Un protocolo para descubrir los mecanismos neuronales de los efectos neuroterapéuticos en la electroencefalografía utilizando el neurosolver neocortical humano

Resumen

Este protocolo demuestra cómo las simulaciones neuronales basadas en física pueden utilizarse para interpretar biomarcadores electrofisiológicos de neuroterapias y descubrir su efecto en los circuitos neuronales, proporcionando un enfoque mecanicamente fundamentado para el desarrollo neuroterapéutico.

Resumen

La electroencefalografía (EEG) y los métodos electrofisiológicos proporcionan biomarcadores de resolución de milisegundos para trastornos del sistema nervioso central y se utilizan ampliamente para evaluar los efectos relacionados con el tratamiento. Sin embargo, el conocimiento limitado de los mecanismos neuronales que generan estos biomarcadores dificulta el desarrollo de diagnósticos y terapias basados en estas señales. El Neurosolver Neocortical Humano (HNN) es un software de modelado biofísico de código abierto que vincula biomarcadores EEG localizados con sus generadores neuronales multiescala. Este protocolo demuestra un flujo de trabajo basado en hipótesis que utiliza HNN para probar los mecanismos neuronales de biomarcadores EEG inducidos por neuroterapia, optimizando los parámetros del modelo para lograr un ajuste entre las formas de onda de la fuente de corriente simuladas y empíricas. La actividad correspondiente a nivel celular y de circuito puede visualizarse y cuantificarse a nivel de múltiples escalas, proporcionando objetivos de validación para las predicciones de modelos en estudios empíricos posteriores. Se proporciona un ejemplo que demuestra cómo examinar los mecanismos neuronales subyacentes a los componentes potenciales relacionados con eventos tempranos de una respuesta evocada auditiva (P1, N1 y P2), y evaluar los cambios tras modificaciones inducidas por neuroterapia en la actividad de los circuitos neuronales. Este protocolo permite diseñar experimentos de simulación para generar predicciones comprobables que vinculan biomarcadores EEG con mecanismos subyacentes de circuitos neuronales. Un flujo de trabajo similar puede aplicarse para estudiar mecanismos de enfermedades u otras intervenciones terapéuticas.

Introducción

El desarrollo terapéutico del sistema nervioso central (SNC) se enfrenta a desafíos únicos, con tasas de aprobación inferiores a las de otras áreas de enfermedad, lo que pone de manifiesto la necesidad de enfoques metodológicos^innovadores, especialmente aquellos que puedan descubrir efectos relacionados con el tratamiento en la dinámica cerebral. Un enfoque bien establecido para estudiar el efecto de las terapias sobre la actividad neuronal es la electroencefalografía (EEG^)2,3. El EEG proporciona una firma de dinámica cerebral in vivo a nivel de circuito y ofrece un fuerte potencial traslacional desde modelos en roedores hasta ensayos en humanos, ya que el circuito neuronal que genera señales EEG muestra homología entre las especies 4,5,6,7,8. En el desarrollo farmacéutico, el EEG puede desempeñar múltiples funciones, incluyendo proporcionar lecturas traslacionales entre estudios en animales y humanos, evaluar la seguridad de fármacos, guiar la selección de compuestos, informar las relaciones dosis-respuesta, evaluar la prueba de mecanismos en fases clínicas tempranas y permitir la estratificación de ensayos clínicos y el enriquecimiento^{de cohortes} 9,10,11,12,13,14 . A pesar de estas ventajas, la interpretación de las señales EEG sigue siendo un gran desafío, especialmente cuando se intenta vincular los cambios observados con mecanismos neuronales subyacentes.

Un biomarcador robusto de EEG utilizado en el descubrimiento de fármacos en el SNC es el potencial relacionado con eventos (ERP). Las ERP reflejan la actividad cerebral sensorial evocada por bloqueo temporal y se han utilizado ampliamente para estudiar trastornos neurodesarrollativos y neuropsiquiátricos, incluyendo depresión^15,16, esquizofrenia^17,18, trastorno del espectro^{autista 19,20} y enfermedad^{de Alzheimer 21}. Los ERP también se utilizan para evaluar los efectos del tratamiento y los rangos de dosis en los circuitos^cerebrales 22,23,24,25, donde la normalización hacia respuestas saludables puede indicar eficacia terapéutica²⁶. Sin embargo, una limitación clave de los ERP y otros biomarcadores del EEG (por ejemplo, oscilaciones cerebrales) es que sus asociaciones con estados patológicos o efectos de los fármacos son en gran medida correlacionales. Aunque los análisis estadísticos pueden identificar relaciones entre biomarcadores y resultados, no proporcionan una visión mecanicista de cómo elementos específicos del circuito neuronal generan estas señales. Por tanto, las contribuciones causales de tipos celulares específicos y mecanismos de circuitos siguen sin estar claras. Comprender los orígenes celulares y de circuitos de las señales EEG podría aumentar considerablemente su valor vinculando las firmas observadas con la fisiología^{subyacente 27,28}. En este manuscrito, el término "biomarcador" del EEG se refiere a cambios medibles en las señales EEG tras una intervención terapéutica, en coherencia con la definición²⁹ del marco de biomarcadores, EndpointS y otros Institutos de Salud de la FDA–NIH (FDA–NIH BEST), en lugar de implicar una cualificación formal para un uso clínico^{específico 30}.

Aunque los registros electrofisiológicos invasivos pueden proporcionar información detallada a nivel celular y de circuito, estos enfoques se limitan en gran medida a modelos animales y son difíciles de trasladar directamente a estudios en humanos. Enfoques alternativos, como las técnicas de modelado inverso, pueden estimar la actividad de la fuente a partir de señales EEG, pero a menudo carecen de representaciones mecanicistas explícitas de los circuitos neuronales subyacentes. Las simulaciones biofísicas ofrecen un marco complementario al modelar los procesos físicos a través de los cuales los circuitos neuronales generan señales medibles de^{EEG 31,32,33,34} (Figura 1). En comparación con análisis puramente estadísticos de biomarcadores o métodos inversos sin fundamento mecanicista, el modelado biofísico permite probar directamente hipótesis que vinculan la dinámica de los circuitos neuronales con señales electrofisiológicas observadas.

Figura 1. Modelado biofísico para desarrollar y probar hipótesis mecanicistas subyacentes a biomarcadores farmacológicos de electroencefalografía (EEG). (A) Identificación de un biomarcador EEG basada en diferencias en las señales cerebrales entre condiciones. Un ejemplo es un potencial relacionado con eventos auditivos (ERP) que se reduce en la condición posterior al tratamiento (rojo) en relación con la condición previa al tratamiento (azul). (B) La modelización biofísica permite poner a prueba hipótesis mecanicistas que explican cómo surgen y cambian los biomarcadores EEG mediante intervención farmacológica. Se formulan hipótesis sobre los cambios en la actividad neuronal inducidos por fármacos y se identifican los parámetros correspondientes del modelo. (C) El modelo por defecto del Neurosolver Neocortical Humano (HNN) se utiliza como punto de partida para probar hipótesis mediante la modificación manual de parámetros del modelo o la aplicación automática de algoritmos de optimización e inferencia. Las diferencias en los valores de los parámetros entre condiciones previas y posteriores al tratamiento corresponden a predicciones basadas en modelos. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Este protocolo utiliza el Human Neocortical Neurosolver (HNN), un marco de modelado biofísico de código abierto, para vincular biomarcadores ERP de efectos relacionados con el tratamiento con sus mecanismos subyacentes a nivel celular y^{de circuito 33} (Figura 2). HNN se basa en el principio de que el flujo de corriente intracelular síncrono en dendritas neuronales piramidales alineadas genera los dipolos de corriente primaria que subyacen a las señales^EEG 6,35,36,37. El modelo representa una columna neocortical canónica compuesta por neuronas piramidales excitatorias e interneuronas inhibitorias distribuidas a lo largo de las capas corticales 2/3 y 5. La red HNN predeterminada incluye 100 neuronas piramidales y 33 neuronas inhibitorias por capa, formando una representación reducida pero biológicamente fundamentada de la circuitería cortical. Las neuronas piramidales se modelan con estructuras dendríticas multicompartimento para capturar características morfológicas clave³⁸, mientras que las neuronas inhibitorias se representan como compartimentos únicos debido a su limitada contribución a las corrientes extracelulares³³. Las interacciones sinápticas incluyen receptores excitatorios de ácido α-amino-3-hidroxi-5-metil-4-isoxazolepropiónico (AMPA) y N-metil-D-aspartato (NMDA), así como receptores inhibitorios de ácido gamma-aminobutírico tipo A y ácido gamma-aminobutírico tipo B (GABA_B), con todas las neuronas incorporando conductancias iónicas activas gobernadas por la dinámica de Hodgkin–Huxley.

Figura 2. Esquema del modelo HNN. Visualización de los componentes principales del modelo HNN, incluyendo conexiones de red local entre neuronas excitatorias e inhibidoras, y vías de entrada exógenas denominadas "impulso proximal" y "impulso distal". Por favor, haz clic aquí para ver una versión ampliada de esta figura.

La actividad neuronal en HNN está impulsada por entradas exógenas que representan las vías de alimentación y retroalimentación. Los impulsos "proximales" de alimentación corresponden a entradas del tálamo lemniscal que apuntan a las dendritas proximales, mientras que los impulsos "distales" de retroalimentación representan entradas talámicas cortico-corticales y no lemnicales que apuntan a las dendritas distales. Estas entradas se modelan como cadenas de potenciales de acción que evocan corrientes sinápticas y generan flujo de corriente intracelular a lo largo de las dendritas neuronales piramidales. El dipolo de corriente a nivel poblacional resultante se expresa en nanoamperiómetros, lo que permite la comparación directa con EEG localizado en fuente con orientación restringida a la orientación o con datos de magnetoencefalografía (MEG). La parametrización por defecto de HNN se basa en datos empíricos de estudios de corteza somatosensorial 39,40,41 y se ha aplicado con éxito a señales ^auditivas 42,43,44, visual⁴⁵ y cortical^{frontal 46}, con predicciones derivadas del modelo validadas en estudios experimentales^{posteriores 7,41,47}.

