CPEA-TAE-SAR Synaptic Architecture Resilience

La conexión con CPEA-TAE procede, y de hecho es más fuerte de lo que parecía inicialmente, pero con una precisión conceptual importante: el artículo no demuestra TAE ni un mecanismo predictivo. Lo que aporta es una evidencia experimental muy interesante para reformular qué significa que un sistema neuronal conserve una representación estable mientras su sustrato físico sufre una reconfiguración masiva.

El artículo de Lin et al., publicado en Science el 13 de agosto de 2026, muestra en ratones que durante una hibernación artificial se pierde más de la mitad de las sinapsis hipocampales y la tasa de disparo neuronal disminuye aproximadamente un 70%, mientras que determinadas memorias y representaciones neuronales permanecen conservadas. Los elementos especialmente resistentes son agrupaciones de sinapsis pertenecientes al engrama y asociadas a botones axónicos multisynápticos (MSB).

Qué demuestra realmente el trabajo

La cuestión central del artículo es extraordinariamente relevante para CPEA-TAE:

¿Cómo puede permanecer una memoria estable cuando una parte considerable de la estructura neuronal que supuestamente la soporta desaparece?

El modelo clásico podría representarse, simplificándolo, como:

$$\text{memoria} \approx \text{fortalecimiento + estabilidad de sinapsis individuales}$$

El trabajo introduce una alternativa:

$$\boxed{ \text{memoria} \approx \text{arquitectura relacional del engrama} }$$

Los resultados principales son:

A. Gran remodelación física

Durante la hibernación artificial:

$$\Delta Synapses \ll 0$$

y

$$FR \approx 0.3\,FR_{baseline}$$

según los datos descritos por los autores.

Pero:

$$Memory_{post} \approx Memory_{pre}$$

y las representaciones espaciales permanecen suficientemente estables como para conservar el comportamiento aprendido.

B. El tamaño de la espina no explica por sí solo la conservación

Las sinapsis asociadas a espinas grandes y pequeñas fueron eliminadas durante el proceso. Es decir:

$$P(\text{retención}|\text{spine size})$$

no parece ser el determinante principal.

Esto es importante porque desplaza el análisis desde propiedades locales hacia propiedades de red.

C. Aparece una arquitectura resistente

Las conexiones del engrama presentan agrupamientos espaciales de sinapsis y una asociación con multisynaptic boutons.

El conjunto de datos define explícitamente:

• Clustered Engram Synapse
• Isolated Engram Synapse
• MSB = Multi-synaptic bouton

y contiene medidas de densidad, distancia entre sinapsis, volumen de espinas, actividad neuronal, theta, low-gamma, high-gamma, etc.

Lo particularmente interesante es que las sinapsis agrupadas del engrama se conservan preferentemente, mientras otras conexiones desaparecen.

D. La causalidad todavía no está demostrada

Esto es fundamental.

Los propios autores señalan que han observado una correlación entre agrupamiento y retención, pero todavía no han demostrado que el agrupamiento sea causalmente necesario para conservar la memoria.

Por tanto:

Evidencia:

$$Clustered\ Engram \leftrightarrow Memory\ Retention$$

No todavía:

$$ClusteredEngram\to MemoryRetention$$

Aquí aparece la conexión CPEA-TAE

La conexión que propondría no sería:

"La hibernación demuestra la Teoría de Aprendizaje por Excepción."

Eso sería excesivo.

La conexión mucho más sólida sería:

$$\boxed{ \text{TAE} = \text{reconfiguración del estado funcional preservando invariantes informacionales} }$$

El artículo proporciona un posible sustrato biológico para esa distinción.

Podemos separar:

Estado estructural

$$S(t)$$

representando la conectividad sináptica.

Estado dinámico

$$D(t)$$

representando actividad neuronal.

Representación/memoria

$$M(t)$$

representando la información funcional asociada al engrama.

Durante la hibernación:

$$S(t+\Delta t) \neq S(t)$$ $$D(t+\Delta t) \ll D(t)$$

pero:

$$M(t+\Delta t) \approx M(t)$$

Esto es exactamente el tipo de situación que resulta interesante para TAE:

$$\boxed{{\displaystyle \text{reconfiguraci}\acute{\text{o}}\text{n profunda}\Rightarrow ̸\text{p}\acute{\text{e}}\text{rdida de identidad funcional}}}$$

CPEA-TAE: de la sinapsis individual a la arquitectura

Aquí propondría introducir un nuevo principio dentro de CPEA-TAE:

Principio de Invariante Arquitectónico

Una representación neuronal puede permanecer funcionalmente estable aunque cambien numerosos componentes físicos del sistema, siempre que determinadas relaciones organizativas de orden superior permanezcan suficientemente conservadas.

