CPEA–TAE-MDRA v1.0 Multiscale Developmental Reconfiguration & Adaptive State Architecture

La conexión CPEA–TAE procede y, de hecho, es conceptualmente bastante sólida, aunque los dos trabajos aportan piezas diferentes:

• Lai et al., Molecular Psychiatry (2026) aporta el componente de perturbación → reprogramación epigenómica → alteración transcriptómica → cambio electrofisiológico → desviación de maduración cortical. Es la pieza más fuerte para TAE.

• Tanaka et al., bioRxiv (2026) aporta el componente de estado fisiológico global → reconfiguración de poblaciones neuronales sensibles a hormonas → control cerebro–cuerpo → resultado gestacional. Es especialmente interesante para CPEA porque introduce un sistema neuronal cuya identidad funcional cambia con el estado del organismo.

Una cautela metodológica: el artículo de Molecular Psychiatry es un artículo completo revisado por pares y de acceso abierto; en el caso de Tanaka et al., bioRxiv proporciona el preprint y su resumen, pero no he podido recuperar de forma fiable todo el cuerpo del PDF mediante el acceso web disponible. Por ello no voy a atribuir al segundo trabajo resultados que no estén explícitamente accesibles.

La conexión central

Lo realmente interesante no es afirmar que «la inmunidad materna programa la conciencia» ni que exista un mecanismo CPEA ya demostrado. Es algo más preciso:

Un estado biológico perturbado puede desplazar un sistema neuronal de su trayectoria normal de maduración y, simultáneamente, los estados fisiológicos del organismo pueden reconfigurar dinámicamente la identidad funcional de determinadas poblaciones neuronales.

Eso encaja extraordinariamente bien con TAE como teoría de reconfiguración por excepción y con CPEA como arquitectura para detectar, representar y predecir esas transiciones de estado.

CPEA–TAE-MDRA v1.0

Multiscale Developmental Reconfiguration & Adaptive State Architecture

Extensión del marco CPEA–TAE para estudiar perturbaciones neuroinmunes, maduración epigenómica y reconfiguración cerebro–organismo

---

Resumen

CPEA–TAE-MDRA propone un marco computacional para estudiar cómo una perturbación biológica durante una ventana crítica del desarrollo puede producir una desviación persistente de la trayectoria normal de maduración neuronal y cómo, en paralelo, estados fisiológicos sistémicos pueden modificar dinámicamente la identidad funcional de poblaciones neuronales.

La propuesta integra dos resultados recientes.

Lai et al. muestran en un modelo murino de activación inmune materna inducida por Poly(I) que una perturbación durante E12.5 altera posteriormente la maduración epigenómica y transcriptómica de neuronas excitadoras corticales. Los efectos son particularmente pronunciados alrededor del nacimiento e incluyen alteraciones de metilación del ADN, expresión génica, regulación por factores de transcripción y propiedades electrofisiológicas de neuronas profundas. Los autores identifican, entre otros elementos, una alteración de regiones asociadas a Tbr1, Mef2 y otros reguladores de maduración neuronal.

Tanaka et al. muestran en otro modelo murino que el embarazo induce una profunda reconfiguración transcriptómica de poblaciones neuronales sensibles al receptor de estrógeno α en hipotálamo y amígdala, incluyendo la aparición de una población POA^Npy2r cuya ablación impide la implantación y elimina la gestación viable. El trabajo propone, por tanto, un mecanismo neuronal cerebro–cuerpo dependiente del estado fisiológico.

CPEA–TAE-MDRA plantea que ambos fenómenos pueden representarse mediante un mismo principio formal:

[
X_{t+1}=F(X_t,E_t,U_t)+\epsilon_t
]

donde:

• (X_t) = estado multiescala del sistema;
• (E_t) = entorno/influencia biológica;
• (U_t) = perturbaciones internas o externas;
• (F) = dinámica adaptativa;
• (\epsilon_t) = variabilidad residual.

Una excepción TAE aparece cuando la trayectoria observada deja de ser compatible con el modelo de transición previamente aprendido:

[
\mathcal{E}t =
d\left(X{t+1},\hat X_{t+1|t}\right)
]

y supera un umbral preregistrado:

[
\mathcal{E}_t > \theta_E
]

La excepción no se interpreta simplemente como «error». Se interpreta como posible cambio de régimen del sistema.

---

Evidencia de partida

Activación inmune materna y maduración cortical

Lai et al. administraron Poly(I) a hembras gestantes en E12.5 y analizaron posteriormente neuronas excitadoras corticales mediante transcriptómica, metilación del ADN y electrofisiología.

