La hipótesis del cerebro crítico: predicciones y pruebas alternativas

Un registro neuronal contiene muchos episodios pequeños y algunos mucho mayores. Si se representan sus tamaños en ejes logarítmicos, a menudo aparece un tramo aproximadamente recto. La imagen sugiere una ley de potencia y, a partir de ella, una transición crítica. Son dos inferencias distintas y cada una exige su propia comprobación. La forma de un gráfico puede motivar una hipótesis, aunque por sí sola no identifica el mecanismo que generó los datos.

La hipótesis de criticalidad cerebral sostiene que ciertas dinámicas neuronales operan en la vecindad de una transición entre regímenes. Su contenido empírico depende de la transición considerada, de la variable que actúa como parámetro de control y de los observables que se miden. El trabajo de Beggs y Plenz (2003) impulsó buena parte de esta línea. En cultivos organotípicos y cortes agudos de corteza de rata, registraron potenciales de campo local con una matriz de 60 electrodos y describieron cascadas de actividad, a las que llamaron avalanchas neuronales, cuyos tamaños seguían aproximadamente una ley de potencia con exponente cercano a $-3/2$ y un parámetro de ramificación próximo a uno. Esos resultados se refieren a una preparación, una señal y una definición de evento concretas. Al extrapolarlos a otros sistemas conviene conservar esa especificidad.

Hay razones teóricas para interesarse por la vecindad de una transición. En modelos, esa región se asocia con una gran sensibilidad a los estímulos y con repertorios dinámicos amplios (Muñoz, 2018). Las mismas propiedades aumentan la variabilidad espontánea y la vulnerabilidad a la inestabilidad. Que una capacidad alcance su máximo en un modelo, según un criterio definido, no implica que un cerebro deba operar exactamente en ese punto. Después de más de dos décadas de investigación, los resultados experimentales siguen siendo heterogéneos y en parte contradictorios (Wilting y Priesemann, 2019). La pregunta empírica requiere predicciones capaces de separar la criticalidad de explicaciones alternativas.

El proceso de ramificación ofrece un modelo de referencia en el que muchos resultados pueden calcularse de forma exacta. Sobre esa base es posible examinar cómo la observación parcial, los umbrales de detección y la duración del registro alteran la inferencia. El propósito es formular una prueba de hipótesis sin reducir el ajuste de un exponente a un diagnóstico del estado cerebral.

408.1. Especificar la transición antes de buscar sus señales

Un sistema puede atravesar transiciones de naturaleza muy distinta. Hay transiciones entre actividad que se extingue y actividad que se sostiene, entre asincronía y sincronía, o entre dinámicas ordenadas y caóticas. Cada una tiene variables de control y observables propios (Wilting y Priesemann, 2019; Zimmern, 2020). El punto en que un proceso de ramificación empieza a sostener actividad no coincide necesariamente con el punto en que un conjunto de osciladores se sincroniza. Reunir todos estos fenómenos bajo la palabra criticalidad puede ocultar predicciones incompatibles entre sí.

En una transición continua idealizada, algunas escalas características crecen sin límite al acercarse al punto crítico. En un sistema finito esas divergencias se redondean y aparecen cortes. Una predicción empírica debe incorporar entonces el tamaño del sistema y los límites de observación, además de la distancia al punto crítico. Un cerebro finito, medido durante un intervalo finito, nunca exhibirá literalmente una cantidad infinita.

La autoorganización añade una afirmación distinta. Un modelo puede quedar cerca de una transición porque el investigador ajustó un parámetro a mano. Para hablar de autoorganización hace falta un mecanismo que lleve al sistema hacia esa región, o lo mantenga en ella, bajo condiciones especificadas. Encontrar indicadores compatibles con proximidad crítica no identifica por sí mismo ese mecanismo regulador.

También conviene separar proximidad y exactitud. Un régimen ligeramente subcrítico puede tener tiempos largos y una propagación extensa, aunque conserve una probabilidad de extinción rápida mayor que la del punto crítico ideal. Priesemann y colaboradores (2014) compararon registros de espigas en ratas y monos despiertos y en gatos anestesiados con modelos críticos clásicos. Las diferencias desaparecían cuando los modelos se submuestreaban, recibían más entrada externa y se volvían levemente subcríticos. Con un estimador robusto al submuestreo, Wilting y Priesemann (2018) obtuvieron en registros de rata, gato y mono una mediana del parámetro de propagación cercana a 0.98, con tiempos de autocorrelación del orden de cientos de milisegundos. Con datos limitados, un régimen así puede ser difícil de distinguir del punto crítico. Toda estimación debe declarar su resolución y los supuestos que permiten traducir una medida en distancia a una transición.

408.2. Un proceso de ramificación con descendencia de Poisson

Sea $A_t$ el número de eventos activos en la generación $t$ . Cada evento produce descendientes de manera independiente, con media $m$ . Si la descendencia sigue una distribución de Poisson,

A_{t+1}\mid A_t\sim\operatorname{Poisson}(mA_t).

La avalancha parte de $A_0=1$ y termina cuando $A_t=0$ . Su tamaño total es $S=\sum_{t\geq0}A_t$ y su duración es el número de generaciones con actividad. Las generaciones constituyen una escala temporal interna del modelo. Para identificarlas con una ventana de registro neuronal hace falta una calibración explícita.

Para $m<1$ el proceso es subcrítico y se extingue con probabilidad uno. La actividad esperada satisface $\mathbb E[A_t]=m^t$ , de modo que

\mathbb E[S]=\sum_{t=0}^{\infty}m^t=\frac1{1-m}.

Con $m=0.8$ el tamaño medio es 5 y con $m=0.95$ es 20. Si la descendencia tiene media $m$ y varianza $\sigma^2$ , la varianza del tamaño total en el régimen subcrítico es $\sigma^2/(1-m)^3$ . En el caso Poisson, $\sigma^2=m$ y la varianza resulta $m/(1-m)^3$ , que vale 100 y 7600 para los dos valores anteriores. Una varianza tan grande obliga a reunir muchas realizaciones para estimar la media y concede a unas pocas avalanchas grandes una influencia desproporcionada.

En $m=1$ , con esta descendencia no degenerada, la extinción sigue ocurriendo con probabilidad uno. Sin embargo, el tamaño esperado es infinito en el sistema ideal sin límites. Cada realización termina en algún momento mientras la media de la distribución diverge. Esa diferencia entre lo que ocurre casi seguramente y lo que indica la esperanza matemática pesa al interpretar simulaciones finitas.

Para $m>1$ existe una probabilidad positiva de que la actividad continúe indefinidamente en el modelo ilimitado. Una simulación con un techo de eventos o de tiempo interrumpe esas trayectorias de manera artificial. Deben marcarse como censuradas, sin tratar el tamaño alcanzado al cortar como si fuera una observación completa. La regla de corte puede crear acumulaciones de valores que después aparenten ser propiedades de la distribución.

408.3. De dónde aparece una ley de potencia

Con descendencia de Poisson, la probabilidad de que una avalancha iniciada por un evento termine con tamaño $s$ está dada por la distribución de Borel,

P(S=s)=\frac{e^{-ms}(ms)^{s-1}}{s!},\qquad s=1,2,\ldots

En los regímenes subcrítico y crítico estas probabilidades suman uno. Para $m>1$ la misma fórmula describe las avalanchas que terminan. Su suma es entonces igual a la probabilidad de extinción, menor que uno. Con $m=1.5$ , por ejemplo, esa suma vale aproximadamente 0.417. Al aplicar la aproximación de Stirling se obtiene, para tamaños grandes,

P(S=s)\approx\frac1{m\sqrt{2\pi}}s^{-3/2} \exp\{s[\ln m+1-m]\}.

Cuando $m=1$ el factor exponencial desaparece y queda una cola proporcional a $s^{-3/2}$ . Para $m<1$ se cumple $\ln m+1-m<0$ , lo que introduce un corte exponencial. Si $m=1-\delta$ con $\delta$ pequeño, el exponente vale aproximadamente $-s\delta^2/2$ , de modo que el corte se sitúa en torno a $s_c\approx2/\delta^2$ . Con $m=0.95$ esa escala ronda los 800 eventos. Un proceso subcrítico puede exhibir así un tramo amplio parecido a una potencia antes de que el corte se haga visible. La comparación numérica con la fórmula exacta muestra que la aproximación se aparta en menos de un 1 % a partir de $s=10$ .

El exponente $3/2$ pertenece a esta familia de modelos y depende de sus condiciones, entre ellas la independencia de la descendencia y la varianza finita. Ninguna razón general obliga a que aparezca en toda transición neuronal. Otras topologías, dependencias o mecanismos pueden cambiar la clase de comportamiento. Para comparar un dato con un exponente teórico hay que justificar por qué el modelo que lo predice sería apropiado para ese sistema.

La fórmula también explica por qué una recta visual es insuficiente. Si la muestra no alcanza tamaños cercanos al corte, distinguir $m=1$ de un valor subcrítico próximo puede resultar imposible. El número de observaciones en la cola y el rango dinámico disponible pesan tanto como la apariencia del gráfico. Informar una sola pendiente sin su incertidumbre transmite una precisión engañosa.

Touboul y Destexhe (2010) analizaron potenciales de campo local registrados en varios sitios de la corteza de gatos despiertos. Las distribuciones de tamaño de los picos negativos podían parecer leyes de potencia, aunque esa apariencia cambiaba al modificar el umbral de detección y no superaba la prueba de Kolmogorov-Smirnov. Señales sustitutas y procesos estocásticos sin criticalidad, una vez umbralizados, producían escalamientos aparentes semejantes. En cambio, una red artificial con criticalidad autoorganizada sí superaba los mismos contrastes. El trabajo no convierte toda ley de potencia neuronal en un artefacto. Muestra que la representación logarítmica no basta para atribuirla a un mecanismo único y que se necesitan contrastes estadísticos más exigentes.

408.4. Qué es una avalancha en una medición

En un registro de eventos, el tiempo suele dividirse en intervalos de ancho fijo y una avalancha se define como una secuencia de intervalos ocupados, precedida y seguida por un intervalo vacío. El tamaño puede contar eventos, electrodos activos o una amplitud acumulada. Cada elección define una variable distinta. El ancho del intervalo también importa, porque puede unir episodios que antes estaban separados o fragmentar otros. En el trabajo original de Beggs y Plenz (2003), el exponente ajustado variaba con el ancho del intervalo según una relación aproximada $\alpha(\Delta t)\propto\Delta t^{-0.16}$ . El valor cercano a $-3/2$ correspondía al ancho igual al intervalo medio entre eventos, unos 4 ms con electrodos separados por 200 µm. Trabajos posteriores han tratado esa dependencia como una propiedad que todo modelo de las avalanchas debe reproducir (Priesemann et al., 2014; Pinheiro Neto et al., 2022).

En señales continuas, los eventos se detectan primero mediante un umbral. Beggs y Plenz, por ejemplo, usaron umbrales cercanos a $-2.9$ desviaciones estándar del potencial filtrado. El umbral determina cuántos eventos se registran y con qué amplitud, mientras el filtrado modifica su temporalidad. Una cola extensa puede surgir de la combinación entre la señal y la regla de detección. Por ello el análisis debe explorar un rango de decisiones razonables y examinar qué propiedades se mantienen estables.

La observación parcial introduce otro problema. Si solo se registra una fracción de las unidades, una generación activa puede parecer vacía y partir una avalancha en dos. También se pierden descendientes, lo que reduce las estimaciones ingenuas de propagación. Que no se observen eventos no significa necesariamente que la actividad se haya extinguido en el sistema completo.

Las mediciones agregadas añaden un sesgo distinto cuando los volúmenes que capta cada sensor se solapan. Dos electrodos próximos reciben contribuciones de fuentes compartidas, lo que aumenta la correlación entre sus señales. Pinheiro Neto, Spitzner y Priesemann (2022) emularon sobre una misma red de ramificación bidimensional el registro de espigas de unas pocas neuronas y un registro agregado semejante al potencial de campo local. Con el muestreo agregado, regímenes subcríticos, reverberantes y críticos producían distribuciones con aspecto de ley de potencia. Además, la distancia entre electrodos bastaba para que una misma dinámica pareciera subcrítica, crítica o supercrítica. Con un muestreo de espigas de pocas neuronas, cada régimen generaba una distribución distinta y solo el crítico mostraba la ley de potencia característica. Ese análisis permite separar los efectos del proceso subyacente de los efectos de qué fuentes alcanzan a cada sensor.

Una comparación válida aplica a las simulaciones una observación semejante a la empírica. Si el modelo entrega todos los disparos mientras los datos consisten en señales agregadas y umbralizadas, comparar directamente los exponentes mezcla dinámica con adquisición. La ecuación de observación del capítulo 405 es aquí indispensable.

408.5. Submuestreo y estimación de propagación

Considérese una versión estacionaria del proceso con entrada externa,

A_{t+1}\mid A_t\sim\operatorname{Poisson}(mA_t+h), \qquad 0<m<1.

La entrada media $h>0$ mantiene la actividad. En el estado estacionario, $\mathbb E[A_t]=h/(1-m)$ , $\operatorname{Var}(A_t)=\mathbb E[A_t]/(1-m^2)$ y la autocovarianza decae como $m^k$ . Supóngase que cada evento se observa independientemente con probabilidad $p$ , de modo que $a_t\mid A_t\sim\operatorname{Binomial}(A_t,p)$ . Para retardos positivos y muestreo condicionalmente independiente,

\operatorname{Cov}(a_t,a_{t+k})=p^2\operatorname{Cov}(A_t,A_{t+k}),

mientras que

\operatorname{Var}(a_t)=p^2\operatorname{Var}(A_t) +p(1-p)\mathbb E[A_t].

En series largas, la pendiente de la regresión de $a_{t+k}$ sobre $a_t$ tiende a $r_k=bm^k$ para $k>0$ . El factor de amplitud depende del muestreo y, en este modelo, vale

b=\frac{p}{p+(1-p)(1-m^2)}.

Como $b<1$ siempre que $p<1$ , estimar $m$ directamente con $r_1$ lo subestima. La forma del decaimiento a lo largo de varios retardos permite, en cambio, separar $m$ de la amplitud $b$ . En una simulación de un millón de pasos con $m=0.95$ , $h=10$ y $p=0.05$ , la pendiente a un paso fue 0.335, cercana al valor teórico $bm\approx0.333$ , mientras un ajuste exponencial sobre 40 retardos recuperó $m\approx0.950$ .

Wilting y Priesemann (2018) desarrollaron sobre esta idea un estimador de regresión múltiple invariante al submuestreo. Su demostración para el caso submuestreado exige estacionariedad y momentos de primer y segundo orden finitos. La implementación disponible en el paquete MR. Estimator añade funciones de ajuste para autocorrelaciones más complejas y recomendaciones de uso (Spitzner et al., 2021). La robustez frente a un tipo de submuestreo no implica inmunidad frente a entradas comunes, no estacionariedad o transformaciones de la señal.

El cociente $r_2/r_1$ ilustra la cancelación de $b$ , aunque puede ser inestable con ruido o pendientes pequeñas. Un ajuste sobre varios retardos usa más información y permite inspeccionar las desviaciones respecto del decaimiento exponencial previsto. Si la curva no tiene una forma compatible, el resultado cuestiona el modelo. Forzar de todos modos una cifra de distancia a la criticalidad carecería de justificación.

408.6. Respuesta a perturbaciones y costos de amplificación

En el proceso subcrítico ideal, un evento adicional en la generación inicial produce una actividad esperada $m^t$ al cabo de $t$ generaciones. Si cada generación dura $\Delta t$ , el tiempo de decaimiento asociado es

\tau=-\frac{\Delta t}{\ln m}.

