Ser madre cambia el cerebro. Y se puede imitar sin tener crías.

8 de 13 vírgenes nunca recogen una cría. Silenciando dopamina en su hipocampo dorsal, 14 de 15 lo hacen — en menos de dos minutos.

Paper: Dopamine drives persistent remodelling of the maternal brain Nature, 2026 · validado en 34 + 51 ratones C57BL/6J

El acertijo

Durante el embarazo y el postparto, el cerebro materno cambia para siempre — pero ¿cómo? Para responderlo, el paper combina tres herramientas: secuenciación de ARN célula a célula, un paradigma de estrés (separar a la madre de sus crías 4 horas al día durante dos semanas) y manipulación química directa de la dopamina. Veamos los datos conductuales que sostienen esa historia.

El blanco anatómico es el hipocampo dorsal (dHF, dorsal hippocampal formation) — la región que codifica memoria contextual: dónde pasó algo, cuándo, con quién. Los datos que cargamos aquí vienen de dos experimentos conductuales del Supplementary del paper (Fig 2 y Fig 4).

# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
COLOR_NP = '#BBBBBB'          # Virgen sin cría (contexto basal)
COLOR_CTRL = '#2563EB'        # Madre con cría sana (azul CaM)
COLOR_STRESS = '#DC2626'      # Madre con estrés crónico (rojo alerta)
COLOR_CHEMO = '#7C3AED'       # Manipulación química DA (violeta)
CUTOFF_LATENCIA = 900         # Segundos antes de detener la observación (censura)
FUENTE_FIG2 = 'Fuente: Pearson-Fuhrhop et al. (2026), Nature | Datos: SI Fig 2'
FUENTE_FIG4 = 'Fuente: Pearson-Fuhrhop et al. (2026), Nature | Datos: SI Fig 4'

# Imports
import os, urllib.request, numpy as np, pandas as pd
import matplotlib.pyplot as plt
from scipy import stats

# Estilo CaM (local, fallback GitHub raw)
BASE = 'https://raw.githubusercontent.com/Ciencia-a-Mordiscos/lab/main'
style_file = '../../cam.mplstyle'
if not os.path.exists(style_file):
    style_file = '/tmp/cam.mplstyle'
    if not os.path.exists(style_file):
        urllib.request.urlretrieve(f'{BASE}/cam.mplstyle', style_file)
plt.style.use(style_file)

# Datos
df_fig2 = pd.read_csv('datos/fig2_estres_recall.csv')
df_fig4 = pd.read_csv('datos/fig4_pup_pickup.csv')

print(f'Fig 2 (aprendizaje contextual): {len(df_fig2)} ratones')
print(f'  grupos: {df_fig2["grupo"].unique().tolist()}')
print(f'Fig 4 (pup retrieval): {len(df_fig4)} ratones')
print(f'  grupos×virus: {df_fig4.groupby(["grupo","virus"]).size().to_dict()}')

Fig 2 (aprendizaje contextual): 34 ratones
  grupos: ['Control RE', 'Stress RE', 'NP']
Fig 4 (pup retrieval): 51 ratones
  grupos×virus: {('Control RE', 'hM4Di'): 11, ('Control RE', 'mCherry'): 12, ('NP', 'hM4Di'): 15, ('NP', 'mCherry'): 13}

Acto 1 — Ser madre potencia el aprendizaje contextual

Aquí está.

# Aprendizaje contextual: % de tiempo congelado al volver al contexto donde recibieron shock.
# Cada punto = una hembra. Línea ancha = media. Barras = SEM (error estándar de la media).

