Codificación neuronal

La tasa de conteo de picos, también conocida como promedio temporal, se obtiene contando el número de picos que aparecen durante un ensayo y dividiéndolo por la duración del ensayo. ^{[ 15 ]} La duración T de la ventana de tiempo la establece el experimentador y depende del tipo de neurona registrada desde y hacia el estímulo. En la práctica, para obtener promedios razonables, deben ocurrir varios picos dentro de la ventana de tiempo. Los valores típicos son T = 100 ms o T = 500 ms, pero la duración también puede ser mayor o menor ( Capítulo 1.5 en el libro de texto 'Spikeing Neuron Models' ^{[ 15 ]} ).

La tasa de conteo de picos se puede determinar a partir de un solo ensayo, pero a costa de perder toda resolución temporal sobre las variaciones en la respuesta neuronal durante el transcurso del ensayo. El promedio temporal puede funcionar bien en casos donde el estímulo es constante o varía lentamente y no requiere una reacción rápida del organismo , y esta es la situación que se suele encontrar en los protocolos experimentales. Sin embargo, la entrada del mundo real difícilmente es estacionaria, sino que a menudo cambia en una escala de tiempo rápida. Por ejemplo, incluso al ver una imagen estática, los humanos realizan sacadas , cambios rápidos en la dirección de la mirada. La imagen proyectada sobre los fotorreceptores de la retina cambia, por lo tanto, cada pocos cientos de milisegundos ( Capítulo 1.5 en ^{[ 15 ]} ).

A pesar de sus limitaciones, el concepto de código de frecuencia de disparo neuronal se utiliza ampliamente no solo en experimentos, sino también en modelos de redes neuronales . Esto ha dado lugar a la idea de que una neurona transforma información sobre una única variable de entrada (la intensidad del estímulo) en una única variable de salida continua (la frecuencia de disparo).

Existe una creciente evidencia de que, al menos en las neuronas de Purkinje , la información no se codifica simplemente en la frecuencia de disparo, sino también en la sincronización y duración de los períodos de reposo. ^{[ 18 ] [ 19 ]} También hay evidencia en células de la retina de que la información se codifica no solo en la frecuencia de disparo, sino también en la sincronización de los potenciales de acción. ^{[ 20 ]} En términos más generales, cuando se requiere una respuesta rápida de un organismo, una frecuencia de disparo definida como un recuento de potenciales de acción durante unos cientos de milisegundos es simplemente demasiado lenta. ^{[ 15 ]}

La tasa de disparo dependiente del tiempo se define como el número promedio de espigas (promediado en ensayos) que aparecen durante un intervalo corto entre los tiempos t y t+Δt, dividido por la duración del intervalo. ^{[ 15 ]} Funciona tanto para estímulos estacionarios como para estímulos dependientes del tiempo. Para medir experimentalmente la tasa de disparo dependiente del tiempo, el experimentador registra la actividad de una neurona mientras la estimula con alguna secuencia de entrada. La misma secuencia de estimulación se repite varias veces y la respuesta neuronal se registra en un histograma de tiempo periestímulo (PSTH). El tiempo t se mide con respecto al inicio de la secuencia de estimulación. El Δt debe ser lo suficientemente grande (típicamente en el rango de uno o unos pocos milisegundos) para que haya un número suficiente de espigas dentro del intervalo para obtener una estimación confiable del promedio. El número de ocurrencias de picos n _K (t;t+Δt) sumado en todas las repeticiones del experimento dividido por el número K de repeticiones es una medida de la actividad típica de la neurona entre el tiempo t y t+Δt. Una división adicional por la duración del intervalo Δt produce la tasa de disparo dependiente del tiempo r(t) de la neurona, que es equivalente a la densidad de picos de PSTH ( Capítulo 1.5 en ^{[ 15 ]} ).

Para valores suficientemente pequeños de Δt, r(t)Δt representa el número promedio de picos que ocurren entre los tiempos t y t+Δt en múltiples ensayos. Si Δt es pequeño, nunca habrá más de un pico dentro del intervalo entre t y t+Δt en ningún ensayo. Esto significa que r(t)Δt también representa la fracción de ensayos en los que se produjo un pico entre esos tiempos. De forma equivalente, r(t)Δt es la probabilidad de que se produzca un pico durante este intervalo de tiempo.

