Phenomenological renormalization group in neuronal models near criticality

Resumo Técnico: O Grupo de Renormalização Fenomenológico em Modelos Neurais Próximos à Criticidade

Definição do Problema
O grupo de renormalização fenomenológica (PRG) tornou-se uma ferramenta proeminente para identificar fenômenos de invariância de escala e comportamento crítico em dados neuronais, apoiando a "hipótese do cérebro crítico". No entanto, uma lacuna significativa permanece na compreensão da confiabilidade das assinaturas de PRG: não está claro o quão próximo um sistema deve estar de um ponto crítico para que essas assinaturas emerjam, ou se elas podem ser artefatos do pré-processamento de dados. Especificamente, a dependência dos resultados de PRG em relação às escolhas de binagem temporal (time-binning) não foi investigada sistematicamente através de diferentes fases dinâmicas (subcrítica, crítica e supercrítica). Aplicações anteriores a modelos canônicos (ex: processo de contato, modelo de Ising) careciam de características biológicas fundamentais como a inibição, limitando sua comparabilidade com dados neuronais reais.

Metodologia
Os autores investigam a robustez do PRG aplicando-o a dois modelos neuronais com pontos críticos exatamente conhecidos, ambos pertencentes à classe de universalidade de percolação dirigida de campo médio (MF-DP):

1. Autômato Celular Excitável: Um modelo de disparos (spiking) em uma rede aleatória onde o parâmetro de controle é a razão de ramificação ($\sigma$).
2. Rede Estocástica de Integração e Disparo (I&F): Uma rede com neurônios excitatórios e inibitórios onde o parâmetro de controle é a razão de acoplamento inibição-excitação ($g$).

O estudo emprega duas abordagens de coarse-graining (refinamento de escala) de PRG:

• Espaço de momento: Utiliza o espectro de autovalores da matriz de covariância para projetar os dados em representações progressivamente mais grosseiras. O desvio da gaussianidade na distribuição das variáveis de coarse-graining ($\psi$) é medido usando Curtose ($\kappa$) e a divergência de Kullback-Leibler (KL).
• Espaço real: Agrupa iterativamente os neurônios mais correlacionados para formar clusters, analisando a escala da variância média intra-cluster ($M^2 \propto C_{size}^\alpha$).

Crucialmente, os autores variam sistematicamente o tamanho da binagem temporal ($\Delta t$) e introduzem uma estratégia de binagem adaptativa baseada em dados. Em vez de um $\Delta t$ fixo, o tamanho do bin é definido proporcionalmente ao intervalo médio entre disparos ($\langle ISI \rangle$) da rede ($\Delta t = f \cdot \langle ISI \rangle$). Isso garante que a densidade de bins ativos ($\rho_{bin}$) permaneça estável através das diferentes fases dinâmicas. Dados substitutos (surrogates), gerados pelo embaralhamento dos intervalos entre disparos para destruir as correlações, servem como um controle.

Resultos Principais

1. O Descompasso de Escala de Tempo Cria Assinaturas Espúrias: Ao utilizar bins de tempo fixos, o método PRG produz resultados enganosos.

   • No regime subcrítico, bins pequenos resultam em dados esparsos (majoritariamente zeros), fazendo com que a distribuição de coarse-graining apresente um pico agudo no zero e inflacione artificialmente a curtose, mimetizando a criticidade.
   • No regime supercrítico, bins grandes levam à saturação (majoritariamente uns), produzindo também uma distribuição com pico e falsas assinaturas de escala.
   • Nenhum tamanho de bin fixo único pode acomodar ambas as fases sem gerar artefatos.

2. A Binagem Adaptativa Revela a Criticidade Genuína: Ao utilizar a estratégia de binagem adaptativa ($\Delta t \propto \langle ISI \rangle$), os autores demonstram que as assinaturas de criticidade do PRG (distribuições não-gaussianas e expoentes de escala não-triviais) aparecem apenas dentro de uma vizinhança estreita do ponto crítico.

   • A divergência KL entre a distribuição de coarse-graining e uma distribuição gaussiana atinge um pico agudo no ponto crítico e cai para valores próximos de zero nas fases subcrítica e supercrítica.
   • O expoente de escala no espaço real $\alpha$ transiciona do baseline não-correlacionado ($\alpha=1$) para um regime não-trivial ($1 < \alpha < 2$) apenas próximo à criticidade.
   • Estes resultados são robustos através de uma gama de fatores de escala ($f$), desde que a binagem mantenha uma densidade ativa estável.

3. Validação do Modelo: A inclusão de inibição no modelo estocástico I&F resulta em assinaturas críticas ainda mais claras, reforçando a relevância destes achados para sistemas biológicos. Os resultados mantêm-se mesmo sob subamostragem pesada (simulando observabilidade experimental limitada).

Significância e Alegações
O artigo fornece a primeira validação computacional sistemática de que as assinaturas de invariância de escala do PRG são indicadores confiáveis de proximidade a um ponto crítico, desde que o pré-processamento de dados (especificamente a binagem temporal) seja tratado corretamente.

• Reforço das Interpretações Experimentais: A descoberta de que o comportamento de escala é restrito a uma janela estreita ao redor do ponto crítico reforça as interpretações extraídas de análises de PRG de dados neuronais experimentais, sugerindo que as assinaturas observadas provavelmente refletem dinâmicas críticas genuínas em vez de artefatos metodológicos.
• Correção Metodológica: O estudo destaca que uma binagem temporal inadequada pode introduzir falsas assinaturas de escala. O procedimento de binagem adaptativa proposto oferece uma solução prática para contornar este problema, garantindo que os resultados de PRG reflitam a dinâmica intrínseca do sistema, e não a escolha arbitrária de $\Delta t$.
• Escopo: Os autores concluem que, embora o PRG seja uma sonda poderosa, sua aplicação exige atenção cuidadosa às escalas de tempo das dinâmicas subjacentes para distinguir a criticidade genuína de comportamentos triviais.