DOI: https://doi.org/10.1038/s41596-025-01300-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41555071
تاريخ النشر: 2026-01-19
المؤلف: Nick Y. Larsen وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تحدد ورقة البحث بروتوكولًا لتحليل بيانات النشاط العصبي فيما يتعلق بالمتغيرات السلوكية والفسيولوجية من خلال الديناميات الزمنية. معترفًا بالتحديات في قياس هذه العلاقات، يقدم المؤلفون حزمة بايثون مفتوحة المصدر تعتمد على نموذج ماركوف المخفي العام (HMM)، وبالتحديد نموذج HMM الغاوسي الخطي. هذه الأداة تستوعب أنماط تجريبية متنوعة، مثل الدراسات القائمة على المهام ودراسات حالة الراحة، مما يجعلها متعددة الاستخدامات لمعالجة أسئلة متنوعة في علم الأعصاب والصحة النفسية.
يسهل البروتوكول الاستدلال الإحصائي باستخدام طرق قائمة على التبديل وإعادة أخذ العينات مونت كارلو المنظمة، مما يدير بفعالية المتغيرات المربكة، وتصحيحات الاختبار المتعددة، والعلاقات البيانية الهرمية. تم تصميمه ليكون سهل الاستخدام، حيث يقدم كل من مكتبة بايثون وواجهة رسومية، مما يلبي احتياجات الباحثين بمستويات مختلفة من الخبرة في البرمجة. بالإضافة إلى ذلك، تتضمن الحزمة أدوات تصور للنتائج الإحصائية ووثائق شاملة، مما يضمن سير عمل كامل لتحليل البيانات العصبية الوظيفية ودينامياتها الزمنية. تؤكد النتائج الرئيسية على قابلية تطبيق أنواع مختلفة من HMM في توصيف الحالات الكامنة في نشاط الدماغ عبر أنماط متعددة، بينما توفر أيضًا طرقًا للاستدلال الإحصائي بشأن العلاقة بين ديناميات الدماغ والسلوك.
مقدمة
تؤكد مقدمة ورقة البحث هذه على الهدف الحاسم لفهم العلاقة بين نشاط الدماغ والسلوك ضمن علم الأعصاب، بهدف تعزيز إدارة الصحة النفسية والاضطرابات العصبية. لتحديد هذه الروابط، يبرز المؤلفون استخدام تقنيات التنبؤ والاختبار الإحصائي، حيث يخدم كل منهما أغراضًا مميزة: تقنيات التنبؤ تقيم تعميم النموذج على بيانات جديدة، بينما تركز الأساليب التفسيرية على إنشاء روابط إحصائية موثوقة.
يقدم المؤلفون إطارًا إحصائيًا شاملاً، تم تنفيذه في حزمة بايثون، يسهل تحليل ديناميات الدماغ فيما يتعلق بالمتغيرات السلوكية والفسيولوجية. يعتمد هذا الإطار على نموذج ماركوف المخفي الغاوسي الخطي (GLHMM) ويدعم تصاميم تجريبية متنوعة، بما في ذلك تحليلات حالة الراحة. يقدم أربعة عائلات من الاختبارات الإحصائية: عبر الموضوعات، عبر التجارب، عبر الجلسات داخل الموضوعات، وعبر زيارات الحالة، كل منها يعالج استفسارات علمية محددة. من الجدير بالذكر أن الإطار يبرز البعد الزمني لنشاط الدماغ، مميزًا إياه عن الأساليب الحالية التي تحلل بشكل أساسي البيانات المتوسطة زمنياً. الأدوات المقدمة موثقة جيدًا وقابلة للتكيف للاستخدام في مجالات أخرى، مثل الاقتصاد والبيئة، مما يجعلها متعددة الاستخدامات لتحليل خصائص الأنظمة الديناميكية فيما يتعلق بالمتغيرات الخارجية.
