El estudio de la actividad cerebral a nivel microscópico es fundamental para comprender cómo funciona el sistema nervioso. Los neurocientíficos utilizan diversas técnicas para registrar la actividad eléctrica de las neuronas, y dos de las señales extracelulares más importantes que se registran son el Potencial de Campo Local (LFP) y la Actividad Multiunitaria (MUA). Ambas ofrecen ventanas únicas a la dinámica de las redes neuronales locales, pero representan aspectos ligeramente diferentes de esta actividad.
¿Qué son el LFP y la MUA?
El Potencial de Campo Local (LFP) y la Actividad Multiunitaria (MUA) son señales eléctricas registradas en el espacio extracelular, es decir, fuera de las neuronas. Ambas provienen de la actividad de una población de neuronas cercanas al electrodo de registro.
El LFP se considera generalmente el componente de baja frecuencia (típicamente por debajo de 500 Hz) del registro crudo. Se cree que el LFP refleja principalmente las corrientes sinápticas de entrada y salida de las neuronas en la vecindad del electrodo. Es, por tanto, un indicador de la actividad integrada de la red neuronal local, incluyendo potenciales postsinápticos, potenciales de acción retropropagados y otras corrientes transmembrana.
Por otro lado, la MUA es el componente de alta frecuencia (generalmente por encima de 1000 Hz) del registro. La MUA representa principalmente los potenciales de acción (spikes) de múltiples neuronas individuales que están lo suficientemente cerca del electrodo como para ser detectados, pero cuyas señales no pueden aislarse como provenientes de una única neurona (lo que se conocería como Actividad de Unidad Única o SUA).
En esencia, el LFP capta la actividad de red más lenta y sincrónica, mientras que la MUA refleja la suma de los disparos rápidos de neuronas individuales en el área circundante.
Comparando LFP y MUA: Dinámicas a Diferentes Escalas de Tiempo
La relación entre el LFP y la MUA puede variar dependiendo de la escala de tiempo en la que se analicen las señales.
Escalas de Tiempo Gruesas (∼1–5 segundos)
En escalas de tiempo más largas, como las utilizadas para estudiar respuestas sostenidas a estímulos (por ejemplo, estímulos visuales con rejillas en movimiento), tanto la MUA como el LFP (específicamente la potencia en la banda gamma del LFP) muestran respuestas sostenidas. Se ha observado que, en respuesta a estímulos visuales óptimos, la MUA puede ser significativamente más sostenida que el LFP en algunos sitios de registro. Sin embargo, la correlación entre la sostenibilidad de ambas señales a través de una población de sitios de registro es moderada (alrededor de 0.4).
Un aspecto importante es la relación con la señal BOLD (dependiente del nivel de oxígeno en sangre) medida por resonancia magnética funcional (fMRI). Estudios previos sugirieron que la señal BOLD estaba más fuertemente correlacionada con el LFP que con la MUA, basándose en la observación de que la MUA parecía ser menos sostenida que el LFP. Sin embargo, investigaciones más recientes, como las descritas en la información proporcionada, han encontrado que la MUA puede ser tan sostenida como el LFP, lo que sugiere que la MUA también podría estar correlacionada con la señal BOLD, y que la interpretación de las fuentes neuronales de BOLD podría necesitar ser reconsiderada.
Escalas de Tiempo Finas (<0.1 segundos)
En escalas de tiempo más cortas, la relación entre LFP y MUA se puede examinar utilizando el análisis de coherencia, que mide la correlación entre dos señales en función de la frecuencia. Se ha encontrado una coherencia débil pero significativa entre el LFP y la MUA, concentrada principalmente en la banda gamma (20–90 Hz). La magnitud de esta coherencia en banda gamma está relacionada con la potencia en la banda gamma del LFP. La debilidad de la coherencia sugiere que podría haber procesamiento no lineal en la red cortical o que el LFP y la MUA reciben contribuciones de poblaciones neuronales que no se superponen completamente.