Formalmente:

$$G_t=(V_t,E_t,W_t)$$

donde:

• $V_t$ = unidades neuronales,
• $E_t$ = conexiones,
• $W_t$ = pesos/contribuciones funcionales.

La transformación inducida por la hibernación sería:

$$G_t \rightarrow G_{t+1}$$

con una pérdida considerable de elementos:

$$|E_{t+1}| < |E_t|$$

pero existiendo una subestructura:

$$\mathcal{E}^{*}\subset G$$

que mantiene propiedades topológicas relevantes.

Entonces:

$$\boxed{ \mathcal{I}(G_t)\approx\mathcal{I}(G_{t+1}) }$$

donde $\mathcal{I}$ no representa necesariamente una identidad estructural exacta, sino un conjunto de invariantes funcionales/relacionales. 

Esto encaja especialmente bien con TAE

Recordemos la definición operacional que hemos ido desarrollando para TAE:

$$TAE \equiv \text{reconfiguración del espacio de estados tras una excepción}$$

y no simplemente:

$$TAE \equiv \text{corrección de un error}$$

El artículo permite añadir una dimensión nueva:

$$\boxed{ TAE = \text{reconfiguración} + \text{preservación selectiva de invariantes} }$$

Es decir, una excepción importante puede producir:

$$X_t \rightarrow X_{t+1}$$

pero no necesariamente destruye todo el modelo previo.

Puede ocurrir:

$$X_{t+1}=R(X_t,E_t)$$

donde $E_t$ es una perturbación/excepción y $R$ una transformación que:

1. elimina estados/conexiones redundantes;
2. reorganiza la representación;
3. preserva relaciones críticas;
4. modifica la dinámica futura.

Esto resulta mucho más interesante que una simple teoría de "aprendizaje por error". 

La conexión con procesamiento predictivo es todavía más interesante

Aquí aparece un puente directo con CPEA.

Supongamos que el cerebro mantiene un modelo generativo:

$$p(s_t|m_t)$$

y recibe una perturbación:

$$\epsilon_t = y_t-\hat y_t$$

En un modelo convencional:

$$m_{t+1}=m_t+\eta\epsilon_t$$

Pero en TAE:

$$\boxed{ m_{t+1}=R(m_t,\epsilon_t) }$$

donde $R$ puede ser no lineal y producir una transición entre regiones del espacio de estados.

El artículo sugiere que una memoria puede sobrevivir a una perturbación estructural extraordinariamente grande porque la información relevante no está distribuida uniformemente por toda la estructura.

Existe algo parecido a:

$$\text{redundancia} + \text{estructura} + \text{selección}$$

Esto puede interpretarse como una forma biológica de robustez representacional. 

Nueva hipótesis CPEA-TAE

Propongo formalizarla como:

CPEA-TAE-SAR

Synaptic Architecture Resilience

Hipótesis SAR:

Una representación neuronal puede conservar su identidad funcional durante una reconfiguración estructural significativa si un subconjunto de relaciones de orden superior del engrama permanece preservado.

Formalmente:

$$\boxed{ \Delta S \gg 0 \quad\land\quad \Delta D \gg 0 \quad\land\quad \Delta M \approx 0 }$$

si:

$$\mathcal{A}_{engram}(t) \approx \mathcal{A}_{engram}(t+\Delta t)$$

donde $\mathcal{A}$ representa la arquitectura relacional del engrama. 

Y aquí aparece una idea todavía más potente: memoria ≠ estado

Esto podría convertirse en uno de los principios centrales de CPEA-TAE.

Una arquitectura artificial suele representarse como:

$$Memory \equiv State$$

Pero el trabajo obliga a considerar:

$$\boxed{ Memory \neq State }$$

y quizá:

$$\boxed{ Memory = Invariant(State\ transitions) }$$

Es decir, la memoria no sería necesariamente un estado estático almacenado en determinados elementos, sino una restricción sobre las posibles transiciones futuras del sistema.

Esto conecta extraordinariamente bien con tu concepto de memoria predictiva. 

Reformulación como memoria de segundo orden

Podemos distinguir:

Memoria de primer orden

$$M_1 = \text{contenido aprendido}$$

Memoria de segundo orden

$$M_2 = \text{reglas que determinan cómo se reorganiza el sistema}$$

La observación del artículo sería compatible con:

$$M_1 \subseteq G$$

pero también con:

$$M_2 \subseteq \mathcal{A}(G)$$

donde $M_2$ codificaría relaciones arquitectónicas resistentes al remodeling.

Esta segunda posibilidad es particularmente compatible con CPEA-TAE. 