الطرق
تحدد قسم الطرق صندوق أدوات إحصائي شامل مصمم لتحليل بيانات الدماغ (D) وبيانات السلوك (R) عبر ظروف تجريبية متنوعة. يدعم صندوق الأدوات أربعة اختبارات رئيسية: عبر الموضوعات، عبر التجارب، عبر الجلسات داخل الموضوع، وعبر زيارات الحالة. يتم هيكلة الإجراء في ثلاث مراحل: إعداد البيانات، التحليل الإحصائي، وتصوير النتائج. تشمل المقاييس الإحصائية المستخدمة الانحدار المتعدد المتغيرات، الاختبارات أحادية المتغير، وتحليل الارتباط الكنسي (CCA)، مع فرضية العدم التي تفترض عدم وجود ارتباط بين D و R. يتم تعريف المصفوفات كـ $D \in \mathbb{R}^{N \times p}$ و $R \in \mathbb{R}^{N \times q}$، حيث يمثل $N$ عدد الملاحظات، و$p$ عدد المتغيرات التنبؤية، و$q$ عدد النتائج.
يميز البروتوكول نفسه عن صناديق الأدوات الحالية (مثل FSL، SPM، AFNI، MNE، CONN) من خلال تمكين التحليلات الطولية التفصيلية وتقييمات الميزات المتغيرة زمنياً، والتي غالبًا ما تكون محدودة في أطر أخرى. بشكل محدد، يحتفظ بالهيكل الزمني عبر الجلسات، مما يسمح بالاستدلال من تجربة إلى أخرى. بالإضافة إلى ذلك، يسهل صندوق الأدوات اختبار زيارات الحالة، مما يربط حالات الدماغ بالمتغيرات الفسيولوجية المسجلة في الوقت نفسه. على عكس صناديق الأدوات الأخرى، يتم تنفيذ CCA مباشرة، مما يعزز تحليل العلاقات المتعددة المتغيرات. يدمج الإطار أيضًا تصحيحات الاختبار المتعددة واختبار التبديل الهرمي بسلاسة في خط أنابيب التحليل، مما يحسن الوصول والاستخدام للباحثين.
النتائج
يحدد قسم النتائج تصوير وتفسير النتائج الإحصائية باستخدام أدوات رسومية مثل خرائط الحرارة، الرسوم البيانية الشريطية، ومخططات الخطوط لتمثيل قيم P. يتم استخدام خريطة ألوان لوغاريتمية لتمييز النتائج المهمة، حيث تنتقل من الأحمر الداكن إلى الأصفر للاختلافات المهمة ومن الرمادي إلى الأزرق للاختلافات غير المهمة. يتم تنظيم النتائج بشكل منهجي في قاموس النتائج الذي يتضمن مكونات رئيسية مثل قيم P تحت فرضية العدم، إحصائيات الاختبار الملاحظة، إحصائيات التوزيع الصفري، ومقاييس إحصائية متنوعة (مثل إحصائيات t، إحصائيات F). بالإضافة إلى ذلك، يوضح نوع الاختبارات التي تم إجراؤها، والأساليب التحليلية المستخدمة، وتصحيحات المقارنات المتعددة.
يؤكد القسم على فائدة إطار GLHMM لتحليل الديناميات الزمنية، خاصة في علم الأعصاب، بينما يكون أيضًا قابلًا للتطبيق في مجالات بحثية أخرى. يصف كيف يسمح الإطار باستكشاف الروابط بين خصائص الأنظمة الديناميكية والمتغيرات الخارجية من خلال اختبارات إحصائية متنوعة، بما في ذلك اختبارات عبر الموضوعات، عبر التجارب، عبر الجلسات داخل الموضوعات، واختبارات عبر زيارات الحالة. تظهر النتائج المتوقعة مرونة الإطار، مع توفر البيانات الخام وسير العمل التحليلي لإعادة الإنتاج عبر دفاتر Jupyter على GitHub وZenodo.
