Presentamos un marco formal para modelar la dinámica de redes neuronales utilizando la Teoría de Categorías, específicamente a través de categorías de Markov. En este contexto, los estados neuronales se representan como objetos y las transiciones de estado como núcleos de Markov, es decir, morfismos en la categoría. Esta perspectiva categórica ofrece una alternativa algebraica a los enfoques tradicionales basados en ecuaciones diferenciales estocásticas, permitiendo un enfoque riguroso y estructurado para estudiar la dinámica neuronal como un proceso estocástico con perspectivas topológicas. Al abstraer los estados neuronales como espacios submedibles y las transiciones como núcleos, nuestro marco conecta la complejidad biológica con una estructura matemática formal, proporcionando una base para analizar el comportamiento emergente. Como parte de este enfoque, incorporamos conceptos de Sistemas de Partículas Interactuantes y empleamos aproximaciones de campo medio para construir núcleos de Markov, que luego se utilizan para simular la dinámica neuronal a través del modelo de Ising. Nuestras simulaciones revelan un cambio de distribuciones de transición unimodales a multimodales cerca de temperaturas críticas, reforzando la conexión entre el comportamiento emergente y los cambios abruptos en la dinámica del sistema.