Inferencia de Actividad Neuronal a partir de Características del LFP
Dada la facilidad relativa de registrar LFP en comparación con la actividad de unidades individuales, existe un gran interés en inferir otros tipos de actividad neuronal a partir de las características del LFP. La información proporcionada describe un estudio que evaluó la capacidad de diferentes características del LFP para inferir tres tipos de actividad neuronal: Actividad Espacialmente Promediada (ESA, un promedio de la actividad de varias unidades), Actividad de Unidad Única (SUA) y Actividad Multiunitaria (MUA).
Se compararon seis características distintas del LFP como predictores:
- La amplitud suavizada en el dominio del tiempo del LFP, conocida como Potencial Motor Local (LMP).
- La potencia espectral promedio en cinco bandas de frecuencia: delta, theta, alpha, beta y gamma.
La capacidad de estas características para inferir la actividad neuronal se evaluó utilizando un modelo de regresión lineal múltiple (MLR) y métricas de rendimiento como el Coeficiente de Correlación (CC) y el Error Cuadrático Medio (RMSE).
Características de LFP más Informativas
Los resultados mostraron consistentemente que el LMP fue la característica de LFP más informativa para la inferencia de ESA, produciendo el mayor rendimiento de inferencia (mayor CC promedio) y los coeficientes más grandes en el modelo MLR. La potencia en la banda alpha, por el contrario, resultó ser consistentemente la menos informativa. El orden de informatividad de otras bandas de frecuencia (delta, theta, beta, gamma) varió entre sujetos experimentales.
Incluso al aumentar la frecuencia de corte del filtro de paso bajo para incluir componentes de gamma de mayor frecuencia (hasta 300 Hz), lo que mejoró el rendimiento de la banda gamma, el LMP siguió superando a la gamma en la mayoría de los casos.
Rendimiento de Inferencia entre Tipos de Actividad
Se comparó el rendimiento de la inferencia de ESA, SUA y MUA a partir de las características del LFP (utilizando LMP como característica principal, dado que fue la más informativa). Los resultados, medidos tanto por CC como por RMSE, revelaron un orden claro en la facilidad con la que se pueden inferir estos tipos de actividad a partir del LFP.
La inferencia de ESA mostró consistentemente el mayor rendimiento (mayor CC, menor RMSE), seguida por la MUA, y finalmente la SUA fue la más difícil de inferir (menor CC, mayor RMSE).
Este patrón (ESA > MUA > SUA) se mantuvo a través de diferentes sujetos, sesiones de registro a largo plazo y utilizando diferentes algoritmos de inferencia (MLR, redes neuronales como MLP y LSTM).
Tabla Comparativa de Rendimiento (CC Promedio)
| Sujeto | ESA | MUA | SUA |
|---|---|---|---|
| Mono I | 0.70 ± 0.02 | 0.56 ± 0.02 | 0.33 ± 0.01 |
| Mono L | 0.75 ± 0.02 | 0.76 ± 0.02 | 0.59 ± 0.02 |
| Mono N | 0.55 ± 0.02 | 0.41 ± 0.02 | 0.41 ± 0.01 |
| Mono I (Largo Plazo) | 0.65 ± 0.01 | 0.48 ± 0.01 | 0.32 ± 0.01 |
Nota: Los valores corresponden al promedio ± error estándar de la media (SEM). El rendimiento de ESA fue significativamente mayor que el de SUA y MUA en la mayoría de los casos.
Impacto del Número de Canales LFP
La cantidad de canales LFP utilizados para la inferencia también influye en el rendimiento. Como era de esperar, el rendimiento de inferencia para ESA, SUA y MUA mejoró al aumentar el número de canales LFP. Sin embargo, esta mejora tendió a estabilizarse (alcanzar una meseta) después de un cierto número de canales.
Interesantemente, el rendimiento de inferencia de ESA alcanzó esta meseta más rápidamente, requiriendo menos canales LFP para alcanzar el 90% de su rendimiento máximo, en comparación con SUA y MUA.
