🧠 neuroscience

Tracking the Fidelity of Internal Neural Representations with Error-In-Variables Regression

Este artículo introduce un marco de regresión de error en las variables no lineal que cuantifica la fidelidad de las representaciones neurales internas al modelar la actividad neural como una función de variables latentes que se desvían de los datos sensoriales y conductuales medidos, recuperando con éxito la dinámica oculta y los cambios representacionales dependientes de la condición tanto en grabaciones neurales sintéticas como reales.

Autores originales: Garon, I., Keeley, S., Williams, A. H.

Publicado 2026-08-03

📖 10 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Garon, I., Keeley, S., Williams, A. H.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que tu cerebro es un GPS súper avanzado, calculando constantemente dónde estás, hacia qué dirección te orientas y con qué velocidad te mueves. Para hacer esto, depende de un equipo de neuronas diminutas y trabajadoras que actúan como sensores, disparando patrones que corresponden al mundo exterior. Pero aquí está el truco: el "mapa" dentro de tu cerebro no siempre coincide con el "mapa" que ve el resto del mundo. A veces, el GPS se desvía debido a una señal débil, a veces se confunde por una habitación oscura y, a veces, simplemente decide tomar un atajo basado en una corazonada. Durante mucho tiempo, los científicos han intentado averiguar exactamente qué están pensando estas neuronas observando el mundo exterior (como el seguimiento de video de la posición de un ratón) y asumiendo que el mapa interno del cerebro es una copia perfecta de ese video. Pero, ¿qué pasaría si el mapa del cerebro fuera en realidad un poco inestable, o incluso completamente diferente de lo que ve la cámara? Si asumimos que la cámara es perfecta, podríamos pensar que el cerebro está roto o confundido, cuando en realidad, el cerebro solo está haciendo lo suyo.

Aquí es donde un nuevo estudio interviene para corregir el malentendido. Los investigadores, trabajando en el campo de la neurociencia, querían construir una mejor manera de escuchar los pensamientos internos del cerebro sin dejarse engañar por los datos ruidosos e imperfectos que podemos medir desde el exterior. Desarrollaron una herramienta estadística ingeniosa que actúa como un detective, separando el sentimiento interno "verdadero" de una neurona de la medición externa "ruidosa". Al hacer esto, pueden ver si una neurona está realmente perdiendo su sintonía o si es solo que nuestra cinta métrica se está resbalando. Esto es importante porque comprender cómo el mapa interno del cerebro se desvía de la realidad nos ayuda a entender cómo navegamos por el mundo, cómo recordamos las cosas y qué sucede cuando nuestra brújula interna empieza a fallar.

La nueva herramienta del detective: Regresión de Error en las Variables (EIV)

El artículo presenta un nuevo método llamado regresión de Error-en-Variables (EIV). Piensa en ello como intentar adivinar la verdadera voz de un cantante mientras estás en una habitación con un eco terrible y un micrófono inestable. Si solo grabas el sonido e intentas averiguar el tono del cantante, podrías pensar que está cantando fuera de tono debido al eco. Pero, ¿y si pudieras "restar" matemáticamente el eco y el bamboleo del micrófono para escuchar la voz real del cantante? Eso es exactamente lo que esta nueva herramienta hace por las células cerebrales.

En el pasado, los científicos utilizaban "curvas de sintonía convencionales". Imagina que intentas dibujar un mapa de una ciudad basándote en una foto borrosa y temblorosa. Si la foto es clara, tu mapa se ve genial. Pero si la foto es borrosa (tal vez porque la cámara se mueve o la iluminación es mala), tu mapa se emborrona y podrías pensar que las calles son más anchas o que los edificios están en el lugar equivocado. El artículo muestra que cuando los científicos usaban estos métodos antiguos en datos cerebrales, a menudo veían mapas "difuminados" y concluían que las neuronas se estaban confundiendo o perando su precisión.

El nuevo método EIV dice: "¡Un momento! Tal vez las neuronas son en realidad nítidas y precisas, pero la medición es la que es borrosa". Introduce una variable oculta —un estado interno "latente"— que representa lo que el cerebro realmente piensa que está sucediendo. El modelo luego determina cuánto el mundo real (la cámara de video) coincide con este pensamiento interno. Utiliza un dial especial llamado $\kappa$ (kappa) para controlar esta coincidencia.