Como procedimiento experimental, la medición de la tasa de disparo dependiente del tiempo es un método útil para evaluar la actividad neuronal, en particular en el caso de estímulos dependientes del tiempo. El problema evidente de este enfoque es que no puede ser el esquema de codificación utilizado por las neuronas en el cerebro. Las neuronas no pueden esperar a que los estímulos se presenten repetidamente de la misma manera antes de generar una respuesta. ^{[ 15 ]}

Sin embargo, la medición experimental de la tasa de disparo dependiente del tiempo puede tener sentido si existen grandes poblaciones de neuronas independientes que reciben el mismo estímulo. En lugar de registrar la actividad de una población de N neuronas en una sola sesión, resulta experimentalmente más sencillo registrar la actividad de una sola neurona y promediar los resultados de N sesiones repetidas. Por lo tanto, la codificación de la tasa de disparo dependiente del tiempo se basa en la suposición implícita de que siempre existen poblaciones de neuronas.

Para estímulos muy breves, la frecuencia máxima de disparo de una neurona puede no ser lo suficientemente rápida como para producir más de un único potencial de acción. Debido a la densidad de información sobre el estímulo abreviado contenida en este único potencial, parecería que la sincronización del potencial en sí misma tendría que transmitir más información que simplemente la frecuencia promedio de potenciales de acción durante un período de tiempo determinado. Este modelo es especialmente importante para la localización del sonido , que ocurre en el cerebro en el orden de los milisegundos. El cerebro debe obtener una gran cantidad de información a partir de una respuesta neuronal relativamente corta. Además, si se deben distinguir frecuencias de disparo bajas del orden de diez potenciales de acción por segundo de una codificación de frecuencia arbitrariamente cercana para diferentes estímulos, entonces una neurona que intenta discriminar estos dos estímulos puede necesitar esperar un segundo o más para acumular suficiente información. Esto no es consistente con numerosos organismos que son capaces de discriminar entre estímulos en el marco temporal de los milisegundos, lo que sugiere que un código de frecuencia no es el único modelo en funcionamiento. ^{[ 25 ]}

Para explicar la rápida codificación de los estímulos visuales, se ha sugerido que las neuronas de la retina codifican la información visual en el tiempo de latencia entre el inicio del estímulo y el primer potencial de acción, también llamado latencia al primer pico o tiempo hasta el primer pico. ^{[ 32 ]} Este tipo de codificación temporal también se ha demostrado en el sistema auditivo y somatosensorial. El principal inconveniente de este esquema de codificación es su sensibilidad a las fluctuaciones neuronales intrínsecas. ^{[ 33 ]} En la corteza visual primaria de los macacos, se encontró que la sincronización del primer pico con respecto al inicio del estímulo proporcionaba más información que el intervalo entre picos. Sin embargo, el intervalo entre picos podría usarse para codificar información adicional, lo cual es especialmente importante cuando la tasa de picos alcanza su límite, como en situaciones de alto contraste. Por esta razón, la codificación temporal puede desempeñar un papel en la codificación de bordes definidos en lugar de transiciones graduales. ^{[ 34 ]}

El sistema gustativo de los mamíferos es útil para estudiar la codificación temporal debido a sus estímulos bastante distintivos y las respuestas fácilmente discernibles del organismo. ^{[ 35 ]} La información codificada temporalmente puede ayudar a un organismo a discriminar entre diferentes sustancias sápidas de la misma categoría (dulce, amargo, ácido, salado, umami) que provocan respuestas muy similares en términos de número de picos. El componente temporal del patrón provocado por cada sustancia sápida puede utilizarse para determinar su identidad (por ejemplo, la diferencia entre dos sustancias sápidas amargas, como la quinina y el denatonio). De esta manera, tanto la codificación de frecuencia como la codificación temporal pueden utilizarse en el sistema gustativo: la de frecuencia para el tipo básico de sustancia sápida y la temporal para una diferenciación más específica. ^{[ 36 ]}

Las investigaciones sobre el sistema gustativo de los mamíferos han demostrado que existe abundante información en los patrones temporales de las poblaciones neuronales, información que difiere de la determinada por los esquemas de codificación de frecuencia. Grupos de neuronas pueden sincronizarse en respuesta a un estímulo. En estudios realizados en la corteza frontal del cerebro de primates, se encontraron patrones precisos con escalas temporales cortas, de tan solo unos milisegundos de duración, en pequeñas poblaciones neuronales, que se correlacionaban con ciertos comportamientos de procesamiento de información. Sin embargo, se pudo extraer poca información de estos patrones; una posible teoría es que representaban el procesamiento de orden superior que tiene lugar en el cerebro. ^{[ 26 ]}

