🧠 neurociencia

PHASOR: An Open-Source Pipeline for Hidden Markov Model Analysis of Stimulus-Locked Retinal Multielectrode-Array Population Activity

El artículo presenta PHASOR, un flujo de trabajo de código abierto que integra la alineación de estímulos, la clasificación basada en Fourier y el Modelado de Markov Oculto para analizar y visualizar la actividad poblacional sincronizada con el estímulo en registros de retina mediante arreglos de multielectrodos, demostrando su eficacia a través de datos sintéticos y diversos experimentos de retina ex vivo.

Autores originales: Shaik, M. J., Chen, S., Jin, J., Babino, D.

Publicado 2026-11-03

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shaik, M. J., Chen, S., Jin, J., Babino, D.

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

A menudo se piensa que la retina es una simple lente de cámara para el cerebro, pero en realidad es un circuito neural complejo que procesa la información visual antes de enviarla. Dentro de esta fina capa de tejido, miles de neuronas individuales, llamadas células ganglionares de la retina, disparan señales eléctricas en respuesta a la luz. Aunque los científicos han estudiado durante mucho tiempo cómo reaccionan las células individuales a la luz, un entendimiento creciente es que la verdadera historia de la visión reside en cómo estas células trabajan juntas como grupo. Al igual que un solo instrumento en una orquesta no puede transmitir una sinfonía, una sola neurona no puede explicar poramente cómo el cerebro ve el mundo. El desafío para los investigadores ha sido escuchar el parloteo de cientos de estas células a la vez y encontrar los patrones recurrentes en su comportamiento colectivo, especialmente cuando esos patrones están ligados a momentos específicos en el tiempo, como el parpadeo de una luz.

Para resolver esto, un equipo de investigadores ha desarrollado una nueva herramienta de software llamada PHASOR, diseñada para escuchar la conversación grupal de la retina y traducirla en una historia clara. Los investigadores registraron la actividad eléctrica de las células retinianas de ratones, tanto sanos como aquellos con una condición genética que daña sus células fotosensibles. Expusieron estas retinas a un parpadeo de luz rítmico de campo completo, variando el brillo desde tenue hasta muy brillante. El objetivo era ver si el grupo de células se asentaba en modos de actividad distintos y repetitivos que correspondieran al tiempo e intensidad de la luz, en lugar de simplemente disparar de forma aleatoria.

El proceso comienza alineando cada pico eléctrico de las células con el momento exacto en que la luz cambió. Luego, el software clasifica las células basándose en cómo reaccionan al ritmo: algunas se activan cuando la luz se enciende, otras cuando se apaga, y otras tienen respuestas más complejas. Una vez que las células son categorizadas, el software utiliza un método estadístico para agrupar toda la población en estados ocultos. Imagine la población de células como una gran multitud; en cualquier segundo, la multitud podría estar en un estado donde la mayoría de un tipo de persona está hablando, o en otro estado donde una mezcla diferente está activa. El software intenta determinar cuántos de estos estados de multitud distintos existen y en cuál se encuentra la retina en cada momento.

Cuando se probó en datos generados por computadora donde los investigadores conocían de antemano el número exacto de estados, la herramienta demostró ser notablemente precisa. Incluso cuando el software elegía describir los datos con ligeramente más estados de los que realmente existían, seguía logrando reconstruir la secuencia de eventos con una fidelidad casi perfecta. En estas simulaciones, la herramienta identificó correctamente el tiempo y el orden de los estados ocultos casi siempre, mostrando que podía recuperar la estructura subyacente de los datos incluso si el recuento exacto de estados era ligeramente erróneo. Esta distinción es crucial: la herramienta está diseñada para encontrar el patrón de actividad, no necesariamente para contar los estados con precisión matemática.

Al aplicarse a registros reales de retinas de ratones sanos, la herramienta reveló un rico tapiz de actividad. Las retinas no solo disparaban de forma aleatoria; cambiaban entre estados distintos que duraban de decenas a cientos de milisegundos. Estos estados no eran uniformes; algunos estaban dominados por células que respondían al encendido de la luz, mientras que otros estaban dominados por células que respondían al apagado de la luz. La herramienta mostró que, a medida que el contraste de la luz aumentaba, la población se desplazaba hacia nuevos estados, y la mezcla específica de células activas cambiaba de una manera predecible. Por ejemplo, en niveles de contraste más altos, la población pasaba más tiempo en estados donde las células de "encendido" (on) estaban altamente activas, y las transiciones entre estos estados estaban estrechamente vinculadas al ritmo del parpadeo de la luz.

Para asegurar que estos patrones fueran causados realmente por la luz y no solo por ruido aleatorio, los investigadores realizaron dos experimentos de control. En uno, ejecutaron el mismo protocolo de tiempo pero sin proyectar luz sobre la retina. En este caso, las células dispararon a una tasa constante y baja, y el software no encontró estados organizados que se alinearan con el tiempo del protocolo. En el segundo control, utilizaron una retina de un ratón con una condición genética que destruye las células fotosensibles. A pesar de que se proyectaba la luz, las células no se organizaron en los patrones rítmicos observados en los ojos sanos. Estos controles confirmaron que los estados complejos y repetitivos encontrados en las retinas sanas eran una respuesta directa al estímulo visual.