Las simulaciones HNN pueden aplicarse en múltiples etapas de la investigación y desarrollo farmacéutico, incluyendo la validación de objetivos, comparación de mecanismos de acción de fármacos, optimización de la dosis y generación de hipótesis para experimentos^posteriores 14,48,49,50. Esto permite a los usuarios incorporar modelado mecanicista en flujos de trabajo prácticos de investigación, apoyando la generación y prueba de hipótesis sobre cómo las neuroterapias influyen en los circuitos neuronales. En este protocolo, nos centramos en los componentes tempranos P1, N1 y P2 de los ERP auditivos, ya que estas características están bien caracterizadas y proporcionan restricciones para el modelado basado en^{hipótesis 51}. Aunque el enfoque está en los cambios inducidos por fármacos, el enfoque puede extenderse a otras intervenciones neuroterapéuticas, como la estimulación cerebral o el entrenamiento conductual, así como a estudios sobre trastornos del SNC.

El uso de HNN sigue un marco de modelado iterativo en el que la estructura y los parámetros del modelo están inicialmente limitados por datos existentes y luego se refinan mediante la comparación con observaciones empíricas. Los modelos neuronales a gran escala contienen muchos parámetros, pero solo un subconjunto —denominado parámetros de interés— se ajusta para probar hipótesis específicas. Estos parámetros no se seleccionan arbitrariamente; más bien, se eligen en función de la evidencia experimental previa y la literatura que describe los posibles mecanismos de acción del neuroterapéutico. En este protocolo, se seleccionan parámetros relacionados con el tiempo y la intensidad de la entrada exógena, la conectividad inhibitoria local y las conductancias de canales iónicos dendríticos como ejemplos de variables biológicamente interpretables que pueden ser influenciadas por neuroterapias.

Comenzando con un modelo por defecto, los usuarios primero ajustan parámetros a los datos de ERP previos al tratamiento utilizando una combinación de ajuste manual y optimización automatizada. El ajuste manual ajusta la escala global y los parámetros de entrada para aproximar la forma de onda empírica, proporcionando una comprensión intuitiva de cómo los cambios de parámetros afectan a la salida del modelo. Métodos automatizados como la estrategia de evolución de adaptación de matriz de covarianza (CMA-ES), la optimización bayesiana y la optimización restringida por aproximación lineal se utilizan para refinar los valores de los parámetros y mejorar el ajuste. Una vez establecido un modelo previo al tratamiento, los parámetros hipotetizados para tener en cuenta los cambios posteriores al tratamiento se ajustan para ajustarse a los datos ERP posteriores al tratamiento.

Para abordar la incertidumbre en la estimación de parámetros, se utiliza la inferencia basada en simulación (SBI) para estimar distribuciones de valores de parámetros que reproducen los datos^{observados 52,53}. El SBI tiene en cuenta la posibilidad de que múltiples combinaciones de parámetros puedan producir resultados similares y permite cuantificar la incertidumbre de los parámetros. Las diferencias entre las distribuciones de parámetros antes y después del tratamiento pueden evaluarse utilizando un índice de solapamiento (OVL^)54,55, lo que proporciona una visión sobre los posibles mecanismos de acción.

Una ventaja clave de este enfoque es que ajustar el modelo a una modalidad de datos específica genera predicciones a través de múltiples escalas de actividad neuronal, incluyendo picos celulares, potenciales de campo local específicos de capa (LFPs) y densidad de fuentes de corriente (CSD). Estas predicciones proporcionan objetivos para la validación experimental utilizando técnicas complementarias. Si las predicciones no están respaldadas por datos empíricos, el modelo puede actualizarse incorporando nuevas restricciones, formando un ciclo iterativo de generación, prueba y refinamiento de hipótesis (Figura 3).

Figura 3. Flujo de trabajo iterativo para desarrollar y probar predicciones de biomarcadores ERP con HNN. El flujo de trabajo corresponde a los pasos del protocolo. La identificación de un biomarcador EEG y la inicialización del modelo HNN por defecto se muestran en rojo (Pasos 1–2). Se utilizan ajustes y optimizaciones manuales para ajustar los parámetros del modelo a señales ERP pre-tratamiento y post-tratamiento (morado; Pasos 3–5). La cuantificación de la incertidumbre mediante inferencia basada en simulación (SBI) se muestra en verde (Paso 6). A continuación, se examinan las predicciones del modelo y se comparan con datos experimentales para validar o restringir aún más el modelo (naranja; Paso 7). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Este protocolo está diseñado para usarse con EEG o MEG localizados en la orientación y localizados en la fuente recogidos durante paradigmas de respuesta evocada. Se pueden usar métodos estándar de preprocesamiento y localización de fuentes (por ejemplo, estimación mínima de norma [MNE]-Python⁵⁶) para generar los datos de entrada requeridos. Las señales a nivel de fuente expresadas en nanoamperiosímetros son directamente comparables a las salidas de HNN. Para respuestas sensoriales rápidas, las señales a nivel de fuente y de sensor suelen ser muy similares, lo que permite obtener conocimientos de modelado localizado en fuente para informar la interpretación de datos EEG a nivel^{de sensor 57,58}.

Protocolo

Todos los procedimientos relacionados con datos humanos se realizaron de acuerdo con las directrices y regulaciones institucionales pertinentes. El conjunto de datos utilizado en este estudio se obtuvo de un estudio^{previamente publicado 43}, y no se requirió ninguna aprobación ética adicional. No hay materiales ni procedimientos peligrosos incluidos en este protocolo.

1. Identificar un biomarcador potencial relacionado con un evento EEG inducido por el tratamiento y definir hipótesis del modelo

1. Recopilar o identificar un conjunto de datos que contenga señales EEG registradas experimentalmente de sujetos de interés (por ejemplo, pretratamiento y posttratamiento en el contexto de neuroterapias). Registrar las mediciones del EEG durante la presentación de un estímulo sensorial y registrar las marcas de tiempo del estímulo sensorial simultáneamente con los datos del EEG para permitir la segmentación en ensayos. Asegúrese de que los datos EEG se almacenen en un formato compatible con software de preprocesamiento (por ejemplo, .fif, .set o .edf).
   NOTA: El repositorio de código asociado (https://github.com/ntolley/hnn_jove) proporciona los archivos de datos utilizados para generar los resultados representativos. El repositorio incluye un ERP MEG auditivo preprocesado de Kohl et al. (2022), que sirve como ERP previo al tratamiento (datos originales disponibles en: https://github.com/kohl-carmen/HNN-AEF). La ERP hipotética posterior al tratamiento se genera escalando la forma de onda previa al tratamiento usando una ventana cónica de Gaussiana. Los archivos de datos correspondientes se encuentran en el repositorio en data/pre-treatment.txt y data/post-treatment.txt. Dado que las señales MEG y EEG reflejan generadores neuronales subyacentes similares, este protocolo es aplicable a ambas modalidades.
2. Identificar un conjunto de características candidatas de biomarcadores ERP que se hipotetizan para distinguir efectos relacionados con el tratamiento (por ejemplo, tiempos y magnitudes de pico ERP).
   NOTA: En este protocolo de ejemplo, se utilizan magnitudes máximas como biomarcador de interés.
3. Preprocesar datos EEG y extraer características de biomarcadores de interés.
   NOTA: Varios paquetes de software soportan preprocesamiento y análisis ERP, incluyendo MNE-Python⁵⁶, EEGLAB⁵⁹ y^{FieldTrip 60}. Se recomienda la localización de la fuente para modelar señales ERP, pero no es obligatoria. Un flujo de trabajo de ejemplo está disponible en https://jonescompneurolab.github.io/hnn-core/stable/auto_examples/workflows/plot_simulate_somato.html. Varios trabajos previos describen el preprocesamiento y análisis de señales EEG con todo detalle; Se invita especialmente a los lectores a consultar^56,61 para obtener un contexto más completo.
   1. Realizar localización de la fuente utilizando señales a nivel de sensor de todos los canales, o seleccionar sensores EEG para analizar. Utilizar datos localizados en la fuente para comparación directa con la salida del modelo; los datos a nivel de sensor no tendrán correspondencia unitaria.
      NOTA: La correspondencia unitaria uno a uno descrita a continuación no se cumplirá para señales a nivel de sensor.
   2. El segmento registró los datos del EEG en ensayos utilizando marcas de tiempo del estímulo sensorial.
   3. Calcular las formas de onda ERP promediadas por ensayos para condiciones previas y posteriores al tratamiento.
   4. Extraer biomarcadores ERP candidatos a partir de formas de onda promediadas por ensayos (por ejemplo, calcular magnitudes máximas N1). Definir criterios de detección de picos (por ejemplo, ventana temporal y polaridad) antes de la extracción.
4. Realiza pruebas estadísticas para determinar qué características del ERP son significativamente diferentes entre condiciones (por ejemplo, pretratamiento frente a posttratamiento). Selecciona pruebas estadísticas adecuadas según el diseño del estudio y aplica corrección por comparación múltiple cuando sea necesario (por ejemplo, ANOVA de medidas repetidas seguida de pruebas post-hoc Tukey HSD para comparaciones múltiples).
   NOTA: Un ejemplo en clave de pruebas estadísticas está disponible en https://mne.tools/stable/auto_tutorials/stats-sensor-space/20_erp_stats.html.
5. Resultados específicos estadísticamente significativos de características distintivas de biomarcadores EEG (por ejemplo, diferencias en magnitudes N1). Guarda las salidas para usarlas en los siguientes pasos.
6. Definir hipótesis basadas en la literatura sobre los mecanismos de los fármacos y los parámetros asociados del modelo de interés. Consulta la literatura previa y los datos experimentales para identificar propiedades biofísicas alteradas por el neuroterapéutico que puedan explicar las diferencias en las características.
7. Identificar qué parámetros del modelo neuronal biofísico (HNN) están directamente representados o indirectamente relacionados con las propiedades biológicas identificadas en el Paso 1.6. Definídelos como parámetros de interés. Mapear mecanismos biológicos para modelar parámetros utilizando literatura previa y documentación de HNN.
8. Emitir un conjunto identificado de parámetros de modelo de interés correspondientes a propiedades biofísicas hipotetizadas para generar las diferencias identificadas en las características EEG. Utiliza el modelo HNN por defecto (inicializado en el Paso 2) como punto de partida para todos los valores de los parámetros y guarda las salidas para los siguientes pasos.

