DOI: https://doi.org/10.1162/imag.a.1250
PMID: https://pubmed.ncbi.nlm.nih.gov/42232074
تاريخ النشر: 2026-01-01
المؤلف: Alessia Caccamo وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تعد نماذج الكتلة العصبية (NMMs) أطرًا رياضية حيوية لفهم كل من الأنشطة الدماغية الصحية والمرضية من خلال استنتاج الآليات العصبية الخفية. جانب محوري من هذه العملية الاستنتاجية هو تقدير المعلمات، الذي يربط نماذج الكتلة العصبية ببيانات التصوير العصبي. من بين الطرق المختلفة لتقدير المعلمات، تبرز النمذجة السببية الديناميكية (DCM) بسبب نهجها في الاستدلال البايزي، الذي يكون حساسًا بشكل خاص لتحديد توزيعات المعلمات السابقة التي تعكس الفرضيات السابقة بشأن الأسباب الكامنة للبيانات. ومع ذلك، تمثل العديد من المعلمات داخل نماذج الكتلة العصبية خصائص عصبية لا يمكن قياسها مباشرة، مما يؤدي إلى تحديات في غياب بيانات تجريبية قوية ومعتقدات سابقة موثوقة.
تخلص الدراسة إلى أن عمليات المعايرة المتعددة والاستنتاجات المقابلة يمكن أن تنشأ من نفس نموذج الكتلة العصبية وبيانات M/EEG. لمعالجة هذه المشكلة، تقترح إطارًا مستنيرًا بالديناميات لـ DCM، مما يقدم نهجًا بديلاً قد يعزز موثوقية وتفسير تقديرات المعلمات في نماذج الكتلة العصبية. يهدف هذا الإطار إلى تحسين فهم الديناميات العصبية من خلال دمج الرؤى من البيانات الملاحظة بشكل أكثر فعالية.
مقدمة
تستعرض مقدمة هذه الورقة البحثية قيود نمذجة السببية الديناميكية التقليدية (DCM) في التصوير العصبي، لا سيما فيما يتعلق بتحديات تقدير المعلمات وإمكانية التحيز بسبب المعلومات السابقة غير الجيدة. لمعالجة هذه القضايا، تقدم الدراسة نهجًا جديدًا يسمى DCM مع معلومات سابقة مستنيرة بالديناميات (DIP-DCM)، والذي يستخدم الخوارزميات الجينية (GAs) لاشتقاق المعلومات السابقة للمعلمات مباشرة من البيانات. يهدف هذا الأسلوب إلى تعزيز قوة تقدير المعلمات من خلال استكشاف تكوينات معلمات متنوعة تستند إلى ديناميات النموذج والملاحظات التجريبية، مما يقلل من التحديات التي تطرحها القيم الدنيا المحلية والانحلال في مشهد المعلمات.
تؤكد الورقة على أهمية نماذج الكتلة العصبية (NMMs) في محاكاة الديناميات القشرية وضرورة المعلومات السابقة الدقيقة للقيام باستنتاج سببي فعال. تنتقد تقنيات التحسين الحالية، مثل سلسلة ماركوف مونت كارلو وتحسين العمليات الغاوسية، لقيودها في التعامل مع الدوال الموضوعية غير المحدبة النموذجية للبيانات الكهربية. من خلال الاستفادة من GAs، لا يحسن DIP-DCM دقة تقدير المعلمات فحسب، بل يوسع أيضًا تطبيق DCM في الدراسات الاستكشافية، لا سيما في السياقات التي تكون فيها الفرضيات السابقة ضعيفة أو غائبة. يتم التحقق من صحة المنهجية من خلال تطبيقات على مجموعات بيانات التصوير العصبي المستقلة، مما يظهر إمكاناتها في التقاط التوقيعات الآلية الرئيسية للحالات النفسية وتأثيرات الأدوية.