La herramienta también permitió a los investigadores probar cómo reacciona la retina cuando se bloquea una vía química específica. Al aplicar un fármaco que silencia la vía de "encendido" de la retina, observaron un cambio dramático en el comportamiento de la población. La secuencia de estados cambió visiblemente y el tiempo de las respuestas cambió, confirmando que la herramienta puede detectar cómo las manipulaciones biológicas específicas alteran la actividad colectiva de la red neuronal. Esta sensibilidad sugiere que el método puede utilizarse para comprender cómo diferentes partes del sistema visual contribuyen a la imagen general que recibe el cerebro.

La importancia de este trabajo radica en su capacidad para convertir un flujo caótico de señales eléctricas en un modelo descriptivo y manejable de cómo funciona la retina como equipo. Los investigadores no descubrieron un nuevo tipo de célula o una nueva ley biológica; en su lugar, construyeron un flujo de trabajo reutilizable que conecta el tiempo de un estímulo con el comportamiento colectivo de la población. Los estados identificados por la herramienta proporcionan un mapa descriptivo de la actividad de la población, mostrando qué grupos de células están activos juntos y durante cuánto tiempo. Aunque el número exacto de estados encontrados en las simulaciones fue a veces ligeramente superior al número real, la secuencia de eventos se recuperó con alta precisión, demostando que el método es robusto para encontrar la estructura subyacente de la actividad neural. Este enfoque ofrece una nueva forma para que los científicos inspeccionen cómo la primera estación visual del cerebro procesa la información, yendo más allá del estudio de células individuales para comprender la dinámica de grupo que define la visión.

Resumen Técnico de PHASOR: Un flujo de trabajo de código abierto para el análisis de modelos ocultos de Markov de la actividad de la población de la retina con arreglos de multielectrodos vinculada al estímulo

Planteamiento del Problema
Las grabaciones de arreglos de multielectrodos (MEA) de la retina capturan la actividad de disparo de cientos de células ganglionares de la retina (RGC) simultáneamente, revelando la actividad de la población neuronal con resolución celular. Sin embargo, vincular los estados de población recurrentes con el tiempo del estímulo y las respuestas de unidades individuales requiere una cadena compleja de pasos de análisis que a menudo están fragmentados en diferentes herramientas. Los recursos existentes abordan partes específicas de este flujo de trabajo —como el ordenamiento de picos (SpikeInterface), el análisis del campo receptivo (Pyret, PRANAS) o el ajuste de HMM de Poisson (HMM-spikes)— pero ningún flujo de trabajo único, documentado y reutilizable integra la sincronización del estímulo, la clasificación de la respuesta, el ajuste del modelo con modelos de emisión dispersos, la selección del orden del modelo y la visualización. Además, la aplicación de Modelos Ocultos de Markov (HMM) a datos vinculados al estímulo presenta desafíos específicos: definir las distribuciones de emisión para datos binarios de alta dimensión es computacionalmente inviable sin aproximación, y la selección del número correcto de estados ocultos ( $K$ ) se ve complicada por la tendencia de la verosimilitud predictiva a favorecer modelos sobre-segmentados.

Metodología
Los autores presentan PHASOR (Population HMM Analysis of Stimulus-locked Output in the Retina), un flujo de trabajo modular de código abierto implementado en Python con una interfaz de navegador Next.js. El flujo de trabajo consta de cinco etapas primarias:

Preprocesamiento: Los tiempos de los picos (spikes) brutos se alinean con un reloj de estímulo utilizando una señal de sincronización periódica ("synctone") para evitar la acumulación de la deriva del reloj. Los datos se agrupan en ventanas de tiempo fijas (p. ej., 10 ms) y se apilan en un arreglo tetradimensional indexado por condición de estímulo, tiempo, canal y unidad.
Procesamiento (Clustering): Para asegurar la estabilidad de los grupos, el flujo de trabajo particiona los datos por condición de estímulo y aplica UMAP no supervisado seguido de clustering OPTICS. Los hiperparámetros se ajustan mediante una búsqueda de cuadrícula (grid search) para maximizar el Índice de Rand Ajustado (ARI) y la puntuación de silueta, minimizando al mismo tiempo las fracciones de ruido.
Clasificación de Fourier: Cada unidad se asigna independientemente a una etiqueta funcional basada en su respuesta vinculada al estímulo. Utilizando histogramas de tiempo periestímulo promediados por ciclo, el flujo de trabajo calcula los primeros y segundos armónicos de la transformada de Fourier. Las unidades se clasifican por polaridad (ON/OFF frente a bifásica) y cinética (transitoria frente a sostenida) basándose en compuertas de fase, amplitud y relación señal-ruido. Estas etiquetas se utilizan para la interpretación, pero no influyen en el ajuste del HMM.
Ajuste de HMM: La actividad de la población se modela como una secuencia de estados latentes.
- Modelo de Emisión: Para evitar la inviabilidad de estimar $2^N$ parámetros para $N$ unidades, PHASOR utiliza una aproximación de árbol de Chow-Liu. Esto captura las dependencias de pares más fuertes entre las unidades, reduciendo los parámetros a $N-1$ por estado. Las covarianzas de pares se regularizan mediante un umbral suave absoluto ( $\eta$ ) para podar las aristas débiles.
- Estimación de Parámetros: Los parámetros (distribución inicial, matriz de transición, parámetros de emisión) se estiman utilizando el algoritmo de Esperanza-Maximización (EM) con múltiples inicializaciones aleatorias.
- Selección de Modelo: El número de estados ( $K$ ) y el umbral de covarianza ( $\eta$ ) se seleccionan mediante validación cruzada de encadenamiento hacia adelante (forward-chaining). Se aplica una "regla del codo" (elbow rule) a la ganancia marginal de la log-verosimilitud de validación para seleccionar $K$ , evitando la selección de modelos excesivamente fragmentados.
Reporte: El flujo de trabajo genera figuras estandarizadas que visualizan la ocupación de estados, los tiempos de permanencia (dwell times), las matrices de transición y la composición de las unidades activas dentro de cada estado.