2. Inicializar el modelo HNN predeterminado: Instalar software de modelado y configurar la carpeta del proyecto

NOTA: Las versiones del software utilizadas en este estudio se especifican en la Tabla de Materiales, junto con los requisitos mínimos del sistema. Existen múltiples opciones de instalación (es decir, pip, conda y instalación fuente) para Linux, macOS y Windows.

1. Descarga e instala una versión funcional de Anaconda Python. Crear y activar un nuevo entorno Python para la instalación de los paquetes de software necesarios.
2. Instala el software de modelado neuronal biofísico HNN-core utilizando instrucciones de instalación específicas del sistema operativo disponibles en https://jonescompneurolab.github.io/textbook/content/01_getting_started/installation.html.
   NOTA: Para instalar eficientemente las dependencias de software utilizadas en este estudio, el repositorio de código asociado (https://github.com/ntolley/hnn_jove) utiliza pixi (https://pixi.prefix.dev/latest/). Sigue las instrucciones del archivo README del repositorio para instalar pixi y configurar una versión local del repositorio de código.
3. Verifica que la versión instalada del software de modelado neural biofísico sea 0.6.0 o superior escribiendo el siguiente comando en el terminal: pip show hnn_core
4. Asegúrate de que el entorno Python esté activado y que la instalación se complete con éxito. Inicia la interfaz gráfica de usuario (GUI) escribiendo hnn-gui en el terminal y pulsando Enter.
5. Crea una nueva carpeta de proyecto en el sistema de archivos del ordenador para almacenar todos los archivos de datos generados en este protocolo. Crea la carpeta en un directorio accesible (por ejemplo, directorio personal o directorio de proyectos de trabajo).

3. Establecer el ajuste del modelo previo al tratamiento con ajuste manual

1. Empieza con la simulación canónica de ERP HNN y sus parámetros por defecto. Ajusta manualmente el factor de escala y los parámetros del impulso exógeno para ajustarlos al ERP previo al tratamiento (por ejemplo, ERP previo al tratamiento).
   NOTA: La interfaz gráfica de HNN carga automáticamente parámetros del modelo ajustados a un ERP^{somatosensorial 40}, que a través de numerosos estudios ha demostrado ser un buen punto de partida "ERP canónico". Este tutorial se centra en modificar el factor de escalado y los parámetros de entrada exógenos desde este punto de partida.
2. Carga la forma de onda empírica ERP previa al tratamiento desde el Paso 1 en la interfaz gráfica HNN (Figuras 4A–4F)
   1. Haz clic en el botón Cargar datos en la barra de menú situada en la parte inferior izquierda de la ventana de la interfaz gráfica (Figura 4D).
      NOTA: La nomenclatura sobre la denominación de picos ERP varía mucho en la literatura; las etiquetas P1/N1/P2 en la Figura 4F son solo para fines ilustrativos y pueden no corresponder a convenciones de nombres usadas en otros estudios.
   2. En la ventana del navegador de archivos, selecciona un archivo .csv o .txt que contenga la forma de onda ERP a modelar (es decir, la forma de onda objetivo). Asegúrate de que el archivo esté delimitado por comas y formateado con dos columnas: la primera columna contiene el tiempo (ms) y la segunda columna contiene la forma de onda empírica dipolar localizada en la fuente (nAm). La primera fila se trata como un encabezado y no debe contener valores de datos. Las etiquetas informativas de las columnas (por ejemplo, "Tiempo (ms)" y "Dipolo (nAm)") pueden incluirse opcionalmente.}
      NOTA: El archivo de datos empíricos se denomina pre-treatment.txt en el repositorio de código asociado.
   3. Inspecciona la forma de onda que se representa automáticamente en el panel de figuras (Figura 4F).
3. Ejecuta la simulación por defecto de un ERP canónico
   1. Configura los valores de parámetros tstop, dt, Trials, Backend y Núcleos en el panel de Parámetros de Simulación (Figura 4B) a los valores deseados. Utiliza tstop para controlar la longitud de la simulación, dt para controlar el paso de tiempo de integración y Trials para controlar el número de simulaciones repetidas ejecutadas con los mismos valores de parámetros del modelo. Selecciona Backend como serial (Joblib) o paralelo (MPI) y especifica el número de núcleos de ordenador.
      NOTA: La variabilidad entre ensayos proviene de la desviación estándar del tiempo de conducción evocado exógeno descrito en el Paso 3.5 a continuación.
   2. Haz clic en el botón Ejecutar (Figura 4D) para iniciar la simulación predeterminada de un ERP canónico.
4. Crea un gráfico que compare la ERP simulada con la empírica
   1. Haz clic en la pestaña Visualización en la parte superior izquierda de la ventana de la interfaz gráfica (Figura 4A).
   2. Haz clic en el menú desplegable etiquetado Datos para comparar (no mostrado) y selecciona la forma de onda objetivo cargada desde el Paso 3.2.
   3. Haz clic en Borrar eje para reiniciar la gráfica.
   4. Haz clic en Añadir gráfico para generar un nuevo gráfico con la forma de onda ERP inicial simulada (azul) y la forma de onda objetivo (naranja) superpuestas, junto con texto que indica el coeficiente de correlación (Corr) calculado automáticamente y el error cuadrático medio de raíz (RMSE) entre ambas formas de onda (Figura 4F).
      NOTA: La HNN-GUI ofrece la opción de calcular dos medidas de bonidad de ajuste: Corr y RMSE. Estas medidas se utilizan para la afinación manual y optimización manual (Paso 4).
5. Modificar el factor de escalado
   1. Modifica el factor de escalado mediante ajuste manual manual para que coincida aproximadamente con las magnitudes de las formas de onda dipolares simuladas y empíricas. Configura el parámetro de escalado dipolar por defecto (Figura 4C) en la pestaña de Simulación (Figura 4A) en 3000.
      NOTA: El factor de escalado corresponde a una predicción del número estimado de neuronas subyacentes a la generación de la señal EEG. El valor por defecto de 3000 indica que se necesitan 200 neuronas piramidales (tamaño del modelo HNN) × 3000 = 600.000 neuronas para generar una respuesta evocada con la magnitud en nAm indicada en el eje y de la Figura 4F.
6. Modificar la sincronización de los motores exógenos
   1. Modificar la media y la desviación estándar de los impulsos exógenos mediante ajuste manual manual para obtener un ajuste más cercano al momento de los picos ERP pre-tratamiento registrados empíricamente (es decir, P1/N1/P2) (Figura 5A–5D).
      NOTA: Los parámetros predeterminados de conectividad local y celda distribuidos con HNN se ajustaron para reproducir patrones de actividad saludables a nivel de célula única y red. Aunque los parámetros de la red local pueden ajustarse, se recomienda dejar fijos inicialmente los parámetros del modelo neocortical local HNN preajustado y probar si se puede lograr un ajuste fiable ajustando solo los impulsos exógenos.
   2. Identificar qué picos ERP simulados están desalineados en el tiempo con la forma de onda empírica de ERP (Figura 4).
      NOTA: Este ejemplo asume tres picos tempranos en el ERP empírico, como en la simulación canónica estándar de ERP. Para añadir picos, simula discos externos adicionales.
   3. Haz clic en la pestaña Discos Externos en la parte superior izquierda de la ventana de la interfaz gráfica (Figura 4A y Figura 5A).
      NOTA: Los parámetros para tres impulsos exógenos predefinidos son visibles, representando el impulso proximal de alimentación hacia adelante (evprox1), distal de retroalimentación (evdist1) y proximal de alimentación hacia adelante reemergente (evprox2) que generan las simulaciones ERP canónicas por defecto (véase Introducción para detalles del modelo HNN y la estructura de los propulsores exógenos). Los histogramas que muestran los tiempos y conteos de picos se muestran en la Figura 4E.
   4. Haz clic en el desplegable del motor exógeno cuyo tiempo medio está más cerca del pico desalineado.
   5. Modifica los valores en los cuadros de texto para el tiempo medio y el tiempo de desarrollo estándar para que coincidan mejor con el tiempo y el ancho de los picos en la forma de onda objetivo (Figuras 5B–5D). Ajusta el tiempo medio para cambiar el tiempo de pico y el tiempo de desarrollo estándar para cambiar el ancho de pico.
      NOTA: El tiempo medio y el tiempo de desarrollo estándar controlan la media y la varianza de los picos exógenos que activan la red local en patrones de proyección proximal o distale (véanse los histogramas en la Figura 4E). Estos parámetros no determinan completamente el momento o ancho de pico de la ERP. El tiempo y el ancho exactos dependen tanto de los impulsos exógenos como de la actividad intrínseca de la red.
      1. Establece el tiempo medio para el disco externo evprox1 a 60 ms.
      2. Configura el tiempo medio para el disco externo evdist1 a 100 ms.
      3. Pon el tiempo medio para el disco externo evprox2 a 150 ms.
7. Modificar la magnitud de los impulsos exógenos
   1. Modificar los pesos sinápticos (conductancia postsináptica) de los impulsos exógenos mediante ajuste manual manual para obtener un ajuste más cercano a la magnitud de los picos ERP registrados empíricamente (es decir, P1/N1/P2) (Figura 6A y Figura 6B).
   2. Identificar qué picos ERP simulados están desalineados en magnitud con la forma de onda empírica ERP.
   3. Haz clic en la pestaña Discos Externos en la parte superior izquierda de la ventana de la interfaz gráfica (Figura 4A).
   4. Haz clic en el desplegable del motor exógeno cuyo tiempo medio está más cerca del pico desalineado.
   5. Modifica los valores en los cuadros de texto bajo pesos AMPA y NMDA para ajustar conductancias sinápticas. Aumentar la fuerza del impulso proximal a las neuronas piramidales L5 y L2/3 generalmente produce más picos positivos, mientras que aumentar la fuerza del impulso distal suele producir picos más negativos.
      NOTA: Al igual que en el tiempo de la transmisión exógena, la magnitud máxima de la ERP no está completamente determinada por la fuerza de la transmisión. Las dinámicas de picos pueden producir efectos no intuitivos. Cambia de prueba en un orden de magnitud (por ejemplo, AMPA L5_pyramidal de 0,014 a 0,14) y se refina iterativamente. La Figura 6 muestra valores configurados como 10× menores que la simulación predeterminada.
      1. Establece los pesos AMPA del disco evdist1 a L5_pyramidal = 0,014243 y L2_pyramidal = 0,0000007.
      2. Establece los pesos NMDA del disco evdist1 a L5_pyramidal = 0,0080074 y L2_pyramidal = 0,0004317.
      3. Establece los pesos AMPA del disco evprox2 a L5_pyramidal = 0,0684013 y L2_pyramidal = 0,143884.
         NOTA: Un conjunto completo de parámetros utilizados para generar los resultados representativos está disponible en el repositorio de código asociado (https://github.com/ntolley/hnn_jove; véase datos/opt_baseline_config_correlation_best.json). Se anima a los usuarios a cargar este archivo de configuración junto con los archivos de datos proporcionados (datos/pre-treatment.txt y datos/post-treatment.txt) y consultar los flujos de trabajo de ejemplo en los cuadernos/directorio para reproducir las simulaciones reportadas.
8. Guarda la configuración de simulación modificada.
   1. Tras completar las modificaciones en los pasos 3.5–3.7, haz clic en la pestaña Simulación (Figura 4A) e introduce "pre-treatment_handtuned" en el cuadro de texto Nombre (Figura 4B).
9. Ejecutar simulación modificada
   1. Haz clic en el botón Ejecutar para simular el conjunto de parámetros modificado.
   2. Inspecciona el gráfico generado en el panel de figuras (Figura 4F y Figura 7A–7D). Accede a gráficos anteriores usando las pestañas de figuras correspondientes (por ejemplo, "Figura 1" y "Figura 2").
10. Ajuste manual iterado
    1. Continúa con el ajuste manual iterativo para mejorar el coeficiente de correlación.
    2. Repite el paso 3.4 para recolocar la simulación con la forma de onda objetivo y recalcular el coeficiente de correlación.
11. Guarda las salidas finales del modelo.
    NOTA: El protocolo puede pausar tras guardar las salidas de la simulación. Reanuda cargando los archivos de configuración guardados en el software.
    1. Haz clic en el botón Guardar red para guardar el parámetro que mejor se ajusta como un archivo de .json llamado "pre-treatment_handtuned.json".
    2. Haz clic en el botón Guardar simulación para guardar un archivo .txt llamado "pre-treatment_handtuned.txt", que contiene la forma de onda dipolar simulada (Figura 4D).
    3. Mueve ambos archivos a la carpeta del proyecto creada en el Paso 2.5. Asegúrate de que los nombres de los archivos coincidan con el nombre de la simulación en el menú desplegable.
       NOTA: Los archivos se guardan en el directorio de descarga predeterminado del navegador web utilizado para ejecutar la interfaz gráfica. Mueve archivos manualmente o cambia temporalmente el directorio de descargas del navegador.

