neuroscience 23: 334-336. Mitchell, S. & Dietrich, M. (2006). Integration without unification: An argument for pluralism in the biological sciences. American Naturalist 169: 73-79. O’Malley & Soyer (2012). The roles of integration in molecular systems biology. Studies in History and Philosophy of Biological and Biomedical Sciences 43: 5868. Quian Quiroga, R. & Panzeri, S. (2009). Extracting information from neuronal populations: Information theory and decoding approaches. Nature Reviews Neuroscience 10: 173-185. Rheinberger, H.-J. (1997). Experimental complexity in biology. Philosophy of Science 64: 245-254. Ritter, P. & Villringer, A. (2006). Simultaneous EEG-fMRI. Neuroscience and Biobehavioral Reviews 30: 823-838. Rosa, M., Daunizeau, J. & Friston, K. (2010). EEG / fMRI integration: A critical review of biophysical modeling and data analysis approaches. Journal of Integrative Neuroscience 9: 453-476. Stevens, C. (2000). Models are common; good theories are scarce. Nature Neuroscience 3: 1177. Stewart, L. & Walsh, V. (2006). Transcranial magnetic stimulation in human cognition. En Senior, Russell & Gazzaniga (Eds.), Methods in Mind. Cambridge (Ma.): MIT Press.

 

17

Strangman, G., Culver, J., Thompson, J. & Boas, D. (2002). A quantitative comparison of simultaneous BOLD fMRI and NIRS recordings during functional brain activation. Neuroimage 17: 719-731. Valdes-Sosa, P., Sanchez-Bornot, J., Sotero, R., Iturria-Medina, Y., Aleman-Gomez, Y., Bosch-Bayard, J., Carbonell, F. & Ozaki, T. (2009). Model driven EEG/fMRI fusion of brain oscillations. Human Brain Mapping 30: 2701-2721. Venturelli, A. N. (2015). En torno al carácter exploratorio de la experimentación en las neurociencias cognitivas. Manuscrito. Walsh, V. & Cowey. A. (2000). Transcranial magnetic stimulation and cognitive neuroscience. Nature Reviews Neuroscience 1: 73-9. Wagner, M. (2009). Combining EEG and MRI techniques. En Tong & Thakor (Eds.), Quantitative EEG Analysis: Methods and Clinical Applications. Norwood: Artech House. Weber, M. (2004). Philosophy of Experimental Biology. Cambridge: Cambridge University Press.

 

18