Neurociencia · Magnetoencefalografía · Preprint · v1 · 2026-10-01

En simulaciones y en condiciones favorables, la MEG ya estima desde fuera del cráneo a qué profundidad de la corteza nace una señal cerebral

Para seguir en el tiempo qué capa de la corteza se activa en una persona, había que operarla y colocarle electrodos dentro del cerebro. El equipo de M. J. Szul y J. J. Bonaiuto ha dividido la corteza en once capas virtuales. Con simulaciones ha comprobado en qué condiciones la magnetoencefalografía puede decir de cuál de ellas viene la actividad. En datos reales, el método reproduce secuencias de activación por capas compatibles con lo que ya se sabía del procesamiento visual y del movimiento.

Fuente

Nature Communications, 2026-09-30. Leer

La corteza cerebral no es una lámina uniforme. Mide pocos milímetros de grosor y se organiza en capas, numeradas de la I a la VI, que reciben y envían información por caminos distintos.

La magnetoencefalografía, o MEG, capta desde fuera de la cabeza los campos magnéticos minúsculos que genera la actividad de las neuronas. Es rápida y no es invasiva. Pero se la ha considerado incapaz de distinguir fuentes separadas por menos del grosor de la corteza.

Hasta ahora, seguir en el tiempo lo que ocurre en cada capa exigía electrodos implantados mediante cirugía. En personas, eso queda para pacientes concretos con justificación médica. La resonancia funcional de alta resolución permite análisis por capas, pero es demasiado lenta para captar su dinámica. La propia MEG solo separaba, a grandes rasgos, fondo y superficie.

El nuevo trabajo parte de una idea anterior: ese límite sería práctico, no teórico. Con una señal lo bastante limpia y la cabeza bien inmovilizada, la MEG podría afinar mucho más.

Qué hicieron

El equipo de Szul y Bonaiuto usó MEG de alta precisión, con un molde hecho a medida que fija la cabeza respecto a los sensores. A partir de la resonancia magnética de cada persona construyó once superficies equidistantes entre la superficie externa de la corteza y la sustancia blanca, el tejido de fibras que queda debajo.

Cada superficie es una hipótesis: «la señal viene de aquí». El método busca cuál de las once explica mejor lo que registran los sensores.

La primera prueba usó señales simuladas, de origen conocido. Variaron el ruido, el error al alinear la cabeza con el escáner, la orientación de las columnas de corteza (las hileras de neuronas que la atraviesan de arriba abajo) y la anatomía local. Probaron también ruido más realista, fuentes que interfieren y modelos físicos distintos de los usados en la simulación.

Después pasaron a respuestas cerebrales bien conocidas. En la corteza visual, el método recuperó una secuencia de entrada coherente con los modelos de procesamiento sensorial por capas. En la corteza motora y somatosensorial, dos conjuntos de datos independientes mostraron patrones de activación profunda y superficial en líneas generales compatibles con la ejecución de movimientos.

El giro

Si las condiciones acompañan, una sola fuente se localiza bien en profundidad. Dos fuentes simultáneas, no.

Los autores simularon dos fuentes de igual intensidad a profundidades distintas: una fija en la capa central del modelo y otra que se desplazaba desde la más superficial hasta la más profunda. El método no devolvió dos picos, sino uno, a medio camino entre ambas y arrastrado hacia la capa central. Según los análisis de detalle, las dos dejan huella en los datos. El enfoque actual no consigue separarlas.

La anatomía también pesa. Los errores se concentraron en regiones con columnas inclinadas respecto al cráneo, más alejadas del cuero cabelludo o con corteza más fina. Las capas intermedias, III y IV, fueron las primeras en perderse en cuanto empeoraban el ruido o la alineación.

Por qué importa

La MEG ya sirve para estudiar cómo la corteza sensoriomotora se acopla con los músculos durante el movimiento, como recoge una revisión en Frontiers in Human Neuroscience. Si se añade la profundidad, cabría preguntar qué capas participan en ese acoplamiento.

Los autores lo presentan como una herramienta para estudiar circuitos por capas en personas sanas, con la rapidez de la MEG y sin cirugía. Apuntan también un posible uso clínico. Las dinámicas por capas en la epilepsia y en enfermedades como el Parkinson se han explorado hasta ahora casi solo con métodos invasivos.

Hasta dónde llega

En las simulaciones la precisión se puede medir porque el origen de la señal es conocido. Los datos reales carecen de esa referencia. El estudio no comprueba qué capa generó cada respuesta. Comprueba si aparecen los patrones esperados.

Los propios autores separan lo factible en teoría de lo validado con datos. Subrayan que identificar capas concretas una a una en un cerebro vivo sigue limitado por la calidad de la señal, la alineación y la anatomía.

El texto abierto del artículo se interrumpe antes de detallar los análisis con datos reales. Por eso esta pieza no entra en sus resultados numéricos.

Cifras

Todas proceden de las simulaciones del artículo en Nature Communications. La relación señal-ruido se mide en decibelios: cuanto más negativo es el valor, más enterrada está la señal en el ruido.

  • Modelo de corteza: 11 superficies de profundidad; pruebas iniciales en 100 puntos corticales elegidos al azar.
  • A −50 dB ya se distinguen superficie y fondo, pero las capas III y IV quedan al nivel del azar; la inferencia capa a capa empieza hacia −35 dB y es casi perfecta a −20 dB.
  • El error de alineación entre cabeza y escáner debe ser de 2 mm o menos para una inferencia precisa; a partir de 3 mm el error en capas cae al nivel del azar.
  • En condiciones ideales, el error fue cero en el 84.79% de los puntos de la corteza.
  • Las fuentes de interferencia simuladas tenían el 10% de la amplitud de la fuente principal.

Referencias

  1. Szul MJ, Maspoli MG, Shelepenkov D, Agarwal I, Moreau Q, Gailhard S, et al. Multilayer MEG source modelling enables depth-resolved laminar inference in humans. Nature Communications. 2026-09-30;17(1). doi:10.1038/s41467-026-77782-9Licencia CC BY 4.0 https://creativecommons.org/licenses/by/4.0/
  2. Fakhry N, Rabiei P, Gagnon M, Simoneau M, Massé-Alarie H. Factors influencing corticomuscular coherence for axial and lower limb musculature in a healthy population: a scoping review. Frontiers in Human Neuroscience. 2026-03-11;20. doi:10.3389/fnhum.2026.1708259 PMID: 41890339Licencia CC BY

Publicaciones relacionadas en BeI

1 de 5