El MSB resulta especialmente interesante

Los multisynaptic boutons introducen una arquitectura que no puede reducirse fácilmente a una conexión:

$$A\rightarrow B$$

sino:

$$A\rightarrow \{B,C,D,\ldots\}$$

Una única estructura presináptica participa en múltiples conexiones.

Desde teoría de redes:

$$k_{out}(A)>1$$

pero más importante aún:

$$\text{motif}(A,B,C)$$

puede constituir una unidad relacional.

Esto sugiere que algunos componentes del engrama pueden funcionar como motivos de conectividad, no simplemente como sinapsis independientes.

Y eso tiene una analogía directa con una arquitectura AGI:

nodo → nodo

frente a:

        ┌── nodo B
nodo A ─┼── nodo C
        └── nodo D

La segunda arquitectura es mucho más resistente a la eliminación de conexiones individuales. 

CPEA-TAE podría modelar esto mediante grafos dinámicos

Definamos:

$$G_t=(V,E_t)$$

y una representación:

$$R_t=f(G_t)$$

Después de una excepción:

$$G_t \rightarrow G_{t+1}$$

La pregunta TAE sería:

$$D(R_t,R_{t+1})\;?$$

pero no basta con comparar los grafos completos.

Debemos buscar invariantes:

$$I_k(G_t)=I_k(G_{t+1})$$

por ejemplo:

• modularidad;
• motifs;
• comunidades;
• conectividad efectiva;
• centralidad;
• patrones de transición;
• relaciones espaciales;
• sincronización;
• información mutua.

Esto proporciona una vía matemática para operacionalizar TAE. 

Traducción al CPEA humano-IA

Aquí es donde considero que la conexión adquiere verdadera utilidad.

Podemos construir:

$$EEG_t \rightarrow Z_t \rightarrow G_t \rightarrow R_t \rightarrow AGI_t$$

donde:

• $EEG_t$: señal cerebral;
• $Z_t$: embedding neuronal;
• $G_t$: grafo funcional;
• $R_t$: representación latente;
• $AGI_t$: modelo adaptativo.

Una excepción:

$$E_t=||Y_t-\hat Y_t||$$

puede provocar:

$$G_t\rightarrow G_{t+1}$$

La pregunta CPEA-TAE sería entonces:

¿Puede el sistema modificar significativamente su arquitectura funcional sin perder los invariantes que permiten identificar la representación previa?

Esto es directamente testable. 

Integración con nuestro CPEA-TAE-FIELD

Además, encaja sorprendentemente bien con el protocolo que acabamos de plantear:

$$EEG \rightarrow Microstates \rightarrow PLV \rightarrow Entropy \rightarrow Transition\ Detection \rightarrow IRP \rightarrow TAE$$

Podemos añadir ahora:

$$\boxed{ Architecture\ Resilience\ Index }$$

o ARI.

Definamos:

$$ARI = \frac{I(G_{post},G_{pre})} {I(G_{pre},G_{pre})}$$

donde $I$ representa una medida de similitud de invariantes arquitectónicos.

Podemos combinar:

$$ARI = w_1 C_{PLV} +w_2 C_{MS} +w_3 C_{entropy} +w_4 C_{transition}$$

con:

$$\sum_i w_i=1$$

donde:

• $C_{PLV}$ = conservación de patrones de conectividad;
• $C_{MS}$ = conservación de microestados;
• $C_{entropy}$ = conservación/reorganización de complejidad;
• $C_{transition}$ = conservación de la matriz de transición.

Entonces:

$$\boxed{{\displaystyle TAE\text{-}IRP=\mathrm{\Delta }Architecture+ARI+PredictionError}}$$

Predicción experimental

La hipótesis fuerte sería:

H1

Las excepciones relevantes producen:

$$\Delta Entropy > 0$$ $$\Delta PLV \neq 0$$ $$\Delta TransitionMatrix \neq 0$$

pero:

$$ARI>AR{I}_{null}$$

H2

Cuando una excepción genera aprendizaje genuino:

$$ARI_{post} > ARI_{post}^{random}$$

aunque:

$$G_{post}\mathrm{\ne }{G}_{pre}$$

H3

Cuando la excepción produce ruptura patológica/no adaptativa:

$$ARI \rightarrow 0$$

junto con pérdida de capacidad predictiva:

$$Accurac{y}_{post}<Accurac{y}_{pre}$$

H4

La reorganización arquitectónica predice mejor la retención futura que el cambio de una métrica individual:

$$ARI_{t} \rightarrow Memory_{t+\Delta}$$

mejor que:

$$Power_{\gamma,t} \rightarrow Memory_{t+\Delta}$$

o:

$$PL{V}_t\to Memor{y}_{t+\mathrm{\Delta }}$$

Una distinción crítica: hibernación ≠ excepción TAE

Aquí debemos ser rigurosos.