طرق
في هذا القسم، يصف المؤلفون المنهجيات المستخدمة في بحثهم، مع التركيز على نموذج “LFP”، الذي يمكنه توليد مجموعة متنوعة من الديناميات، بما في ذلك التذبذبات عالية التردد، متجاوزًا نموذج الكتلة العصبية التقليدي لجنسن وريث. يتكون نموذج LFP من ثلاث مجموعات عصبية مترابطة تتوافق مع طبقات قشرية محددة، حيث يتم تمثيل نشاط كل مجموعة من خلال إمكانيات ما بعد المشبك ومتوسط معدلات إطلاق النار. يتم نمذجة الإمكانية بعد المشبك باستخدام معادلة تفاضلية من الدرجة الثانية، مما يسهل تمثيلًا خطيًا للتفاعلات المشبكية، بينما يتم اشتقاق متوسط معدلات إطلاق النار من دالة سيغمويد غير خطية تحول الإمكانية بعد المشبك إلى معدلات إطلاق النار. يتم توضيح المعلمات التفصيلية وآثارها البيولوجية في موران وآخرون (2007) والمكمل 1.
بالإضافة إلى ذلك، يستخدم المؤلفون تقنية متوسط النموذج البايزي، المشار إليها باسم DIP-DCM، والتي تعزز الدقة التنبؤية من خلال المتوسط عبر تجسيدات متعددة (على الأقل 400) لتقليل الضوضاء والتقلبات الفردية. يسمح هذا الأسلوب بتخصيص عدد المعلومات السابقة والانقلابات بناءً على الأهداف المحددة للدراسة، حيث استخدمت الدراسة 1 500 معلومات سابقة واستخدمت الدراسة 2 400. يتم توضيح ملخص نهج DIP-DCM في الشكل 1، مع مزيد من التوضيح المقدم في الملحق A.
نتائج
في هذا القسم، يقدم المؤلفون نتائج تتعلق بتحديات تقدير المعلمات في النمذجة السببية الديناميكية (DCM) باستخدام مشاهد الطاقة الحرة. يفحصون بشكل خاص تأثير توزيعات المعلومات السابقة على تقدير معلمة الاتصال \( G_1 \)، التي تقيس التفاعل بين مجموعات الخلايا الهرمية والنجميّة. نظرًا لأن \( G_1 \) هو معلمة مجمعة يصعب قياسها مباشرة، فإن اختيار معلومات سابقة مناسبة أمر حاسم. استخدمت الدراسة نموذج الكتلة العصبية “LFP” الملائم لكثافة الطيف الترددي (PSD) لبيانات EEG المجمعة تحت ظروف القاعدة. من خلال تغيير متوسط توزيع المعلومات السابقة لـ \( G_1 \) في الفضاء اللوغاريتمي من \([-1, 0.85]\، قام المؤلفون بإنشاء ملف طاقة حرة يكشف كيف أدت الاضطرابات الصغيرة في قيم المعلمات إلى تغييرات كبيرة في ديناميات النموذج، مما أدى إلى انقطاعات في مشهد الطاقة الحرة وحمامات متباينة من التقارب.
تشير النتائج إلى أنه عندما بدأت عملية الانقلاب بالمعلومات السابقة القياسية، لم يتماشى التقدير اللاحق لـ \( G_1 \) مع الحد الأقصى العالمي لمشهد الطاقة الحرة، الذي ظل غير مستكشف. وهذا يشير إلى أن طرق الاستدلال التبايني، لا سيما تلك التي تستخدم الانحدار التدرجي، قد تتقارب على حلول دون المستوى الأمثل بناءً على المعلومات السابقة المختارة، على الرغم من وجود حلول أفضل في فضاء المعلمات. تؤكد النتائج على أهمية فهم كيف تؤثر المعرفة والمعتقدات حول المعلمات على الاستنتاجات وتبرز إمكانات نهج مدفوع بالبيانات، مثل DIP-DCM المقترح، لتحديد المعلومات السابقة المثلى بشكل فعال.