grupos = ['NP', 'Control RE', 'Stress RE']
labels = ['Virgen\n(NP)', 'Madre\n(Control RE)', 'Madre estresada\n(Stress RE)']
colores = [COLOR_NP, COLOR_CTRL, COLOR_STRESS]
positions = [0, 1, 2]

fig, ax = plt.subplots(figsize=(10, 5.5))

np.random.seed(42)
for pos, g, col in zip(positions, grupos, colores):
    vals = df_fig2.loc[df_fig2['grupo']==g, 'context_test_freezing'].values
    n = len(vals)
    x = np.linspace(pos - 0.13, pos + 0.13, n)
    np.random.shuffle(x)
    ax.scatter(x, vals, color=col, s=55, alpha=0.75,
               edgecolors='white', linewidths=0.6, zorder=5)
    mean = vals.mean()
    sem = vals.std(ddof=1) / np.sqrt(n)
    ax.errorbar(pos, mean, yerr=sem, fmt='_', color=col,
                markersize=26, markeredgewidth=3,
                capsize=8, capthick=1.6, zorder=6)

ax.set_xticks(positions)
ax.set_xticklabels(labels, fontsize=10, fontweight='bold')
for tick, c in zip(ax.get_xticklabels(), colores):
    tick.set_color(c)

ax.set_ylabel('Congelación contextual (%)', fontsize=11)
ax.set_title('¿Recordó la cría dónde recibió el shock?',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Cada punto = una hembra · barra = media ± SEM',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.set_ylim(-3, 60)

# Nota explicativa de error bars
ax.text(0.98, 0.02, '━ media ± SEM', transform=ax.transAxes,
        fontsize=8, color='#999999', ha='right', va='bottom', style='italic')

fig.text(0.13, -0.03, FUENTE_FIG2, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/01_aprendizaje_contextual.png', dpi=200, bbox_inches='tight')
plt.show()

Lo que llama la atención: la madre control casi duplica el aprendizaje de la virgen — 34% vs 19% de tiempo congelado. La separación es grande y limpia (Cohen d = 1,22, Mann-Whitney U bilateral, p = 0,021).

El grupo del medio guarda la pista mecanicista: las madres estresadas crónicamente — separadas de sus crías 4 horas al día durante dos semanas — caen a una mediana de 20%, casi al nivel virgen. Pero hay alta varianza: algunas madres estresadas siguen aprendiendo bien. Ese ruido es información, no error — sugiere que la vulnerabilidad al estrés es individual.

Acto 2 — ¿Y si silenciamos la dopamina en una virgen?

Aquí viene lo audaz. El equipo inyectó en el área ventral tegmental (VTA, fuente principal de dopamina del cerebro) un virus que expresa hM4Di — un receptor sintético que funciona como un interruptor químico: al darle clozapina-N-óxido, apaga selectivamente la liberación de dopamina en el dHF.

La pregunta: ¿una virgen con dopamina silenciada se comporta como una madre frente a una cría que necesita rescate?

La prueba: dejas la cría fuera del nido. Mides cuántos segundos tarda la hembra en recogerla. Cutoff a 900 segundos (15 minutos) — si no la recoge, queda censurada.

# Latencia de la primera cría (pup1) por grupo × virus.
# Escala log10 porque el rango va de 8s a 900s.

combos = [
    ('Control RE', 'mCherry', 'Madre · control viral'),
    ('Control RE', 'hM4Di',   'Madre · DA silenciada'),
    ('NP',         'mCherry', 'Virgen · control viral'),
    ('NP',         'hM4Di',   'Virgen · DA silenciada'),
]
colores4 = [COLOR_CTRL, COLOR_CTRL, COLOR_NP, COLOR_CHEMO]
alphas   = [0.85, 0.50, 0.85, 0.85]
positions4 = [0, 1, 2.5, 3.5]

fig, ax = plt.subplots(figsize=(11, 5.5))

np.random.seed(7)
for pos, (g, v, _), col, alpha in zip(positions4, combos, colores4, alphas):
    vals = df_fig4.loc[(df_fig4['grupo']==g) & (df_fig4['virus']==v), 'pup1_latencia_s'].values
    n = len(vals)
    cens = int((vals == CUTOFF_LATENCIA).sum())
    x = np.linspace(pos - 0.13, pos + 0.13, n)
    np.random.shuffle(x)

