Behavior-dLDS: A decomposed linear dynamical systems model for neural activity partially constrained by behavior

El artículo presenta behavior-dLDS, un modelo de sistemas dinámicos lineales descompuestos que permite disociar las dinámicas neuronales relacionadas con el comportamiento de las computaciones internas en grandes poblaciones de neuronas, demostrando su eficacia tanto en datos simulados como en grabaciones a gran escala de un pez cebra.

Lo esencial

🧠 El Problema: El Cerebro es una Orquesta Caótica

Imagina que tu cerebro es una gigantesca orquesta con miles de músicos (neuronas) tocando al mismo tiempo.

• A veces, la música que tocan es para que muevas la mano (el comportamiento).
• Otras veces, tocan una melodía para recordar dónde dejaste las llaves (pensamiento).
• Y a veces, tocan una canción de fondo porque tienes hambre o sientes frío (funciones internas).

El problema para los científicos es que, cuando graban a la orquesta entera, todo suena mezclado. Es como si grabaras a toda la orquesta con un solo micrófono y luego trataras de adivinar quién está tocando la trompeta y quién el violín solo por el sonido general. Además, la música del "pensamiento" y la de "mover la mano" ocurren al mismo tiempo, pero no siempre están sincronizadas.

🛠️ La Solución: "b-dLDS" (El Director de Orquesta Inteligente)

Los autores de este paper crearon un nuevo modelo matemático llamado b-dLDS (Sistemas Dinámicos Lineales Descompuestos Comportamentales).

Para entenderlo, imagina que tienes una caja de herramientas mágica que puede escuchar esa orquesta gigante y separar las pistas de audio automáticamente.

1. La Descomposición: En lugar de ver el cerebro como una sola masa de ruido, b-dLDS lo divide en "módulos" o "sub-sistemas". Piensa en ellos como instrumentos individuales dentro de la orquesta.
2. La Conexión con el Comportamiento: La parte genial de este modelo es que sabe distinguir qué instrumentos están tocando para que el pez se mueva (comportamiento) y cuáles están tocando para mantener el equilibrio interno (cálculos internos).
   • Analogía: Imagina que estás viendo un partido de fútbol. Hay jugadores que corren para marcar gol (comportamiento) y otros que están en el banquillo o en el vestuario pensando estrategias (cálculos internos). b-dLDS es capaz de decirte: "¡Oye, esos 5 jugadores están corriendo por el balón, pero esos otros 10 están pensando en la próxima jugada, aunque todos estén en el mismo campo al mismo tiempo!".

🐟 La Prueba: El Pez Cebra y el Río

Para probar si su "caja de herramientas" funcionaba, los científicos la aplicaron a un pez cebra.

• El escenario: El pez está en un río virtual. Tiene que nadar para mantenerse en el mismo lugar (como si el río lo empujara).
• La grabación: Grabaron la actividad de 13,000 neuronas a la vez (¡es una cantidad enorme!).
• El resultado:
  • Modelos antiguos intentaban conectar todo el cerebro con el movimiento del pez. Fallaban porque el cerebro hace muchas cosas más que solo moverse.
  • b-dLDS tuvo éxito: Logró identificar exactamente qué grupos de neuronas estaban controlando el movimiento del pez y cuáles estaban haciendo "cálculos internos" (como saber en qué dirección empuja la corriente).
  • Descubrieron que algunas neuronas trabajaban en equipo todo el tiempo para el movimiento, mientras que otras solo se activaban en momentos muy específicos o para cosas que no se veían (como la memoria de posición).

🚀 ¿Por qué es importante?

1. No todo es comportamiento: Nos enseña que el cerebro no es una máquina simple que solo hace lo que ves. Tiene una "vida interior" compleja que ocurre en paralelo.
2. Escalabilidad: Este modelo es tan eficiente que puede manejar datos de miles de neuronas sin volverse loco (otros modelos se "ahogan" con tanta información).
3. Precisión: Al separar lo que es "acción" de lo que es "pensamiento", podemos entender mejor enfermedades o cómo aprendemos cosas nuevas.

