Effective mean-field variables explain how biophysical parameters control firing rate and regularity in a spiking network

El cerebro es una vasta red de miles de millones de células, cada una de ellas una diminuta unidad eléctrica que dispara señales a sus vecinas. Para comprender cómo este sistema masivo produce el pensamiento, la memoria y el movimiento, los científicos suelen construir modelos informáticos simplificados de estas redes. Estos modelos consisten en miles de neuronas simuladas que reciben entradas, las integran y disparan cuando la señal es lo suficientemente fuerte. Al ajustar la configuración de estos modelos —como qué tan fuertes son las conexiones, qué tan rápido viajan las señales o cuánta electricidad puede contener una célula—, los investigadores intentan ver cómo cambia el comportamiento de la red. Durante décadas, la forma estándar de interpretar estos cambios ha sido asumir que cada configuración controla una parte específica del comportamiento de la red por sí misma. Si aumentar la fuerza de la inhibición hace que la red dispare menos, la suposición es que la inhibición es la causa directa. Sin embargo, esta visión trata cada perilla en el panel de control como una palanca independiente, ignorando la posibilidad de que girar una perilla podría estar haciendo en realidad lo mismo que girar otra, solo a través de un camino diferente.

Un nuevo estudio de Luciano Gonçalves Fernandes en la Universidad Estatal de Washington desafía esta interpretación directa. El investigador realizó simulaciones masivas de una red que contenía diez mil neuronas, una escala lo suficientemente grande como para imitar el disparo irregular y complejo que se observa en los cerebros reales. En lugar de limitarse a observar qué sucedía cuando giraba un dial a la vez, utilizó herramientas matemáticas avanzadas para rastrear cómo la red procesaba realmente la información. Descubrió que la mayoría de los efectos aparentes de cambiar la configuración de los modelos no eran únicos de esas configuraciones específicas. En su lugar, la tasa de disparo de la red y la regularidad de su ritmo estaban controladas por un conjunto mucho más pequeño de variables "efectivas" ocultas. Estas variables describen el empuje total que reciben las neuronas, el equilibrio de sus conexiones internas y la sincronización de sus señales en relación con su propia velocidad. El estudio encontró que siete de las ocho configuraciones estándar que el investigador ajustó eran en realidad diferentes formas de cambiar estas mismas pocas variables ocultas. Cuando el investigador cambiaba las configuraciones de una manera que alteraba estas variables ocultas, el comportamiento de la red cambiaba de forma predecible. Pero cuando cambiaba las configuraciones de una manera que dejaba las variables ocultas intactas, el comportamiento de la red permanecía exactamente igual, demostrando que las configuraciones originales no eran controles independientes, sino rutas diferentes hacia el mismo destino.

La investigación comenzó con un modelo informático estándar de una red cerebral, que consiste en neuronas excitatorias que fomentan el disparo e inhibidoras que lo suprimen. En el cerebro real, estos dos tipos de entradas están estrechamente equilibrados, creando un estado donde las neuronas disparan de forma irregular, de forma muy similar a como las gotas de lluvia golpean un techo. El investigador simuló esta red utilizando diez mil neuronas y varió sistemáticamente ocho parámetros físicos diferentes, como la fuerza de las conexiones, la velocidad de las señales y la capacidad eléctrica de las neuronas. Realizó más de cincuenta mil simulaciones para mapear cómo respondía la red a cada posible combinación de estos cambios. El objetivo era ver si el comportamiento de la red podía predecirse simplemente observando los ajustes brutos, o si se necesitaba una descripción más profunda y abstracta.

Los resultados revelaron un patrón sorprendente. Para la mayoría de los parámetros, la tasa de disparo de la red y la regularidad de sus espigas podían predecirse perfectamente mediante unos pocos cuantificadores simples derivados de la configuración. Estas cantidades incluían la fuerza del impulso externo que empuja a las neuronas a disparar, la fuerza neta de las conexiones entre las neuronas y la relación entre la velocidad de la señal y el tiempo interno de la neurona. El estudio mostró que cambiar la densidad de conexión, la fuerza de la inhibición o el umbral de disparo resultaba en el mismo cambio en estas cantidades ocultas. En consecuencia, la red reaccionaba exactamente de la misma manera, independientemente de qué perilla física se girara. Esto significa que lo que parecía una compleja web de controles independientes era en realidad un sistema mucho más simple donde muchos ajustes diferentes eran solo alias de la misma causa subyacente. El investigador demostró esto mostrando que una red con una densidad de conexión específica se comportaba de manera idéntica a una red con una densidad de conexión diferente pero una fuerza de inhibición distinta, porque ambas configuraciones producían el mismo empuje y tracción efectivos sobre las neuronas.

