Título de la ponencia: La naturaleza contrafáctica de la explicación topológica en

neurociencia de sistemas
Autor Omitido

Resumen
Mi objetivo en esta ponencia es defender una concepción contrafáctica de la
explicación topológica en neurociencia de sistemas. Según esta concepción, un modelo de
redes neuronales provee una explicación topológica en neurociencia en la medida en que
identifica dependencias contrafácticas entre algunas de las propiedades topológicas de la
red neuronal y el fenómeno de interés.
El enfoque de sistemas en neurociencia utiliza las herramientas del análisis de redes
para dar cuenta de diversos aspectos del cerebro en diferentes escalas (Sporns, O., 2010,
Networks of the Brain, Cambridge:MIT Press). Los modelos de redes están compuestos de
'nodos', que representan los relata de la red, y 'aristas', que representan las relaciones entre
los relata. El 'grado' de un nodo es el número de aristas que comparte con otros nodos. En las
redes 'regulares', cada nodo tiene el mismo grado. En las redes 'aleatorias', las aristas están
distribuidas aleatoriamente. Las 'redes de mundo pequeño' tienen una estructura de
comunidades, como consecuencia de la acción de patrones de conectividad preferencial
entre diferentes agrupamientos. Estos agrupamientos dan origen a 'módulos'. Los nodos en
un módulo tienen más conexiones entre sí que con otros nodos externos al módulo. Los
nodos con un coeficiente de participación alto poseen aristas con nodos en módulos
distintos. Estos nodos pueden servir como 'centros de actividad' (hubs), vinculando
diferentes módulos.
Muchos modelos en neurociencia de sistemas se proponen dar cuenta de ciertos
rasgos de las redes neuronales apelando a las 'propiedades topológicas' que esas redes
realizan. Las propiedades topológicas son aquellas que tienen que ver con cómo un sistema
'llena' el espacio, cómo están ubicadas algunas partes de un sistema respecto de las demás,
y cuáles relaciones se preservan bajo deformaciones continuas del sistema. Las 'partes' no
son partes físicas del sistema como una entidad material, sino que pueden ser partes de un
espacio abstracto, incluso de un hiperespacio matemático. Por ejemplo, es un hecho
topológico que la distancia promedio de un camino entre nodos en una red de mundo
pequeño es más invariante frente a la eliminación de nodos que la distancia de un camino
entre nodos en redes regulares o aleatorias. Varios autores sostienen que las conexiones
anatómicas en el cerebro exhiben una topología de mundo pequeño (Sporns, O. & Honey,
C., 2006, “Small worlds inside big brains”, Proceedings of the National Academy of Sciences,
103(51), 19219-19220). Los rasgos topológicos característicos de las redes neuronales son un
grado de distribución no aleatorio y heterogéneo, en el cual algunos nodos tienen más
conexiones que otros (los hubs) y existen agrupamientos de nodos que interactúan más entre
sí que con otros nodos (los módulos). Esta topología podría explicar, por ejemplo, por qué el
funcionamiento del cerebro es robusto frente a la muerte celular aleatoria (Behrens, T. &
Sporns, O., 2012, “Human connectomics”, Current opinion in neurobiology, 22(1), 144-153.).
Lange interpreta la explicación topológica como una explicación distintivamente
matemática de un hecho empírico. Una explicación es distintivamente matemática posee
una fuerza modal mayor a la natural (Lange, M., 2012, “What makes a scientific explanation
distinctively mathematical?”, The British Journal for the Philosophy of Science, 64(3), 485-511).
En la misma dirección, Huneman opone la 'explicación topológica' que ofrecen los modelos
de redes a la explicación mecanicista, en términos del tipo de relación de realización que
involucran (Huneman, P., 2010, “Topological explanations and robustness in biological
sciences”, Synthese, 177(2), 213-245). En una explicación topológica, se hace abstracción de
las relaciones causales y las interacciones en un sistema, y se destacan aquellas propiedades
topológicas del sistema que permiten inferir los rasgos del sistema que nos interesan, como
consecuencias puramente matemáticas de esas propiedades topológicas. La realización de
las propiedades topológicas en el sistema no es una realización mecanicista, sino 'abstracta'.
La realización abstracta ocurre en virtud de un 'isomorfismo' entre las entidades en el mundo
(las partes del sistema) y una entidad matemática (la estructura topológica). Por ejemplo, el
hecho de que la estructura global del cerebro realice una topología de red de mundo
pequeño, con centros de actividad y módulos, implica que esa red exhibirá robustez frente a
la eliminación aleatoria de nodos. Independientemente de cual sea el proceso por el cual una
red neuronal restablece su conectividad luego de la eliminación aleatoria de algunas
neuronas, sabemos que tal restablecimiento se producirá, porque así lo determina la
estructura topológica de la red. De alguna manera, la robustez de la red 'está programada'
en la topología.
En contraste con el análisis de Lange y Huneman, Craver ofrece una interpretación
mecanicista de las explicaciones que apelan a modelos de redes en neurociencia (Craver, C.,
en prensa, “The Explanatory Force of Network Models”, Philosophy of Science). Reconoce
que el análisis de redes es una herramienta muy útil para descubrir y representar la
organización de sistemas complejos, que poseen muchos componentes densamente
conectados. Sin embargo, señala que si se entiende a las explicaciones mediante modelos de
redes como explicaciones distintivamente matemáticas o topológicas, entonces se sugiere
que tales explicaciones presuponen el predictivismo, i.e. la tesis según la cual la capacidad
para predecir un fenómeno es suficiente para explicarlo. Ciertamente, puede construirse la
explicación que proveen los modelos de redes en neurociencia como argumentos que
contienen una premisa empírica (“El sistema neuronal S es una red de mundo pequeño…”) y
una premisa matemática (“Las redes de mundo pequeño son más robustas frente a la
eliminación aleatoria de nodos que las redes regulares o las redes aleatorias”. Sin embargo,
si se reconstruye la explicación de esta manera, la explicación de redes enfrenta el problema
de la asimetría de la explicación que afecta al modelo de cobertura legal en general. Además,
esta reconstrucción no puede distinguir entre modelos de redes fenomenológicos y modelos
de redes explicativos. Craver sostiene, en cambio, que los modelos de redes son explicativos
cuando se utilizan para representar mecanismos.
En esta ponencia, argumento que los modelos de redes en neurociencia no proveen
explicaciones distintivamente matemáticas ni explicaciones mecanicistas, sino que la mejor
interpretación del tipo de explicación que tales modelos proveen es en términos de la
concepción contrafáctica de la explicación (Reutlinger, A., 2016, “Is there a monist theory of
causal and noncausal explanations? The counterfactual theory of scientific explanation”,
Philosophy of Science, 83(5), 733-745). Mostraré cómo esta concepción puede articularse de
manera tal de evitar el problema de la asimetría de la explicación que preocupa a los
mecanicistas.