Este tiempo crece a medida que $m$ se acerca a uno desde abajo. Con $\Delta t=4$ ms, por ejemplo, $m=0.9$ da $\tau\approx38$ ms y $m=0.98$ da $\tau\approx198$ ms. La respuesta integrada sobre un horizonte infinito es $1/(1-m)$ , la misma suma geométrica que fija el tamaño medio. Cerca de la transición, una perturbación se propaga más lejos y persiste más tiempo. La amplificación afecta igualmente a las fluctuaciones espontáneas, por lo que no equivale de forma automática a una mejor discriminación de señales.

Con un horizonte finito de $H+1$ generaciones, la respuesta acumulada es

\chi_H=\sum_{t=0}^H m^t =\frac{1-m^{H+1}}{1-m},

que en $m=1$ vale $H+1$ . El horizonte evita una divergencia literal. Comparar observaciones de distinta duración puede alterar la magnitud estimada sin que el sistema haya cambiado, de modo que conviene fijar el horizonte o modelar explícitamente su efecto.

Una ventaja funcional solo puede evaluarse respecto de una tarea definida. Kinouchi y Copelli (2006) mostraron que en una red de elementos excitables la sensibilidad y el rango dinámico de la respuesta a estímulos alcanzan su máximo en el punto crítico de una transición fuera del equilibrio. Ese resultado concierne a una tarea concreta en un modelo concreto. La detección de entradas débiles, la transmisión a distancia o la memoria temporal tienen costos y fuentes de ruido diferentes. Un régimen que amplifica una señal puede saturarse, correlacionar errores o dificultar la distinción entre entradas cercanas. Wilting y Priesemann (2019) han propuesto que un régimen reverberante, ligeramente subcrítico, evitaría parte de esas desventajas y permitiría ajustar con rapidez las propiedades de la red a las exigencias de cada tarea. El óptimo para una tarea determinada puede encontrarse a cierta distancia de la transición.

Las intervenciones aportan predicciones más discriminantes cuando se combinan con las estadísticas espontáneas. Un candidato que reproduce los tamaños pero falla en la respuesta temporal pierde apoyo para esa aplicación. Con todo, un pulso experimental puede modificar el régimen o activar mecanismos ausentes en el modelo basal, de modo que su amplitud debe elegirse y justificarse respecto del dominio de validez del modelo.

408.7. Simular sin ocultar la censura

El siguiente programa genera avalanchas iniciadas por un evento y marca las trayectorias que superan límites de seguridad computacional. Los límites sirven para que la simulación termine y carecen de interpretación fisiológica. El programa calcula además el estimador $\hat m$ de la sección 408.9 sobre las avalanchas completas.

import numpy as np

def avalancha(m, rng, max_total=100_000, max_generaciones=5_000):
    """Tamaño, duración y marca de censura de una avalancha iniciada por un evento."""
    activos, total, duracion = 1, 0, 0
    while activos > 0:
        total += activos
        duracion += 1
        if total >= max_total or duracion >= max_generaciones:
            return total, duracion, True
        activos = int(rng.poisson(m * activos))
    return total, duracion, False

rng = np.random.default_rng(408)
n_sim = 2000
for m in [0.8, 0.95, 1.0]:
    datos = [avalancha(m, rng) for _ in range(n_sim)]
    completas = np.array([s for s, t, c in datos if not c])
    censura = np.mean([c for s, t, c in datos])
    media = completas.mean() if completas.size else np.nan
    teorica = 1 / (1 - m) if m < 1 else np.inf
    m_hat = 1 - completas.size / completas.sum()  # estimador de la sección 408.9
    print(f"m={m:.2f}  completas={completas.size}  media completas={media:.2f}  "
          f"media teórica={teorica:.2f}  fracción censurada={censura:.4f}  "
          f"m_hat={m_hat:.4f}")

Ejecutado con NumPy 2.5 y la semilla indicada, el programa entrega medias de 4.76 y 19.87 para $m=0.8$ y $m=0.95$ , sin trayectorias censuradas, con estimaciones $\hat m$ de 0.790 y 0.950. Para $m=1$ quedan 1994 avalanchas completas, la fracción censurada es 0.003 y la media de las completas vale 253.4. Otras versiones del generador pueden producir cifras algo distintas. La fracción censurada en el caso crítico concuerda con lo esperado, ya que la probabilidad de alcanzar 100 000 eventos es del orden de $\sqrt{2/\pi}\,s^{-1/2}\approx0.0025$ y la de durar más de 5000 generaciones es cercana a $2/5000$ según la asintótica clásica de Kolmogorov.

La media de las trayectorias completas está condicionada a que terminaran antes de los límites. Cuando la censura es apreciable, esa media subestima la del proceso original. En el caso crítico, la cifra de 253 eventos no informa sobre una esperanza finita, porque la esperanza teórica es infinita y el promedio simulado depende del número de realizaciones y de los límites impuestos. Conviene informar siempre la cantidad de trayectorias, los límites y la fracción censurada junto a cualquier resumen central.

Para estudiar el submuestreo se conserva la serie completa por generaciones y se aplica muestreo binomial a cada valor. Luego las avalanchas se reconstruyen con la misma regla observacional que se usaría con datos reales. Multiplicar los tamaños por la fracción observada no reproduce ese efecto, porque la reconstrucción fragmenta episodios y altera su duración. Ese cambio muestra que la observación modifica la forma de la distribución, además de su escala vertical.

Un modelo alternativo útil puede incluir entradas externas de amplitud variable y decaimientos subcríticos. Algunas de sus distribuciones marginales parecerán amplias aunque el parámetro de propagación no sea crítico. La comparación debe incluir la respuesta a perturbaciones y la autocorrelación, junto con la sensibilidad de ambos modelos a los umbrales. Si ambos modelos generan el mismo conjunto de observables dentro de la incertidumbre, el diseño experimental vigente no puede distinguirlos.