المناقشة
في هذا القسم، يقدم المؤلفون إطارًا شاملاً لتحليل ديناميات الدماغ وعلاقتها بالسلوك باستخدام نموذج ماركوف المخفي العام (GLHMM). يوسع هذا النموذج نموذج ماركوف المخفي التقليدي (HMM) من خلال استيعاب تكوينات الحالة المختلفة والسماح بنمذجة انحدار مرنة عبر أنماط نشاط الدماغ المختلفة، مثل fMRI، MEG، EEG، ECoG، وإمكانات المجال المحلي (LFPs). يلتقط GLHMM ديناميات حالات الدماغ من خلال نهج الانحدار بايزي، حيث يتم نمذجة الملاحظات كـ \( Y_t | s_t = k \sim N(\mu_k + X_t \beta_k, \Sigma_k) \). تتيح هذه المرونة استكشاف الاتصال الوظيفي المتغير زمنياً وفحص كيفية ارتباط ديناميات الدماغ بالمتغيرات السلوكية من خلال اختبارات إحصائية قوية.
يقدم المؤلفون بروتوكولًا يتضمن أربعة أنواع من الاختبارات الإحصائية: عبر الموضوعات، عبر التجارب داخل الجلسة، عبر الجلسات داخل الموضوع، وعبر زيارات الحالة. تم تصميم كل اختبار لتقييم جوانب مختلفة من علاقات الدماغ والسلوك، مع استخدام الاستدلال القائم على التبديل لضمان الصلاحية الإحصائية دون الاعتماد على الافتراضات التوزيعية. يتضمن الإطار أيضًا تقنيات متقدمة مثل إعادة أخذ العينات مونت كارلو المنظمة للاختبارات المحددة، مما يعالج الاعتماد المحتمل بين الموضوعات. من خلال توفير نهج منهجي لدراسة علاقات الدماغ والسلوك الديناميكية، لا يساهم هذا البروتوكول فقط في تقدم أبحاث علم الأعصاب ولكن له أيضًا تطبيقات محتملة في مجالات مثل الاقتصاد والبيئة، حيث يكون تحليل البيانات الزمنية أمرًا حاسمًا.
القيود
تعترف ورقة البحث بوجود قيد كبير في صندوق الأدوات المقترح، الذي يستخدم حصريًا نماذج خطية للاختبار الإحصائي. قد يحد هذا الاعتماد على الخطية من تحليل مجموعات البيانات التي تظهر علاقات غير خطية. ومع ذلك، يشير المؤلفون إلى أن الأساليب الخطية المستخدمة يمكن تعديلها للسيناريوهات غير الخطية من خلال تطبيق توسعات الأساس المناسبة، مما يسمح باستكشاف نطاق أوسع من علاقات البيانات.
DOI: https://doi.org/10.1038/s41596-025-01300-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41555071
Publication Date: 2026-01-19
Author(s): Nick Y. Larsen et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
The research paper outlines a protocol for analyzing neural activity data in relation to behavioral and physiological variables through temporal dynamics. Recognizing the challenges in quantifying these relationships, the authors introduce an open-source Python package based on a generalized hidden Markov model (HMM), specifically the Gaussian-linear HMM. This tool accommodates various experimental modalities, such as task-based and resting-state studies, making it versatile for addressing diverse questions in neuroscience and mental health.
The protocol facilitates statistical inference using permutation-based methods and structured Monte Carlo resampling, effectively managing confounding variables, multiple testing corrections, and hierarchical data relationships. It is designed to be user-friendly, offering both a Python library and a graphical interface, thus catering to researchers with varying levels of programming expertise. Additionally, the package includes visualization tools for statistical results and comprehensive documentation, ensuring a complete workflow for analyzing functional neural data and their temporal dynamics. Key findings emphasize the applicability of different HMM variants in characterizing latent states in brain activity across multiple modalities, while also providing methods for statistical inference regarding the relationship between brain dynamics and behavior.
Introduction
The introduction of this research paper emphasizes the critical goal of understanding the relationship between brain activity and behavior within neuroscience, aiming to enhance the management of mental health and neurological disorders. To quantify these associations, the authors highlight the use of prediction techniques and statistical testing, each serving distinct purposes: prediction methods assess model generalization to new data, while explanatory approaches focus on establishing statistically reliable associations.