El resultado más relevante para TAE no es un único gen, sino la existencia de una trayectoria de desarrollo alterada.

Durante el desarrollo normal aparecen grandes oleadas de ganancia y pérdida de metilación. El estudio identificó más de 200.000 regiones diferencialmente metiladas asociadas al desarrollo y observó que la mayor dinámica ocurre durante las primeras semanas postnatales.

Tras MIA:

[
\text{MIA}
\rightarrow
\text{alteración epigenómica}
\rightarrow
\text{alteración transcriptómica}
\rightarrow
\text{alteración electrofisiológica}
]

El efecto es especialmente evidente en neuronas profundas L5/L6.

Entre los cambios aparecen reducciones de múltiples componentes sinápticos, canales de sodio, potasio y calcio, receptores glutamatérgicos y elementos postsinápticos. También aparecen alteraciones compatibles con un retraso del cambio GABAérgico y con alteraciones de remodeladores de cromatina.

Particularmente importante para el modelo TAE es que Tbr1 puede estar aumentado a nivel transcriptómico mientras sus sitios reguladores presentan hipermetilación y sus genes diana aparecen reducidos.

Esto constituye un ejemplo especialmente claro de:

[
\text{cantidad del regulador}
\neq
\text{capacidad funcional del regulador}
]

Es decir, el sistema puede mantener o incluso aumentar el componente aparentemente «correcto», mientras pierde la arquitectura regulatoria necesaria para utilizarlo correctamente.

Esto puede denominarse:

desacoplamiento regulador-función

y constituye un candidato excelente para una excepción TAE.

---

El segundo componente: cerebro como controlador de estado fisiológico

Tanaka et al. estudian el fenómeno desde la dirección inversa.

En lugar de preguntar:

¿Cómo afecta un estado corporal al cerebro?

preguntan:

¿Cómo utiliza el cerebro cambios de estado para reorganizar el organismo durante la gestación?

El trabajo identifica poblaciones neuronales sensibles a estrógeno en hipotálamo y amígdala que experimentan importantes modificaciones transcriptómicas durante el embarazo. Algunas poblaciones adquieren identidades moleculares diferentes durante la gestación.

El resultado funcional más fuerte es la identificación de células POA^Npy2r cuya ablación impide la implantación y elimina la gestación viable en el modelo experimental.

La arquitectura resultante puede representarse:

[
S_{\mathrm{gestación}}
\rightarrow
N_{\mathrm{hormonal}}
\rightarrow
G_{\mathrm{brain}}
\rightarrow
B_{\mathrm{body}}
\rightarrow
S_{\mathrm{gestación}}
]

Esto es un sistema dinámico con retroalimentación.

Por tanto, el segundo trabajo proporciona un excelente modelo conceptual para estudiar:

[
\boxed{\text{estado fisiológico}\rightarrow\text{reconfiguración neuronal}\rightarrow\text{control sistémico}}
]

---

Síntesis CPEA–TAE

Los dos trabajos pueden integrarse mediante una arquitectura bidireccional:

[
\boxed{
\text{Perturbación}
\rightarrow
\text{cambio de estado}
\rightarrow
\text{reconfiguración regulatoria}
\rightarrow
\text{cambio funcional}
\rightarrow
\text{nuevo estado}
}
]

El sistema no necesita permanecer en el mismo espacio de estados.

Definimos:

[
\mathbf X(t)=
[
Epi(t),
RNA(t),
Syn(t),
Elec(t),
Horm(t),
Imm(t),
Phys(t)
]
]

donde:

• (Epi): estado epigenómico;
• (RNA): transcriptoma;
• (Syn): arquitectura sináptica;
• (Elec): estado electrofisiológico;
• (Horm): estado hormonal;
• (Imm): estado inmunitario;
• (Phys): estado fisiológico sistémico.

CPEA intenta inferir:

[
P(X_{t+1}|X_t)
]

mientras TAE analiza cuándo dicha distribución deja de explicar adecuadamente la evolución observada.

---

Hipótesis principal

H1 — Hipótesis de reconfiguración multiescala

Las perturbaciones durante ventanas críticas del desarrollo producen excepciones detectables primero como desviaciones de trayectoria en una o varias capas del sistema y posteriormente como reconfiguraciones coordinadas de múltiples escalas.

Predicción:

d(X_t,X_t^{norm})

\theta
]

debería preceder o acompañar alteraciones funcionales.