Figura 4. Comparación de la forma de onda canónica simulada de ERP HNN con ERP empírica previa al tratamiento. (A) Categorías de parámetros accesibles a través de las pestañas de la interfaz gráfica de usuario (GUI). (B) Parámetros de simulación que controlan la duración y el número de ensayos. (C) Parámetros de visualización que controlan la visualización de la forma de onda. (D) Panel de control de simulación para cargar datos, ejecutar simulaciones y guardar salidas. (E) Histogramas de picos que muestran distribuciones de entradas de unidades exógenas en la simulación canónica ERP. (F) Forma de onda dipolar de la simulación canónica de ERP (azul) superpuesta con una ERP auditiva empírica (naranja) de Kohl et ^al.43. La simulación inicial no encaja con los datos, con un tiempo y magnitud picos desalineados (Corr < 0,95). El paradigma experimental utilizado para generar la ERP empírica se describe en Kohl et ^al.43: los tonos (1 kHz, 50 ms de duración, 10 ms de fundido y salida de 10 ms) se presentaron de forma alternada a los oídos izquierdo y derecho, con intervalos entre estímulos de 0,8–1,2 s a 60 dB por encima del nivel subjetivo de audición. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 5. Modificación del tiempo de la unidad exógena para alinear los picos ERP. (A) La pestaña "Discos externos" en la interfaz gráfica, utilizada para configurar entradas evocadas al modelo. (B–D) Ajuste de parámetros de tiempo medio para unidades exógenas individuales para alinear picos ERP simulados con datos empíricos. Específicamente, (B) impulso proximal evprox1 alineado a ~60 ms, (C) impulso distal evdist1 alineado a ~100 ms, y (D) impulso proximal evprox2 alineado a ~150 ms. Ajustar el parámetro de tiempo medio (resaltado) desplaza el momento de los picos simulados y mejora la correspondencia con la forma de onda empírica. Estos ajustes contribuyen a una mejor alineación y a una mayor correlación con la ERP objetivo (véase la Figura 7B). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 6. Modificación de la resistencia del impulso exógeno para ajustar las magnitudes máximas del ERP. (A y B) Los pesos sinápticos para los receptores de ácido α-amino-3-hidroxi-5-metil-4-isoxazolepropiónico (AMPA) y N-metil-D-aspartato (NMDA) se modifican a través de la pestaña "Discos externos" en la interfaz gráfica de usuario (GUI). (A) Ajuste de los pesos sinápticos para el impulso distal (evdist1), incluyendo conductancias AMPA y NMDA dirigidas a las neuronas piramidales de la capa 2/3 (L2/3) y la capa 5 (L5). (B) Ajuste de los pesos sinápticos para el impulso proximal (evprox2), que afecta principalmente a las conductancias AMPA en neuronas piramidales. En este ejemplo, los pesos sinápticos se reducen por un factor de 10 respecto a los valores por defecto, lo que resulta en una disminución de las magnitudes de pico de la ERP y una mejor concordancia con la forma de onda empírica (véase la Figura 7C). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 7. Ajuste manual y optimización para ajustar los parámetros del modelo. Todas las simulaciones muestran 5 ensayos, con ERP promedio (azul oscuro) y ensayos individuales (azul claro). (A) Simulación canónica de ERP (azul) superpuesta con ERP previo al tratamiento (naranja). (B) El ajuste del tiempo de conducción exógeno mejora la alineación máxima. (C) La reducción de los pesos sinápticos disminuye las magnitudes máximas. (D) La optimización automatizada produce un ajuste cercano a la forma de onda empírica (Corr = 1,0), incluyendo una mayor variabilidad en el tiempo de transmisión de la unidad evocada. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

4. Establecer el ajuste del modelo previo al tratamiento con optimización de parámetros

NOTA: El control de la siembra aleatoria para optimización no está disponible actualmente en la interfaz gráfica. Para ejecuciones de optimización reproducibles, utiliza la API de Python. El repositorio de código asociado contiene una implementación de ejemplo ( véase código/baseline_optimization.py), donde se puede establecer una semilla aleatoria fija pasando un parámetro semilla a la función de optimización (por ejemplo, optim.fit(..., seed=123)).

NOTA: Este ejemplo muestra cómo optimizar parámetros dirigidos para estimar valores individuales que producen un ajuste cercano a la forma de onda usando CMA-ES (no confundir con SBI; ambos son enfoques para ajustar parámetros del modelo, pero la salida principal de SBI es una distribución). Un ejemplo de cómo estimar distribuciones de parámetros que pueden tener en cuenta las formas de onda se muestra en la sección de Resultados . Para ERP pre-tratamiento, se comienza optimizando los parámetros del impulso exógeno bajo la suposición de que los parámetros de conexión celular y de red local en el modelo neocortical HNN por defecto son fijos. La predicción multiescala proporcionada por HNN descrita en el Paso 7 proporciona objetivos para la validación de esta suposición. A medida que se dispone de nueva información para restringir las predicciones del modelo, el marco HNN permite estimar cualquier conjunto de parámetros.

1. Ajustes de optimización abiertos
   1. Haz clic en la pestaña Optimización en la esquina superior izquierda de la interfaz gráfica (Figura 8A).
   2. Configura los ajustes de la ejecución de optimización, incluyendo el número de iteraciones, el solucionador y la función objetivo.
      NOTA: Los ajustes de optimización por defecto (función objetivo = "dipole_corr"; Solver = "cma") son apropiados para formas de onda ERP. Esta función objetivo maximiza el coeficiente de correlación entre las formas de onda simuladas y empíricas. Aumenta el número máximo de iteraciones si optimizas muchos parámetros. El coeficiente de correlación es una medida libre de escala; por lo tanto, al usar "dipole_corr", ajusta el factor de escalado tras la optimización (Paso 4.7.1). Alternativamente, se utiliza "dipole_rmse" para minimizar el RMSE, en cuyo caso el factor de escalado permanece fijo.
   3. Haz clic en el cuadro de texto de Max iteraciones e introduce 100.
2. Parámetros de selección para optimización
   1. Haz clic en el menú desplegable de un disco exógeno cuyos parámetros estarán optimizados (Figura 8A y Figura 8B, círculo rojo).
   2. Selecciona los parámetros de la unidad a optimizar haciendo clic en la casilla bajo "¿Optimizado contra?" (Figura 8B).
3. Definir restricciones de parámetros
   1. Especifique el rango de valores de parámetros explorados por el optimizador introduciendo valores en los cuadros de texto Min y Max bajo Restricciones (%) (Figura 8B).
      NOTA: Los valores por defecto del 20% son adecuados para simulaciones que ya tienen un coeficiente de correlación alto (Corr > 0,9). Por ejemplo, aplicar un rango del 20% a un tiempo medio de 65,53 ms produce cotas de 52,42–78,64 ms. Para los primeros ajustes poco probables, aumenta los porcentajes mínimos y máximos; sin embargo, el número de simulaciones necesarias puede aumentar significativamente.
4. Optimización de carreras
   1. Haz clic en el botón Ejecutar Optimización (Figura 8A) para ejecutar la rutina de optimización.
5. Resultados de optimización de guardados
   1. Haz clic en el botón de Guardar Historial de Optimización (Figura 8A).
   2. Mueve el archivo guardado a la carpeta del proyecto creada en el paso 2.5.
      NOTA: Los resultados de optimización pueden almacenarse y reutilizarse. El protocolo puede pausarse en esta etapa y reanudarse cargando el historial de optimización guardado.
6. Evaluar la calidad de optimización
   1. Evalúa la calidad de la ejecución de optimización.
      NOTA: Al usar el coeficiente de correlación como medida de bonura de ajuste, se recomienda un criterio de parada de Corr > 0,95, ya que generalmente refleja una forma de onda simulada que reproduce picos y valles prominentes del ERP objetivo. La suspensión anticipada no está actualmente apoyada, pero está en desarrollo. Aumenta el número de iteraciones si no se cumple el criterio de parada pero la pérdida sigue disminuyendo cada 10 iteraciones.
7. Determinar los siguientes pasos basándose en el resultado de optimización
   1. Si se logra un buen ajuste al ERP previo al tratamiento (es decir, Corr > 0,95), reajusta el factor de escalado para minimizar el RMSE y procede al Paso 5.
      NOTA: Como se describe en el Paso 4.1, cuando se use "dipole_corr" como función objetivo, reajusta el factor de escalado tras la optimización. En este ejemplo, el factor de escalado se redujo del valor predeterminado de 3000× (Figura 7A–7C) a 1000× (Figura 7D).
   2. Si la optimización no logra un buen ajuste al ERP de pretratamiento, se debe volver al Paso 4.2 y realizar la resolución de problemas aumentando el número máximo de iteraciones, mejorando el punto de partida ajustado manualmente o seleccionando parámetros alternativos para ajustar.
      NOTA: Consulte la sección "Resolución de problemas al ajustar parámetros a características de datos" en la Discusión para una explicación detallada de los pasos de diagnóstico.

Figura 8. Optimización de los parámetros del motor exógeno para mejorar la adaptación a la ERP previa al tratamiento. (A) pestaña de optimización en la interfaz gráfica para configurar parámetros de optimización. (B) Selección de parámetros y rangos de restricciones para optimización. (C) Ejemplo de resultado de optimización que muestra un ajuste mejorado a datos empíricos ERP de Kohl et ^al.43. (D) Curva de pérdida de optimización que muestra convergencia tras aproximadamente 80 iteraciones. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

5. Establecer el ajuste del modelo posttratamiento

1. Empieza con la simulación ERP optimizada previa al tratamiento. Ajusta y optimiza manualmente los parámetros de interés para ajustarlos al ERP post-tratamiento.
2. Forma de onda empírica de ERP post-tratamiento de carga
   1. Carga la forma de onda empírica ERP post-tratamiento desde el Paso 1 en la interfaz gráfica (mismo procedimiento que el Paso 3.2; Figura 9A).
3. Parámetros de pretratamiento optimizados por la carga
   1. Carga los parámetros ERP optimizados de pretratamiento de los pasos 1–4 como punto de partida (Figura 9A).
4. Realizar ajustes y optimizaciones manuales
   1. Realizar ajustes manuales y optimización de parámetros (mismos procedimientos que los Pasos 3.2–3.11 y el Paso 4) sobre los parámetros de interés identificados en el Paso 1.7.
   2. Continúa ajustando y optimizando hasta lograr una alta correlación (Corr > 0,95) entre la ERP simulada y la posterior al tratamiento.
      NOTA: Para fines ilustrativos, en la Figura 9B, se aplicó ajuste manual a un parámetro dirigido a la señal (disminución de la conductancia máxima de GABA_B en red local), lo que produjo un ajuste más cercano a los datos posteriores al tratamiento. No se realizó optimización para evaluar qué tan bien tiene en cuenta este cambio de parámetros los datos. La sección "Resultados Representativos" describe cómo estimar distribuciones de múltiples parámetros hipotetizados como parámetros de interés posttratamiento utilizando SBI. El SBI (detallado en el Paso 6) se recomienda para investigaciones rigurosas porque estima distribuciones de parámetros que tienen en cuenta una forma de onda ERP, permitiendo comparaciones robustas entre ajustes de parámetros.
5. Guarda la configuración del modelo y compara parámetros
   1. Guarda la configuración del modelo y compara valores optimizados para parámetros de interés entre condiciones pre-tratamiento y post-tratamiento (datos no mostrados).
   2. Repite el paso 3.11 para exportar un archivo .json de parámetros del modelo. Mueve el archivo a la carpeta del proyecto creada en el Paso 2.5.
   3. Consulta los parámetros de la unidad exógena haciendo clic en Cargar discos externos (Figura 5A) y seleccionando el archivo de configuración de red de pretratamiento o post-tratamiento.
   4. Ver parámetros de red local haciendo clic en Cargar conectividad de red local (Figura 9C) y seleccionando el archivo de configuración de red pre-tratamiento o post-tratamiento.
   5. Identificar cambios en los valores de los parámetros entre configuraciones de red pre-tratamiento y post-tratamiento. Interpreta estos cambios como predicciones basadas en modelos de los mecanismos de biomarcadores tras el tratamiento.

Figura 9. Evaluación de la fuerza sináptica del ácido gamma-aminobutírico tipo B (GABA_B) como mecanismo de biomarcadores EEG post-tratamiento. (A) Simulación pre-tratamiento optimizada (azul) superpuesta con ERP posttratamiento (rojo), mostrando magnitudes pico reducidas. (B) La reducción de la fuerza sináptica del GABA_B disminuye la amplitud de N1, lo que sugiere un mecanismo potencial. (C) Panel GUI que muestra dónde se modifica la fuerza sináptica local de GABA_B . Por favor, haz clic aquí para ver una versión ampliada de esta figura.

6. Realizar cuantificación de incertidumbre con SBI y evaluar la separabilidad utilizando la interfaz de programación de aplicaciones HNN-Python

NOTA: SBI requiere la instalación de un paquete Python^{separado 62}. Consulte el repositorio asociado (https://github.com/ntolley/hnn_jove) para un ejemplo de código que detalle cómo ejecutar inferencia de parámetros en HNN usando el paquete de software SBI. El código está organizado para seguir los pasos del protocolo siguiente. En^{el 55} se ofrece una discusión completa sobre cómo aplicar el SBI al modelo HNN.

1. Instala el paquete SBI
   1. Instala el paquete SBI ejecutando el siguiente comando en un terminal con el entorno Python activado: pip install sbi.
2. Definir rangos de parámetros a priori
   1. Identificar rangos de parámetros alrededor del subconjunto objetivo de parámetros ERP pre-tratamiento y post-tratamiento para crear una distribución previa acotada para la cuantificación de la incertidumbre.
3. Genera un conjunto de datos de entrenamiento.
   1. Define una función de actualización de parámetros (el mismo enfoque que la optimización de parámetros).
   2. Fija la semilla aleatoria para generar muestras a partir de la distribución previa y así asegurar la reproducibilidad. Si usas NumPy para la generación aleatoria de muestras, crea una instancia de generador de números aleatorios en el script de Python (por ejemplo, rng = np.random.default_rng(123)) y utiliza este generador para muestreo.
      NOTA: El repositorio de código asociado (https://github.com/ntolley/hnn_jove) proporciona un ejemplo de uso de un generador aleatorio NumPy en código/generate_simulations.py.
   3. Muestrea parámetros de la distribución previa.
      NOTA: Se utilizaron 10.000 muestras para generar los resultados representativos.
   4. Genera un conjunto de datos de ERP simulados utilizando los valores de los parámetros muestreados.
4. Estadísticas resumen selectas.
   1. Elige una estadística resumen que caractrique la forma de onda EEG.
      NOTA: Una estadística resumen es cualquier cantidad que captura características clave de una forma de onda EEG. Las opciones habituales incluyen el momento de pico y la magnitud. En este manuscrito, el análisis de componentes principales (PCA) se utiliza para extraer estadísticas resumen (es decir, las cargas de los primeros cuatro componentes principales). Consulta⁵⁵ para una discusión completa.
   2. Red de trenes SBI
      NOTA: Este tutorial utiliza los parámetros de entrenamiento por defecto (por ejemplo, density_estimator="maf", training_batch_size=200, learning_rate=0,0005) distribuidos con el paquete SBI para el objeto estimador posterior neural. Los parámetros de entrenamiento se describen en la documentación SBI (https://sbi.readthedocs.io/en/stable/api_reference/_autosummary/sbi.inference.NPE_B.html).
   3. Establece la semilla aleatoria global de PyTorch para asegurar un entrenamiento reproducible incluyendo torch.manual_seed(0) en el script de Python después de importar Torch.
   4. Entrena la red SBI para que mape combinaciones de parámetros a formas de onda ERP simuladas.
      NOTA: La red SBI entrenada es un objeto Python que acepta estadísticas resumen de datos EEG como entrada y produce una distribución de parámetros (distribución posterior). Si el entrenamiento tiene éxito, simular parámetros de esta distribución en el modelo HNN produce formas de onda EEG similares a los datos empíricos (comprobación predictiva posterior [PPC]).
   5. Generar muestras posteriores y evaluar el ajuste
   6. Proporciona la forma de onda EEG experimental como entrada de condicionamiento a la red entrenada.
   7. Extrae muestras de parámetros de la distribución posterior condicionada a la forma de onda experimental del EEG.
   8. Simula las muestras de parámetros extraídas de la distribución posterior.
   9. Calcular la similitud entre las formas de onda simuladas y la forma de onda EEG experimental proporcionada como entrada.
      NOTA: Este procedimiento se denomina PPC. Una red bien entrenada produce simulaciones que coinciden estrechamente con la forma de onda empírica (alta correlación o bajo RMSE). Si el PPC no produce simulaciones satisfactorias, existen dos posibilidades: (1) los mecanismos hipotetizados no tienen en cuenta el biomarcador, lo que requiere nuevas hipótesis y distribuciones previas actualizadas; o (2) la red SBI no fue entrenada con éxito. En este caso, aumenta el presupuesto de formación o modifica las estadísticas resumen.
   10. Si los ERP simulados de las distribuciones de parámetros muestreados encajan en la ERP pre-tratamiento y post-tratamiento (PPC con Corr > 0,95), proceda al Paso 6.8. De lo contrario, continúa con el Paso 6.7.
5. Resolución de problemas en la formación de redes SBI
   NOTA: Un PPC fallido indica que los parámetros de entrenamiento de la red SBI requieren modificación. Consulte la sección "Solución de problemas al ajustar parámetros a características de datos" en la Discusión para una explicación detallada.
   1. Aumenta el tamaño del conjunto de datos de entrenamiento.
   2. Modifica las características resumen.
   3. Selecciona una arquitectura SBI diferente para la formación.
6. Visualizar distribuciones posteriores y evaluar la separabilidad
   1. Pasar el array de muestras de parámetros del paso 6.6.2 a la función de par gráfico y asignar colores distintos a las distribuciones correspondientes a cada condición ERP.
      NOTA: El repositorio de código asociado demuestra funcionalidad de trazado para reproducir la Figura 10.
   2. Inspecciona los paneles diagonales del par gráfico generado en busca de distribuciones no solapadas. Evalúa la separabilidad calculando el OVL (Figura 10A). Los parámetros con distribuciones altamente separadas (OVL < 0,1) corresponden a mecanismos de acción predichos del neuroterapéutico que cambian tras el tratamiento en relación con el pretratamiento.
      NOTA: OVL es una métrica que cuantifica la separabilidad de la distribución en el rango (0,1), donde OVL = 0,0 indica que no hay solapamiento y OVL = 1,0 indica solapamiento^{completo 54,55}. El código para calcular OVL se proporciona en el repositorio de código asociado.

Figura 10. SBI para la cuantificación de incertidumbre de parámetros e identificación de mecanismos neuroterapéuticos. (A) Visualización por par de las distribuciones de parámetros estimadas usando SBI. Los paneles diagonales (i–iv) muestran distribuciones univariadas para parámetros individuales, incluyendo (i) sincronía talamocortical, (ii) conductancia dendrítica K_m , (iii) conductancia GABA_B y (iv) fuerza de retroalimentación corticocortical. Las unidades para (i) se expresan como un factor de escalado multiplicativo del valor del parámetro por defecto (antes del tratamiento). Las unidades para (ii-iv) se expresan como un factor de escala multiplicativo del valor predeterminado del parámetro (pre-tratamiento) en una escala logarítmica. Las distribuciones para condiciones pre-tratamiento (azul) y post-tratamiento (rojo) muestran distintos grados de separabilidad, siendo la sincronía talamocortical la que muestra la menor superposición (valor de solapamiento, OVL = 0,07), indicando el efecto relacionado con el tratamiento más fuerte. Los paneles fuera de la diagonal muestran relaciones bivariantes entre parámetros. (B) Comprobación predictiva posterior (PPC) para ERP previa al tratamiento; Las formas de onda simuladas (negro) coinciden estrechamente con los datos empíricos (azul). (C) PPC para ERP post-tratamiento; Las formas de onda simuladas (negro) coinciden estrechamente con los datos empíricos (rojo). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

7. Realizar examen, validación y más restricciones del modelo

NOTA: Este paso proporciona ejemplos de cómo visualizar elementos de actividad simulada en la interfaz gráfica. Estos detalles multiescala proporcionan objetivos para validar e informar predicciones derivadas del modelo en experimentos^{posteriores 7,47}. Este protocolo no proporciona orientación sobre la selección de qué predicciones son más adecuadas para experimentos de validación ni sobre cómo deben realizarse los experimentos de validación (es decir, Paso 7.3).

1. Parámetros del modelo de carga y simulaciones
   1. Parámetros del modelo de carga optimizados para condiciones pre-tratamiento y post-tratamiento y ejecutar simulaciones.
      NOTA: Los parámetros de la optimización en los pasos 4–5 pueden cargarse y examinarse. Ejemplos de cómo exportar parámetros de red producidos por SBI en el Paso 6 desde la interfaz de Python están incluidos en el repositorio asociado de GitHub.
2. Examinar las predicciones multiescala
   1. Examina las predicciones multiescala a partir de salidas simuladas.
   2. Grafica la actividad de picos a nivel de celda
   3. Haz clic en la pestaña de Visualización (Figura 4A).
   4. Haz clic en el menú desplegable etiquetado Plantilla de Diseño y selecciona Capas Dipolares-Picos.
   5. En el desplegable de Conjunto de datos, selecciona los resultados de la simulación que se van a representar en gráficos.
   6. Haz clic en Crear figura para visualizar la actividad de picos que contribuye a la forma de onda dipolo.
      NOTA: Ciertas funciones de microcircuitos (por ejemplo, LFP y CSD) solo están disponibles a través de la interfaz de programación de aplicaciones HNN-Python (API). Tutoriales basados en código para estas características están disponibles en la página de ejemplos de HNN (https://jonescompneurolab.github.io/hnn-core/stable/index.html).
3. Validar las predicciones del modelo con datos empíricos
   1. Identificar conjuntos de datos existentes y/o recopilar nuevos datos empíricos (por ejemplo, electrofisiología invasiva, MEG/EEG laminar y espectroscopía de resonancia magnética) para probar las predicciones de modelos multiescala.
   2. Compara las predicciones de modelos multiescala con conjuntos de datos empíricos.
   3. Si las predicciones multiescala coinciden con conjuntos de datos empíricos, consideremos el modelo validado para la característica seleccionada del microcircuito.
   4. Si las predicciones multiescala no coinciden con los conjuntos de datos empíricos, actualiza la red HNN por defecto restringiéndola con nuevos datos empíricos y vuelve al Paso 3.

Resultados

Esta sección presenta un escenario en el que se investiga un neuroterapéutico con un mecanismo de acción desconocido utilizando el software de modelado HNN. El objetivo es utilizar señales EEG previas y posteriores al tratamiento para generar predicciones sobre cómo la neuroterapia altera los circuitos neuronales. Los resultados se presentan con fines demostrativos para ilustrar cómo la modelización HNN puede aplicarse para investigar mecanismos neuroterapéuticos.

Desarrollo de hipótesis mecanicistas subyacentes a biomarcadores EEG ERP (Paso 1)

En este ejemplo, se utiliza un paradigma hipotético de ERP sensorial para examinar cómo el neuroterapéutico altera la señal (Paso 1). La Figura 1A muestra una ERP auditiva previa al tratamiento (azul) junto a una ERP hipotética posterior al tratamiento (roja; véase también la Figura 9). La ERP auditiva previa al tratamiento es datos localizados en la fuente registrados experimentalmente de Kohl et ^al.43, y la ERP hipotética posterior al tratamiento se genera escalando la forma de onda previa al tratamiento con una ventana cónica en gaussiana. Como se muestra, el hipotético neuroterapéutico produce una gran disminución en la magnitud de los componentes P1, N1 y P2 en comparación con la ERP previa al tratamiento.

Cabe señalar que en Kohl et ^al.43, de donde se obtuvieron los datos ERP previos al tratamiento, las simulaciones HNN usaron un modelo en el que las neuronas piramidales se mejoraron con una dinámica de canales de calcio más realista que en el modelo HNN por defecto. Como resultado, los resultados de la simulación en Kohl et ^al.43 difieren ligeramente de los que se muestran aquí. El modelo Kohl et al. 2020 (y otros modelos HNN actualizados) puede accederse a través de la API de Python (https://jonescompneurolab.github.io/hnn-core/stable/generated/hnn_core.calcium_model.html#hnn_core.calcium_model). El acceso a estos modelos ampliados a través de la interfaz gráfica está actualmente en desarrollo.

A continuación, identifica parámetros del modelo que representen efectos relacionados con el tratamiento (es decir, parámetros de interés) que se hipotetizan para explicar cómo el neuroterapéutico reduce las magnitudes P1, N1 y P2 (Pasos 1.6–1.8). Categorías amplias de mecanismos neuronales candidatos (y parámetros correspondientes del modelo) incluyen el momento de las entradas sinápticas exógenas, las conductancias locales de canales iónicos neuronales, la conectividad sináptica local y la conectividad sináptica exógena (Figura 1B). En este ejemplo, los mecanismos candidatos de cada categoría se evalúan usando HNN para evaluar cómo los cambios en estos parámetros afectan al ERP simulado.

Parámetros de interés

1. Desviación estándar del primer impulso proximal (talamocortical) (es decir, sincronía talamocortical), que representa la variabilidad en la sincronización de las entradas sensoriales iniciales de avance.
2. La conductancia del canal potásico muscarínico (K_m) en neuronas piramidales de la capa 5 (L5), controlando la excitabilidad neuronal, de modo que la excitabilidad disminuye a medida que aumenta la conductancia.
3. Fuerza local del receptor_{GABA B} , correspondiente a una sinapsis inhibitoria lenta que las interneuronas entregan a todas las células de la red local.
4. Fuerza de conductancia del impulso distal de retroalimentación (corticocortical), que representa la intensidad de la entrada de retroalimentación sensorial evocada de ~100 ms hacia las sinapsis AMPA y NMDA en capas supragranulares.

Establecimiento del ajuste del modelo ERP previo al tratamiento (Pasos 3–4)

Simula la ERP previa al tratamiento siguiendo los pasos 3–4 (simulación final previa al tratamiento mostrada en la Figura 8C). Un resultado exitoso se indica por una coincidencia cercana entre las formas de onda simuladas y empíricas, cuantificada por un alto coeficiente de correlación y un RMSE bajo.