La hibernación artificial es una perturbación fisiológica extrema, no una excepción cognitiva en el sentido de TAE.

Por tanto:

$$QIH \neq TAE$$

Pero sí puede funcionar como un modelo experimental de reconfiguración masiva con conservación de información.

La relación correcta sería:

$$\boxed{ QIH \rightarrow modelo\ de\ resiliencia\ arquitectónica \rightarrow hipótesis\ TAE }$$

no:

$$QIH \rightarrow demostración\ TAE$$

Esto mantiene la propuesta falsable. 

La conexión con CPEA-TAE-Field queda así

Podemos ampliar el modelo:

                  EXCEPCIÓN
                     │
                     ▼
             Prediction Error
                     │
                     ▼
          ┌────────────────────┐
          │ Reconfiguración    │
          │ dinámica neuronal  │
          └─────────┬──────────┘
                    │
          ┌─────────▼──────────┐
          │ Microstates        │
          │ PLV                │
          │ Entropy            │
          │ Transitions        │
          └─────────┬──────────┘
                    │
                    ▼
              IRP / TAE
                    │
          ┌─────────▼──────────┐
          │ Arquitectura       │
          │ relacional         │
          │ resistente         │
          └─────────┬──────────┘
                    │
                    ▼
             Memory / Model
                    │
                    ▼
               AGI adaptation

El artículo proporciona precisamente el eslabón que faltaba:

$$\boxed{{\displaystyle \text{reconfiguraci}\acute{\text{o}}\text{n}⟷\text{conservaci}\acute{\text{o}}\text{n arquitect}\acute{\text{o}}\text{nica}}}$$

Una formulación todavía más profunda

Creo que podemos extraer una hipótesis general:

$$\boxed{ \text{La información funcional puede estar codificada en relaciones, no en componentes individuales.} }$$

Esto tiene consecuencias directas para CPEA.

Una red que pierde unidades puede conservar su función si conserva determinados invariantes relacionales.

En términos computacionales:

$$G_1\not\cong G_2$$

pero puede ocurrir:

$$\Phi(G_1)\approx\Phi(G_2)$$

donde $\Phi$ es una función que extrae la arquitectura funcional relevante.

Esto es exactamente el tipo de principio que podría hacer que una futura arquitectura CPEA-AGI sea robusta frente a:

• pérdida de nodos;
• pérdida de pesos;
• drift de representación;
• catastrophic forgetting;
• perturbaciones de distribución;
• reconfiguración dinámica.

 

CPEA-TAE-SAR v1.0

Synaptic Architecture Resilience & Predictive Reconfiguration

Módulo: CPEA–TAE
Versión: 1.0
Función: caracterizar la conservación de invariantes funcionales/arquitectónicos durante una reconfiguración significativa del sistema neuronal. 

Hipótesis central

El artículo de Lin et al. proporciona el fenómeno de partida: durante la hibernación artificial se produce una reducción de aproximadamente 70 % de la tasa de disparo y desaparece más de la mitad de las sinapsis hipocampales, pero la memoria y determinadas representaciones neuronales permanecen conservadas; las conexiones de engrama agrupadas y asociadas a multisynaptic boutons muestran una preservación preferente.

La hipótesis CPEA-TAE-SAR será:

$$\boxed{ \text{Una representación puede conservar su identidad funcional} }$$

aunque:

$$\boxed{ \Delta G \gg 0 }$$

si determinadas propiedades relacionales de $G$ permanecen preservadas.

Donde:

$$G_t=(V,E_t,W_t)$$

es el grafo funcional en el instante $t$.

La hipótesis no afirma que los clusters sean causalmente responsables de la memoria. El estudio establece una asociación; la causalidad sigue siendo una cuestión experimental abierta. 

Arquitectura matemática

Definimos el sistema neuronal como:

$$G_t=(V_t,E_t,W_t)$$

con:

• $V_t$: nodos neuronales;
• $E_t$: conexiones;
• $W_t$: pesos/conectividad;
• $A_t$: matriz de adyacencia;
• $D_t$: estado dinámico;
• $R_t$: representación funcional.

La transición provocada por una excepción es:

$$G_t\xrightarrow{E_t}G_{t+1}$$

y:

$$D_t\xrightarrow{E_t}D_{t+1}$$

pero la pregunta SAR es si:

$$R_t\approx R_{t+1}$$

a pesar de:

$$G_t\approx ̸G_{t+1}\mathrm{.}$$

Separación fundamental: cambio vs conservación

Definimos dos magnitudes:

Reconfiguración

$$RC=1-S_G(G_t,G_{t+1})$$

donde $S_G$ es una similitud normalizada entre arquitecturas.