Si $\kappa$ es alto, la cámara y el cerebro están perfectamente sincronizados. El modelo actúa como un mapa supervisado estándar.
Si $\kappa$ es bajo, la cámara y el cerebro están totalmente desincronizados. El modelo actúa como un detective no supervisado, ignorando la cámara y simplemente mirando los patrones del cerebro para encontrar su propio mapa.
La magia es que el modelo puede ajustar automáticamente este dial utilizando una técnica llamada validación cruzada. Observa los datos y pregunta: "¿Qué configuración de $\kappa$ tiene más sentido?".

Probando la teoría con cerebros falsos

Antes de confiar la herramienta con animales reales, los autores la probaron con datos sintéticos —una simulación por computadora de un cerebro. Crearon un escenario falso con 30 neuronas y 1,000 pasos de tiempo. Establecieron tres niveles diferentes de "fidelidad" (qué tan bien coincidía el mapa interno con el mundo exterior):

Alta Fidelidad ( $\kappa = 8.0$ ): El mapa interno y la cámara coincidían casi perfectamente.
Fidelidad Media ( $\kappa = 3.0$ ): Había cierta deriva y ruido.
Baja Fidelidad ( $\kappa = 0.5$ ): El mapa interno era muy diferente de la cámara.

En estas simulaciones, la sintonía "verdadera" de las neuronas (cómo respondían al mapa interno) se mantuvo exactamente igual. Pero a medida que el ruido en la cámara aumentaba, los mapas "convencionales" antiguos se volvían cada vez más planos, pareciendo que las neuronas habían perdido su capacidad de sintonización. Sin embargo, el nuevo modelo EIV recuperó con éxito las curvas de sintonía nítidas y verdaderas en los tres casos. Identificó correctamente que las neuronas no habían cambiado; solo había cambiado la relación entre el cerebro y la cámara. El modelo también adivinó con precisión el valor de $\kappa$ que se utilizó para crear los datos falsos, demostando que podía encontrar el nivel de supervisión adecuado por sí mismo.

Prueba del mundo real 1: La dirección de la cabeza del ratón

Los investigadores aplicaron luego esta herramienta a datos reales del núcleo talámico anterodorsal (ADn) en ratones, una región cerebral famosa por actuar como una brújula. Registraron ratones en tres situaciones diferentes:

Luz: El ratón podía verlo todo.
Oscuridad: El ratón estaba en la oscuridad, dependiendo de la memoria y otros sentidos.
Fijo en la cabeza (Head-Fixed): El ratón estaba sujeto a una bola flotante, por lo que no podía mover su cabeza, pero la habitación giraba a su alrededor. Esto alteró su sentido del equilibrio (entrada vestibular).

En la luz, la brújula interna del ratón y la cámara coincidían bien. El modelo encontró un $\kappa$ alto, lo que significa que el cerebro estaba siguiendo el mundo con precisión.
En la oscuridad, la coincidencia empeoró. El modelo encontró un $\kappa$ más bajo, mostrando que el sentido de la dirección interna del ratón estaba empezando a derivar de donde la cámara lo veía.
En la condición de cabeza fija, la deriva fue enorme. El modelo encontró un $\kappa$ muy bajo. La brújula interna del ratón estaba girando a una velocidad diferente que la de la habitación, o se estaba confundiendo, aunque las neuronas en sí seguían disparando en un patrón organizado y circular.

Aquí está el gran descubrimiento: Cuando los científicos usaron los métodos antiguos, vieron que las curvas de sintonía se aplanaban en las condiciones de oscuridad y de cabeza fija, y pensaron que las neuronas se estaban volviendo "ruidosas" o "defectuosas". Pero el modelo EIV mostró que las neuronas seguían siendo nítidas y precisas. Seguían sintonizadas con el sentido de la dirección interno del ratón. El problema no eran las neuronas; era que la dirección interna del ratón se había desacoplado del mundo real. El cerebro seguía haciendo su trabajo, pero el "mapa" que utilizaba ya no estaba alineado con la "cámara".

El estudio también analizó cómo este desajuste cambiaba con el tiempo. Encontraron que en la condición de cabeza fija, el error (la diferencia entre el mapa interno y la cámara) no se mantenía aleatorio; empezaba a oscilar como una onda. A veces el cerebro y el mundo estaban cerca, y otras veces se alejaban mucho, creando un patrón rítmico de perderse y volver a encontrar el camino.

