Modelos estadísticos y dinámicos para investigar el acoplamiento entre neuronas corticales

La comprensión de los mecanismos que gobiernan la dinámica colectiva de las neuronas constituye uno de los desafíos centrales de la neurociencia contemporánea y, en particular, de la neurociencia computacional. Desde una perspectiva física, el cerebro puede ser abordado como un sistema complejo fuera del equilibrio, en el cual interacciones no lineales entre múltiples escalas dan lugar a patrones dinámicos emergentes, cuya caracterización resulta clave tanto para el entendimiento de la función cerebral normal como de sus alteraciones patológicas. En este contexto, la presente tesis propone un enfoque integrador que combina modelado computacional, herramientas de la teoría de la información y análisis avanzado de señales neurofisiológicas, con el objetivo de contribuir a una comprensión más profunda de la organización funcional del cerebro. El estudio abarca tanto procesos fisiológicos —como el sueño y la memoria— como escenarios patológicos de alta complejidad, en particular la epilepsia refractaria, poniendo de manifiesto el potencial de los enfoques multiescalares para revelar regularidades dinámicas que no son accesibles mediante descripciones puramente locales o monoestratégicas. En una primera instancia, se presenta una contextualización histórica y conceptual del modelado neuronal, revisando las principales aproximaciones desarrolladas para describir la actividad de las neuronas y de las redes neuronales a lo largo del tiempo. Este recorrido permite establecer el marco conceptual necesario para interpretar los modelos y resultados introducidos posteriormente, así como identificar los supuestos y limitaciones inherentes a las distintas estrategias de modelado. A continuación, se introduce un modelo computacional original, de autoría propia, que constituye uno de los aportes centrales de la tesis. Dicho modelo se formula con el objetivo de capturar aspectos esenciales de la dinámica neuronal y de la plasticidad sináptica, y se acompaña de la presentación sistemática del marco teórico que sustenta su implementación. En este contexto, se desarrollan y discuten los conceptos y herramientas que serán utilizados a lo largo de toda la tesis, incluyendo métricas provenientes de la teoría de la información y enfoques estadísticos para la caracterización de señales neuronales complejas. Sobre la base de este marco general, se presentan análisis metodológicos orientados a la caracterización de la dinámica neuronal en distintos regímenes de actividad. Se exploran propiedades estadísticas y dinámicas de señales neurofisiológicas mediante técnicas que permiten acceder tanto a la estructura frecuencial como a la organización temporal de largo alcance, proporcionando una descripción más completa de la actividad neuronal que la ofrecida por enfoques tradicionales. En el contexto de la epilepsia refractaria, la tesis aborda en primer lugar el estudio de la reorganización funcional de las redes cerebrales a partir del análisis de registros de electroencefalografía intracraneal (EEG_i). Dado el bajo número de pacientes examinados debido al carácter invasivo de esta técnica, el análisis se considera preliminar; no obstante, permite una caracterización detallada de la conectividad funcional entre regiones corticales. En esta sección se analizan cambios en la conectividad funcional entre canales mediante matrices de correlación, y se discuten las limitaciones de los métodos clínicos convencionales de rotulación para la identificación del estado preictal. Sobre esta base, se presenta posteriormente un estudio orientado a la caracterización del estado preictal mediante el análisis de dependencias estadísticas lineales y no lineales entre distintos ritmos neuronales. En particular, se propone el uso de la información mutua multibanda como biomarcador para cuantificar la transmisión de información en señales de $EEG_i$. A diferencia de enfoques centrados en la detección del estado ictal, se evalúa la capacidad predictiva de este indicador para identificar el estado preictal, así como su desempeño en combinación con algoritmos de clasificación supervisada, lo que permite avanzar hacia estrategias de detección temprana de crisis epilépticas. Finalmente, se incorpora un estudio orientado a la comprensión de la dinámica neuronal durante los estados globales de vigilia y sueño, y su relación con procesos de memoria. Mediante un enfoque multiescalar que integra el análisis espectral y el análisis de fluctuaciones sin tendencia (Detrended Fluctuation Analysis, DFA), se caracteriza la actividad cerebral registrada mediante EEG_i a lo largo de distintas etapas del ciclo sueño–vigilia. Este análisis permite describir cómo la coexistencia y coordinación de dinámicas oscilatorias y temporales de largo alcance configuran entornos funcionales favorables para la consolidación de la memoria, sin reducir dichos procesos a un único marcador neuronal. En conjunto, esta tesis propone un marco integrador para el estudio de la dinámica neuronal, en el cual modelos computacionales, herramientas de la teoría de la información y análisis multiescalares de señales neurofisiológicas se combinan para avanzar en la comprensión de fenómenos complejos del cerebro, tanto en condiciones fisiológicas como patológicas.