Los científicos han utilizado inteligencia artificial para medir el flujo oculto de eliminación de desechos del cerebro, un proceso que se activa especialmente durante el sueño profundo
Descubrieron que el líquido se mueve mucho más rápido en los espacios abiertos del cerebro que en los tejidos más profundos, donde su velocidad disminuye aproximadamente 50 veces
Crédito: Shutterstock
scitechdaily.com/12/09/2026
La inteligencia artificial revela un sorprendente sistema de limpieza de dos velocidades que ayuda al cerebro dormido a eliminar los desechos dañinos.
Durante el sueño profundo, un fluido similar al agua circula por el cerebro, ayudando a eliminar los desechos metabólicos asociados con trastornos como la enfermedad de Alzheimer. Este proceso de limpieza se conoce como sistema glinfático. Fue descrito por primera vez en 2012 por Maiken Nedergaard, neurocientífica pionera y codirectora del Centro de Neuromedicina Traslacional de la Universidad de Rochester.
Aunque los científicos han aprendido mucho sobre el sistema glinfático, aún quedan muchas incógnitas sobre su funcionamiento. Una de las mayores incertidumbres es la velocidad a la que el líquido circula por las distintas partes del cerebro. Medir esta circulación lenta en un cerebro vivo resulta especialmente difícil, ya que los investigadores deben observarla sin causar daños permanentes.
El desafío de medir el flujo de líquido cefalorraquídeo
“Se puede colocar un microscopio sobre una pequeña zona del cerebro y observar con gran detalle lo que ocurre allí, y ya hemos trabajado con ese tipo de datos, pero solo ofrece una visión parcial del proceso general”, explica el profesor Douglas Kelley del Departamento de Ingeniería Mecánica de la Universidad de Rochester. “Si se quiere obtener imágenes de cerebros completos, la resonancia magnética es una excelente opción, ya que proporciona una visión tridimensional. Sin embargo, la resonancia magnética también tiene limitaciones importantes, la principal de las cuales es que no registra la velocidad del flujo de fluidos, al menos no para flujos tan lentos”.
Para superar esa limitación, Kelley y un grupo de investigadores de la Universidad de Rochester, la Universidad de Brown y la Universidad de Copenhague recurrieron a la inteligencia artificial. Su nuevo estudio, publicado en Science Advances , describe un método que utiliza inteligencia artificial basada en la física para extraer velocidades de flujo de fluidos a partir de datos de imágenes por resonancia magnética (IRM).
Los investigadores entrenaron redes neuronales utilizando vídeos que mostraban la propagación de un tinte a través del tejido cerebral con el paso del tiempo. A partir de esos cambios, los modelos de IA pudieron estimar tanto la velocidad del fluido como la permeabilidad del tejido cerebral circundante.
El sistema de limpieza del cerebro tiene dos velocidades.
Los resultados revelaron dos vías principales mediante las cuales el sistema glinfático ayuda a eliminar partículas del cerebro, incluidas las proteínas beta-amiloides asociadas con la enfermedad de Alzheimer. Los investigadores descubrieron que estas vías operan a velocidades muy diferentes.
En las zonas más abiertas alrededor del cerebro, incluida la región entre el cráneo y la superficie cerebral, el fluido, similar al agua, se desplaza a unos pocos micrómetros por segundo. Sin embargo, en las zonas más profundas del tejido cerebral, el fluido se mueve mucho más lentamente, fluyendo a una velocidad aproximadamente 50 veces menor.
Esta gran diferencia de velocidad permite a los investigadores comprender mejor cómo se transportan los desechos a través de los distintos entornos cerebrales. El líquido puede moverse con relativa rapidez por espacios abiertos, mientras que su desplazamiento a través del tejido cerebral denso es mucho más gradual.
Del cerebro animal a la salud humana
Por ahora, el equipo de investigación trabaja para establecer mediciones de referencia del flujo de líquido cefalorraquídeo en animales como los ratones. Estas mediciones están ayudando a los investigadores a perfeccionar y mejorar las herramientas de inteligencia artificial.
Su objetivo final es comparar la circulación glinfática en cerebros sanos y enfermos, así como en cerebros jóvenes y ancianos. Una meta importante a largo plazo es extender la técnica a los seres humanos.
“Estamos trabajando arduamente para poder medir el flujo de fluidos similares al agua dentro y alrededor del cerebro humano, ya que esto abre un abanico de posibilidades clínicas mucho más importantes e interesantes”, afirma Kelley. “Esperamos poder algún día determinar si un paciente con Alzheimer tiene mala circulación cerebral, o incluso detectarla precozmente para intentar prevenir la enfermedad. También podríamos analizar si una persona ha sufrido una conmoción cerebral para ver si la circulación de fluidos en su cerebro se ha visto afectada. Este estudio nos acerca un paso más a ese objetivo”.
Si los investigadores logran medir de forma fiable estos movimientos lentos de fluidos en personas, la técnica podría ofrecer una nueva manera de investigar si la circulación natural del cerebro para eliminar los desechos cambia con la enfermedad de Alzheimer, el envejecimiento o una lesión cerebral traumática.
__________
Referencia:
“MR-AIV revela el flujo de fluidos cerebrales in vivo mediante IA basada en la física”, por Juan Diego Toscano, Yisen Guo, Zhibo Wang, Mohammad Vaezi, Yuki Mori, George Em Karniadakis, Kimberly AS Boster y Douglas H. Kelley, 27 de mayo de 2026, Science Advances .
Esta investigación cuenta con el apoyo del Centro Nacional de Salud Complementaria e Integrativa de los NIH y de la Iniciativa BRAIN de los NIH.
Entre los colaboradores de Kelley en el estudio se encuentran Juan Diego Toscano, estudiante de doctorado de la Universidad de Brown; Yisen Guo, científico computacional de la Universidad de Rochester; Zhibo Wang, estudiante de doctorado de la Universidad de Brown; Mohammad Vaezi, estudiante de doctorado de la Universidad de Rochester; Yuki Mori, profesora asociada de la Universidad de Copenhague; George Karniadakis, profesor de la Universidad de Brown; y Kimberly Boster, profesora asistente de la Universidad de Rochester.
__________
Fuente:
