I piccoli picchi di neuroni contano davvero? Scopriamo cosa ci dicono gli spike low‑amplitude

Negli ultimi dieci anni gli scienziati hanno creato algoritmi che leggono i segnali cerebrali senza doverli prima “ordinare” in gruppi di neuroni. Questi metodi, basati sulla teoria dei processi puntuali marcati, analizzano tutti gli spike – i picchi elettrici – come un unico flusso di informazioni. In questo studio gli autori hanno voluto capire quanto ogni singolo spike contribuisca al messaggio complessivo del cervello. Hanno confrontato due approcci: il tradizionale, che usa solo spike ordinati (quelli facili da riconoscere), e il nuovo, che include anche gli spike di bassa ampiezza, spesso scartati perché difficili da raggruppare. Analizzando i dati dell’ippocampo di ratti, noti per codificare la posizione nello spazio, hanno misurato la riduzione di entropia, cioè quanto l’incertezza diminuisce quando si aggiunge un nuovo spike. Quando si guarda a uno spike isolato, i picchi di alta ampiezza forniscono più informazioni rispetto a quelli deboli. Ma se si considerano tutti gli spike precedenti, la differenza scompare: anche i piccoli picchi, inseriti nel contesto, trasmettono la stessa quantità di dati. Questo risultato mostra che, sebbene i low‑amplitude spike sembrino poco utili da soli, diventano preziosi quando il cervello li combina con la storia delle sue attività. L’approccio “clusterless” quindi non solo semplifica l’analisi, ma rivela anche come il cervello sfrutti ogni minimo segnale per calcolare la sua mappa spaziale.

I processi puntuali marcati (marked point processes) sono una classe di modelli statistici che descrivono eventi discreti (come gli spike) associati a un’etichetta o "marcatura" (ad esempio l’ampiezza o la forma dell’onda). In ambito neurofisiologico, ogni spike è rappresentato da una coppia (t, m), dove t è il tempo di occorrenza e m è il vettore delle caratteristiche del segnale. Il modello clusterless evita la fase di spike sorting, trattando l’intera distribuzione di marcature come una densità continua nello spazio delle caratteristiche. L’entropia H(X) di una variabile X quantifica l’incertezza media di X; la riduzione di entropia ΔH = H(prior) – H(posterior) misura quanta informazione fornisce un nuovo dato. Nel contesto dello studio, la prior è la distribuzione di posizione del ratto data dagli spike osservati fino al tempo t‑1, mentre il posterior incorpora anche lo spike al tempo t. La differenza di ΔH tra spike high‑amplitude e low‑amplitude è significativa solo quando si considera ΔH per singolo spike (prior = distribuzione uniforme). Quando si calcola ΔH condizionato su tutta la storia di spike, la probabilità condizionale P(posizione|spike_1,…,spike_t) converge verso la stessa distribuzione indipendentemente dall’ampiezza del nuovo spike, perché l’informazione cumulativa domina. Dal punto di vista della teoria dell’informazione, questo implica che i low‑amplitude spike hanno un alto valore di informazione mutua I(S;X|H_{t-1}) quando H_{t-1} è ricca di dati, ma un valore basso di I(S;X) in isolamento. Inoltre, l’analisi utilizza filtri di Kalman estesi per stimare la traiettoria spaziale, integrando le osservazioni di spike in un modello di stato lineare‑non lineare. L’uso di metodi bayesiani consente di aggiornare la distribuzione di probabilità in modo ricorsivo, sfruttando la struttura Markoviana del processo di cammino del ratto. In sintesi, il lavoro dimostra che l’informazione contenuta in ogni spike dipende fortemente dal contesto temporale, e che i metodi clusterless, combinati con metriche information‑theoretic, offrono una visione più completa della codifica neurale.