Al igual que en el sistema visual , en las células mitrales/en penacho del bulbo olfatorio de los ratones, la latencia del primer potencial de acción con respecto al inicio de la acción de olfateo parecía codificar gran parte de la información sobre un olor. Esta estrategia de utilizar la latencia del potencial de acción permite una rápida identificación y reacción a un odorante. Además, algunas células mitrales/en penacho tienen patrones de disparo específicos para determinados odorantes. Este tipo de información adicional podría ayudar a reconocer un olor determinado, pero no es completamente necesaria, ya que el recuento promedio de potenciales de acción durante el olfateo del animal también fue un buen identificador. ^{[ 37 ]} En la misma línea, los experimentos realizados con el sistema olfatorio de los conejos mostraron patrones distintos que se correlacionaban con diferentes subconjuntos de odorantes, y se obtuvo un resultado similar en experimentos con el sistema olfatorio de la langosta. ^{[ 25 ]}

La especificidad de la codificación temporal requiere tecnología altamente sofisticada para medir datos experimentales informativos y fiables. Los avances en optogenética permiten a los neurólogos controlar los potenciales de acción en neuronas individuales, ofreciendo resolución eléctrica y espacial a nivel de célula individual. Por ejemplo, la luz azul provoca la apertura del canal iónico activado por luz, la canalrodopsina , despolarizando la célula y produciendo un potencial de acción. Cuando la célula no detecta luz azul, el canal se cierra y la neurona deja de generar potenciales de acción. El patrón de los potenciales de acción coincide con el patrón de los estímulos de luz azul. Al insertar secuencias del gen de la canalrodopsina en el ADN del ratón, los investigadores pueden controlar los potenciales de acción y, por lo tanto, ciertos comportamientos del ratón (por ejemplo, hacer que el ratón gire a la izquierda). ^{[ 38 ]} Mediante la optogenética, los investigadores disponen de las herramientas para generar diferentes códigos temporales en una neurona manteniendo la misma tasa de disparo promedio, y así pueden comprobar si la codificación temporal se produce o no en circuitos neuronales específicos. ^{[ 39 ]}

La tecnología optogenética también tiene el potencial de permitir la corrección de anomalías en los potenciales de acción que son la raíz de varios trastornos neurológicos y psicológicos. ^{[ 39 ]} Si las neuronas codifican información en patrones de tiempo de potenciales de acción individuales, se podrían pasar por alto señales clave al intentar descifrar el código observando solo las tasas de disparo promedio. ^{[ 25 ]} Comprender cualquier aspecto codificado temporalmente del código neuronal y replicar estas secuencias en las neuronas podría permitir un mayor control y tratamiento de trastornos neurológicos como la depresión , la esquizofrenia y la enfermedad de Parkinson . La regulación de los intervalos de potenciales de acción en células individuales controla la actividad cerebral con mayor precisión que la adición de agentes farmacológicos por vía intravenosa. ^{[ 38 ]}

El código de fase de disparo es un esquema de codificación neuronal que combina el código de conteo de picos con una referencia temporal basada en oscilaciones . Este tipo de código tiene en cuenta una etiqueta temporal para cada pico según una referencia temporal basada en la fase de oscilaciones locales en curso a bajas ^{[ 40 ]} o altas frecuencias. ^{[ 41 ]}

Se ha demostrado que las neuronas en algunas áreas sensoriales corticales codifican estímulos naturalistas ricos en términos de sus tiempos de disparo relativos a la fase de las fluctuaciones oscilatorias de la red en curso, en lugar de solo en términos de su número de disparos. ^{[ 40 ] [ 42 ]} Las señales de potencial de campo local reflejan oscilaciones de la población (red). El código de fase de disparo a menudo se clasifica como un código temporal, aunque la etiqueta de tiempo utilizada para los disparos (es decir, la fase de oscilación de la red) es una referencia de baja resolución (grano grueso) para el tiempo. Como resultado, a menudo solo cuatro valores discretos para la fase son suficientes para representar todo el contenido de información en este tipo de código con respecto a la fase de las oscilaciones en bajas frecuencias. El código de fase de disparo se basa vagamente en los fenómenos de precesión de fase observados en las células de lugar del hipocampo . Otra característica de este código es que las neuronas se adhieren a un orden preferido de disparo entre un grupo de neuronas sensoriales, lo que resulta en una secuencia de disparo. ^{[ 43 ]}

Se ha demostrado que el código de fase en la corteza visual también implica oscilaciones de alta frecuencia . ^{[ 43 ]} Dentro de un ciclo de oscilación gamma, cada neurona tiene su propio tiempo de disparo relativo preferido. Como resultado, toda una población de neuronas genera una secuencia de disparo que tiene una duración de hasta aproximadamente 15 ms. ^{[ 43 ]}