Contribuciones Clave

Integración: PHASOR ensambla la sincronización del estímulo, la clasificación de respuesta basada en Fourier, el ajuste de HMM de árbol de Chow-Liu y la selección del orden del modelo en un flujo de trabajo único, documentado y reutilizable.
Modularidad: El flujo de trabajo está diseñado para que cada etapa sea un programa independiente de línea de comandos que lee y escribe formatos de archivo fijos, lo que permite saltar etapas, volver a ejecutarlas o reemplazarlas sin reprocesar todo el conjunto de datos.
Perspectiva Metodológica: El artículo demuestra que una descripción útil de la población no necesita recuperar el número exacto de estados generativos. La "regla del codo" para la selección de modelos puede producir un recuento de estados ligeramente superior al de la verdad fundamental (ground truth), pero la secuencia de estados resultante aún puede lograr una correspondencia casi perfecta con el proceso generativo.

Resultados
El flujo de trabajo fue evaluado utilizando datos sintéticos con una verdad fundamental conocida y se aplicó a diez grabaciones de retina ex vivo de tres ratones de tipo silvestre (wild-type) y un ratón rd1 (con degeneración de fotorreceptores).

Validación Sintética: En diez conjuntos de datos sintéticos generados con 7 estados ocultos, la regla del codo seleccionó órdenes de modelo que variaban de 7 a 9 (media de 7.9). Aunque el recuento generativo exacto se recuperó solo en tres casos, las secuencias de estados decodificadas mostraron una correspondencia casi uno a uno con los estados generativos. El Índice de Rand Ajustado (ARI) entre los estados generativos y los decodificados fue alto (media de 0.963 en los datos de entrenamiento, 0.965 en los datos de validación externa), demostrando que la recuperación de la secuencia es robusta incluso si el recuento de estados se sobreestima ligeramente.
Grabaciones de Retina: En una grabación representativa de ratón wild-type, el flujo de trabajo seleccionó un modelo de 12 estados. Los estados decodificados exhibieron ocupaciones, tiempos de permanencia (que variaron desde ~65 ms hasta ~340 ms) y composiciones de unidades activas distintivas. Las transiciones entre estados a menudo coincidieron con cambios en el subtipo de célula dominante (p. ej., de poblaciones OFF-sostenidas a ON-sostenidas).
Perturbación Farmacológica: La aplicación de L-AP4 (un agonista de mGluR6 que suprime la señalización de las células bipolares ON) resultó en secuencias de estados decodificados visiblemente diferentes en comparación con las condiciones previas al tratamiento, con las secuencias de lavado (washout) apareciendo más cercanas a la línea base.
Controles:
- Control de No-Proyección: En ausencia de estimulación visual, las tasas de disparo promedio se mantuvieron bajas y constantes, y los estados decodificados se dispersaron en el tiempo sin realinearse en los límites de los bloques de contraste.
- Retina rd1: En una retina con degeneración de fotorreceptores, la actividad fue alta pero invariante al contraste. Aunque se ajustó un modelo de 12 estados, las secuencias decodificadas no se bloquearon al estímulo y las entropías de transición fueron altas, lo que indica una falta de estructura vinculada al estímulo.

Significancia
Los autores afirman que PHASOR facilita que los análisis complejos de población sean más fáciles de repetir e inspeccionar al integrar métodos establecidos en un flujo de trabajo unificado. La herramienta distingue explícitamente entre los estados derivados del modelo y los tipos celulares biológicos o ensamblajes establecidos de forma independiente, tratando a estos últimos como un modelo descriptivo de la actividad de la población. La significancia radica en la capacidad de relacionar la actividad de la población asociada al estímulo con clases de respuesta funcional, proporcionando una descripción compacta de los estados de población recurrentes. El artículo señala modestamente que, si bien los estados seleccionados proporcionan un modelo descriptivo, su número y correspondencia con los ensamblajes biológicos requieren una validación separada, y que el presente trabajo sirve como una demostración del flujo de trabajo más que como un estudio con potencia estadística de efectos de genotipo o fármacos.

Más como este