Prueba del mundo real 2: Las células de red del ratón

A continuación, probaron la herramienta con células de red (grid cells) en ratas, que son neuronas que disparan en un patrón de panal a medida que el animal se mueve por el espacio. Registraron ratas en una arena circular, primero en la oscuridad y luego en la luz con una pista visual.

Nuevamente, los métodos antiguos mostraban que los mapas de posición de las ratas parecían borrosos y menos informativos en la oscuridad. Pero el modelo EIV reveló que la representación interna de la posición de la rata era en realidad mucho más nítida que los mapas borrosos sugerían.

Información Espacial: El modelo calculó que las neuronas portaban más información sobre la posición interna de la rata que sobre la posición medida, especialmente en la oscuridad.
Agrupamiento (Clustering): Cuando observaron dónde ocurrían los disparos, el método antiguo mostraba que los disparos estaban dispersos en la oscuridad. El método EIV mostró que, en relación con el mapa interno de la rata, los disparos estaban estrechamente agrupados, tal como en la luz.

El modelo también comparó tres tipos de enfoques:

Totalmente Supervisado (ignorando el desajuste): Forzaba el mapa del cerebro a coincidir con la cámara, resultando en un mapa borroso y disperso.
Totalmente No Supervisado (ignorando la cámara por completo): Encontraba un mapa claro, pero estaba tan rotado o desplazado que no se parecía en nada al movimiento real de la rata.
EIV (El punto ideal): Encontró el punto medio perfecto. Mantuvo el mapa nítido y agrupado, pero lo mantuvo lo suficientemente alineado con el movimiento real de la rata como para que fuera útil.

Decodificando el futuro

Finalmente, el equipo se preguntó: "¿Si usamos esta nueva herramienta, podemos predecir dónde está la rata mejor que antes?". Intentaron decodificar la posición de la rata a partir de la actividad cerebral por sí sola, sin mirar la cámara.

En la luz, el nuevo método fue solo ligeramente mejor que el antiguo porque la cámara ya era una buena guía.
En la oscuridad, el nuevo método fue significativamente mejor. Al ajustar el dial de $\kappa$ al lugar correcto, el modelo pudo predecir la posición de la rata con mayor precisión que los métodos antiguos, que se confundían con el ruido.

También comprobaron si el modelo era consistente. Si dividían las neuronas en dos grupos, ¿coincidían ambos grupos sobre dónde estaba la rata? Sí. El modelo EIV mostró que, incluso en la oscuridad, los dos grupos de neuronas contaban la misma historia sobre la posición interna de la rata, mientras que los métodos antiguos sugerían que estaban confundidas.

La conclusión

Este artículo no solo ofrece un nuevo truco matemático; ofrece una nueva forma de pensar. Sugiere que cuando nuestras mediciones del cerebro parecen desordenadas o "difuminadas", puede no ser porque el cerebro esté roto. Puede ser porque el mapa interno del cerebro se ha desviado del mundo externo, y estábamos intentando forzarlos a coincidir. Al utilizar esta regresión de Error en las Variables, los científicos finalmente pueden ver las señales verdaderas y nítidas del cerebro, incluso cuando el mundo que lo rodea es ruidoso, oscuro o confuso. Resulta que el cerebro es a menudo más preciso de lo que le damos crédito; simplemente es que, a veces, está navegando por un mapa diferente al que nosotros sostenemos.

Resumen Técnico: Seguimiento de la Fidelidad de las Representaciones Neurales Internas mediante Regresión de Error en las Variables

El Problema

Los neurocientíficos buscan frecuentemente identificar variables sensoriales y conductuales que correlacionen con la actividad neural. Sin embargo, estas correlaciones suelen ser imperfectas. Las representaciones neurales internas pueden desviarse sistemáticamente de las variables medidas externamente debido a varios factores:

Ruido de Medición: Las mediciones experimentales (por ejemplo, el seguimiento por video de la postura corporal) suelen contener errores.
Errores de Integración de Trayectoria: Los circuitos de navegación pueden acumular errores a lo largo del tiempo, causando que las estimaciones internas de posición o dirección difieran de la realidad.
Sesgos Sistemáticos: Las poblaciones neurales pueden representar variables externas con desplazos (por ejemplo, representando ubicaciones pasadas o futuras) o cambiar espontáneamente de marcos de referencia.
Variabilidad Contextual: Estímulos idénticos pueden provocar respuestas diferentes debido a variaciones sutiles y no medidas en las condiciones de los ensayos.