    # Puntos no censurados
    no_cens = vals < CUTOFF_LATENCIA
    ax.scatter(x[no_cens], vals[no_cens], color=col, s=55, alpha=alpha,
               edgecolors='white', linewidths=0.6, zorder=5)
    # Puntos censurados (anillo abierto)
    if cens > 0:
        ax.scatter(x[~no_cens], vals[~no_cens], facecolors='white', edgecolors=col,
                   s=70, linewidths=1.6, alpha=0.95, zorder=5)

    med = np.median(vals)
    ax.errorbar(pos, med, fmt='_', color=col,
                markersize=26, markeredgewidth=3, zorder=6)

ax.set_yscale('log')
ax.set_yticks([10, 30, 100, 300, 900])
ax.set_yticklabels(['10', '30', '100', '300', '900 (cutoff)'])
ax.set_ylabel('Latencia para recoger la primera cría (s)', fontsize=11)
ax.axhline(y=CUTOFF_LATENCIA, color='#999999', linewidth=1, linestyle=':', alpha=0.6)

ax.set_xticks(positions4)
ax.set_xticklabels([c[2] for c in combos], fontsize=9.5, fontweight='bold')
for tick, c in zip(ax.get_xticklabels(), colores4):
    tick.set_color(c)

ax.set_title('Silenciar la dopamina convierte a la virgen en cuidadora',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Línea ancha = mediana · anillo abierto = no recogió antes de los 900 s',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')

# Anotación del rescate
ax.annotate('8 de 13 vírgenes\nnunca recogen cría',
            xy=(2.0, 900), xytext=(2.0, 1700),
            fontsize=9.5, color=COLOR_NP, ha='center', fontweight='bold',
            arrowprops=dict(arrowstyle='->', color=COLOR_NP, lw=1.2))
ax.annotate('14 de 15 lo hacen\nen ~100 s',
            xy=(3.5, 102), xytext=(3.7, 14),
            fontsize=9.5, color=COLOR_CHEMO, ha='left', fontweight='bold',
            arrowprops=dict(arrowstyle='->', color=COLOR_CHEMO, lw=1.2))

fig.text(0.13, -0.03, FUENTE_FIG4, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/02_pup_retrieval.png', dpi=200, bbox_inches='tight')
plt.show()

Lo crítico de la comparación: mira las dos barras de la derecha. La virgen con control viral (gris) tiene una mediana clavada en el cutoff — más de la mitad nunca recoge cría. La virgen con dopamina silenciada (violeta) baja a 102 segundos.

El efecto es enorme: Δ mediana = -798 s, Cohen d = -1,50, Mann-Whitney U bilateral p = 0,0018 (n = 15 hM4Di vs 13 mCherry).

Las dos barras de la izquierda son el control de especificidad: en la madre, silenciar dopamina no cambia su comportamiento (15 s vs 24 s — ambas rápidas). Eso es lo que esperas si el sistema dopamina-dHF ya está remodelado en la madre — no queda nada que silenciar.

# Tasa de rescate: % de hembras que recogieron al menos una cría antes del cutoff.
# Esto traduce la latencia censurada a una métrica binaria fácil de leer.

resumen = []
for g, v, lbl in combos:
    sub = df_fig4[(df_fig4['grupo']==g) & (df_fig4['virus']==v)]
    n = len(sub)
    rescatan = int((sub['pup1_latencia_s'] < CUTOFF_LATENCIA).sum())
    resumen.append({'combo': lbl, 'n': n, 'rescatan': rescatan, 'pct': 100*rescatan/n})
res = pd.DataFrame(resumen)
print(res.to_string(index=False))

fig, ax = plt.subplots(figsize=(10, 4.5))
bars = ax.barh(range(len(res)), res['pct'].values,
               color=colores4, alpha=0.85, height=0.6, edgecolor='white', linewidth=1.5)

for i, (pct, n, rescatan) in enumerate(zip(res['pct'], res['n'], res['rescatan'])):
    ax.text(pct + 1.5, i, f'{rescatan}/{n}  ({pct:.0f}%)',
            va='center', fontsize=10, fontweight='bold', color=colores4[i])

ax.set_yticks(range(len(res)))
ax.set_yticklabels(res['combo'].values, fontsize=10, fontweight='bold')
for tick, c in zip(ax.get_yticklabels(), colores4):
    tick.set_color(c)
ax.invert_yaxis()
ax.set_xlabel('Hembras que recogen ≥1 cría antes de 900 s (%)', fontsize=11)
ax.set_xlim(0, 115)
ax.set_xticks([0, 25, 50, 75, 100])
ax.set_title('La virgen silenciada se comporta como una madre',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.04, 'Métrica binaria derivada del cutoff de 900 s',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')

fig.text(0.13, -0.05, FUENTE_FIG4, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/03_tasa_rescate.png', dpi=200, bbox_inches='tight')
plt.show()

                 combo  n  rescatan        pct
 Madre · control viral 12        12 100.000000
 Madre · DA silenciada 11        10  90.909091
Virgen · control viral 13         5  38.461538
Virgen · DA silenciada 15        14  93.333333