El modelo de codificación de correlación de la activación neuronal postula que las correlaciones entre potenciales de acción , o "picos", dentro de un tren de picos pueden contener información adicional más allá de la simple sincronización de los picos. Trabajos iniciales sugirieron que la correlación entre trenes de picos solo puede reducir, y nunca aumentar, la información mutua total presente en los dos trenes de picos sobre una característica del estímulo. ^{[ 55 ]} Sin embargo, posteriormente se demostró que esto era incorrecto. La estructura de correlación puede aumentar el contenido de información si las correlaciones de ruido y señal tienen signo opuesto. ^{[ 56 ]} Las correlaciones también pueden contener información no presente en la tasa de disparo promedio de dos pares de neuronas. Un buen ejemplo de esto se encuentra en la corteza auditiva del tití anestesiado con pentobarbital, en la que un tono puro provoca un aumento en el número de picos correlacionados, pero no un aumento en la tasa de disparo promedio, de pares de neuronas. ^{[ 57 ]}

El modelo de codificación de espigas independientes de la activación neuronal afirma que cada potencial de acción individual , o "espiga", es independiente de cada otra espiga dentro del tren de espigas . ^{[ 21 ] [ 58 ]}

Un código de población típico involucra neuronas con una curva de sintonización gaussiana cuyas medias varían linealmente con la intensidad del estímulo, lo que significa que la neurona responde con mayor intensidad (en términos de impulsos por segundo) a un estímulo cercano a la media. La intensidad real podría recuperarse como el nivel de estímulo correspondiente a la media de la neurona con la mayor respuesta. Sin embargo, el ruido inherente a las respuestas neuronales implica que una función de estimación de máxima verosimilitud es más precisa.

Este tipo de código se utiliza para codificar variables continuas como la posición de las articulaciones, la posición de los ojos, el color o la frecuencia del sonido. Cualquier neurona individual es demasiado ruidosa para codificar fielmente la variable mediante codificación de frecuencia, pero una población completa garantiza mayor fidelidad y precisión. Para una población de curvas de sintonización unimodales, es decir, con un solo pico, la precisión suele ser lineal con el número de neuronas. Por lo tanto, para obtener la mitad de precisión, se requiere la mitad de neuronas. En cambio, cuando las curvas de sintonización tienen múltiples picos, como en las celdas de la cuadrícula que representan el espacio, la precisión de la población puede ser exponencial con el número de neuronas. Esto reduce considerablemente el número de neuronas necesarias para la misma precisión. ^{[ 59 ]}

La reducción de dimensionalidad y el análisis topológico de datos han revelado que el código de población está restringido a variedades de baja dimensión, ^{[ 60 ]} a veces también denominadas atractores . La posición a lo largo de la variedad neuronal se correlaciona con ciertas condiciones conductuales, como las neuronas de dirección de la cabeza en el núcleo talámico anterodorsal que forman una estructura de anillo, ^{[ 61 ]} las células de cuadrícula que codifican la posición espacial en la corteza entorrinal a lo largo de la superficie de un toro , ^{[ 62 ]} o las neuronas de la corteza motora que codifican los movimientos de la mano ^{[ 63 ]} y la actividad preparatoria. ^{[ 64 ]} Se sabe que las variedades de baja dimensión cambian de manera dependiente del estado, como el cierre de los ojos en la corteza visual , ^{[ 65 ]} o el comportamiento respiratorio en la columna respiratoria ventral . ^{[ 66 ]}

La mayoría de los modelos de codificación dispersa se basan en el modelo generativo lineal . ^{[ 69 ]} En este modelo, los símbolos se combinan de forma lineal para aproximar la entrada.

De forma más formal, dado un conjunto k-dimensional de vectores de entrada de números reales${\displaystyle {\vec {\xi }}\in \mathbb {R} ^{k}}$El objetivo de la codificación dispersa es determinar n vectores base k-dimensionales.${\displaystyle {\vec {b_{1}}},\ldots ,{\vec {b_{n}}}\in \mathbb {R} ^{k}}$, correspondientes a campos receptivos neuronales, junto con un vector disperso n-dimensional de pesos o coeficientes${\displaystyle {\vec {s}}\in \mathbb {R} ^{n}}$para cada vector de entrada, de modo que una combinación lineal de los vectores base con proporciones dadas por los coeficientes dé como resultado una aproximación cercana al vector de entrada:${\displaystyle {\vec {\xi }}\approx \sum _{j=1}^{n}s_{j}{\vec {b}}_{j}}$. ^{[ 70 ]}