Las metodologías actuales carecen de un marco estadístico basado en principios para cuantificar estos desajustes. Los modelos de codificación supervisados (por ejemplo, Modelos Lineales Generalizados) típicamente tratan las variables externas como entradas libres de ruido, lo que conduce a conclusiones erróneas cuando esta suposición se viola. Por el contrario, los modelos de inferencia de variedades (manifolds) no supervisados pueden extraer variables latentes, pero a menudo tienen dificultades con la interpretabilidad, el ajuste y los regímenes de datos limitados. Existe la necesidad de un método que puentee estos extremos para caracterizar rigurosamente la "fidelidad" de las representaciones internas con respecto a las mediciones externas.

Metodología: Regresión de Error en las Variables (EIV)

Los autores introducen un marco de regresión de Error en las Variables (EIV) no lineal. Este enfoque modela explícitamente la actividad neural como una función de variables internas latentes ( $x_t$ ) que se desvían de las variables sensoriales/conductuales medidas ( $s_t$ ).

Estructura Central del Modelo:

Variable Latente: La verdadera representación interna se denota como $x_t$ .
Variable Observada: El comportamiento/estímulo medido es $s_t$ .
Término de Error: La relación se modela como $s_t = x_t + \epsilon_t$ , donde $\epsilon_t$ representa el desajuste o el ruido.
Verosimilitud Neural: La actividad neural ( $Y_{nt}$ ) se modela como una función de la variable latente: $Y_{nt} \approx f_n(x_t)$ .
Parámetro de Fidelidad ( $\kappa$ ): La distribución condicional de $s_t$ $s_{t}$ dado $x_t$ $x_{t}$ se modela (por ejemplo, usando una distribución de von Mises para variables circulares) con un parámetro de concentración $\kappa$ $κ$ .
- $\kappa$ Alto: $s_t \approx x_t$ (Alta fidelidad; el modelo se comporta como un modelo de codificación supervisado).
- $\kappa$ Bajo: $s_t$ no es informativo sobre $x_t$ (Baja fidelidad; el modelo se comporta como un aprendiz de variedades no supervisado).
- $\kappa$ Intermedio: El modelo interpola entre los regímenes supervisado y no supervisado.

Inferencia e Implementación:

Expansión de Base Flexible: Las funciones de ajuste $f_n(\cdot)$ se modelan utilizando una formulación de espacio de pesos de Procesos Gaussianos (GP), empleando un conjunto de base de Fourier truncado para aproximar las no linealidades.
Inferencia Basada en Muestreo: Debido a la intratabilidad de la integral de la verosimilitud marginal, los autores utilizan aproximaciones basadas en muestreo. Emplean Cuasi-Monte Carlo (secuencia de Roberts) para puntos temporales independientes y Monte Carlo Secuencial (Filtros de Partículas) para incorporar la suavidad temporal en la trayectoria latente.
Selección de Hiperparámetros: El parámetro de fidelidad $\kappa$ se ajusta mediante la verosimilitud marginal validada cruzadamente, lo que permite al modelo determinar automáticamente el grado óptimo de supervisión para un conjunto de datos dado.

Contribuciones Clave

Marco Unificado: El artículo proporciona un único marco probabilístico que interpola continuamente entre el análisis de curvas de ajuste totalmente supervisado y la inferencia de variedades totalmente no supervisada (específicamente, Modelos de Variables Latentes de Procesos Gaussianos).
Cuantificación de la Fidelidad: Introduce un método basado en principios para estimar el parámetro de fidelidad de la representación $\kappa$ , cuantificando qué tan cerca están las representaciones internas de las mediciones externas.
un
Residuales Momento a Momento: El modelo genera estimaciones resueltas en el tiempo del desajuste ( $\epsilon_t = x_t - s_t$ ), permitiendo el análisis de cómo evolucionan dinámicamente los errores de representación.
Robustez al Ruido: Al desacoplar la variedad latente de las observaciones ruidosas, el método recupera curvas de ajuste más nítidas y trayectorias latentes más precisas que los métodos convencionales cuando existe ruido de medición o deriva de la representación.