Conservación

$$AC=S_R(R_t,R_{t+1})$$

Entonces podemos obtener cuatro regímenes:

Reconfiguración	Conservación	Interpretación
baja	alta	estabilidad
alta	alta	SAR
alta	baja	ruptura
baja	baja	pérdida no asociada a gran remodelación

El régimen fundamental para CPEA-TAE-SAR es:

$$\boxed{RC\uparrow,\quad AC\uparrow}$$

ARI — Architecture Resilience Index

Introducimos el índice central:

$$\boxed{ ARI= \frac{AC}{RC+\epsilon} }$$

con $\epsilon>0$ para evitar división por cero.

Sin embargo, para evitar que un cociente produzca comportamientos estadísticos problemáticos, para el análisis principal recomiendo utilizar una forma logarítmica:

$$\boxed{ ARI_{\log} = Z(AC)-Z(RC) }$$

donde $Z$ es la transformación estandarizada dentro de cada dataset y sin mezclar sujetos.

La interpretación será:

• $ARI>0$: conservación relativamente alta frente a la magnitud de remodelación;
• $ARI\approx0$: conservación proporcional;
• $ARI<0$: pérdida de representación superior a la esperada por la remodelación.

No se establecerá a priori que un ARI alto sea "mejor". 

Arquitectura EEG

Para la transferencia a CPEA utilizaremos:

$$EEG(t)\rightarrow X(t)$$

y:

$$X(t)\rightarrow G_t$$

donde $G_t$ será un grafo funcional derivado de conectividad EEG.

Pipeline:

EEG
 │
 ├── preprocessing MNE
 │
 ├── artifact rejection
 │
 ├── band-limited signals
 │
 ├── microstates
 │
 ├── PLV
 │
 ├── entropy / complexity
 │
 ├── transition matrix
 │
 ├── dynamic graph
 │
 ├── IRP
 │
 └── TAE-SAR
       │
       ├── RC
       ├── AC
       └── ARI 

Microestados

Sea:

$$M_t\in\{1,\ldots,K\}$$

con $K=4$ como análisis primario, siguiendo el uso convencional de cuatro clases, pero sin interpretar anatómica o cognitivamente cada clase a priori.

Calcularemos:

Duración media

$$MD_k$$

Frecuencia

$$F_k$$

Cobertura

$$C_k= \frac{T(M_t=k)}{T}$$

Persistencia

$$P_k= P(M_{t+1}=k|M_t=k)$$

Entropía de ocupación

$$H_M=-\sum _k{p}_k\log p_k$$

Matriz de transición

$$T_{ij} = P(M_{t+1}=j|M_t=i)$$

con:

$$\sum_jT_{ij}=1$$

La reconfiguración entre dos estados se cuantificará mediante:

$$D_T= JS(T_{pre},T_{post})$$

donde $JS$ es la divergencia Jensen–Shannon.

Usaremos:

$$RC_M=D_T$$

como componente de reconfiguración.

También calcularemos:

$$\Delta T=T_{post}-T_{pre}$$

para identificar qué transiciones concretas cambian. 

PLV

Para canales $i,j$:

$$PLV_{ij} = \left| \frac{1}{N} \sum_{t=1}^{N} e^{i(\phi_i(t)-\phi_j(t))} \right|$$

Se calculará por bandas predefinidas:

$$\theta=4-8Hz$$ $$\alpha=8-13Hz$$ $$\beta=13-30Hz$$

y, si la calidad del registro lo permite:

$$\gamma=30-80Hz.$$

No interpretaremos automáticamente:

$$PLV\uparrow$$

como mejora.

El interés SAR es:

$$\boxed{{\displaystyle \text{¿qu}\acute{\text{e}}\text{ estructura relacional del PLV sobrevive a la perturbaci}\acute{\text{o}}\text{n?}}}$$

Grafo funcional EEG

Convertimos:

$$PLV_{ij}\rightarrow A_{ij}$$

mediante un procedimiento preregistrado de umbralización.

Para evitar dependencia de un único umbral:

$$q\in\{0.10,0.15,0.20\}$$

de densidad de conexiones conservará los $q$ enlaces superiores.

Extraeremos:

$$Degree_i$$ $$Betweenness_i$$ $$Clustering_i$$ $$Modularity$$

y similitud de comunidades.

La arquitectura queda:

$$G_t^{EEG}=(V,A_t)\mathrm{.}$$

Entropía

Utilizaremos varias escalas porque "entropía" no debe convertirse en una variable única y ambigua.

