Resumen Técnico: Recuperación de Conectividad Neural Escasa a partir de Mediciones Parciales

1. Planteamiento del Problema

El objetivo central de este trabajo es resolver un problema inverso fundamental en neurociencia: inferir la matriz de conectividad completa ($W$) de un circuito neuronal recurrente a partir de observaciones parciales e incompletas.

• Contexto: En circuitos cerebrales pequeños (como C. elegans, larvas de pez cebra u organoides), el número de neuronas es manejable ($10^2 - 10^4$), pero la grabación simultánea de todas las neuronas en una sola sesión es técnicamente difícil.
• Desafío: Se dispone de múltiples sesiones de grabación donde, en cada una, solo se observa un subconjunto diferente de neuronas ($M_k$) y se estimula otro subconjunto ($S_k$). Además, las dinámicas intrínsecas del circuito incluyen generadores de patrones centrales (CPG) no modelados que actúan como dinámicas autónomas.
• Compensación Control-Estimación: Existe un tradeoff clásico: estimular las neuronas ayuda a la identificabilidad (excitando modos de la red), pero perturba las dinámicas intrínsecas biológicamente relevantes. El protocolo ideal debe equilibrar la excitación necesaria para la estimación con la preservación de la dinámica natural.

2. Metodología

El enfoque propuesto es un método basado en covarianza combinado con un refinamiento de causalidad de Granger.

A. Modelo del Sistema

Se modela el circuito como un sistema dinámico recurrente discreto:
$$x_{t+1} = W\phi(x_t) + b_t$$
Donde $x_t$ es el estado neuronal, $W$ es la matriz de conectividad, $\phi$ es una no linealidad (ej. tanh) y $b_t$ incluye estimulación externa y la drive del CPG.

B. Estimador Basado en Covarianza

La idea clave es acumular estadísticas de covarianza par a par a través de múltiples sesiones.

1. Aproximación Lineal: Se asume una aproximación lineal local ($\phi(x) \approx x$) para simplificar la relación entre estados consecutivos.
2. Acumulación de Covarianzas: Para cada par de neuronas $(i, j)$, se calcula la covarianza empírica $\hat{\Sigma}_{ij}$ solo en las sesiones donde ambas neuronas fueron observadas simultáneamente. Estas covarianzas parciales se promedian para reconstruir una estimación de la matriz de covarianza completa.
3. Estimador de Mínimos Cuadrados: Bajo la suposición de independencia entre entradas y estados, se estima $W$ mediante:
   $$\hat{W} = \Sigma_{x_{t+1}, x_t} \Sigma_{x_t, x_t}^{-1}$$
   En presencia de ruido de medición, este estimador actúa naturalmente como una regularización de Ridge, lo que resulta beneficioso para la estabilidad numérica.

C. Refinamiento por Causalidad de Granger

El estimador crudo puede violar restricciones biológicas. Se aplica un paso de refinamiento mediante descenso de gradiente proyectado para imponer:

1. Sin autápsis: $W_{ii} = 0$ (las neuronas no se conectan consigo mismas).
2. No causalidad de Granger: Si la covarianza contemporánea es mayor que la covarianza con retardo, se fuerza $W_{ij} = 0$.
3. No negatividad: $W_{ij} \geq 0$ (en redes excitatorias).

3. Contribuciones Clave

1. Estimador de Covarianza Acumulada: Derivación de un estimador $\hat{W}$ que recupera la conectividad completa sin necesidad de grabar todas las neuronas simultáneamente, estableciendo condiciones de identificabilidad.
2. Refinamiento Biológico: Introducción de un paso de optimización que impone restricciones estructurales (esparsidad, no negatividad, ausencia de autápsis) mejorando significativamente la precisión.
3. Regularización Implícita Sorprendente: Se descubre que la "incorrecta" aproximación lineal (usando $\Sigma_{x,x}$ en lugar de la covarianza exacta con la no linealidad $\Sigma_{\phi(x),x}$) actúa como una regularización implícita. Este estimador aproximado supera consistentemente al "estimador oráculo" (que conoce la no linealidad exacta) en todos los regímenes operativos. Esto se explica mediante la identidad de Stein-Price, donde la aproximación lineal evita el mal acondicionamiento numérico que introduce la compresión de valores grandes por funciones como tanh.
4. Caracterización del Tradeoff: Se caracteriza sistemáticamente la relación entre la intensidad de la estimulación y la densidad de medición, revelando que el nivel óptimo de estimulación depende críticamente de qué fracción de neuronas se observa.

4. Resultados Experimentales

Los experimentos se realizaron en redes sintéticas que modelan circuitos cerebrales pequeños ($N=8, 12, 30$).

• Precisión de Recuperación: El método supera consistentemente a las líneas base aleatorias. Para una red de $N=30$ con 1000 pasos de tiempo y 66% de medición, el error de recuperación (distancia de Frobenius normalizada) se reduce a 0.053 tras el refinamiento de Granger, una mejora del 91% sobre la línea base aleatoria.
• Efecto del Refinamiento de Granger:
  • Reduce el error adicionalmente en un ~6% tras aplicar la restricción de no autápsis.
  • Logra un recall perfecto (1.0): todas las conexiones verdaderas se preservan.
  • Mejora la precisión al eliminar pesos espurios pequeños.
• Interacción Estimulación-Densidad:
  • En mediciones altas (66-100%), la cero estimulación falla catastróficamente (error > 4.0) porque las dinámicas del CPG por sí solas no excitan todos los modos de la red (la matriz de covarianza es de rango deficiente).
  • Una estimulación moderada ($\sigma \approx 0.5$) produce la mejor recuperación (~0.03).
  • Una estimulación excesiva degrada el resultado al dominar el ruido sobre la señal.
• Robustez a No Linealidades: Contraintuitivamente, la función de activación tanh (que introduce no linealidad) produce la mejor recuperación (error 0.094) en comparación con identidad o ReLU. Esto se debe a que tanh acota los valores del estado, mejorando el número de condición de la matriz de covarianza, mientras que las funciones no acotadas permiten deriva de estado que empeora la inversión numérica.
• Análisis de Error: La fuente dominante de error no es la aproximación lineal, sino la correlación entre la entrada del CPG y el estado ($E_2$), que es 3.5 veces mayor que el error de desajuste del modelo ($E_1$).

5. Significado e Implicaciones

• Viabilidad Experimental: Este marco demuestra que es posible reconstruir conectomas completos sin necesidad de grabaciones masivas simultáneas, aprovechando la superposición de neuronas observadas en múltiples sesiones (típico en microscopía de campo amplio o imágenes de calcio).
• Paradigma de Regularización: El hallazgo de que una aproximación lineal "incorrecta" supera a un modelo oráculo exacto debido a efectos de regularización implícita (análogo a la contracción de James-Stein) tiene implicaciones profundas para el diseño de estimadores en sistemas no lineales.
• Guía Experimental: Proporciona una guía cuantitativa para diseñar protocolos experimentales: la cantidad de estimulación debe ajustarse dinámicamente según la densidad de observación para maximizar la identificabilidad sin destruir la dinámica intrínseca.
• Escalabilidad: Aunque los experimentos actuales se limitan a redes pequeñas ($N \leq 30$), el método ofrece una ruta teórica para escalar a circuitos más grandes, siempre que se mantenga una densidad de medición suficiente para garantizar que la matriz de covarianza sea invertible y bien condicionada.

En conclusión, el artículo presenta una solución robusta y teóricamente fundamentada para el problema de la inferencia de conectividad en condiciones de observación parcial, destacando la importancia de la acumulación estadística y el uso inteligente de restricciones biológicas.