408.8. Ajustar una cola y comparar explicaciones

Un ajuste de ley de potencia debe especificar el tamaño a partir del cual comienza el régimen propuesto. Los eventos pequeños pueden obedecer otra estructura por resolución, refractariedad o por la propia definición del episodio. El tamaño mínimo elegido determina cuántas observaciones sostienen la cola y qué rango se evalúa. Clauset, Shalizi y Newman (2009) propusieron seleccionarlo minimizando la distancia de Kolmogorov-Smirnov entre los datos y el modelo ajustado. Cuando ese punto se escoge a partir de los datos, su incertidumbre debe entrar en la evaluación.

Para tamaños enteros, una distribución proporcional a $s^{-\alpha}$ requiere un normalizador discreto sobre el dominio considerado. Usar una fórmula continua sin revisar la aproximación puede sesgar el exponente, sobre todo cerca del tamaño mínimo. Si existe un máximo físico o de adquisición, el normalizador debe incorporarlo. La censura exige otro tratamiento, porque la verosimilitud debe incluir la probabilidad de superar el límite. Truncar simplemente el conjunto de valores posibles no la representa.

La máxima verosimilitud trabaja con las probabilidades de los eventos observados. La regresión por mínimos cuadrados sobre las barras de un histograma logarítmico, en cambio, depende de la partición elegida, puede producir estimaciones sistemáticamente sesgadas y sus errores habituales no son válidos para los datos transformados (Clauset et al., 2009). Los tamaños raros pueden pesar de manera desproporcionada o quedar fuera del ajuste. El gráfico sigue siendo útil para la inspección visual, aunque la inferencia debe apoyarse en un modelo explícito de los datos.

La bondad de ajuste puede evaluarse comparando la discrepancia observada con la de muestras simuladas bajo el modelo ajustado. En el procedimiento de Clauset y colaboradores, cada muestra sintética se reajusta por completo, con estimación de su propio exponente y de su propio tamaño mínimo, antes de calcular su distancia. Si los parámetros se mantienen fijos tras haberlos seleccionado con los datos, la variabilidad queda subestimada. Los autores sugieren descartar la ley de potencia cuando el valor $p$ resultante no supera 0.1. Un valor mayor indica que la hipótesis no ha sido rechazada, lo que es distinto de haberla confirmado. El paquete powerlaw de Python implementa este conjunto de procedimientos (Alstott, Bullmore y Plenz, 2014).

Una ley de potencia compatible con los datos debe compararse todavía con alternativas como la potencia con corte exponencial, la lognormal, la exponencial estirada o una mezcla. Para modelos no anidados, el cociente de verosimilitudes con la prueba de Vuong indica si la diferencia de ajuste es significativa. La potencia con corte contiene a la ley de potencia pura como caso particular y requiere una versión anidada del contraste. La elección de candidatos debe responder al mecanismo plausible y a la resolución disponible. Cuando la diferencia de ajuste es pequeña, informar que varias familias siguen siendo compatibles es más preciso que atribuir criticalidad a la que obtuvo un margen mínimo.

También conviene reservar datos para la predicción. Un exponente estimado en un intervalo debería anticipar las frecuencias de tamaños en otro, siempre que las condiciones sean comparables. Si la distribución cambia con el estado experimental, mezclar períodos oculta esa dependencia. El análisis de estabilidad temporal debe preceder a cualquier interpretación de la muestra completa como realizaciones de un único régimen.

408.9. Una estimación de ramificación con observación completa

Si se observan las generaciones completas del proceso Poisson, la verosimilitud condicional trata cada $A_{t+1}$ como una variable de Poisson con media $mA_t$ . Para transiciones con exposición total positiva y sin entrada externa, el estimador de máxima verosimilitud es

\hat m=\frac{\sum_t A_{t+1}}{\sum_t A_t}.

El denominador cuenta los eventos que tuvieron oportunidad de producir descendientes. La fórmula exige respetar los límites de cada avalancha. Una interrupción del registro no puede contarse como una generación observada sin descendientes, porque eso introduce extinciones artificiales y reduce la estimación.

Para $n$ avalanchas completas, cada una iniciada por un evento, el total de descendientes es la suma de los tamaños menos $n$ . Si $S_{\mathrm{tot}}$ es el número total de eventos, se obtiene $\hat m=1-n/S_{\mathrm{tot}}$ . Este valor coincide con el estimador de máxima verosimilitud de la distribución de Borel aplicada a los tamaños. Con cualquier conjunto finito de avalanchas completas, la estimación queda necesariamente por debajo de uno. Le ocurre a un proceso crítico y también a uno supercrítico, si solo se analizan las avalanchas que terminaron. En la simulación de la sección 408.7, el caso $m=1$ produjo $\hat m=0.996$ .

Esa desigualdad algebraica no demuestra que el proceso verdadero sea subcrítico. Refleja la estructura de una muestra de árboles finitos iniciados por semillas. La inferencia debe evaluar la variabilidad muestral y tener en cuenta las trayectorias que el registro no alcanzó a observar. Seleccionar solo las avalanchas que terminaron dentro de una ventana favorece los eventos cortos y puede añadir sesgo.