---

Hipótesis TAE específica

H2 — Excepción de maduración

La activación inmune materna genera una desviación temporal de la trayectoria normal de maduración de neuronas excitadoras profundas.

No se predice necesariamente una pérdida absoluta de función.

Se predice:

[
T_{maturation}^{MIA}
\neq
T_{maturation}^{control}
]

y potencialmente:

[
T_{maturation}^{MIA}

T_{maturation}^{control}
]

es decir, un desplazamiento temporal de la trayectoria.

---

Hipótesis CPEA

H3 — Detectabilidad predictiva

Una representación multiómica integrada debería permitir predecir el estado electrofisiológico futuro mejor que cualquiera de las capas individualmente.

Comparación:

[
P(Elec_{t+1}|RNA_t)
]

frente a:

[
P(Elec_{t+1}|RNA_t,Epi_t)
]

y finalmente:

[
P(Elec_{t+1}|RNA_t,Epi_t,Phys_t)
]

La hipótesis CPEA es que:

[
Error_{multimodal}
<
Error_{unimodal}
]

---

Hipótesis de desacoplamiento

El caso Tbr1 permite una hipótesis particularmente interesante:

[
Tbr1_{RNA}\uparrow
]

pero:

[
Accessibility(Tbr1-targets)\downarrow
]

y:

[
Expression(Tbr1-targets)\downarrow
]

Por tanto:

[
RNA_{regulator}
\not\Rightarrow
FunctionalOutput
]

Este fenómeno podría convertirse en una firma computacional de desacoplamiento predictivo.

Definimos:

Z(Activity_{TF})
]

Un valor elevado de (D_{reg}) representaría un candidato a excepción TAE.

---

Representación mediante grafo dinámico

El sistema puede representarse como un grafo multicapas:

[
G_t=(V,E_t)
]

con nodos:

[
V=
{
genes,
TF,
DMR,
neurons,
synapses,
ionChannels,
hormones,
immuneSignals
}
]

y aristas ponderadas:

[
W_{ij}(t)
]

representando regulación, coexpresión, conectividad o dependencia funcional.

La transición entre estados:

[
G_t\rightarrow G_{t+1}
]

puede caracterizarse mediante:

[
D_G(t)=
d(G_t,G_{t+1})
]

y una tasa de reconfiguración:

[
R_G=
\frac{D_G(t)}{\Delta t}
]

Una excepción TAE aparece cuando:

[
R_G>\theta_R
]

o cuando se produce una modificación topológica cualitativa:

[
\Delta Topology(G)> \theta_T
]

---

Integración con CPEA

La arquitectura propuesta sería:

                 ┌───────────────────────┐
                 │     Estado corporal   │
                 │ immune / hormonal     │
                 └──────────┬────────────┘
                            ↓
                  ┌───────────────────┐
                  │ Señal de contexto │
                  └─────────┬─────────┘
                            ↓
        ┌─────────────────────────────────────┐
        │        Estado neuronal latente      │
        │                                     │
        │ epigenoma → transcriptoma → función │
        └────────────────┬────────────────────┘
                         ↓
                ┌─────────────────┐
                │ CPEA predictor  │
                └────────┬────────┘
                         ↓
               predicción futura
                         ↓
               ┌─────────────────┐
               │   TAE detector  │
               └────────┬────────┘
                        ↓
                 excepción detectada
                        ↓
             ┌──────────────────────┐
             │ Reconfiguración del  │
             │ espacio de estados   │
             └──────────┬───────────┘
                        ↓
                nuevo modelo predictivo

---

Nuevo concepto: Predictive Developmental State

Se propone introducir:

PDS — Predictive Developmental State

Un estado latente que resume la posición del sistema dentro de su trayectoria de maduración.

[
PDS_t=f(Epi_t,RNA_t,Elec_t,Syn_t)
]

La trayectoria normal sería:

[
PDS_0\rightarrow PDS_1\rightarrow PDS_2\rightarrow ...\rightarrow PDS_n
]

Una perturbación puede producir:

[
PDS_0\rightarrow PDS_1\rightarrow PDS_{1'}
]

donde (PDS_{1'}) representa una trayectoria alternativa.

Esto es exactamente el tipo de fenómeno que TAE pretende formalizar como reconfiguración de estado, no simplemente como error de predicción.

