Quantifying the cost of network computations to unpack structure-function relationships in the brain

Resumen Técnico: Cuantificación del Costo de las Computaciones de Red para Desentrañar la Relación Estructura–Función en el Cerebro

Planteamiento del Problema
Si bien se han realizado esfuerzos extensos para caracterizar la estructura anatómica de las redes cerebrales (desde conectomas sinápticos hasta tractos de materia blanca) y la estructura estadística de la actividad neural, persiste una brecha fundamental en la comprensión de cómo la estructura de la red restringe directamente las computaciones que una red puede soportar con facilidad. Específicamente, para una estructura de red dada, ¿qué patrones de actividad son naturalmente fáciles de generar y cuáles son difíciles? Abordar esto requiere un marco general que mapee la estructura de la red directamente sobre una medida cuantitativa de la "afordancia computacional" (capacidad de acción computacional): la facilidad con la que se puede obtener cualquier patrón de actividad dado.

Metodología
Los autores proponen un marco cuantitativo basado en la teoría de control de redes para definir y cuantificar el costo de las computaciones.

• Definición de Computación: Una computación se enmarca como una transición dirigida a objetivos del estado de actividad de la red desde un estado inicial ($x_0$) hacia un estado objetivo funcionalmente relevante ($x_f$), impulsada por entradas externas $u(t)$ durante un horizonte temporal $T$.
• Métrica de Costo: El costo de una computación se cuantifica como la energía de la entrada requerida para implementar la transición: $C = \int_0^T \|u(t)\|^2 dt$.
• Linealización y Gramiano: Para asegurar la tractabilidad analítica, la dinámica de la red se linealiza alrededor de un punto de equilibrio. El costo mínimo para llevar la red a un estado objetivo se deriva como $C_{min} = D^\top W^{-1} D$, donde $D$ es la discrepancia entre el estado objetivo y la solución homogénea, y $W$ es el gramiano de controlabilidad.
• Paisaje de Afordancia Computacional: El inverso del gramiano ($W^{-1}$) se define como el paisaje de afordancia computacional. Este paisaje codifica la distribución completa de los costos a través de todas las transformaciones de actividad posibles, moldeado conjuntamente por la estructura de interacción interna de la red ($W$) y su estructura de entrada ($B$).
• Descomposición de Modos Propios: El costo de impulsar un patrón específico se analiza descomponiéndolo en la base de eigenmodos del gramiano. El costo es una suma ponderada de proyecciones sobre los eigenmodos, donde el peso está determinado por los autovalores del paisaje.

Contribuciones Clave y Resultados
El marco se aplica en tres escalas distintas para validar su utilidad al vincular la estructura con la función:

1. Circuito de Dirección de Cabeza de Drosophila (Microescala):

   • El marco se aplicó a un modelo de atractor de anillo del circuito de dirección de cabeza de la mosca.
   • Resultado: El análisis reveló un único modo en el paisaje de afordancia que era sustancialmente menor en costo que todos los demás. Este modo de menor costo correspondía precisamente a la derivada del "bump" de actividad con respecto al ángulo de orientación.
     implicación:** La computación energéticamente más barata de la red es exactamente su función biológica conocida: actualizar la representación de la orientación. Además, el marco predijo la estructura de entrada óptima (aumentar la entrada delante del bump, disminuirla detrás), lo cual se alinea con las entradas anatómicas conocidas de las neuronas de desplazamiento (shift neurons).

2. Conectomas Cerebrales Humanos (Macroescala):

   • Se analizaron datos de conectividad estructural de 100 sujetos del Proyecto del Conectoma Humano (HCP) a través de 7 redes funcionales canónicas.
   • Resultado: La heterogeneidad del paisaje de afordancia (medida por el rango intercuartílico de los autovalores) varía sistemáticamente a lo largo del eje sensorimotor-asociación (S-A).
     • Redes Sensoriales: Presentan paisajes altamente heterogéneos, lo que indica que algunos modos son mucho más costosos que otros. Esto sugiere una especialización para un conjunto específico de computaciones (por ejemplo, el filtrado y refinamiento de la información sensorial).
     • Redes de Asociación: Presentan paisajes más homogéneos, lo que sugiere un acceso uniforme a una gama más amplia de estados de actividad, consistente con un procesamiento flexible y de dominio general.
   • Simetría Espacial: El estudio también encontró que los patrones de actividad bilateralmente simétricos son consistentemente de menor costo en todas las redes, lo que concuerda con las observaciones de neuroimagen de activación bilateral.

3. Redes Neuronales Recurrentes Artificiales (RNNs):

   • Se analizaron RNNs entrenadas en tareas de toma de decisiones para observar cómo el aprendizaje moldea la afordancia.
   • Resultado: Antes del entrenamiento, los autovalores del paisaje estaban estrechamente agrupados (homogéneos). A medida que el entrenamiento progresaba, la distribución de los costos se ensanchaba de forma monótona, creando modos distintos de bajo y alto costo.
   • Implicación: El aprendizaje dirigido a objetivos "esculpe" activamente el paisaje de afordancia, aumentando su heterogeneidad para favorecer las computaciones específicas requeridas por la tarea.

Significancia y Reivindicaciones
El artículo establece un marco cuantitativo que hace que la relación entre la estructura de la red y la función computacional sea concreta y tratable. Al definir un paisaje de afordancia computacional, los autores demuestran que:

• La estructura de la red favorece intrínsecamente ciertas computaciones (bajo costo) mientras penaliza otras (alto costo).
• Este marco recupera con éxito funciones biológicas conocidas (por ejemplo, en la brújula de la mosca) y predice estructuras de entrada necesarias sin conocimiento previo de la tarea específica.
• En el cerebro humano, las diferencias estructurales entre las redes sensoriales y de asociación se reflejan en la topología de sus afordancias computacionales, proporcionando una explicación mecanística para sus distintos roles funcionales.
• El aprendizaje en los sistemas neurales puede verse como el remodelado activo de este paisaje para optimizar objetivos específicos.

Los autores señalan que, si bien la implementación actual depende de la linealización alrededor de puntos fijos (lo cual es analíticamente resoluble), el marco es aplicable a sistemas no lineales mediante la estimación local del Jacobiano. Concluyen que este enfoque ofrece una ventana principal para entender cómo la estructura de la red moldea la función computacional, con aplicaciones potenciales que se extienden a otras redes biológicas y físicas donde la función emerge de la estructura.