Durante décadas, la investigación del sueño ha estado secuestrada por un único cuello de botella persistente: el clasificador de sueño. Ya sea que se estudien ratones, peces cebra o humanos, cada hora de datos electrofisiológicos debe ser etiquetada manualmente en vigilia, NREM y REM por un técnico humano capacitado que observa líneas onduladas de trazados de EEG y EMG. Dos expertos que clasifiquen la misma grabación discreparán entre el 15 y el 20 por ciento de los episodios. Reproducir un resultado publicado en un laboratorio diferente, con una especie diferente o una configuración de registro distinta, suele implicar reconstruir todo el proceso de clasificación desde cero. El resultado es un campo donde los datos se acumulan más rápido de lo que pueden anotarse, donde las comparaciones entre estudios se ven afectadas por la deriva metodológica y donde la riqueza de la biología del sueño se aplana rutinariamente en solo tres categorías generales porque las distinciones más finas son demasiado costosas de etiquetar.
Un preprint publicado en bioRxiv el 28 de julio de 2026 propone una ruptura limpia con este patrón. Denominado Nyx, en honor a la diosa primordial griega de la noche, el marco es un sistema de clasificación del sueño no supervisado y explicable construido sobre análisis de componentes principales. El equipo detrás de este trabajo, liderado por Letizia Signorelli y Charlotte Boccara de la Universidad de Oslo, no se propuso construir un mejor clasificador sobre la base de las etiquetas manuales habituales. En cambio, tomaron prestada una estrategia de un rincón completamente diferente de la neurociencia: el agrupamiento de picos neuronales.
En electrofisiología, los algoritmos de agrupamiento de picos agrupan automáticamente las formas de onda neuronales crudas en unidades individuales putativas sin que nadie le diga primero al algoritmo cómo se ve una neurona. Nyx aplica la misma lógica no supervisada a la clasificación del sueño. Toma las características espectrales crudas de una grabación, las reduce a sus componentes principales y permite que surjan agrupaciones naturales de los propios datos. El resultado es un conjunto de estados del sueño definidos por la señal, no por un humano que asigna previamente episodios a categorías arbitrarias. Esto evita el problema de circularidad inherente a los enfoques supervisados: si entrenas un modelo con puntuaciones humanas, lo mejor que puedes lograr es replicar la puntuación humana, incluidos sus sesgos y puntos ciegos. Nyx puede, en principio, encontrar estructuras que los clasificadores humanos han sido entrenados para pasar por alto.
La validación detrás de esta afirmación es inusualmente amplia. El equipo probó Nyx en aproximadamente 8.000 horas de datos extraídos de 19 conjuntos de datos independientes de múltiples laboratorios, múltiples especies, múltiples edades y múltiples modalidades de registro. En este corpus diverso, el algoritmo igualó el acuerdo entre clasificadores humanos, el estándar de oro de facto en el campo. Este es un punto de referencia serio: los expertos humanos no están perfectamente de acuerdo entre sí, por lo que exigir que un algoritmo supere el acuerdo entre humanos es pedirle que sea mejor que la propia medición. Nyx se sitúa exactamente en el mismo rango, lo que significa que clasifica con la misma fiabilidad que un técnico humano competente, pero en minutos en lugar de semanas y con una reproducibilidad perfecta.
Donde Nyx comienza a distinguirse de las herramientas existentes es en lo que puede ver que los humanos y los clasificadores supervisados no pueden. En roedores, el algoritmo puede resolver subetapas del sueño NREM que corresponden a lo que la medicina del sueño humana denomina N2 y N3. Estas etapas están bien establecidas en la polisomnografía humana, pero han sido notoriamente difíciles de definir automáticamente en ratones y ratas, donde las firmas electrofisiológicas son menos estereotipadas. Nyx las encuentra sin que se le indique que las busque. Esto es importante para la investigación básica porque se cree que N2 y N3 cumplen funciones fisiológicas diferentes. N2 se asocia con husos del sueño y consolidación de la memoria; N3, con actividad de ondas lentas y depuración metabólica. Si los modelos en roedores no pueden distinguirlas, el puente traslacional entre el laboratorio y la cama del hospital tiene un eslabón perdido.
El marco también revela estados del sueño que trascienden la tricotomía estándar de vigilia-NREM-REM, particularmente en especies no mamíferas. Aves, reptiles y peces presentan arquitecturas del sueño que no se ajustan fácilmente a las convenciones de clasificación de mamíferos. Al permitir que los datos guíen el agrupamiento, Nyx puede identificar estados transcanónicos: patrones de actividad neuronal que comparten características con múltiples etapas tradicionales o que no encajan en ninguna categoría existente. Esto abre la puerta a una investigación comparativa del sueño que no se vea forzada a imponer categorías de mamíferos en cerebros no mamíferos.
Una característica más inmediatamente práctica es que Nyx admite manipulación en tiempo real y de circuito cerrado. Debido a que el algoritmo no requiere anotación humana ni reentrenamiento del modelo para cada nueva grabación, puede clasificar episodios sobre la marcha. Los investigadores pueden desencadenar estimulación optogenética, administración farmacológica o estímulos sensoriales en el instante en que el animal entra en un estado de sueño específico. Esta capacidad solía requerir sistemas de hardware especializados o reglas de decisión artesanales. Nyx la convierte en una característica integrada del proceso de clasificación.
El marco se publica como un paquete de código abierto de Python con una interfaz gráfica de usuario, lo que reduce la barrera técnica para su adopción. Un laboratorio que nunca haya escrito una línea de código puede cargar un archivo de EEG, hacer clic en un botón y obtener datos de sueño clasificados. Pero la filosofía de diseño más profunda, según los autores, es que Nyx fue construido para escalar al ritmo de la propia innovación. Como no depende de un conjunto de datos de entrenamiento fijo, puede adaptarse a nuevas configuraciones de registro, nuevas especies, nuevas edades e incluso arquitecturas de sueño patológicas como las que se observan después de la privación del sueño o en enfermedades neurológicas, sin tener que ser reentrenado desde cero cada vez.
La conclusión es la siguiente: la clasificación del sueño ha sido el limitador silencioso de una gran parte de la neurociencia. Cada estudio que depende de la clasificación de cientos de horas de grabaciones, cada comparación entre especies, cada experimento de desarrollo longitudinal y cada intervención de sueño de circuito cerrado tiene que negociar el mismo cuello de botella. Nyx no elimina la necesidad de la experiencia humana en el diseño experimental o la interpretación, pero sí elimina la necesidad de que los humanos pasen miles de horas dibujando líneas en trazados de EEG. Al ofrecer clasificación no supervisada del sueño que funciona entre especies, edades y modalidades de registro, y al publicarlo como una herramienta de código abierto, el equipo de Oslo le ha entregado al campo una pieza de infraestructura que el campo necesitaba desde hace mucho tiempo.
Fuente: Signorelli, L., Korchynska, S., Ortiz, C., Arena, A., Wilhelm, S., & Boccara, C. (2026). Nyx: An unsupervised framework for sleep scoring across species, ages, and recording modalities. bioRxiv. DOI: 10.64898/2026.07.24.740558. Financiado por el Consejo Europeo de Investigación (ERC) a través de la subvención 101117770 y por el Consejo de Investigación de Noruega a través de las subvenciones 288478, 105428102, 332004 y 187615/V40. Los autores declararon no tener intereses en competencia.
Traducido por Alessandra