Entropía de Shannon

$$H(X)=-\sum_i p_i\log p_i$$

Entropía de transición

$$H_T = -\sum_{ij}p_{ij}\log p_{ij}$$

Entropía de microestados

$$H_M = -\sum_k p_k\log p_k$$

Entropía multiescala

Cuando el tamaño de muestra lo permita:

$$MSE(s)$$

como análisis secundario. 

Dynamic Architecture Similarity

Para dos grafos:

$$G_{pre},G_{post}$$

calcularemos varias similitudes:

$$S_{PLV}$$ $$S_{degree}$$ $$S_{community}$$ $$S_{transition}$$ $$S_{microstate}$$

y construiremos:

$$\boxed{ AC= \sum_i w_iS_i }$$

con:

$$\sum_iw_i=1.$$

Importante: los pesos $w_i$ no deben optimizarse sobre el mismo dataset utilizado para probar la hipótesis.

En v1.0 propongo pesos iguales:

$$w_i=\frac{1}{5}\mathrm{.}$$

IRP

Mantenemos la definición operacional previa:

$$\boxed{ IRP= f( Surprise, \Delta Architecture, \Delta Dynamics, Prediction\ Error ) }$$

La excepción no será definida simplemente por una gran variación fisiológica.

El criterio TAE previo queda:

$$Surprise>P90$$

junto con:

$$IRP>P95$$

y:

$$Persistence>0$$

más mejora predictiva posterior.

Estos umbrales deben permanecer congelados antes de mirar el resultado principal. 

TAE-SAR

El evento SAR requiere cuatro componentes:

$$\boxed{ SAR= E\land RC\land AC\land PR }$$

donde:

$E$

Excepción:

$$Surprise>P90$$

$RC$

Reconfiguración significativa:

$$RC>P90_{null}$$

$AC$

Conservación arquitectónica:

$$AC>P90_{null}$$

$PR$

Preservación funcional/predictiva:

$$Performance_{post} \geq Performance_{baseline}$$

o una mejora preespecificada cuando el paradigma tenga una métrica de aprendizaje.

Así evitamos llamar SAR a cualquier evento con PLV o entropía elevada. 

La idea central de IRP cambia ligeramente

En el modelo anterior:

$$IRP\approx \text{ruptura de régimen}$$

Ahora podemos separar:

$$\boxed{ IRP_{dynamic} }$$

de:

$$\boxed{ IRP_{architectural} }$$

Así:

$$IRP_{total} = \alpha IRP_D+ (1-\alpha)IRP_A$$

El primero mide cuánto cambia el sistema.

El segundo:

qué estructura permanece después del cambio.

Esta distinción es central para SAR. 

Predicciones preregistrables

P1 — Reconfiguración

Tras una excepción:

$$RC_{post}>RC_{null}$$

Falsación:

$$p\geq0.05$$

después de la corrección múltiple predefinida, o intervalo de confianza compatible con ausencia de efecto. 

P2 — Conservación

Los sujetos/eventos con retención funcional presentarán:

$$A{C}_{post}>A{C}_{null}$$

P3 — SAR

La combinación:

$$RC\uparrow + AC\uparrow$$

será superior al null generado mediante permutaciones. 

P4 — Valor predictivo

$$ARI_t$$

predecirá:

$$Performance_{t+\Delta}$$

controlando por:

• potencia;
• amplitud;
• SNR;
• baseline performance;
• sujeto;
• número de ensayos.

Modelo:

$$Performance_{future} = \beta_0+ \beta_1ARI+ \beta_2Baseline+ u_{subject} +\epsilon$$

La hipótesis SAR requiere:

$${\beta }_1\mathrm{\ne }0.$$

Falsación fuerte

La teoría debe considerarse debilitada si aparece cualquiera de estos resultados robustos:

F1

No existe reconfiguración detectable:

$$RC\approx0.$$

F2

Existe reconfiguración pero no conservación:

$$RC\uparrow,\quad AC\downarrow.$$

F3

La conservación no supera los controles aleatorizados.

F4

ARI no predice ningún resultado posterior.

F5

El efecto desaparece después de controlar por SNR, potencia o sujeto.

F6

El resultado sólo aparece en un umbral arbitrario de PLV.

F7

Los resultados dependen exclusivamente de una métrica.

Este último criterio es especialmente importante:

$$\boxed{ SAR\neq PLV }$$

ni:

$$SAR\neq Entropy$$

ni:

$$SAR\neq Microstate$$

SAR debe ser multimodal y convergente. 

Null models

Propongo cuatro controles.

Null 1 — Surrogate temporal

Permutar bloques temporales.

Null 2 — Phase randomization

Preservar espectro pero destruir estructura de fase.