Establecer el ajuste del modelo ERP post-tratamiento (Paso 5)

Utiliza el modelo ERP previo al tratamiento como punto de partida y aplica ajustes manuales y optimización de parámetros para determinar si los parámetros de interés pueden reproducir la ERP empírica post-tratamiento. Un ajuste exitoso indica que los parámetros hipotetizados son suficientes para explicar los cambios relacionados con el tratamiento en la forma de onda ERP.

Cuantificación de la incertidumbre con SBI (Paso 6)

Debido a la degeneración de parámetros inherente a los modelos biofísicos, la cuantificación de la incertidumbre usando SBI (Paso 6) es esencial para hacer predicciones sobre los cambios de parámetros antes y después del tratamiento. Un requisito fundamental para la SBI es lograr ajustes precisos a las ERP pre-tratamiento y post-tratamiento (Pasos 3–5). Si no se logran ajustes precisos, las muestras posteriores generadas por SBI pueden no reproducir las formas de onda empíricas, lo que conduce a predicciones poco fiables.

Si no se puede lograr un ajuste exitoso en los pasos 3–5, revise la selección de parámetros de interés y sus rangos previos antes de aplicar el SBI.

En este ejemplo, la SBI se aplica solo a los cuatro parámetros posttratamiento de interés, mientras que todos los demás parámetros se mantienen fijos. Aunque aplicar SBI a un conjunto de parámetros más amplio puede mejorar la robustez, incrementa sustancialmente el coste computacional (véase Discusión).

El SBI se utiliza para estimar distribuciones completas de parámetros que generan ERPs simulados que coinciden estrechamente con las formas de onda objetivo. En resumen, la SBI es un enfoque bayesiano de inferencia que entrena una red neuronal para mapear las salidas del modelo a las distribuciones de los parámetros^{52, 53 y 55}. La red entrenada se aplica entonces a formas de onda empíricas para inferir distribuciones de parámetros consistentes con los datos. Esto requiere hipótesis previas sobre rangos de parámetros.

En este ejemplo, se define una distribución a priori uniforme sobre los cuatro parámetros de interés: sincronía talamocortical, conductancia dendrítica piramidal de neuronas Km, conductancia local del GABAB y fuerza de retroalimentación corticocortical. Los límites a priori se definen como múltiplos escalares de valores por defecto: 0–5× para la sincronía talamocortical y 10⁻¹–10¹× para los parámetros restantes.

La Figura 10A muestra las distribuciones de parámetros resultantes para las ERP pre-tratamiento y post-tratamiento, visualizadas mediante un par plot. Los paneles diagonales muestran distribuciones univariantes, mientras que los paneles fuera de la diagonal muestran relaciones bivariantes. Las predicciones mecanicistas corresponden a parámetros con distribuciones fuertemente separadas entre condiciones.

La inspección de las distribuciones univariantes muestra que la sincronía talamocortical muestra la mayor separabilidad antes y después del tratamiento (OVL más bajo de 0,07) y aumenta tras el tratamiento (Figura 10A(iii), roja). Esto indica que el marco HNN predice la modulación de la sincronía talamocortical como un posible mecanismo de acción.

Validación predictiva posterior

Valida las distribuciones de parámetros inferidos usando un PPC. Generar muestras de parámetros independientes a partir de la distribución posterior y simular los ERP correspondientes. Se indica una PPC exitosa cuando las formas de onda simuladas coinciden estrechamente con el ERP empírico.

Como se muestra en las Figuras 10B y 10C, tanto las formas de onda pre-tratamiento (Figura 10B, azul) como las posteriores (Figura 10C, roja) coinciden estrechamente con las simulaciones generadas a partir de muestras posteriores (negro), con coeficientes de correlación de 0,99 y 0,96, respectivamente (promediado sobre 10 muestras independientes). Estos resultados confirman que las distribuciones de parámetros inferidas producen reconstrucciones precisas de formas de onda.

Un ejemplo de PPC fallido se proporciona en la Figura Suplementaria 1. El ejemplo sigue la misma estructura que la Figura 10 y utiliza la misma red SBI entrenada; sin embargo, se utiliza una forma de onda alternativa post-tratamiento que no está bien representada en el conjunto de entrenamiento (por ejemplo, formas de onda ERP con una desviación positiva en la latencia N1). El PPC fallido se indica en la Figura Suplementaria 1C, donde el coeficiente de correlación es bajo (por ejemplo, Corr < 0,95). Cabe destacar que la distribución posterior en la Figura Suplementaria 1A muestra distribuciones de parámetros altamente separadas. Sin realizar una PPC, estos resultados podrían interpretarse erróneamente como diferencias significativas entre las condiciones pre-tratamiento y post-tratamiento. Este ejemplo destaca la importancia de realizar una PPC junto con la interpretación posterior de las distribuciones, ya que los resultados de una PPC fallida son poco fiables y no deben analizarse más.

Examen y validación del modelo (Paso 7)

Utilizando el modelo HNN, es posible inspeccionar y visualizar directamente la actividad a nivel de célula y circuito, como el aumento de efectos, subyacente a cada simulación ERP (Paso 7.2.2). La Figura 11A y la Figura 11B muestran ERP simulados muestreados a partir de distribuciones de parámetros pre-tratamiento y post-tratamiento, junto con la correspondiente actividad de pico específica para células (Figura 11C y Figura 11D).

Figura 11. Actividad de picos a nivel celular subyacente a la generación de biomarcadores EEG. (A) ERP previo al tratamiento (azul) con una simulación predictiva posterior única (negro). (B) ERP posttratamiento (rojo) con una simulación predictiva posterior correspondiente (negro). (C) Actividad simulada de picos subyacente al ERP previo al tratamiento. (D) Actividad simulada de picos subyacente al ERP post-tratamiento. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Las formas de onda se visualizan sin suavizar para enfatizar la contribución del temporizador de picos al dipolo actual. En señales EEG experimentales, grandes poblaciones neuronales producen señales promediadas espacialmente que parecen más suaves. Como HNN simula una población más pequeña (200 neuronas piramidales), el suavizado se utiliza para aproximar la actividad a mayor escala (>100.000 neuronas).

Una diferencia notable entre condiciones es la reducción de la actividad de picos en neuronas piramidales L5 tras el tratamiento (Figura 11C y Figura 11D, punto rojo). Nótese que la Figura 11 muestra una única muestra de la distribución posterior; Se deben analizar múltiples muestras para generar predicciones robustas. Estos resultados demuestran que la hipotética neuroterapia altera la actividad multiescala de los circuitos, resultando en una disminución de las amplitudes P1–N1–P2.

Predicciones como estas pueden probarse directamente mediante electrofisiología invasiva (por ejemplo, registros laminares de alta densidad) u otras modalidades de imagen (Paso 7.3). Los datos recién adquiridos pueden entonces utilizarse para restringir aún más las predicciones del modelo. Aunque este protocolo se centra en ajustar datos de EEG a escala macro para inferir la actividad de los microcircuitos, el marco también puede aplicarse al revés ajustando datos de microcircuitos (por ejemplo, spiking, LFP/CSD) para inferir señales de EEG a escala macro.

Figura suplementaria 1. Ejemplo de un control predictivo posterior fallido en el flujo de trabajo SBI. Los gráficos están organizados de forma idéntica a la Figura 10. Los datos previos al tratamiento (azul) son idénticos a la Figura 10. Los datos hipotéticos posteriores al tratamiento se generaron de forma idéntica a antes (forma de onda multiplicada por una ventana cónica de Gauss), pero se transformaron para producir un pico positivo que no está bien representado en el conjunto de entrenamiento de simulaciones HNN. (A) Visualización por par de las distribuciones de parámetros estimadas usando SBI. Los paneles diagonales (i–iv) muestran distribuciones univariadas para parámetros individuales, incluyendo (i) sincronía talamocortical, (ii) conductancia dendrítica K_m , (iii) conductancia GABA_B y (iv) fuerza de retroalimentación corticocortical. Las distribuciones para condiciones pre-tratamiento (azul) y post-tratamiento (rojo) demuestran una alta separabilidad para todos los parámetros (OVL < 0,1). Los paneles fuera de la diagonal muestran relaciones bivariantes entre parámetros. (B) Comprobación predictiva posterior (PPC) para ERP previa al tratamiento; Las formas de onda simuladas (negro) coinciden estrechamente con los datos empíricos (azul). (C) PPC para ERP post-tratamiento; Las formas de onda simuladas (negro) son muy diferentes de los datos empíricos (rojo), siendo Corr < 0,95 indicando un PPC fallido. Por favor, haga clic aquí para descargar este archivo.

Discusión

La modelización neural computacional de biomarcadores EEG puede permitir una comprensión más profunda de cómo las terapias del SNC reconfiguran circuitos neuronales y proporcionan predicciones sobre los procesos biológicos subyacentes a los efectos terapéuticos. El flujo de trabajo presentado aquí demuestra cómo un biomarcador EEG comúnmente medido, los ERPs auditivos, junto con la modelización biofísica usando el HNN, pueden utilizarse como ventana a los mecanismos por los cuales un fármaco afecta la actividad neuronal. Al vincular mediciones de EEG a escala macro con procesos celulares y a nivel de circuito subyacentes, este protocolo proporciona un marco estructurado y basado en hipótesis para la interpretación mecanicista. Es importante destacar que el enfoque no se limita a las ERPs y puede ampliarse para investigar otras señales locales de EEG, incluyendo oscilaciones neuronales de baja frecuencia^40,63 y eventos espectrales^{transitorios 7,47,64}, ampliando así su aplicabilidad a biomarcadores electrofisiológicos y paradigmas experimentales.