¿Qué tan rara es la madre comparada con sus pares vírgenes?

Para cerrar, una vista de todos los 34 ratones de la Fig 2 juntos.

# Distribución del % de freezing en los 34 ratones, con la mediana de cada grupo.

fig, ax = plt.subplots(figsize=(10, 5))
all_vals = df_fig2['context_test_freezing'].values
n, bins, patches = ax.hist(all_vals, bins=18, color='#CCCCCC', alpha=0.55,
                           edgecolor='#888888', linewidth=0.8)
y_max = n.max() * 1.25
ax.set_ylim(0, y_max)

# Medianas
med_np = df_fig2.loc[df_fig2['grupo']=='NP', 'context_test_freezing'].median()
med_ctrl = df_fig2.loc[df_fig2['grupo']=='Control RE', 'context_test_freezing'].median()

ax.axvline(x=med_np, color=COLOR_NP, linewidth=2.5)
ax.axvline(x=med_ctrl, color=COLOR_CTRL, linewidth=2.5)

# Flecha bidireccional + delta
y_arrow = y_max * 0.7
ax.annotate('', xy=(med_ctrl, y_arrow), xytext=(med_np, y_arrow),
            arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
delta = med_ctrl - med_np
ax.text((med_np + med_ctrl) / 2, y_arrow * 1.06,
        f'+{delta:.0f} puntos (+{100*delta/med_np:.0f}%)',
        ha='center', fontsize=10, fontweight='bold', color='#444444')

# Inline labels
ax.text(med_np - 1.5, y_max * 0.92, 'Mediana\nvirgen', color=COLOR_NP,
        fontsize=10, fontweight='bold', ha='right', va='top')
ax.text(med_ctrl + 1.5, y_max * 0.92, 'Mediana\nmadre', color=COLOR_CTRL,
        fontsize=10, fontweight='bold', ha='left', va='top')

ax.set_xlabel('Congelación contextual (%)', fontsize=11)
ax.set_ylabel('Número de hembras', fontsize=11)
ax.set_title('La maternidad mueve la distribución hacia la derecha',
             fontsize=14, fontweight='bold', pad=18)

fig.text(0.13, -0.03, FUENTE_FIG2, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/04_distribucion_freezing.png', dpi=200, bbox_inches='tight')
plt.show()

print(f'\nMediana NP:          {med_np:.2f}%')
print(f'Mediana Control RE:  {med_ctrl:.2f}%')
print(f'Diferencia absoluta: {delta:.2f} puntos porcentuales')

Mediana NP:          18.63%
Mediana Control RE:  31.60%
Diferencia absoluta: 12.97 puntos porcentuales

Lo que los datos soportan

Afirmación	¿Soportada?	Detalle
La experiencia reproductiva potencia el aprendizaje contextual	✅	Control RE vs NP: mediana 31,6% vs 18,6% · Cohen d = 1,22 · Mann-Whitney p = 0,021
El estrés postparto crónico reduce esa ventaja	⚠️	Stress RE vs Control RE: Cohen d = -0,50 · p = 0,255 en Mann-Whitney bilateral. El paper lo enmarca como significativo vía ANOVA + post-hoc (mayor potencia); con test simple solo vemos tendencia. Alta varianza individual: algunas madres estresadas sí aprenden.
Silenciar dopamina en el dHF de una virgen la lleva a recoger crías	✅	NP+hM4Di vs NP+mCherry: Δ mediana -798 s · Cohen d = -1,50 · Mann-Whitney p = 0,0018 · tasa de rescate 14/15 vs 5/13
El efecto es específico de vírgenes	✅	Control RE+hM4Di vs Control RE+mCherry: medianas 24 s vs 15 s — ambas rápidas, sin diferencia conductual relevante

Limitaciones:

• Estudio principalmente en ratón (Mus musculus C57BL/6J). La validación humana del paper es solo molecular (transcriptoma + H3-dopaminilación en subiculo dorsal postmortem), no conductual.