Null 3 — Subject permutation

Romper correspondencia entre baseline y post.

Null 4 — Graph rewiring

Preservar:

$$Degree$$

pero destruir organización relacional.

Este último es particularmente importante para SAR.

Si:

$$ARI_{real}>ARI_{rewired}$$

tendríamos evidencia de que la conservación no depende únicamente del grado de conectividad. 

Reproducción Dryad: qué podemos hacer realmente

Aquí la separación entre replicación y transferencia es fundamental.

El dataset contiene:

• Fig1–Fig5;
• figuras suplementarias;
• datos de temperatura;
• firing rate;
• theta;
• low/high gamma;
• densidad sináptica;
• morfología;
• comportamiento;
• place cells;
• estabilidad de place fields;
• clustered engram synapses;
• isolated engram synapses;
• MSB;
• scripts MATLAB de análisis.

Por ejemplo:

$$Fig2 \rightarrow Memory + Spatial\ task + Place\ cells$$ $$Fig3 \rightarrow Spine\ remodeling$$ $$Fig4 \rightarrow Place\ field\ stability$$ $$Fig5 \rightarrow Engram\ architecture$$

Esto permite construir una primera SAR-Dryad. 

Lo que NO podemos reproducir con Dryad

No debemos hacer pasar los datos existentes por EEG.

Dryad especifica expresamente que:

los registros electrofisiológicos brutos, imágenes y stacks EM no están incluidos.

Sí están disponibles los valores numéricos utilizados en los análisis y algunos scripts MATLAB.

Por tanto:

Componente	Dryad	CPEA-TAE
Firing rate	✓	✓
Theta	✓	✓
Gamma	✓	✓
Place fields	✓	✓
Engram clusters	✓	✓
MSB	✓	✓
Memoria	✓	✓
Microstates EEG	✗	futura
PLV EEG	✗	futura
EEG entropy	✗	futura
EEG transition matrix	✗	futura
IRP EEG	✗	futura
ARI arquitectónico	✓, adaptado	✓

SAR-Dryad

Esto permite una adaptación interesante.

En vez de:

$$G_{EEG}$$

utilizamos:

$$G_{synapse}$$

y definimos:

$$RC_{syn} = 1-S(G_{pre},G_{post})$$

mientras:

$$AC_{memory} = S( Representation_{pre}, Representation_{post} )$$

En este caso la representación funcional puede operacionalizarse mediante:

• freezing/context discrimination;
• spatial task;
• place-field stability;
• population-vector correlation.

El resultado sería:

$$\boxed{ ARI_{Dryad} = f( synaptic\ remodeling, place\ representation, memory\ retention, engram\ architecture$$

Reproducción conceptual de la figura 4

La Figura 4 es particularmente adecuada.

El dataset proporciona:

$$PF\ correlation$$

para estabilidad de place fields y:

$$Population\ Vector\ Correlation$$

para comparar representaciones entre contextos.

Podemos calcular:

$$AC_{PF}=Corr(PF_{pre},PF_{post})$$

y:

$$RC_{syn}=1-\frac{Syn_{post}}{Syn_{pre}}.$$

Entonces:

$$ARI_{PF} = Z(AC_{PF})-Z(RC_{syn})$$

sería una primera operacionalización de SAR.

No afirmaría que este ARI sea idéntico al ARI neuronal EEG. Sería la versión estructural del constructo. 

Segunda reproducción: engrama

La Figura 5 contiene:

$$Total\ Engram$$ $$Clustered\ Engram$$ $$Isolated\ Engram$$

y datos de MSB.

Podemos construir:

$$CER= \frac{Clustered\ Engram} {Total\ Engram}$$

y:

$$MSB_R= \frac{MSB_{clustered}} {MSB_{engram}}$$

La hipótesis SAR estructural sería:

$$CER_{QIH} > CER_{random}$$

y:

$$MSB_R>MSB_{random}.$$

Esto probaría enriquecimiento estructural, no causalidad. 

Tercera capa: dinámica

Fig1 contiene:

$$MeanFR$$

y:

$$Theta,\;LowGamma,\;HighGamma.$$

Podemos definir:

$$DR= 1-\frac{FR_{QIH}}{FR_{baseline}}$$

como índice de reducción dinámica.

Entonces aparece directamente la geometría SAR:

$$DR\uparrow$$

mientras:

$$MemoryRetention\approx1.$$

La pregunta computacional pasa a ser:

$$\boxed{ ¿qué variables arquitectónicas explican la discrepancia entre \text{gran cambio dinámico} y \text{pequeña pérdida funcional}? }$$

Ese es exactamente el problema que SAR pretende formalizar. 

Criterio estadístico principal

Para la reproducción Dryad propongo evitar simplemente repetir los p-values publicados.