En el régimen subcrítico, al aumentar el número de avalanchas independientes y bajo los supuestos del modelo, el tamaño medio converge a $1/(1-m)$ . Cerca de la transición, la gran varianza hace esa convergencia lenta e irregular. Un conjunto con muchos episodios pequeños puede carecer todavía de suficientes eventos grandes para estabilizar la estimación.

La fórmula sirve también como control del generador. Con procesos subcríticos conocidos y sin censura apreciable puede estudiarse la distribución de $\hat m$ en función del número de avalanchas. Después se aplica submuestreo y se mide cuánto se altera la estimación. Ese contraste distingue la variabilidad propia de una muestra finita del sesgo introducido por la observación, dos problemas que un único intervalo de confianza puede confundir cuando el modelo está mal especificado.

408.10. Un sistema finito necesita otra descripción de la saturación

En el proceso de ramificación ilimitado, cada evento genera descendientes sin competir por un conjunto fijo de unidades. Una red de tamaño finito, en cambio, puede saturarse o tener unidades refractarias. Una aproximación con actividad limitada a $N$ unidades es

A_{t+1}\mid A_t\sim\operatorname{Binomial} \left(N,1-e^{-mA_t/N}\right).

Cuando $A_t/N$ es pequeño, la media se aproxima a $mA_t$ , porque $1-e^{-z}\approx z$ . A mayor actividad la respuesta se satura, ya que no puede haber más de $N$ unidades activas por generación. Esta modificación altera la distribución de los episodios grandes. El parámetro $m$ sigue describiendo la pendiente a baja actividad, aunque deja de representar el número efectivo de descendientes en todo el rango.

Sin entrada externa, el estado cero es absorbente. En una red finita de este tipo, una actividad que parece sostenida durante mucho tiempo termina tarde o temprano por fluctuaciones. La transición ideal del límite de gran tamaño debe distinguirse de un régimen de vida larga en tamaño finito. Que la actividad persista durante un experimento no demuestra que sea indefinida.

Con una entrada $h$ puede usarse la probabilidad $1-e^{-(mA_t+h)/N}$ . El cero deja entonces de ser absorbente y los silencios que separaban avalanchas en el proceso sin entrada se vuelven más breves y escasos a medida que $h$ crece. Los episodios pueden superponerse. Priesemann y colaboradores (2014) concluyeron precisamente que la actividad de espigas in vivo se describe mejor como una mezcla de avalanchas superpuestas que como cascadas separadas en el tiempo. La definición observacional basada en intervalos vacíos depende así de la intensidad de la entrada, además de la propagación interna.

Un diseño de simulación debería variar por separado cada factor, sin cambiar a la vez el tamaño de la red y la entrada que recibe. Si al cambiar $N$ se modifica también la densidad de conexiones o la intensidad por unidad, se alteran varios mecanismos a la vez. Las comparaciones de escalamiento necesitan una regla explícita para construir la familia de sistemas. Aumentar el número de nodos no basta para obtener una prueba de tamaño finito bien controlada.

408.11. Una cola amplia sin transición colectiva

La heterogeneidad de escalas permite construir tiempos de espera largos sin ninguna transición. Supóngase que cada episodio dura un tiempo exponencial con tasa $\lambda$ , que esa tasa varía entre episodios y que se distribuye uniformemente entre cero y uno en unidades arbitrarias. La supervivencia marginal es

P(T>t)=\int_0^1 e^{-\lambda t}\,d\lambda =\frac{1-e^{-t}}{t}.

Para tiempos grandes se aproxima a $1/t$ y su densidad tiene una cola proporcional a $1/t^2$ . La media marginal de $T$ es incluso infinita, porque $\int_0^1\lambda^{-1}\,d\lambda$ diverge. Cada episodio, condicionado a su tasa, tiene una escala bien definida. La mezcla incluye tasas arbitrariamente pequeñas y eso basta para producir la cola amplia, sin interacción entre unidades ni transición colectiva.

Esta construcción concierne a duraciones y no a la distribución de tamaños del proceso de ramificación. No pretende reemplazar a las demás explicaciones de las avalanchas. Demuestra que una regularidad marginal puede proceder de una mezcla de mecanismos o de escalas. Priesemann y Shriki (2018) estudiaron una versión más cercana a los datos neuronales, con unidades de Poisson sometidas a una entrada común que varía lentamente. Ese modelo produce leyes de potencia aproximadas con cortes semejantes a los observados experimentalmente. Su tamaño medio crece en proporción directa a la duración, con exponente 1, mientras un proceso de ramificación crítico predice un exponente 2. Relaciones de este tipo entre tamaños, duraciones y formas temporales permiten discriminar. Friedman y colaboradores (2012) las usaron en cultivos corticales registrados con resolución de neuronas individuales, donde encontraron que los perfiles temporales medios de avalanchas de muy distinta duración colapsaban en una única función de escala y que los exponentes satisfacían las relaciones previstas.

En los datos, mezclar estados con tasas diferentes puede producir efectos parecidos. Una variable contextual observada ayuda a separar períodos, mientras una variable oculta mantiene la ambigüedad. Una comparación útil examina si la cola persiste dentro de condiciones homogéneas y si el modelo de mezcla predice correctamente otras propiedades. Dividir los datos de manera arbitraria hasta eliminar toda cola tampoco prueba nada, porque el criterio de segmentación también necesita justificación.

La ventaja de un modelo alternativo explícito es que permite calcular qué debería observarse. Una objeción vaga del tipo «podría ser ruido» orienta poco la investigación. Una distribución y una dinámica concretas pueden confrontarse con las mismas observaciones que el candidato crítico, usando los mismos procedimientos de adquisición y análisis.