En resumen

Este paper presenta una nueva forma de escuchar al cerebro. En lugar de tratar de entender el ruido general, b-dLDS actúa como un ingeniero de sonido experto que separa las pistas: te dice qué parte de la música es para mover el cuerpo y qué parte es para pensar, todo al mismo tiempo, incluso cuando hay miles de músicos tocando a la vez.

Es como pasar de tener una foto borrosa de una fiesta ruidosa a tener un video en alta definición donde puedes ver exactamente quién está bailando y quién está charlando en la esquina.

Resumen técnico

Resumen Técnico: Behavior-dLDS

1. Planteamiento del Problema

Las grabaciones de redes neuronales a escala cerebral ofrecen una visión sin precedentes de cómo el cerebro genera el comportamiento. Sin embargo, existe un desafío fundamental en la modelado de estos datos:

• Complejidad de la relación: La actividad neuronal no está siempre alineada temporalmente con el comportamiento observable y puede ser no lineal o indirecta.
• Computaciones internas: La actividad cerebral contiene información relacionada con el comportamiento, pero también muchas computaciones internas paralelas (ej. ritmos circadianos, hambre, procesamiento sensorial irrelevante para la tarea) que no se reflejan en la conducta externa.
• Limitaciones de modelos existentes:
  • Los modelos agnósticos al comportamiento (no supervisados) aprenden componentes que luego deben correlacionarse a posteriori, perdiendo la alineación directa.
  • Los modelos conscientes del comportamiento (supervisados) a menudo asumen que toda la dinámica latente está condicionada por el comportamiento, o que el comportamiento y la actividad neuronal comparten el mismo espacio latente instantáneo. Esto falla al capturar la naturaleza distribuida y paralela de los subsistemas neuronales, donde solo un subconjunto de la dinámica genera el comportamiento.
  • Modelos como CLDS (Sistemas Dinámicos Lineales Condicionales) o PSID (Identificación de Subespacios Preferenciales) tienen dificultades para escalar a decenas de miles de neuronas o no logran disociar la dinámica intrínseca de la dinámica relacionada con el comportamiento.

2. Metodología: Behavior-dLDS (b-dLDS)

El artículo presenta b-dLDS, un modelo de sistemas dinámicos lineales descompuestos que introduce un enfoque intermedio: vincular explícitamente un subconjunto de los operadores de dinámica a las variables de comportamiento, mientras permite que el resto de la dinámica capture procesos internos.

Arquitectura del Modelo:
El modelo asume que los datos observados ($y_t$, actividad neuronal) y el comportamiento ($b_t$) son generados por un sistema latente de baja dimensión ($x_t$) y coeficientes de dinámica ($c_t$).

1. Generación de Datos Neuronales:
   $$y_t = D x_t + \epsilon_y$$
   Donde $D$ es la matriz de observación y $x_t$ es el estado latente.

2. Dinámica Latente Descompuesta:
   La transición del estado latente se modela como una combinación lineal de Operadores de Dinámica (DOs) ($f_m$) ponderados por coeficientes de dinámica ($c_{mt}$):
   $$x_t = F_t x_{t-1} + \epsilon_x, \quad \text{donde } F_t = \sum_{m=1}^{M} f_m c_{mt}$$
   Esto permite que la dinámica sea no lineal y no estacionaria en el tiempo, pero lineal localmente.

3. Generación del Comportamiento (La Innovación Clave):
   A diferencia de modelos anteriores que condicionan la dinámica directamente al comportamiento, b-dLDS modela el comportamiento como generado por los coeficientes de dinámica ($c_t$):
   $$b_t = \Psi c_t + \epsilon_b$$
   Donde $\Psi$ es una matriz de proyección que mapea los coeficientes de dinámica al espacio de comportamiento.

Regularización y Suposiciones:

• Esparsidad: Se asume que $\Psi$ es incompleta; es decir, solo un subconjunto de los coeficientes de dinámica ($c_t$) está relacionado con el comportamiento ($b_t$), mientras que el resto genera computaciones internas.
• Priors de Laplace: Se introduce una regularización de esparsidad ($\ell_1$) sobre los coeficientes $c_t$ para fomentar que solo unos pocos operadores estén activos en un momento dado.
• Norma de Frobenius: Se utiliza una penalización en la norma de Frobenius sobre $\Psi$ para permitir que el modelo aprenda que ciertas columnas de $\Psi$ (y por tanto ciertos DOs) no contribuyen al comportamiento (valores cercanos a cero).