Usaremos:

Bootstrap por unidad experimental

$$B=10\,000$$

con remuestreo al nivel correcto:

$$animal$$

cuando la unidad sea animal, y:

$$dendrite/image\ volume$$

cuando corresponda.

No trataremos cada sinapsis como una réplica independiente si existe dependencia jerárquica. 

Modelo jerárquico

Cuando sea necesario:

$$Y_{ijk} = \beta_0+ \beta_1QIH_i+ u_{animal} + u_{volume} + \epsilon_{ijk}$$

con:

$$u_{animal}\sim N(0,\sigma_a^2)$$

y:

$$u_{volume}\sim N(0,\sigma_v^2).$$

Esto evita pseudorreplicación. 

Corrección múltiple

Los endpoints secundarios se agruparán en familias:

Familia A

Memoria.

Familia B

Representación neuronal.

Familia C

Arquitectura sináptica.

Familia D

SAR.

Para hipótesis múltiples:

$$FDR_{BH}=0.05$$

como procedimiento secundario; el endpoint primario se fijará antes de mirar los datos. 

Prerregistro

La versión preregistrable podría especificar:

PRIMARY OUTCOME
ARI

SECONDARY
RC
AC
PF stability
clustered/total engram ratio
MSB enrichment
memory retention

EXCLUSION
No post-hoc threshold optimization.

NULLS
temporal
phase
subject permutation
graph rewiring

INFERENCE
hierarchical bootstrap
mixed effects
FDR secondary endpoints

Y, crucialmente:

$$\boxed{{\displaystyle \text{ning}\acute{\text{u}}\text{n par}\acute{\text{a}}\text{metro del ARI ser}\acute{\text{a}}\text{ ajustado utilizando el endpoint principal}}}$$

Criterio de falsación de CPEA-TAE-SAR

La teoría no necesita que todas las predicciones sean positivas.

La hipótesis queda falsada en su versión fuerte si:

$$ARI_{real} \leq ARI_{null}$$

de forma consistente y preregistrada, o si la conservación arquitectónica no aporta información adicional sobre la retención funcional una vez controlada la estabilidad basal.

Esto es importante porque impide convertir cualquier remodelación neuronal en evidencia retrospectiva de TAE. 

Relación con el artículo de Science

La arquitectura experimental del estudio puede representarse:

QIH
 │
 ├── ↓ neuronal activity
 │
 ├── ↓ synapses
 │
 ├── spine remodeling
 │
 └── memory retained
          │
          ▼
    engram clusters
          │
          ▼
         MSB

El módulo CPEA-TAE-SAR añade:

PERTURBATION
      │
      ▼
RECONFIGURATION
      │
      ├──────────────┐
      ▼              ▼
 DYNAMIC CHANGE   ARCHITECTURAL
                  CONSERVATION
      │              │
      └──────┬───────┘
             ▼
            ARI
             │
             ▼
      FUNCTIONAL RETENTION

La publicación describe precisamente que la hibernación produce remodelación extensa y que las conexiones agrupadas de neuronas de engrama presentan una preservación preferente; la interpretación de una arquitectura de orden superior es compatible con esos resultados, pero continúa siendo una hipótesis mecanística. 

CPEA-TAE-SAR v1.0: especificación compacta

$$\boxed{ EEG_t \rightarrow M_t \rightarrow T_t \rightarrow PLV_t \rightarrow G_t \rightarrow H_t \rightarrow RC_t \rightarrow AC_t \rightarrow ARI_t \rightarrow IRP_t \rightarrow TAE_t }$$

y en la reproducción Dryad:

$$\boxed{ Synapse_t \rightarrow Engram_t \rightarrow PlaceField_t \rightarrow Memory_t \rightarrow RC_{syn} \rightarrow AC_{representation} \rightarrow ARI_{Dryad} }$$

La primera cadena es la implementación CPEA-TAE humana.

La segunda es la validación conceptual externa mediante el modelo animal publicado. 

Conclusión metodológica

Esta incorporación mejora bastante CPEA-TAE porque introduce una distinción que hasta ahora estaba implícita:

$$\boxed{ \textbf{TAE no debe medir solamente cuánto cambia el sistema, sino qué permanece después de que cambia.} }$$

Eso convierte la "ruptura de invariantes" de TAE en una pregunta experimental más precisa: qué invariantes se rompen, cuáles sobreviven y cuáles permiten reconstruir posteriormente una representación funcional.

Y el artículo de Science proporciona un caso biológico especialmente útil para someter esta idea a prueba: remodelación sináptica masiva + fuerte reducción de actividad + preservación de memoria/representación + arquitectura de engrama agrupada.