Resultados

El marco fue validado con datos sintéticos y aplicado a dos conjuntos de datos experimentales distintos:

1. Validación con Datos Sintéticos:

El modelo recuperó con precisión la dinámica de la verdad de campo (ground-truth), las curvas de ajuste y el verdadero régimen de fidelidad ( $\kappa$ ) a través de diversos niveles de ruido.
La validación cruzada identificó con éxito el valor generativo de $\kappa$ , demostrando la capacidad de ajuste de supervisión basada en los datos.

2. Núcleo Anterodorsal del Tálamo (ADn) de Ratón - Dirección de la Cabeza:

Condiciones Experimentales: Se registraron ratones en tres condiciones: bien iluminado (estímulos visuales completos), oscuro (sin estímulos visuales) y sujeto (solo estímulos visuales, sin entrada vestibular).
Cambios en la Fidelidad: El $\kappa$ validado cruzadamente disminuyó progresivamente de la condición de luz a la de oscuridad y luego a la de sujeto fijo, indicando un aumento en el desajuste entre la dirección de la cabeza interna y el comportamiento medido.
Estabilidad de la Curva de Ajuste: Mientras que las curvas de ajuste convencionales se aplanaron significativamente en las condiciones de oscuridad y sujeto fijo, las curvas de ajuste derivadas por EIV hacia la variable latente se mantuvieron estables. Esto sugiere que la variedad neural en sí está preservada, pero su alineación con las mediciones externas se degrada.
Dinámica: El análisis de los residuales reveló regímenes dinámicos distintos. En la condición de sujeto fijo, los residuales exhibieron un comportamiento oscilatorio autónomo, lo que sugiere un desacoplamiento de la representación interna de las señales ambientales.

3. Corteza Entorrinal Medial (MEC) de Rata - Células de Rejilla (Grid Cells):

Condiciones Experimentales: Ratas navegaron en una arena circular en condiciones de oscuridad y luz.
Información Espacial Mejorada: Los modelos EIV recuperaron curvas de ajuste espacial más nítidas en comparación con los mapas de tasa convencionales, que se veían difuminados en la oscuridad.
Agrupamiento Espacial: Métricas como la L de Ripley mostraron que el agrupamiento espacial de los disparos (spikes) se preservó cuando se evaluó contra la variable latente de EIV, incluso cuando parecía degradado contra la posición observada.
Desempeño de Decodificación: Los decodificadores EIV con $\kappa$ optimizado superaron tanto a los decodificadores totalmente supervisados (Bayesianos convencionales) como a los totalmente no supervisados en la predicción de la posición en datos no utilizados, particularmente en la condición de oscuridad.
Ritmo Theta: Los residuales entre la posición latente y la observada en el modelo EIV exhibieron una modulación de frecuencia theta (6–12 Hz) más limpia en comparación con los modelos no supervisados, lo que respalda la plausibilidad biológica del espacio latente inferido.

Significancia y Reivindicaciones

Los autores afirman que la regresión EIV es una herramienta poderosa y computacionalmente tratable para la neurociencia de sistemas. Su principal significancia radica en su capacidad para:

Desacoplar el Ruido de la Señal: Distinguir entre una degradación de la propia variedad neural y una degradación en la alineación entre la variedad y las mediciones externas.
Proporcionar Interpretabilidad: A diferencia de los modelos totalmente no supervisados donde las variables latentes pueden derivar de los correlatos conductuales, los modelos EIV mantienen una conexión con los principios y es inferible con las variables experimentales.
Permitir Nuevos Análisis: El marco permite el estudio de cambios dependientes de la condición en la fidelidad de la representación, la ganancia de la curva de ajuste y el perfil, así como el descubrimiento de variedades de población latentes que quedan ocultas en los análisis convencionales.

El artículo concluye que este enfoque ofrece un método riguroso para rastrear la fidelidad de las representaciones neurales internas, proporcionando un "punto óptimo" entre la rigidez de los modelos supervisados y la ambigüedad de los no supervisados. Sugiere que muchos de los cambios observados en el ajuste (por ejemplo, el aplanamiento en condiciones de baja luz) pueden reflejar un desacoplamiento de las estimaciones internas de la realidad externa, más que una pérdida de la precisión de la codificación neural.