Un parámetro, sin embargo, destacó frente a esta regla: el retraso sináptico, que es el tiempo que tarda una señal en viajar de una neurona a otra. Mientras que los otros ajustes la mayoría de las veces cambiaban la tasa de disparo promedio, el retraso apenas tuvo efecto en la velocidad promedio con la que las neuronas disparaban. En su lugar, controlaba la sincronización de la actividad del grupo. Cuando el retraso era corto, las neuronas disparaban en un patrón disperso e irregular. A medida que el retraso aumentaba, la red pasaba repentinamente a un estado en el que toda la población disparaba en perfecta sincronía, creando un ritmo sincronizado. Este cambio ocurrió sin cambiar la velocidad promedio del disparo, solo la coordinación del grupo. El estudio encontró que esta transición al disparo sincronizado ocurría cuando el retraso alcanzaba aproximadamente los seis milisegundos, un punto donde la estabilidad de la red se rompe y las oscilaciones colectivas toman el control. Este hallazgo resalta una distincción crucial: la velocidad promedio de la red está determinada por la fuerza de los impulsos y las conexiones, pero el tiempo y el ritmo de la red están gobernados por cuánto tiempo tardan las señales en viajar entre las células.

El estudio también probó si estos hallazgos se mantenían cuando se cambiaban las reglas del modelo. En una prueba planificada, el investigador alteró la forma en que se calibraba el modelo, cambiando esencialmente el significado de las perillas sin cambiar la red en sí. En un escenario, mantuvo fijo el impulso externo mientras cambiaba el umbral de disparo; bajo las reglas estándar, elevar el umbral hacía que la red disparara más rápido, lo cual parecía contraintuitivo. Pero cuando las reglas se cambiaron de modo que el impulso externo no se ajustaba con el umbral, elevar el umbral hizo que la red disparara más lento, como se esperaría. La teoría matemática desarrollada en el estudio predijo esta reversión perfectamente antes de que se ejecutaran las simulaciones. Esto demostró que la dirección del efecto de un parámetro no es una propiedad intrínseca de ese parámetro, sino que depende enteramente de cómo esté configurado el sistema. La misma perilla puede aumentar o disminuir la actividad dependiendo del contexto, confirmando aún más que los verdaderos controles son las variables efectivas, no las configuraciones nominales.

Los investigadores también analizaron la estructura de las conexiones de la red. Cuando aumentaron el número de conexiones, el grafo de la red se volvió más denso y complejo. Uno podría asumir que este cambio en la forma de la red era lo que causaba que la actividad cambiara. Sin embargo, el estudio mostró que el cambio en la actividad era explicado enteramente por el aumento en la fuerza total de las conexiones. Cuando el investigador cambió la fuerza de las conexiones sin cambiar el número de enlaces, la red se comportó exactamente igual que cuando cambió el número de enlaces sin cambiar la fuerza. Esto sugiere que en estos tipos de redes aleatorias, la forma específica de las conexiones importa menos que la cantidad total de señal que fluye a través de ellas. La estructura del grafo fue un efecto secundario de la fuerza de la conexión, no el motor primario del comportamiento.

Este trabajo proporciona una nueva forma de entender cómo funcionan los modelos cerebrales. Sugiere que cuando los científicos ven un cambio en la actividad de una red tras ajustar un parámetro, no deben asumir inmediatamente que ese parámetro es la causa directa. En su lugar, deben comprobar si ese cambio es en realidad solo una forma diferente de ajustar el impulso efectivo, el acoplamiento o el ruido. El estudio muestra que, para la mayoría de los ajustes, el comportamiento de la red está determinado por estas pocas variables efectivas, y la complejidad aparente de los parámetros es una ilusión creada por la forma en que se calibra el modelo. El único momento en que las reglas simples fallan es cuando la red se vuelve inestable y comienza a disparar en ráfagas sincronizadas, un fenómeno impulsado por el retraso de las señales. Al separar el comportamiento de estado estacionario del tiempo colectivo, el estudio ofrece una imagen más clara y precisa de cómo podrían operar las redes biológicas. Nos recuerda que, en sistemas complejos, el mismo resultado puede surgir de muchos puntos de partida diferentes, y que los verdaderos controles suelen estar ocultos bajo la superficie de los ajustes que podemos ver.