Inferencia:
El modelo se entrena mediante un algoritmo Expectation-Maximization (EM):

• Paso E: Inferencia de estados latentes ($x_t$) y coeficientes ($c_t$) utilizando filtrado dinámico (BPDN-DF) para manejar grandes volúmenes de datos.
• Paso M: Actualización de parámetros ($D, \Psi, \{f_m\}$) mediante descenso de gradiente estocástico proyectado.

3. Contribuciones Clave

1. Desenredado de Subsistemas: b-dLDS es capaz de separar simultáneamente los subsistemas neuronales que generan el comportamiento de aquellos que realizan computaciones internas paralelas.
2. Escalabilidad: A diferencia de CLDS y PSID, b-dLDS no requiere calcular matrices de covarianza de alta dimensión, lo que le permite escalar a decenas de miles de neuronas (ej. 13,000 neuronas en datos de pez cebra).
3. Nueva Estructura de Regularización: Introduce términos de regularización específicos en los pasos de inferencia y actualización para mapear la dinámica al comportamiento y fomentar la esparsidad en este mapeo.
4. Interpretabilidad Dinámica: Permite identificar qué "Operadores de Dinámica" (DOs) específicos están vinculados a comportamientos observables y cuáles representan procesos internos, visualizando la conectividad dinámica asociada a cada uno.

4. Resultados

A. Datos Simulados:

• Precisión Superior: En simulaciones con dos sistemas independientes, b-dLDS superó a CLDS (el estado del arte condicionado al comportamiento). Mientras CLDS fallaba al aprender la dinámica intrínseca porque estaba demasiado condicionado al comportamiento, b-dLDS recuperó con precisión tanto la dinámica generadora de comportamiento como la interna.
• Comparación con PSID: b-dLDS manejó mejor casos donde la dinámica neuronal oscilaba rápidamente pero el comportamiento era suave, evitando los errores de predicción oscilatoria que sufría PSID.
• Recuperación de $\Psi$: El modelo aprendió correctamente qué coeficientes de dinámica estaban vinculados al comportamiento, incluso en escenarios ruidosos y con múltiples comportamientos.

B. Datos Reales (Pez Cebra):

• Aplicación: Se aplicó a una grabación de 12 minutos de un hindbrain de pez cebra (~13,000 neuronas) durante un comportamiento de homeostasis posicional (mantenerse en una corriente).
• Hallazgos:
  • El modelo identificó dinámicas alineadas con el comportamiento (natación) y dinámicas no relacionadas (procesamiento interno).
  • Los Operadores de Dinámica (DOs) más fuertes en la matriz $\Psi$ mostraron conectividad dinámica a todo el hindbrain correlacionada con el comportamiento.
  • Se confirmó la presencia de neuronas de codificación de auto-ubicación (SLO-MO) en el bulbo raquídeo, mostrando cómo la conectividad dinámica evoluciona durante la tarea.
  • Se observó no estacionariedad: diferentes coeficientes de dinámica dominaron en etapas tempranas vs. tardías de la sesión.

5. Significado e Impacto

• Reencuadre Conceptual: b-dLDS cambia la perspectiva de la relación cerebro-conducta, tratando el "estado cerebral" no como la actividad neuronal instantánea, sino como la configuración a largo plazo de los operadores de dinámica que pueden ser relevantes o irrelevantes para el comportamiento.
• Herramienta para Neurociencia de Gran Escala: Proporciona un marco computacionalmente eficiente para analizar datos de imágenes de calcio a escala cerebral (cientos de miles de neuronas), algo que los modelos dinámicos supervisados anteriores no podían hacer.
• Descubrimiento de Circuitos: Permite a los investigadores aislar y estudiar redes de conectividad dinámica específicas para el comportamiento, separándolas del "ruido" de las computaciones internas, lo cual es crucial para entender la organización de circuitos cerebrales complejos.

En conclusión, b-dLDS representa un avance significativo en la modelado de datos neuronales masivos, ofreciendo una solución matemática elegante para el problema de disentangle (desenredar) la compleja mezcla de procesos internos y conductuales en el cerebro.