Resumen Técnico: Inferencia de la Función de Circuitos Neurales con LLMs (LLantia)

Planteamiento del Problema

La rápida aceleración del mapeo del conectoma, particularmente en Drosophila melanogaster, ha desplazado el desafío principal desde la adquisición de datos hacia la interpretación de la función de los circuitos neurales. Si bien el conectoma de la mosca de la fruta contiene aproximadamente 140,000 neuronas, estas pueden reducirse a una matriz de conectividad de unos 9,000 tipos celulares distintos basados en la morfología y la conectividad sináptica. Sin embargo, la enorme densidad de conectividad —donde ~80% de los tipos celulares están sinápticamente conectados dentro de cinco saltos— crea una explosión combinatoria de posibles vías de entrada-salida. Esta complejidad, combinada con una literatura dispersa y fragmentada que cubre solo una fracción de los tipos celulares, dificulta la formulación de modelos y experimentos contrastables. Los enfoques existentes para la agregación de literatura dependen en gran medida de la curación manual o de herramientas comerciales que carecen de APIs abiertas, lo que dificulta la integración sistemática de los datos funcionales conocidos con los datos estructurales del conectoma a escala.

Metodología: El Marco LLantia

Los autores presentan LLantia (inferencia y análisis automatizado de circuitos neurales mediante LLM), un pipeline automatizado diseñado para inferir la función de los tipos de células neurales y los circuitos que comprenden, combinando la estructura del conectoma con descripciones funcionales derivadas de la literatura. El marco opera a través de tres etapas principales:

1. Minería de Literatura Automatizada y Destilación de Funciones

• Recorrido del Grafo de Citas: Partiendo de 114 artículos "semilla" seleccionados a mano, el sistema utiliza la API de Semantic Scholar para recorrer el grafo de citas (ascendente y descendente, 2 saltos).
• Filtrado de Relevancia: Un LLM pequeño (Qwen3.5-4B) filtra los artículos basándose en títulos y resúmenes por su relevancia con la función neural de Drosophila, siguiendo un filtro inicial de palabras clave.
• Extracción y Normalización: Se recuperan los PDFs de texto completo (vía Semantic Scholar, Unpaywall, OpenAlex) y son procesados por un LLM grande (Qwen3.6-35B) para extraer nombres de tipos celulares y sus funciones.
• Emparejamiento de Nombres: Los nombres extraídos se cotejan con identificadores del conectoma mediante listas de sinónimos y coincidencia parcial de cadenas.
• Resumen: Para los tipos celulares que aparecen en múltiples artículos, el LLM consolida los hallazgos en descripciones concisas (máximo 30 palabras) para ajustarse a las restricciones de los prompts posteriores.

2. Inferencia de la Función de un Tipo Celular Único

Para inferir la función de un tipo celular de consulta, el sistema construye un prompt estructurado que contiene:

• Datos del Conectoma: Conectividad efectiva con signo precomputada (excitatoria/inhibitoria) de neuronas sensoriales y células funcionales conocidas hacia la consulta, y de la consulta hacia células conocidas.
• Contexto Local: Socios presinápticos y postsinápticos directos y sus pesos de conectividad.
• Conocimiento Funcional: Un compendio de descripciones funcionales destiladas de todos los tipos celulares "conocidos" que participan en las vías polisinápticas de la consulta.
• Restricción: La función conocida del tipo celular de consulta se excluye explícitamente para evitar la filtración de datos (data leakage) y probar la capacidad de inferencia.
• Salida: El LLM (Qwen3.6-35B) genera una respuesta JSON estructurada que detalla el contexto conductual, la lógica del circuito, la evaluación de coherencia, la computación inferida, las conexiones de apoyo clave y las computaciones intermedias.

3. Inferencia de la Función de Circuitos Jerárquicos

Para circuitos más amplios, el pipeline emplea una estrategia de prompting jerárquico de varios pasos:

• Búsqueda de Caminos: El Intérprete de Conectomas identifica todas las vías polisinápticas entre tipos celulares de origen y destino definidos.
• Representación por Capas: El circuito se transforma en un grafo por capas (basado en el flujo de información) para reducir la redundancia de tokens, listando los tipos celulares por su distancia sináptica respecto a las fuentes.
• Síntesis Iterativa:
  1. Pareja: Inferir funciones para pares específicos de entrada-salida.
  2. Agregación: Sintetizar funciones para todas las rutas que convergen en un objetivo o divergen de una fuente.
  3. Síntesis Global: Combinar estos resúmenes para definir la función de todo el circuito a través de múltiples contextos conductuales y fisiológicos (por ejemplo, estado de hambre, estado de apareamiento).