Las codificaciones generadas por algoritmos que implementan un modelo generativo lineal se pueden clasificar en codificaciones con dispersión suave y aquellas con dispersión dura . ^{[ 69 ]} Estas se refieren a la distribución de los coeficientes del vector base para entradas típicas. Una codificación con dispersión suave tiene una distribución suave similar a la gaussiana , pero con picos más pronunciados que la gaussiana, con muchos valores cero, algunos valores absolutos pequeños, menos valores absolutos grandes y muy pocos valores absolutos muy grandes. Por lo tanto, muchos de los vectores base están activos. La dispersión dura, por otro lado, indica que hay muchos valores cero, ningún valor absoluto pequeño o casi ninguno , menos valores absolutos grandes y muy pocos valores absolutos muy grandes, y por lo tanto, pocos de los vectores base están activos. Esto es atractivo desde una perspectiva metabólica: se utiliza menos energía cuando se activan menos neuronas. ^{[ 69 ]}

Otra medida de la codificación es si es críticamente completa o sobrecompleta . Si el número de vectores base n es igual a la dimensionalidad k del conjunto de entrada, se dice que la codificación es críticamente completa. En este caso, los cambios suaves en el vector de entrada dan como resultado cambios abruptos en los coeficientes, y la codificación no puede manejar con suavidad pequeñas escalas, pequeñas traslaciones o ruido en las entradas. Sin embargo, si el número de vectores base es mayor que la dimensionalidad del conjunto de entrada, la codificación es sobrecompleta . Las codificaciones sobrecompletas interpolan suavemente entre los vectores de entrada y son robustas ante el ruido de entrada. ^{[ 71 ]} Se estima que la corteza visual primaria humana es sobrecompleta por un factor de 500, de modo que, por ejemplo, un parche de entrada de 14 x 14 (un espacio de 196 dimensiones) está codificado por aproximadamente 100 000 neuronas. ^{[ 69 ]}

Otros modelos se basan en la búsqueda de coincidencias , un algoritmo de aproximación dispersa que encuentra las proyecciones de "mejor coincidencia" de datos multidimensionales, y en el aprendizaje de diccionarios , un método de aprendizaje de representación que tiene como objetivo encontrar una representación matricial dispersa de los datos de entrada en forma de una combinación lineal de elementos básicos, así como los propios elementos básicos. ^{[ 72 ] [ 73 ] [ 74 ]}

La codificación dispersa podría ser una estrategia general de los sistemas neuronales para aumentar la capacidad de memoria. Para adaptarse a su entorno, los animales deben aprender qué estímulos se asocian con recompensas o castigos y distinguir estos estímulos reforzados de otros similares pero irrelevantes. Estas tareas requieren la implementación de memorias asociativas específicas para cada estímulo , en las que solo unas pocas neuronas de una población responden a un estímulo determinado, y cada neurona responde solo a unos pocos estímulos de entre todos los posibles.

El trabajo teórico sobre la memoria distribuida dispersa ha sugerido que la codificación dispersa aumenta la capacidad de la memoria asociativa al reducir la superposición entre representaciones. ^{[ 75 ]} Experimentalmente, se han observado representaciones dispersas de información sensorial en muchos sistemas, incluyendo la visión, ^{[ 76 ]} la audición, ^{[ 77 ]} el tacto, ^{[ 78 ]} y el olfato. ^{[ 79 ]} Sin embargo, a pesar de la creciente evidencia de la codificación dispersa generalizada y los argumentos teóricos sobre su importancia, ha sido difícil obtener una demostración de que la codificación dispersa mejora la especificidad del estímulo de la memoria asociativa.

En el sistema olfativo de Drosophila , se cree que la codificación dispersa de olores por parte de las células de Kenyon del cuerpo fungiforme genera un gran número de ubicaciones direccionables con precisión para el almacenamiento de recuerdos específicos de olores. ^{[ 80 ]} La dispersión está controlada por un circuito de retroalimentación negativa entre las células de Kenyon y las neuronas laterales anteriores pareadas (APL) GABAérgicas . La activación y el bloqueo sistemáticos de cada rama de este circuito de retroalimentación muestran que las células de Kenyon activan las neuronas APL y las neuronas APL inhiben las células de Kenyon. La interrupción del bucle de retroalimentación célula de Kenyon-APL disminuye la dispersión de las respuestas olfativas de las células de Kenyon, aumenta las correlaciones entre olores e impide que las moscas aprendan a discriminar olores similares, pero no disímiles. Estos resultados sugieren que la inhibición por retroalimentación suprime la actividad de las células de Kenyon para mantener una codificación olfativa dispersa y descorrelacionada y, por lo tanto, la especificidad olfativa de los recuerdos. ^{[ 81 ]}