Comparación entre conectividad efectiva y funcional

Por qué importan los mapas de cableado del cerebro

Nuestros pensamientos, recuerdos y acciones surgen de miles de millones de células cerebrales que se comunican entre sí. Las tecnologías modernas permiten ahora a los científicos escuchar estas conversaciones a gran escala, pero lo hacen de maneras muy distintas. Este estudio plantea una pregunta aparentemente sencilla con grandes implicaciones: cuando vemos grupos de células cerebrales activarse juntas, ¿realmente nos está diciendo eso cómo están conectadas? Al comparar directamente dos maneras populares de mapear las conexiones cerebrales, los autores muestran que cada método revela un aspecto distinto del funcionamiento del cerebro—y que combinarlos es clave para entender el cómputo cerebral.

Dos maneras de escuchar al cerebro

Los neurocientíficos suelen distinguir dos tipos de conexiones. Una es el “cableado” físico entre las neuronas: pequeñas uniones llamadas sinapsis donde una célula puede influir directamente sobre otra en unos pocos milisegundos. En este artículo, estos enlaces directos se denominan conectividad efectiva, porque reflejan quién afecta realmente a quién en el circuito. El otro tipo es la conectividad funcional, que no trata de enlaces físicos sino de qué células tienden a activarse juntas a lo largo del tiempo. La conectividad funcional suele medirse con métodos ópticos que siguen cambios lentos de calcio dentro de las células, un indicador indirecto de su actividad eléctrica. Los autores se propusieron ver cómo se alinean estas dos perspectivas cuando se miden en las mismas neuronas.

Leer el cableado de alta resolución del cerebro

Para sondear el cableado cerebral, los investigadores usaron sondas de electrodos de alta densidad, conocidas como Neuropixels, para registrar los tiempos precisos de disparo de 242 neuronas en tres regiones del cerebro de ratón: tálamo, hipocampo y corteza visual. Luego aplicaron un método estadístico avanzado, ShinGLMCC, para inferir qué neuronas probablemente estaban conectadas directamente. Este análisis recuperó correctamente muchas características conocidas de la anatomía cerebral. Por ejemplo, encontró fuertes vías unidireccionales dentro del hipocampo y la corteza visual que coinciden con diagramas de circuito establecidos, y separó claramente las neuronas que mayormente excitan a otras de las que mayormente inhiben. Las neuronas inhibitorias formaron ricos lazos recíprocos con vecinas excitatorias, consistente con una competencia de “el ganador se lo lleva todo” donde algunos patrones de actividad suprimen a otros. Repetir el análisis en diferentes mitades de los datos produjo diagramas de cableado casi idénticos, lo que sugiere que las estimaciones eran estables y fiables.

Siguiendo ondas lentas de actividad

A continuación, los autores convirtieron las mismas grabaciones de disparos en señales de calcio artificiales, imitando lo que vería un microscopio de dos fotones. Cada disparo se transformó en un pulso suave que subía rápidamente y se atenuaba en decenas a miles de milisegundos. Correlacionando estas señales lentas entre pares de neuronas, construyeron mapas de conectividad funcional a diferentes escalas temporales. Las correlaciones positivas fuertes tendían a unir neuronas dentro de la misma región cerebral, mientras que las correlaciones negativas estaban más dispersas. Acortar el tiempo característico del calcio hizo que estas redes funcionales fuesen más localizadas y, a primera vista, algo más cercanas al cableado subyacente. Sin embargo, incluso en escalas temporales irrealísticamente rápidas, la mayoría de los pares fuertemente coactivos no estaban conectados directamente, y la mejor concordancia estadística entre ambos mapas seguía estando lejos de ser perfecta.

Cuando las entradas compartidas enturbian la imagen

Para entender por qué la coactividad diverge del cableado, el equipo construyó un modelo computacional de una red artificial cuyas conexiones se copiaron de su diagrama de cableado inferido. Ajustaron el modelo para que las neuronas simuladas dispararan a las mismas tasas que las reales y luego examinaron tanto la conectividad efectiva como la funcional en este sistema cerrado. En la red aislada, la conectividad funcional reflejó el cableado verdadero algo mejor que en los datos reales. Pero cuando aumentaron ligeramente la entrada a un subconjunto de neuronas—imitando un débil estímulo sensorial—esas neuronas de repente parecieron fuertemente conectadas funcionalmente entre sí, aunque el cableado real apenas había cambiado. En otras palabras, las entradas compartidas o fluctuantes pueden crear fácilmente la ilusión de enlaces fuertes donde no existen, moldeando fuertemente la conectividad funcional mientras dejan la conectividad efectiva prácticamente intacta.

Qué significa esto para entender el cerebro

El mensaje central del estudio es que los mapas de coactividad y los mapas de influencia física no son intercambiables. La conectividad efectiva, extraída de registros eléctricos rápidos, captura el hardware del cerebro: quién puede influir directamente sobre quién y en qué escala temporal rápida. La conectividad funcional, derivada de señales de calcio más lentas, refleja el software del cerebro: patrones más amplios de actividad coordinada moldeados por entradas compartidas, vías indirectas y el estado global del cerebro. Incluso con imágenes más rápidas o estadísticas más refinadas, la simple sincronía probablemente no revele por completo el fino cableado subyacente. Para entender verdaderamente cómo calculan los circuitos cerebrales, los autores sostienen que el trabajo futuro debe combinar ambas perspectivas—usando mapas de cableado detallados para anclar modelos de dinámica de redes y usando patrones de actividad de campo amplio para ver cómo se comportan esos circuitos en condiciones reales y cambiantes.

Cita: Shinomoto, S., Tsubo, Y. Comparing effective and functional connectivity. Sci Rep 16, 12161 (2026). https://doi.org/10.1038/s41598-026-42580-2

Palabras clave: conectividad cerebral, circuitos neuronales, imagen de calcio, trenes de pulsos, dinámica de redes