---

Resiliencia frente a susceptibilidad

El modelo permite introducir dos trayectorias:

[
PDS_t^{resilient}
]

y

[
PDS_t^{susceptible}
]

La diferencia no tendría que ser una mutación inicial, sino la capacidad del sistema para recuperar su atractor de desarrollo.

Definimos:

d(X_{recovered},X_{normal})
}{
d(X_{perturbed},X_{normal})
}
]

donde IRP = Index of Reconfiguration/Recovery Potential.

Interpretación:

• IRP ≈ 1 → recuperación elevada;
• IRP ≈ 0 → ausencia de recuperación;
• IRP < 0 → divergencia adicional.

Este índice conecta directamente con los módulos CPEA–TAE anteriores basados en transición de estados.

---

Experimento computacional mínimo

El primer estudio no debería intervenir biológicamente.

Se propone utilizar los datos públicos:

GSE293592

generados por Lai et al., junto con GSE141587 para los datos previamente publicados utilizados por los autores.

Pipeline:

RNA-seq
   ↓
normalización
   ↓
PCA / UMAP
   ↓
trayectoria de desarrollo
   ↓
DNA methylation
   ↓
DMR embedding
   ↓
TF regulatory network
   ↓
integración RNA + methylation
   ↓
PDS
   ↓
trajectory deviation
   ↓
TAE exception detection
   ↓
prediction of electrophysiology

Variables principales:

[
X=
[
methylation,
expression,
TF activity,
synaptic genes,
ion-channel genes
]
]

Variables de salida:

[
Y=
[
RMP,
rheobase,
firingRate,
AP\ properties
]
]

---

Análisis específico Tbr1

Este sería uno de los experimentos computacionales más interesantes.

Construir:

[
A_{Tbr1}(t)
]

como una estimación de actividad regulatoria de Tbr1.

Comparar:

[
Expression(Tbr1)
]

con:

[
Activity(Tbr1)
]

y:

[
Expression(Targets_{Tbr1})
]

La predicción es que MIA producirá una disociación:

[
Corr(Tbr1,Targets)
\downarrow
]

aunque:

[
Expression(Tbr1)\uparrow
]

Esto permitiría operacionalizar experimentalmente el concepto de regulatory decoupling.

---

Integración del eje cerebro–organismo

El trabajo de Tanaka permite ampliar el modelo:

[
BrainState
\leftrightarrow
PhysiologicalState
]

En lugar de considerar el cerebro como un sistema aislado:

[
X_{brain}(t)
]

se utiliza:

[
X_{whole}(t)=
[
brain,
immune,
endocrine,
reproductive,
metabolic
]
]

El CPEA tendría entonces dos predictores:

Predictor interno

[
P(X_{brain,t+1}|X_{brain,t})
]

Predictor cerebro–organismo

[
P(X_{body,t+1}|X_{brain,t},X_{body,t})
]

La ventaja conceptual es importante:

la excepción puede originarse en el cerebro, en el organismo o en la interacción entre ambos.

---

Modelo de transición

Podemos expresar el sistema completo como:

F(X_t)
+
B U_t
+
C H_t
+
D I_t
+
\epsilon_t
]

donde:

• (U_t): perturbación externa;
• (H_t): señal hormonal;
• (I_t): señal inmunitaria;
• (B,C,D): matrices de acoplamiento.

TAE aparece cuando la matriz efectiva del sistema cambia:

[
F_t\rightarrow F_{t+1}
]

es decir:

[
\boxed{
\Delta F \neq 0
}
]

Esto representa una reconfiguración dinámica, no simplemente un incremento de ruido.

---

Criterios preregistrables de falsación

La propuesta debería considerarse falsada si:

F1

Las variables epigenómicas no mejoran la predicción de variables transcriptómicas frente a modelos basales.

F2

La integración multimodal no mejora la predicción electrofisiológica:

[
RMSE_{multi}
\geq
RMSE_{single}
]

F3

No existe desviación significativa de la trayectoria de desarrollo:

[
D_{trajectory}^{MIA}
\approx
D_{trajectory}^{control}
]

F4

El supuesto desacoplamiento Tbr1 no se reproduce:

[
D_{reg}^{MIA}
\approx
D_{reg}^{control}
]

F5

La detección de excepción TAE no precede temporalmente al cambio funcional.

F6

Los resultados desaparecen después de controlar estrictamente por camada, sexo, lote, profundidad de secuenciación y otros factores de confusión.

---

Predicción fuerte

La predicción más interesante de CPEA–TAE-MDRA sería:

La combinación de trayectoria epigenómica + transcriptómica permite detectar una transición de estado antes de que ésta sea completamente visible en la fisiología neuronal.