Resultados Clave y Validación

Precisión de la Extracción de Literatura

La extracción automatizada de las funciones de los tipos celulares fue validada contra conjuntos de datos curados manualmente. El análisis de similitud de incrustaciones (embedding similarity analysis, usando Qwen3-Embedding-8B) mostró que las descripciones para un mismo tipo celular generadas por el pipeline automatizado eran significativamente más similares a las descripciones curadas por humanos que a las descripciones de otros tipos celulares (Wilcoxon $p < 1.51 \times 10^{-35}$).

Validación de la Inferencia

• Cuantitativa: Para 488 tipos celulares con funciones conocidas, las descripciones inferidas por el LLM (excluyendo la función conocida del prompt) fueron significamente más cercanas a la verdad de referencia (ground truth) derivada de la literatura que a las descripciones de otros tipos celulares ($p < 1.30 \times 10^{-33}$).
• Control de Memoria vs. Análisis:
  • Cuando se eliminaron las descripciones de funciones conocidas del prompt, el rendimiento disminuyó, indicando que el modelo depende del contexto proporcionado en lugar de solo la memorización de nombres de tipos celulares.
  • Cuando los nombres de los tipos celulares se reemplazaron por nombres ficticios (preservando la conectividad y las descripciones funcionales de los socios), el modelo mantuvo un alto rendimiento, demostrando que la inferencia es impulsada por el análisis estructural y funcional en lugar de la recuperación basada en nombres.
• Validación Prospectiva: El método se aplicó para inferir la función del tipo celular LoVPN (LTe72) utilizando el LLM (Qwen3.6), el cual fue lanzado en abril de 2026. El análisis se realizó antes de la publicación de Coban, Harris et al. (junio de 2026). El LLM predijo un "detector de saliencia visual dependiente del contexto" regulado por otras modalidades sensoriales (olfación, termocetación), lo cual se alineó precisamente con los hallazgos experimentales posteriores respecto a la regulación mediada por LHPV6m reportada en el artículo de junio de 2026.

Aplicaciones de Análisis de Circuitos

El marco se aplicó a seis circuitos amplios en el cerebro de la mosca de la fruta (por ejemplo, Lateral Horn a Central Complex, MBONs a Descending Neurons). El sistema generó descripciones jerárquicas identificando:

• Lógica Dependiente del Contexto: Circuitos que operan de manera distinta bajo estados específicos (por ejemplo, hambre vs. saciedad).
• Co-inhibición: Mecanismos donde tipos celulares específicos (por ejemplo, LPLC2) inhiben a otros (por ejemplo, pMP2) para imponer la exclusividad conductual.
• Comuertas AND: Requerimientos de múltiples condiciones simultáneas (por ejemplo, presencia de olor a comida + falta de prioridad de cortejo) para disparar salidas motoras específicas.

Significado y Reivindicaciones

El artículo sostiene que LLantia proporciona un método escalable y automatizado para cerrar la brecha entre la estructura del conectoma y la comprensión funcional. Sus contribuciones primarias son:

1. Inferencia Sistemática: Va más allá de la curación manual para inferir sistemáticamente las funciones de todos los ~9,000 tipos celulares en el conectoma de la mosca.
2. Retroceso y Transparencia: El output estructurado y jerárquico permite a los investigadores rastrear las hipótesis a nivel de circuito hasta subcircuitos específicos, conexiones sinápticas y la literatura original, facilitando la validación experimental.
3. Matiz Contextual: Al modelar explícitamente los contextos conductuales y fisiológicos, el método infiere cómo operan los circuitos bajo condiciones específicas, abordando la limitación de los mapas de conectividad estáticos.
4. Ciencia Abierta: Los autores liberan la suite de software (LLantia), el Intérprete de Conectomas y todos los datos generados (incluyendo hipótesis para el conectoma FAFB/FlyWire) como recursos de código abierto, permitiendo a la comunidad aplicar estos métodos a otros conectomas.

Los autores mantienen una postura modesta, reconociendo que el marco depende de la existencia de literatura previa para al menos algunos tipos celulares componentes y que la naturaleza de texto libre de los resultados requiere una validación sistemática adicional por parte de expertos humanos o comprobaciones de acuerdo funcional automatizadas. Sin embargo, demuestran que los LLM de pesos abiertos modernos pueden realizar la inferencia de circuitos neurales de manera efectiva cuando se guían por prompts estructurados que contienen conectividad y conocimiento funcional destilado.