En comparación con otros marcos para el modelado neuronal del EEG, HNN ofrece un equilibrio entre la complejidad del modelo y la eficiencia computacional que resulta especialmente ventajoso para la prueba iterativa de hipótesis. Por ejemplo, The Virtual Brain permite la simulación de redes cerebrales a gran escala que generan señales EEG^{espaciotemporales 34,65}. Sin embargo, para lograr el modelado de todo el cerebro, la actividad neuronal se representa mediante formulaciones matemáticas reducidas, que eliminan características celulares detalladas como la morfología piramidal de las neuronas y limitan la capacidad de vincular directamente los parámetros del modelo con los mecanismos celulares de acción de los fármacos. Por el contrario, modelos a gran escala con detalle morfológica y fisiológico pueden simular señales EEG con alto realismo biológico 66,67,68,69, pero a un coste computacional considerable, que a menudo requiere varias horas de cálculo para simular solo unos pocos segundos de actividad neuronal. Esta carga computacional puede limitar la accesibilidad y ralentizar el proceso iterativo necesario para la generación y prueba de hipótesis. HNN ocupa una posición intermedia (Figura 2), lo que permite simular circuitos neocorticales localizados con suficiente detalle biológico para generar predicciones a nivel celular y de circuito, manteniendo la eficiencia computacional (es decir, simulaciones del orden de segundos), lo que lo hace muy adecuado para su integración en flujos de trabajo experimentales.

A pesar de estas ventajas, deben considerarse varias limitaciones al aplicar el EEG y la modelización neuronal biofísica para estudiar enfermedades cerebrales y mecanismos farmacológicos. Las propiedades biofísicas de las células y circuitos que generan señales EEG no capturan todo el espectro de procesos biológicos afectados por intervenciones farmacológicas. Por ejemplo, las respuestas sistémicas o inmunológicas pueden no influir directamente en las señales EEG y, por tanto, pueden no reflejarse en los resultados modelados. Además, las hipótesis mecanicistas suelen derivarse de estudios en animales, que pueden no traducirse completamente en la función cerebral humana, especialmente en trastornos neuropsiquiátricos donde los resultados clínicos se basan en evaluaciones conductuales y^{cognitivas 70,71}. Otro desafío importante es distinguir entre efectos farmacológicos agudos y crónicos. Aunque las interacciones agudas fármaco-receptor están relativamente bien caracterizadas, las adaptaciones a largo plazo inducidas por la exposición sostenida a fármacos se comprenden menos y pueden no reflejarse plenamente en los marcos de modelización actuales. Además, el modelo HNN representa una única red neocortical canónica localizada, mientras que las neuroterapias y las enfermedades del SNC suelen ejercer efectos distribuidos en múltiples regiones cerebrales. Aunque las influencias de otras regiones pueden aproximarse mediante cambios en el tiempo y la intensidad de las entradas exógenas, la caracterización empírica directa de estos circuitos aguas arriba o aguas abajo suele ser limitada, lo que limita la interpretación del modelo.

La degeneración de parámetros representa un desafío fundamental en todos los modelos neuronales biofísicos, ya que múltiples configuraciones de parámetros pueden producir resultados similares en el modelo. En este protocolo, el SBI se utiliza para abordar este problema estimando distribuciones de parámetros que generan formas de onda ERP consistentes con datos empíricos (Figura 10). Este enfoque permite cuantificar la incertidumbre en los parámetros del modelo, proporcionando un marco más robusto para la interpretación mecanicista que las estimaciones puntuales únicas. Sin embargo, para la tratabilidad computacional, la SBI se aplica a un subconjunto limitado de parámetros correspondientes a mecanismos hipotéticos de fármacos, y las suposiciones sobre parámetros no estimados pueden influir en la dinámica de la red resultante. La expansión de la inferencia a espacios de parámetros más amplios puede lograrse mediante enfoques como la estimación posterior neural secuencial, que refina iterativamente las estimaciones de parámetros y permite la exploración de distribuciones de parámetros de dimensiones superiores⁵² (>10). Además de la inferencia probabilística, incorporar restricciones experimentales independientes puede reducir aún más la incertidumbre de los parámetros y mejorar la especificidad de las predicciones del modelo. Dado que las señales EEG reflejan principalmente la actividad coordinada a través de capas corticales, técnicas complementarias como la electrofisiología laminar invasiva —incluyendo mediciones de picos celulares, LFP y CSD— proporcionan información valiosa para restringir soluciones de modelos y refinar hipótesis mecanicistas.

La aplicación exitosa de este protocolo depende de la ejecución cuidadosa de varios pasos críticos. Tras identificar un biomarcador ERP e instalar el marco de modelado (Pasos 1–2), el requisito principal es lograr resultados exitosos en cada etapa del flujo de trabajo (Figura 3). En los Pasos 3–5, esto implica seleccionar y refinar parámetros hipotéticos que puedan ajustarse u optimizarse manualmente para lograr un ajuste estrecho entre los ERP simulados y empíricos de pretratamiento y posttratamiento. Si no se puede obtener un ajuste satisfactorio, deben explorarse parámetros alternativos y probarse iterativamente. Aunque es poco probable que se repitan fallos dados los anteriores demostraciones de la capacidad de HNN para reproducir características ERP, un fallo persistente puede indicar la necesidad de modificar el modelo de red por defecto o incorporar detalles biofísicos adicionales. El paso 6 requiere una configuración cuidadosa del SBI, incluyendo la selección adecuada de rangos de parámetros, estadísticas resumen y parámetros de entrenamiento para asegurar una estimación precisa de las distribuciones de parámetros. Al completar con éxito el Paso 6, el protocolo genera tanto predicciones basadas en modelos como estimaciones de incertidumbre asociadas. El paso 7 es fundamental para validar estas predicciones, aunque las estrategias específicas de validación dependen de las modalidades experimentales disponibles. Los enfoques potenciales de validación incluyen registros electrofisiológicos laminares para evaluar la actividad de picos específica por capa y célula y señales^{LFP/CSD 7}, mediciones de MEG/EEG resueltas en capas, espectroscopía de resonancia magnética o tomografía por emisión de positrones para evaluar sistemas de neurotransmisores, e imágenes tensoriales de difusión para evaluar conectividad estructural como las vías talamocorticales.

La resolución de problemas y la personalización son fundamentales para adaptar el protocolo a diferentes conjuntos de datos y contextos experimentales, especialmente en los Pasos 3–6, donde los parámetros del modelo se ajustan a datos empíricos. La optimización de parámetros (pasos 4–5) puede no converger hacia una alta correlación (Corr > 0,95), en cuyo caso se pueden realizar varios ajustes. Estos incluyen modificar los hiperparámetros del optimizador (por ejemplo, aumentar el tamaño de la población en el solucionador CMA-ES para mejorar la robustez, con mayor coste computacional), refinar parámetros de escalado y suavizado (por ejemplo, probar valores de suavizado entre 5 y 60 ms) y ampliar el rango de parámetros de unidad exógena o introducir unidades adicionales para capturar mejor características de la forma de onda. En algunos casos, las simulaciones optimizadas pueden lograr una alta correlación sin captar características ERP de menor amplitud como el componente P1; Esto puede abordarse aplicando umbrales de pérdida más estrictos o ponderando ventanas temporales específicas para enfatizar estas características durante la optimización. Para SBI (Paso 6), la falla de las PPC indica que las formas de onda simuladas no reproducen adecuadamente los datos empíricos (Figura suplementaria 1). En tales casos, las distribuciones de parámetros previos deben revisarse ampliando los rangos de parámetros o incluyendo parámetros adicionales, y puede ser necesario aumentar el tamaño del conjunto de datos de entrenamiento. Se pueden lograr mejoras adicionales modificando estadísticas resumidas o seleccionando arquitecturas SBI alternativas. Finalmente, cuando la validación en el Paso 7 falla, la red HNN predeterminada puede requerir modificaciones para incluir elementos adicionales u alternativos del circuito. El diseño modular de HNN soporta tales extensiones, permitiendo modificar la conectividad sináptica y las propiedades celulares a través de la interfaz gráfica, y cambios estructurales más avanzados mediante la interfaz Python. Por ejemplo, trabajos previos han modificado el modelo por defecto para incorporar una conectividad interneuronal más detallada en la corteza^{frontal 46}, lo que ha dado lugar a nuevas predicciones comprobables. El marco abierto de HNN facilita el intercambio y la reutilización de modelos ampliados, apoyando el perfeccionamiento y validación continuos en contextos experimentales.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Anaconda Python	Anaconda, Inc.	N.A.	Distribución de Python; versión de Python ≥3.9 y <3.14
Estación de trabajo informática	N.A.	N.A.	Sistema operativo: Windows ≥10, Linux o macOS. Hardware mínimo recomendado: ≥16 GB RAM, ≥8 núcleos de CPU
EEGLAB	Desarrolladores de EEGLAB	N.A.	Caja de herramientas opcional basada en MATLAB para preprocesamiento de EEG y análisis de ERP
FieldTrip	Instituto Donders para el Cerebro, la Cognición y el Comportamiento, Universidad Radboud	N.A.	Caja de herramientas opcional basada en MATLAB para análisis de EEG/MEG
Human Neocortical Neurosolver (HNN-core)	Desarrolladores de HNN	N.A.	Software de modelado neuronal biofísico; versión ≥0.6.0 utilizada en este estudio
MATLAB	MathWorks	N.A.	Requerido para ejecutar EEGLAB y FieldTrip (si se utiliza)
MNE-Python	Desarrolladores de MNE	N.A.	Utilizado para preprocesamiento de EEG y localización de fuentes
NumPy	Desarrolladores de NumPy	N.A.	Utilizado para cálculos numéricos y generación de números aleatorios
Pixi (administrador de paquetes/entorno)	Prefix.dev	N.A.	Utilizado para gestionar dependencias en el repositorio de código asociado
PyTorch	Desarrolladores de PyTorch	N.A.	Utilizado para entrenar redes neuronales SBI y establecer semillas aleatorias
Paquete SBI (Inferencia Basada en Simulación)	Desarrolladores de SBI	N.A.	Paquete Python para inferencia de parámetros y cuantificación de incertidumbre
Subsistema de Windows para Linux (WSL2)	Microsoft Corporation	N.A.	Requerido solo para instalaciones basadas en Windows