Formalmente:

[
T_{TAE}
<
T_{functional}
]

Si se demuestra:

[
\boxed{
\text{detección predictiva}

\text{detección funcional tardía}
}
]

la propuesta adquiere un fundamento empírico considerablemente más fuerte.

---

Qué NO afirma el modelo

CPEA–TAE-MDRA no afirma que:

• la MIA cause directamente autismo en humanos;
• Tbr1 sea el único mecanismo;
• la epigenética sea irreversible;
• las neuronas POA^Npy2r tengan una función equivalente demostrada en humanos;
• la conciencia sea responsable de estos fenómenos;
• exista un campo electromagnético causal;
• CPEA pueda actualmente intervenir terapéuticamente sobre estos sistemas.

El segundo trabajo es además un preprint, por lo que su evidencia debe ponderarse por debajo del artículo revisado por pares.

---

Interpretación TAE

La aportación conceptual principal puede resumirse así:

Error convencional

[
\hat X_{t+1}\neq X_{t+1}
]

se interpreta como error.

Interpretación TAE

[
\hat X_{t+1}\neq X_{t+1}
]

puede significar:

[
\boxed{
\text{el sistema ha cambiado las reglas que generan su siguiente estado}
}
]

Por ello:

[
\Delta prediction
\rightarrow
\Delta model
]

y no simplemente:

[
\Delta prediction
\rightarrow
\Delta parameter
]

Esta diferencia es fundamental.

---

Relación con CPEA

CPEA proporciona:

1. representación del estado;
2. aprendizaje de la dinámica;
3. predicción;
4. comparación predicción–observación;
5. detección de divergencia;
6. actualización del modelo.

TAE proporciona:

1. interpretación de la divergencia;
2. identificación de cambio de régimen;
3. clasificación de la excepción;
4. reconstrucción del nuevo espacio de estados.

Por tanto:

[
\boxed{
CPEA = \text{predicción}
}
]

[
\boxed{
TAE = \text{interpretación/reconfiguración de la excepción}
}
]

y:

[
\boxed{
CPEA+TAE =
\text{predictive state reconfiguration}
}
]

---

Arquitectura final CPEA–TAE-MDRA

[
\boxed{
Immune/Hormonal\ perturbation
}
]

↓

[
\boxed{
Epigenomic\ trajectory
}
]

↓

[
\boxed{
Transcriptional\ trajectory
}
]

↓

[
\boxed{
Regulatory\ network
}
]

↓

[
\boxed{
Neuronal\ maturation
}
]

↓

[
\boxed{
Electrophysiological\ state
}
]

↓

[
\boxed{
CPEA\ prediction
}
]

↓

[
\boxed{
TAE\ exception
}
]

↓

[
\boxed{
State\ reconfiguration
}
]

↓

[
\boxed{
new\ predictive\ model
}
]

---

Conclusión

La conexión es apta para convertirse en un módulo formal de CPEA–TAE.

El primer artículo proporciona el soporte experimental más directo: una perturbación prenatal produce una alteración coordinada de epigenoma, transcriptoma y función neuronal, con especial vulnerabilidad de neuronas corticales profundas. El hallazgo de la discordancia entre expresión de Tbr1 y funcionamiento de sus regiones diana es especialmente compatible con el concepto TAE de desacoplamiento entre estado representado y función efectiva.

El segundo trabajo introduce una dimensión complementaria: el cerebro no sólo recibe información del estado corporal, sino que determinadas poblaciones neuronales pueden cambiar profundamente su programa molecular en función del estado fisiológico y participar causalmente en la regulación de la gestación.

La síntesis conduce a una hipótesis más general:

[
\boxed{
\text{Los sistemas biológicos adaptativos no sólo minimizan errores de predicción;}
}
]

[
\boxed{
\text{también pueden reconfigurar el espacio de estados sobre el que esas predicciones son válidas.}
}
]

Ese principio constituye un candidato especialmente fuerte para formalizar la TAE como teoría de reconfiguración predictiva multiescala, y convierte CPEA–TAE-MDRA en una extensión natural de los módulos CPEA–TAE-FIELD/SAR previos.

Prioridad experimental recomendada: comenzar por la reproducción computacional con GSE293592 + GSE141587, construir el PDS, cuantificar la desviación de trayectoria MIA/control y probar específicamente el desacoplamiento Tbr1–targets antes de introducir cualquier hipótesis fisiológica adicional.