Phenomenological renormalization group in neuronal models near criticality

Sintesi Tecnica: Il Gruppo di Rinormalizzazione Fenomenologico nei Modelli Neuronali in Prossimità della Criticità

Definizione del Problema
Il gruppo di rinormalizzazione fenomenologico (PRG) è diventato uno strumento prominente per identificare fenomeni di invarianza di scala e comportamenti critici nei dati neuronali, supportando la "ipotesi del cervello critico". Tuttavia, rimane un divario significativo nella comprensione dell'affidabilità delle firme del PRG: non è chiaro quanto un sistema debba essere vicino a un punto critico affinché queste firme emergano, o se possano essere artefatti della pre-elaborazione dei dati. Nello specifico, la dipendenza dei risultati del PRG dalle scelte di binning temporale non è stata investigata sistematicamente attraverso diverse fasi dinamiche (subcritica, critica e supercritica). Le precedenti applicazioni a modelli canonici (ad es., processo di contatto, modello di Ising) mancavano di caratteristiche biologiche chiave come l'inibizione, limitando la loro comparabilità con i dati neuronali reali.

Metodologia
Gli autori investigano la robustezza del PRG applicandolo a due modelli neuronali con punti critici esattamente noti, entrambi appartenenti alla classe di universalità della percolazione diretta a campo medio (MF-DP):

1. Automa Cellulare Eccitabile: Un modello di spiking su una rete casuale dove il parametro di controllo è il rapporto di branching ($\sigma$).
2. Rete Stocastica Integrate-and-Fire (I&F): Una rete con neuroni eccitatori e inibitori dove il parametro di controllo è il rapporto di accoppiamento inibizione-eccitazione ($g$).

Lo studio impiega due approcci di coarse-graining del PRG:

• Spazio dei momenti: Utilizza lo spettro degli autovalori della matrice di covarianza per proiettare i dati in rappresentazioni progressivamente più grossolane. La deviazione dalla gaussianità nella distribuzione delle variabili a scala grossolana ($\psi$) è misurata utilizzando la Curtosi ($\kappa$) e la divergenza di Kullback-Leibler (KL).
• Spazio reale: Accoppia iterativamente i neuroni più correlati per formare cluster, analizzando la scalatura della varianza media intra-cluster ($M^2 \propto C_{size}^\alpha$).

Crucialmente, gli autori variano sistematicamente la dimensione del bin temporale ($\Delta t$) e introducono una strategia di binning adattivo guidato dai dati. Invece di un $\Delta t$ fisso, la dimensione del bin è impostata proporzionalmente all'intervallo medio tra gli spike ($\langle ISI \rangle$) della rete ($\Delta t = f \cdot \langle ISI \rangle$). Ciò assicura che la densità di bin attivi ($\rho_{bin}$) rimanga stabile attraverso le diverse fasi dinamiche. I dati surrogati, generati rimescolando gli intervalli tra gli spike per distruggere le correlazioni, fungono da controllo.

Risultati Chiave

1. Il disallineamento delle scale temporali crea firme spurie: Quando si utilizzano bin temporali fissi, il metodo PRG produce risultati fuorvianti.

   • Nel regime subcritico, bin piccoli risultano in dati sparsi (prevalentemente zeri), causando una distribuzione a scala grossolana che picca bruscamente sullo zero e gonfia artificialmente la curtosi, imitando la criticità.
   • Nel regime supercritico, bin grandi portano alla saturazione (prevalentemente uno), producendo similmente una distribuzione piccata e false firme di scalatura.
   • Nessuna singola dimensione di bin fissa può accomodare entrambe le fasi senza generare artefatti.

2. Il binning adattivo rivela la vera criticità: Utilizzando la strategia di binning adattivo ($\Delta t \propto \langle ISI \rangle$), gli autori dimostrano che le firme di criticità del PRG (distribuzioni non gaussiane e non banali esponenti di scalatura) appaiono solo in una stretta vicinanza del punto critico.

   • La divergenza KL tra la distribuzione a scala grossolana e una gaussiana raggiunge un picco al punto critico e scende verso lo zero nelle fasi subcritica e supercritica.
   • L'esponente di scalatura dello spazio reale $\alpha$ transita dal baseline non correlato ($\alpha=1$) a un regime non banale ($1 < \alpha < 2$) solo vicino alla criticità.
   • Questi risultati sono robusti attraverso una gamma di fattori di scalatura ($f$), a condizione che il binning mantenga una densità attiva stabile.

3. Validazione del Modello: L'inclusione dell'inibizione nel modello I&F stocastico produce firme critiche ancora più chiare, rafforzando la rilevanza di queste scoperte per i sistemi biologici. I risultati reggono anche sotto un pesante sottocampionamento (simulando una limitata osservabilità sperimentale).

Significatività e Rivendicazioni
Il documento fornisce la prima validazione computazionale sistematica che le firme di invarianza di scala del PRG sono indicatori affidabili della prossimità a un punto critico, a condizione che la pre-elaborazione dei dati (specificamente il binning temporale) sia gestita correttamente.

• Rafforzamento delle interpretazioni sperimentali: Il fatto che il comportamento di scalatura sia limitato a una stretta finestra attorno al punto critico rafforza le interpretazioni derivate dalle analisi PRG dei dati neuronali sperimentali, suggerendo che le firme osservate riflettano probabilmente una genuina dinamica critica piuttosto che artefatti metodologici.
• Correzione Metodologica: Lo studio evidenzia come un binning temporale inappropriato possa introdurre false firme di scalatura. La procedura di binning adattivo proposta offre una soluzione pratica per aggirare questo problema, assicurando che i risultati del PRG riflettano la dinamica intrinseca del sistema piuttosto che la scelta arbitraria di $\Delta t$.
• Ambito: Gli autori concludono che, sebbene il PRG sia un potente strumento di indagine, la sua applicazione richiede un'attenzione attenta alle scale temporali delle dinamiche sottostanti per distinguere la vera criticità dal comportamento banale.