408.12. Cuántas avalanchas bastan depende de la cola

La media teórica del tamaño crece mucho antes de llegar al punto crítico, pero su variabilidad crece todavía más rápido. En el proceso de Poisson subcrítico, una avalancha completa tiene media $1/(1-m)$ y varianza $m/(1-m)^3$ . Con cien avalanchas independientes, completas y generadas con un parámetro fijo, el error estándar de la media es la raíz de esa varianza dividida por diez.

Para $m=0.8$ , la media es cinco y la desviación estándar de una avalancha es diez, de modo que el error estándar de la media de cien eventos es uno. Para $m=0.95$ , la media es veinte, la varianza alcanza 7600 y la desviación estándar ronda 87.18. El error estándar de la media de cien eventos asciende entonces a 8.72. Con el mismo número de observaciones, la precisión relativa es mucho menor cerca de la transición. La lentitud de la convergencia se aprecia incluso con muestras grandes. En una simulación de 200 000 avalanchas con $m=0.95$ , la varianza muestral fue cercana a 7900, todavía un 4 % por encima del valor teórico, por efecto de unos pocos eventos muy grandes.

Estos errores estándar son exactos bajo los supuestos indicados. Aun así, no garantizan que un intervalo basado en la distribución normal tenga buena cobertura con pocas observaciones, porque la distribución es muy asimétrica y depende de eventos raros. Muchas muestras parecerán estables hasta que una avalancha grande modifique sustancialmente el promedio. La incertidumbre debe evaluarse con un procedimiento acorde con esa distribución.

La censura complica más el cálculo. Si todas las avalanchas se interrumpen al alcanzar un tamaño máximo y luego se excluyen, el conjunto restante favorece los eventos pequeños y su promedio deja de estimar la media completa dada por la fórmula anterior. Si el tamaño de corte se conserva como si fuera el tamaño real, el resultado es una cantidad truncada por el protocolo. Ambas decisiones deben declararse antes de comparar con una predicción teórica.

El efecto puede verificarse con simulaciones repetidas. Se generan muchos conjuntos de cien avalanchas, se aplica el mismo límite de registro y se comparan las estimaciones con el parámetro conocido. Así se estudian el sesgo y la cobertura, además de la media global. Si los intervalos excluyen con frecuencia el valor verdadero, ninguna mejora en la apariencia de precisión del gráfico corrige el problema.

La independencia entre avalanchas es también un supuesto sustantivo. Un nivel de excitabilidad que cambia lentamente puede correlacionar eventos sucesivos. En ese caso, cien avalanchas no equivalen a cien repeticiones independientes del mismo proceso. Una estrategia posible consiste en modelar esa variación o en analizar bloques temporales suficientemente informativos, conservando la dependencia al evaluar la incertidumbre.

Esta perspectiva vincula la hipótesis crítica con las decisiones de adquisición. Registrar más eventos o cubrir más unidades son mejoras que corrigen limitaciones diferentes. Reducir la censura atiende a una tercera. El diseño adecuado depende de cuál de ellas domina el error. La teoría resulta útil cuando anticipa esa diferencia y especifica qué observación permitiría distinguir una propagación muy alta de una transición crítica con la resolución disponible.

408.13. Diseñar una comparación que pueda fallar

Un diseño posible parte de dos generadores. Uno es un proceso de ramificación cercano a uno y el otro combina una propagación más débil con entradas externas heterogéneas. Ambos se ajustan primero para aproximar la distribución de tamaños de un registro basal. Después se mantienen fijos y se usan para predecir la respuesta a pulsos de amplitud conocida. Si las curvas de recuperación difieren más que la incertidumbre esperada, la perturbación tiene capacidad discriminante. Priesemann y Shriki (2018) sostienen que separar las propiedades internas del sistema de las impuestas desde fuera requiere, en último término, intervenciones causales de este tipo.

El contraste debe incluir el proceso de observación. A ambos generadores se les aplica el mismo submuestreo, filtrado y umbralización que a los datos. Si la diferencia desaparece bajo esa observación, el experimento necesita otra medición u otra perturbación. Una separación entre estados internos inaccesibles carece de valor práctico mientras no se traduzca en una separación experimental realizable.

Antes de adquirir datos conviene simular repetidamente el análisis completo para estimar con qué frecuencia identifica el generador correcto y con qué frecuencia confunde los candidatos. Esa matriz de confusión metodológica informa sobre la potencia del diseño y su ambigüedad. Puede mostrar, por ejemplo, que prolongar el registro ayuda menos que añadir otra escala de medición o mejorar la cobertura. La decisión de diseño se apoya entonces en una consecuencia cuantificada.

Una vez obtenidos los datos nuevos, se comparan con las predicciones fijadas de antemano. Si ambos candidatos fallan, el resultado pide ampliar o corregir la familia de modelos. Si uno de ellos explica mejor los datos, el apoyo se limita a ese contraste y a esas alternativas. Respetar ese alcance permite que la hipótesis del cerebro crítico avance mediante pruebas acumulativas, sin que una señal estadística aislada se convierta en una explicación general del funcionamiento mental.