• El paradigma de separación maternal-cría modela un estrés postparto crónico extremo — no equivale directamente al estrés postparto humano clínico.

• El cutoff de 900 s en pup retrieval introduce censura administrativa: subestima la diferencia real, porque varias vírgenes podrían no recoger cría nunca, ni con más tiempo.

• El mecanismo molecular (H3-dopaminilación como modificación post-traduccional de histonas) está probado en ratón; en humano se infiere por concordancia transcripcional, no por manipulación directa.

Ahora tú

Tres preguntas que estos datos pueden responder. La celda siguiente es un punto de partida — modifica lo que quieras.

1. ¿Cómo se ve el aprendizaje preshock (días 1-5) antes del test contextual? Los datos de Fig 2 incluyen preshock_1 a preshock_5. ¿Los tres grupos suben igual durante el condicionamiento, y la diferencia aparece solo en el recall?

2. ¿Importa el ciclo estral (1 vs 2) en la latencia de pup retrieval? En la Fig 4, la columna estro registra la fase de cada hembra. Calcula medianas por estro dentro de cada grupo.

3. Si excluyes los censurados (latencia = 900 s) del cálculo, ¿qué pasa con la diferencia NP+hM4Di vs Control RE+mCherry? Esto te da el «mejor caso» — el efecto residual incluso entre las hembras que sí recogen.

# --- EXPERIMENTA AQUÍ ---
# Pregunta 1: curva de aprendizaje preshock por grupo.

preshock_cols = [f'preshock_{i}' for i in range(1, 6)]
curva = df_fig2.groupby('grupo')[preshock_cols].mean()

fig, ax = plt.subplots(figsize=(10, 4.5))
estilo = {'NP': (COLOR_NP, 'o'),
          'Control RE': (COLOR_CTRL, 's'),
          'Stress RE': (COLOR_STRESS, '^')}
dias = [1, 2, 3, 4, 5]
for grupo, fila in curva.iterrows():
    col, marker = estilo[grupo]
    ax.plot(dias, fila.values, marker=marker, color=col, linewidth=2, markersize=9,
            label=grupo, alpha=0.85)
    ax.text(5.05, fila.values[-1], grupo, color=col, fontsize=10,
            fontweight='bold', va='center')

ax.set_xticks(dias)
ax.set_xlabel('Día de condicionamiento', fontsize=11)
ax.set_ylabel('Congelación pre-shock (%)', fontsize=11)
ax.set_title('Los tres grupos aprenden a anticipar el shock',
             fontsize=13, fontweight='bold', pad=16)
ax.set_xlim(0.7, 6.0)

fig.text(0.13, -0.05, FUENTE_FIG2, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/05_curva_preshock.png', dpi=200, bbox_inches='tight')
plt.show()

# Inténtalo tú: descomenta para responder la pregunta 3 (excluir censurados)
# no_cens = df_fig4[df_fig4['pup1_latencia_s'] < CUTOFF_LATENCIA]
# print(no_cens.groupby(['grupo', 'virus'])['pup1_latencia_s'].median())

---

Fuentes

Paper: Dopamine drives persistent remodelling of the maternal brain
Nature, 2026-05-14

Supplementary Material: Source Data Fig 2 & Fig 4 (MOESM5)
Source Data del mismo DOI — CSVs derivados para análisis directo

14 afirmaciones del notebook verificadas contra estas fuentes

Reproducible: clona el repo, abre el notebook, ejecuta de arriba a abajo. Los CSVs vienen del Supplementary del propio paper, transcritos a .csv para análisis directo. Licencia: CC-BY 4.0 sobre la narrativa y el código; los datos siguen la licencia del paper original.

github.com/Ciencia-a-Mordiscos/lab