مناقشة
في هذه الدراسة، يقدم المؤلفون نهجًا جديدًا لتقدير المعلمات، وهو نمذجة السببية الديناميكية المستنيرة بالديناميات (DIP-DCM)، لتعزيز عملية الاستنتاج في نماذج الكتلة العصبية (NMMs). تستخدم الدراسة مجموعتين مستقلتين من بيانات التصوير العصبي: واحدة تتضمن تسجيلات EEG من مشاركين أصحاء تحت تأثير أدوية مضادة للتشنجات (ASMs) والأخرى تستخدم بيانات MEG من مرضى الفصام. تشير النتائج إلى أن المعلومات السابقة التقليدية يمكن أن تحيز النتائج وتتجاهل التكوينات البديلة، مما يؤدي إلى استنتاجات دون المستوى الأمثل. يعالج DIP-DCM هذا من خلال دمج تقنيات التحسين العالمية مع الاستغلال المحلي، مما يسمح باستكشاف أكثر شمولاً لفضاءات المعلمات ويحقق استنتاجات أكثر موثوقية وحساسية بشأن تأثيرات ASMs على الديناميات العصبية.
تظهر النتائج أن DIP-DCM يتفوق على نهج DCM القياسية من خلال تحديد تأثيرات إضافية وتقديم فهم أعمق للآليات الكامنة. على سبيل المثال، بينما فشلت DCM القياسية في اكتشاف تغييرات كبيرة في الديناميات المشبكية المثيرة والمثبطة بعد إدارة ASM، كشف DIP-DCM عن تغييرات دقيقة في معلمات مثل ثابت الزمن المثير (Te) وثابت الزمن المثبط (Ti). تؤكد الدراسة على أهمية اختيار المعلمات في الاستدلال البايزي، موضحة أن DIP-DCM يمكن أن يولد فرضيات دقيقة تعكس تعقيدات الديناميات العصبية، مما يسهم في فهم أفضل للتأثيرات الدوائية والحالات المرضية.
DOI: https://doi.org/10.1162/imag.a.1250
PMID: https://pubmed.ncbi.nlm.nih.gov/42232074
Publication Date: 2026-01-01
Author(s): Alessia Caccamo et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
Neural Mass Models (NMMs) serve as crucial mathematical frameworks for understanding both healthy and pathological brain activities by inferring hidden neural mechanisms. A pivotal aspect of this inference process is parameter estimation, which aligns NMMs with neuroimaging data. Among various methods for parameter estimation, Dynamic Causal Modelling (DCM) stands out due to its Bayesian inference approach, which is particularly sensitive to the specification of prior parameter distributions that reflect a priori hypotheses regarding the data’s underlying causes. However, many parameters within NMMs represent neuronal properties that cannot be directly measured, leading to challenges in the absence of robust empirical data and well-founded prior beliefs.
The study concludes that multiple calibrations and corresponding inferences can arise from the same NMM and M/EEG data. To address this issue, it proposes a dynamics-informed framework for DCM, offering an alternative approach that may enhance the reliability and interpretability of parameter estimates in NMMs. This framework aims to improve the understanding of neural dynamics by integrating insights from the observed data more effectively.
Introduction
The introduction of this research paper outlines the limitations of traditional Dynamic Causal Modelling (DCM) in neuroimaging, particularly regarding the challenges of parameter estimation and the potential for bias due to poorly informed priors. To address these issues, the study introduces a novel approach called DCM with dynamics-informed priors (DIP-DCM), which utilizes genetic algorithms (GAs) to derive parameter priors directly from data. This method aims to enhance the robustness of parameter estimation by exploring diverse parameter configurations that are informed by model dynamics and empirical observations, thereby mitigating the challenges posed by local minima and degeneracy in the parameter landscape.
The paper emphasizes the significance of Neural Mass Models (NMMs) in simulating cortical dynamics and the necessity of accurate parameter priors for effective causal inference. It critiques existing optimization techniques, such as Markov Chain Monte Carlo and Gaussian Process Optimization, for their limitations in handling non-convex objective functions typical of electrophysiological data. By leveraging GAs, DIP-DCM not only improves parameter estimation accuracy but also broadens the applicability of DCM in exploratory studies, particularly in contexts where prior hypotheses are weak or absent. The methodology is validated through applications to independent neuroimaging datasets, demonstrating its potential to capture key mechanistic signatures of psychiatric conditions and pharmacological effects.