408.14. Qué conjunto de pruebas sería convincente

Una evaluación comienza por definir la hipótesis concreta y la familia de alternativas. Luego se especifican los eventos, los intervalos temporales y el proceso de observación. Las distribuciones se ajustan con procedimientos apropiados para datos discretos o continuos, declarando el rango utilizado. La bondad de ajuste responde si una distribución es compatible con los datos, mientras la comparación de modelos responde cuál los explica mejor dentro del conjunto considerado. Son preguntas relacionadas, aunque distintas.

Conviene examinar más de una relación. El escalamiento conjunto de tamaño y duración, la forma temporal media de las avalanchas y la respuesta a perturbaciones imponen restricciones complementarias. El escalamiento con el tamaño del sistema o con la geometría del muestreo aporta información adicional cuando el diseño lo permite. La coincidencia de un exponente aislado es una prueba más débil que un conjunto coherente de predicciones cuantitativas, siempre que esas predicciones se hayan definido antes de seleccionar los resultados favorables.

La no estacionariedad debe tratarse de manera explícita. Mezclar períodos con tasas distintas puede generar distribuciones amplias y autocorrelaciones prolongadas, mientras una segmentación arbitraria puede eliminar una dinámica real. La decisión debe apoyarse en información experimental independiente y en análisis de sensibilidad que comparen modelos con parámetros constantes o variables. Un único valor de $m$ no siempre resume adecuadamente un registro largo.

La traducción clínica requiere un paso adicional. Existen estudios en humanos que relacionan medidas asociadas a la criticalidad con la epilepsia, la anestesia, el sueño, el neurodesarrollo y diversos trastornos psiquiátricos, mediante índices diversos, entre ellos exponentes de correlaciones temporales de largo alcance (Zimmern, 2020). Aun si un índice estimara con buena precisión la distancia a una transición, su relación con síntomas, pronóstico o respuesta terapéutica exigiría estudios específicos. Una diferencia entre grupos no proporciona por sí sola un intervalo individual de normalidad. El modelo de ramificación no contiene diagnósticos ni efectos terapéuticos. Ninguna interpretación verbal de su parámetro puede añadírselos.

La conclusión admisible depende del resultado. Los datos pueden ser compatibles con una dinámica subcrítica de memoria larga, con una familia de modelos críticos o con una indeterminación persistente entre alternativas. Expresar esa distinción con claridad conserva información científica.

Referencias

Alstott, J., Bullmore, E. y Plenz, D. (2014). powerlaw: A Python package for analysis of heavy-tailed distributions. PLOS ONE, 9, e85777. doi:10.1371/journal.pone.0085777
Beggs, J. M. y Plenz, D. (2003). Neuronal avalanches in neocortical circuits. Journal of Neuroscience, 23, 11167–11177. doi:10.1523/JNEUROSCI.23-35-11167.2003
Clauset, A., Shalizi, C. R. y Newman, M. E. J. (2009). Power-law distributions in empirical data. SIAM Review, 51, 661–703. doi:10.1137/070710111
Friedman, N., Ito, S., Brinkman, B. A. W., Shimono, M., DeVille, R. E. L., Dahmen, K. A., Beggs, J. M. y Butler, T. C. (2012). Universal critical dynamics in high resolution neuronal avalanche data. Physical Review Letters, 108, 208102. doi:10.1103/PhysRevLett.108.208102
Kinouchi, O. y Copelli, M. (2006). Optimal dynamical range of excitable networks at criticality. Nature Physics, 2, 348–351. doi:10.1038/nphys289
Muñoz, M. A. (2018). Colloquium: Criticality and dynamical scaling in living systems. Reviews of Modern Physics, 90, 031001. doi:10.1103/RevModPhys.90.031001
Pinheiro Neto, J., Spitzner, F. P. y Priesemann, V. (2022). Sampling effects and measurement overlap can bias the inference of neuronal avalanches. PLOS Computational Biology, 18, e1010678. doi:10.1371/journal.pcbi.1010678
Priesemann, V. y Shriki, O. (2018). Can a time varying external drive give rise to apparent criticality in neural systems? PLOS Computational Biology, 14, e1006081. doi:10.1371/journal.pcbi.1006081
Priesemann, V., Wibral, M., Valderrama, M., Pröpper, R., Le Van Quyen, M., Geisel, T., Triesch, J., Nikolić, D. y Munk, M. H. J. (2014). Spike avalanches in vivo suggest a driven, slightly subcritical brain state. Frontiers in Systems Neuroscience, 8, 108. doi:10.3389/fnsys.2014.00108
Spitzner, F. P., Dehning, J., Wilting, J., Hagemann, A., Pinheiro Neto, J., Zierenberg, J. y Priesemann, V. (2021). MR. Estimator, a toolbox to determine intrinsic timescales from subsampled spiking activity. PLOS ONE, 16, e0249447. doi:10.1371/journal.pone.0249447
Touboul, J. y Destexhe, A. (2010). Can power-law scaling and neuronal avalanches arise from stochastic dynamics? PLOS ONE, 5, e8982. doi:10.1371/journal.pone.0008982
Wilting, J. y Priesemann, V. (2018). Inferring collective dynamical states from widely unobserved systems. Nature Communications, 9, 2325. doi:10.1038/s41467-018-04725-4
Wilting, J. y Priesemann, V. (2019). 25 years of criticality in neuroscience: Established results, open controversies, novel concepts. Current Opinion in Neurobiology, 58, 105–111. doi:10.1016/j.conb.2019.08.002
Zimmern, V. (2020). Why brain criticality is clinically relevant: A scoping review. Frontiers in Neural Circuits, 14, 54. doi:10.3389/fncir.2020.00054