Además, se encontró una relación entre la correlación entre canales LFP y la velocidad con la que el rendimiento alcanzaba la meseta: una mayor correlación entre canales LFP se asoció con un alcance más rápido de la meseta de rendimiento para los tres tipos de actividad.
Importancia Espacial de los Canales LFP para la Inferencia
Se analizó si la importancia de un canal LFP para inferir la actividad de un canal de salida específico (ESA, SUA, MUA) dependía de la distancia espacial entre los electrodos de registro. Utilizando el CC promedio como métrica de importancia, se observó una tendencia decreciente estadísticamente significativa en la importancia del canal LFP a medida que aumentaba la distancia inter-electrodo en algunos sujetos. Esto sugiere que los canales LFP más cercanos tienden a ser más informativos para inferir la actividad en un punto dado, aunque la distancia más corta no siempre garantizó la máxima importancia.
Algoritmos de Inferencia
Además de los modelos lineales (MLR), se exploraron algoritmos de aprendizaje profundo como las redes neuronales multicapa (MLP) y las redes de memoria a largo corto plazo (LSTM). En general, estos algoritmos de aprendizaje profundo mostraron un rendimiento de inferencia ligeramente superior al MLR para los tres tipos de actividad (ESA, SUA, MUA), aunque la diferencia no siempre fue estadísticamente significativa, especialmente en registros a largo plazo.
Preguntas Frecuentes
¿Cuál es la diferencia principal entre LFP y MUA?
La diferencia principal radica en el rango de frecuencia y lo que representan: LFP es la actividad integrada de baja frecuencia (<500 Hz, principalmente corrientes sinápticas), mientras que MUA es la suma de los potenciales de acción de alta frecuencia (>1000 Hz) de múltiples neuronas cercanas.
¿Por qué es importante inferir la actividad neuronal a partir del LFP?
Inferir MUA, SUA o ESA a partir de LFP permite obtener información sobre diferentes aspectos de la actividad neuronal local utilizando grabaciones que a menudo son más estables o fáciles de obtener que los registros de unidades individuales, facilitando el estudio de la dinámica de red y la relación con otras señales como el BOLD.
¿Qué característica del LFP es mejor para la inferencia?
Según la información proporcionada, la amplitud suavizada en el dominio del tiempo del LFP (LMP) fue consistentemente la característica de LFP más informativa para inferir la actividad neuronal, superando a las potencias en las diferentes bandas de frecuencia.
¿Qué tipo de actividad neuronal es más fácil de inferir a partir del LFP?
La Actividad Espacialmente Promediada (ESA) fue la más fácil de inferir a partir del LFP, seguida por la MUA, siendo la Actividad de Unidad Única (SUA) la más difícil de inferir.
¿Influye la distancia entre los electrodos LFP y el punto de actividad inferida?
Sí, la importancia de un canal LFP para la inferencia tiende a disminuir con el aumento de la distancia espacial al punto donde se está inferiendo la actividad neuronal.
Conclusión
El LFP y la MUA son señales complementarias que ofrecen perspectivas distintas sobre la actividad de las redes neuronales locales. Mientras que el LFP refleja la actividad sináptica integrada, la MUA representa los disparos neuronales. Los estudios demuestran que es posible inferir diferentes tipos de actividad neuronal, incluyendo la MUA y la ESA, a partir de características del LFP. El LMP se destaca como una característica particularmente informativa para esta tarea. La capacidad de inferencia varía según el tipo de actividad, siendo la ESA la más predecible a partir del LFP, seguida por la MUA y luego la SUA. Estos hallazgos son cruciales para el desarrollo de interfaces cerebro-computadora y para una mejor comprensión de la relación entre las diferentes señales neurofisiológicas.
Si quieres conocer otros artículos parecidos a MUA y LFP: Descifrando Señales Neuronales puedes visitar la categoría Neurociencia.