El 4 de junio, el Instituto de Inteligencia Artificial de Pekín (BAAI) y la Universidad de Tsinghua lograron nuevos avances en la investigación sobre la memoria durante el sueño. Los resultados relacionados, titulados "Memory Reactivation Underlies Experience-Dependent Adaptive Regulation of Sleep", se publicaron en la revista académica internacional *Science*. Este estudio revela que la reactivación de la memoria durante el sueño participa en la regulación de la dinámica del sueño, proporcionando nuevas pruebas experimentales para comprender el mecanismo de interacción bidireccional entre "memoria y sueño". El modelo de base multimodal en neurociencia Brainμ0, desarrollado por el equipo de IA+Neurociencia del BAAI, proporcionó un soporte técnico clave para el análisis de datos multimodales de memoria y sueño, la identificación de estados de sueño y la verificación asistida de hipótesis científicas en esta investigación.
El núcleo realmente destacable de este estudio es que los modelos de base de IA han comenzado a incursionar en el análisis profundo de datos dentro de la investigación de mecanismos en neurociencia.
La relación entre el sueño y la memoria siempre ha sido un problema fundamental de alta dificultad en neurociencia. Las investigaciones tradicionales han demostrado principalmente que el sueño contribuye a la consolidación de la memoria, pero si la actividad de la memoria en sí misma puede influir inversamente en la estructura del sueño, la transición de estados de sueño y la regulación homeostática del sueño, ha carecido durante mucho tiempo de evidencia mecanicista suficientemente clara. La razón radica en que la actividad cerebral durante el sueño no es estable; las actividades neuronales relacionadas con la memoria, las señales electroencefalográficas (EEG), los datos de imagen y los estados de comportamiento suelen distribuirse en diferentes escalas temporales y modalidades de datos. Los investigadores necesitan identificar, en datos experimentales de larga duración, alto ruido y entre individuos, los cambios de señal realmente asociados con la reactivación de la memoria. El papel que desempeña Brainμ0 en este proceso es integrar los datos de neurociencia originalmente dispersos en un marco de análisis multimodal unificado. Mediante el procesamiento conjunto de señales EEG, actividad neuronal y señales relacionadas con la memoria, ayuda al equipo de investigación a distinguir diferentes estados de sueño, rastrear las características de la actividad cerebral durante la reactivación de la memoria y proporcionar pistas de datos más claras para la posterior verificación de mecanismos causales.
El valor técnico de Brainμ0 se concentra principalmente en dos aspectos: "representación unificada" y "análisis multimodal".
Los datos de neurociencia tienen inherentemente características heterogéneas. Las señales EEG enfatizan la continuidad temporal, los datos de imagen de dos fotones se acercan más a los registros de actividad a nivel celular, los microelectrodos de alta densidad pueden capturar la descarga de poblaciones neuronales, y los datos de comportamiento tienen atributos evidentes de escenario y tarea. Los métodos de análisis tradicionales a menudo dependen de la extracción manual de características y del modelado de una sola modalidad, lo que fácilmente conduce a la pérdida de información durante la integración multimodal. La ruta del modelo de base multimodal en neurociencia representada por Brainμ0 consiste en mapear diferentes tipos de señales cerebrales en un espacio de representación más unificado, permitiendo que el modelo establezca correlaciones entre diferentes fuentes de datos. Para esta investigación sobre la memoria durante el sueño, esta capacidad ayuda a los investigadores a identificar, a partir de datos complejos, las diferencias entre el "sueño acompañado de reactivación de la memoria" y el "sueño no acompañado de reactivación de la memoria", y a analizar cómo estas diferencias afectan la dinámica del sueño. En otras palabras, el modelo de IA aquí no actúa simplemente como una herramienta de clasificación, sino que establece conexiones interpretables entre los datos científicos, ayudando a los investigadores a localizar más rápidamente hipótesis mecanicistas que merecen ser verificadas.
Desde la perspectiva metodológica de la investigación, esta colaboración también demuestra que la IA para la Ciencia (AI for Science) está pasando de "apoyar el procesamiento de datos" a "participar en el flujo del descubrimiento científico". En el pasado, la aplicación de la IA en las ciencias de la vida se concentraba más en etapas como el reconocimiento de imágenes, la limpieza de datos, el etiquetado automático y la predicción de resultados. Sin embargo, en investigaciones de sistemas complejos como la neurociencia, la verdadera dificultad radica en cómo convertir datos de múltiples fuentes en una cadena de evidencia que sea razonable, comparable y verificable. El flujo de análisis en el que participa Brainμ0 cubre la integración de datos multimodales, la identificación de estados, el descubrimiento de patrones y la verificación asistida de hipótesis, permitiendo que el modelo de IA se integre en los pasos clave de la ciencia experimental. Para la investigación del sueño, esto significa que los investigadores pueden observar de manera más sistemática cómo la actividad de la memoria interactúa con los cambios en los estados del sueño. Para los modelos de base en neurociencia, esto implica que la capacidad del modelo ya no se limita a demostraciones de inteligencia general, sino que comienza a formar una infraestructura de investigación científica orientada a problemas experimentales reales.
El espacio futuro de esta ruta técnica no se limita solo a la investigación del sueño y la memoria. Los desafíos a largo plazo que enfrenta la neurociencia incluyen múltiples direcciones como los mecanismos cognitivos, la regulación emocional, las enfermedades neurodegenerativas, las enfermedades mentales, las interfaces cerebro-computadora y la evaluación clínica de la función cerebral. Todas estas direcciones presentan problemas de datos multimodales, multiescala y de larga duración. Si Brainμ0 puede continuar expandiendo su cobertura de datos, mejorar su capacidad de adaptación a diferentes paradigmas experimentales y completar la verificación en tareas reales de más equipos de investigación, tiene el potencial de convertirse en una base de análisis universal en la investigación neurocientífica. Especialmente en la detección temprana de enfermedades, la evaluación del estado funcional cerebral, la decodificación de la actividad neuronal y el diseño de estrategias de intervención personalizadas, los modelos de base multimodal pueden ayudar a los investigadores a acortar el ciclo desde la recopilación de datos hasta el juicio mecanicista, mejorando la eficiencia del análisis de señales cerebrales complejas.
La publicación en *Science* proporciona un respaldo académico importante para este logro, pero su valor más profundo en innovación científica y tecnológica radica en que los equipos de investigación de IA en China están impulsando las capacidades de los grandes modelos hacia escenarios reales de investigación básica en neurociencia. Lo que Brainμ0 respalda no es una simple demostración algorítmica, sino un flujo de trabajo de investigación científica orientado a datos neuronales complejos: permitir que la IA comprenda señales cerebrales multimodales, ayudar a los científicos a verificar hipótesis mecanicistas e impulsar la investigación sobre el sueño, la memoria y la cognición hacia una etapa de datos más eficiente.