Methods
In this section, the authors describe the methodologies employed in their research, focusing on the “LFP” model, which is capable of generating a diverse range of dynamics, including high-frequency oscillations, surpassing the traditional Jansen and Rit neural mass model (NMM). The LFP model consists of three interconnected neuronal populations corresponding to specific cortical layers, with each population’s activity represented through average post-synaptic potentials and firing rates. The post-synaptic potential is modeled using a second-order differential equation, facilitating a linear representation of synaptic interactions, while the average firing rates are derived from a nonlinear sigmoid function that converts the post-synaptic potential into firing rates. Detailed parameters and their biological implications are elaborated in Moran et al. (2007) and Supplementary 1.
Additionally, the authors employ a Bayesian model averaging technique, referred to as DIP-DCM, which enhances predictive accuracy by averaging over multiple realizations (at least 400) to mitigate noise and individual fluctuations. This method allows for customization of the number of priors and inversions based on the specific objectives of the study, with Study 1 utilizing 500 priors and Study 2 utilizing 400. A summary of the DIP-DCM approach is illustrated in Figure 1, with further elaboration provided in Appendix A.
Results
In this section, the authors present findings related to the challenges of parameter estimation in dynamic causal modeling (DCM) using free energy landscapes. They specifically examine the impact of prior distributions on the estimation of the connectivity parameter \( G_1 \), which quantifies the interaction between pyramidal and stellate cell populations. Given that \( G_1 \) is a lumped parameter difficult to measure directly, selecting an appropriate prior is crucial. The study utilized the “LFP” neural mass model fitted to the power spectral density (PSD) of EEG data collected under baseline conditions. By varying the mean of the prior distribution for \( G_1 \) in log space from \([-1, 0.85]\), the authors constructed a free energy profile that revealed how small perturbations in parameter values led to significant changes in model dynamics, resulting in discontinuities in the free energy landscape and isolated basins of convergence.
The results indicate that when the inversion process began with the standard prior, the posterior estimate of \( G_1 \) did not align with the global maximum of the free energy landscape, which remained unexplored. This suggests that variational inference methods, particularly those employing gradient descent, may converge on suboptimal solutions based on the chosen prior, despite the existence of better solutions in the parameter space. The findings underscore the importance of understanding how knowledge and beliefs about parameters influence inferences and highlight the potential of a data-driven approach, such as the proposed DIP-DCM, to identify optimal parameter priors effectively.
Discussion
In this study, the authors introduce a novel parameter estimation approach, Dynamics-Informed Dynamic Causal Modeling (DIP-DCM), to enhance the inference process in neural mass models (NMMs). The research utilizes two independent neuroimaging datasets: one involving EEG recordings from healthy participants under various anti-seizure medications (ASMs) and the other employing MEG data from patients with schizophrenia. The findings indicate that traditional parameter priors can bias results and overlook alternative configurations, leading to suboptimal inferences. DIP-DCM addresses this by integrating global optimization techniques with local exploitation, allowing for a more comprehensive exploration of parameter spaces and yielding more reliable and sensitive inferences regarding the effects of ASMs on neural dynamics.
The results demonstrate that DIP-DCM outperforms standard DCM approaches by identifying additional effects and providing a richer understanding of the underlying mechanisms. For instance, while standard DCM failed to detect significant changes in excitatory and inhibitory synaptic dynamics following ASM administration, DIP-DCM revealed nuanced alterations in parameters such as the excitatory time constant (Te) and inhibitory time constant (Ti). The study emphasizes the importance of parameter selection in Bayesian inference, showing that DIP-DCM can generate precise hypotheses that reflect the complexities of neural dynamics, ultimately contributing to a better understanding of pharmacological effects and pathological conditions.