The authors present a comprehensive statistical framework, implemented in a Python package, that facilitates the analysis of brain dynamics in relation to behavioral and physiological variables. This framework is built upon the Gaussian-Linear Hidden Markov Model (GLHMM) and supports various experimental designs, including resting state analyses. It introduces four families of statistical tests: across-subjects, across-trials, across-sessions within subjects, and across-state visits, each addressing specific scientific inquiries. Notably, the framework emphasizes the temporal dimension of brain activity, distinguishing it from existing methods that primarily analyze time-averaged data. The tools provided are well-documented and adaptable for use in other fields, such as economics and ecology, making them versatile for analyzing dynamic system properties in relation to external variables.
Methods
The methods section outlines a comprehensive statistical toolbox designed for analyzing brain data (D) and behavioral data (R) across various experimental conditions. The toolbox supports four primary tests: across-subjects, across-trials, across-sessions-within-subject, and across-state-visits. The procedure is structured into three phases: data preparation, statistical analysis, and result visualization. The statistical measures employed include multivariate regression, univariate tests, and canonical correlation analysis (CCA), with the null hypothesis positing no association between D and R. The matrices are defined as $D \in \mathbb{R}^{N \times p}$ and $R \in \mathbb{R}^{N \times q}$, where $N$ represents the number of observations, $p$ the number of predictors, and $q$ the number of outcomes.
The protocol distinguishes itself from existing toolboxes (e.g., FSL, SPM, AFNI, MNE, CONN) by enabling detailed longitudinal analyses and time-varying feature assessments, which are often limited in other frameworks. Specifically, it retains the temporal structure across sessions, allowing for trial-by-trial inference. Additionally, the toolbox facilitates across-state-visits testing, linking brain states to concurrently recorded physiological variables. Unlike other toolboxes, CCA is directly implemented, enhancing the analysis of multivariate relationships. The framework also integrates multiple testing corrections and hierarchical permutation testing seamlessly into the analysis pipeline, improving accessibility and usability for researchers.
Results
The results section outlines the visualization and interpretation of statistical findings using graphical tools such as heatmaps, bar graphs, and line plots to represent P values. A logarithmic color map is employed to distinguish significant results, transitioning from dark red to yellow for significant differences and gray to blue for non-significant ones. The results are systematically organized in a results dictionary that includes key components such as P values under the null hypothesis, observed test statistics, null distribution statistics, and various statistical measures (e.g., t-statistics, F-statistics). Additionally, it details the type of tests performed, the analytical methods used, and corrections for multiple comparisons.
The section emphasizes the utility of the GLHMM framework for analyzing temporal dynamics, particularly in neuroscience, while also being applicable to other research fields. It describes how the framework allows for the exploration of associations between dynamic system properties and external variables through various statistical tests, including across-subjects, across-trials, across-sessions-within-subjects, and across-state-visits tests. The anticipated results demonstrate the framework’s versatility, with raw data and analysis workflows available for reproducibility via Jupyter notebooks on GitHub and Zenodo.
Discussion
In this section, the authors present a comprehensive framework for analyzing brain dynamics and their relationship to behavior using a generalized latent hidden Markov model (GLHMM). This model extends the traditional hidden Markov model (HMM) by accommodating various state configurations and allowing for flexible regression modeling across different brain activity modalities, such as fMRI, MEG, EEG, ECoG, and local field potentials (LFPs). The GLHMM captures the dynamics of brain states through a Bayesian regression approach, where the observations are modeled as \( Y_t | s_t = k \sim N(\mu_k + X_t \beta_k, \Sigma_k) \). This flexibility enables the exploration of time-varying functional connectivity and the examination of how brain dynamics correlate with behavioral variables through robust statistical testing.
The authors detail a protocol that includes four types of statistical tests: across-subjects, across-trials-within-session, across-sessions-within-subject, and across-state-visits. Each test is designed to assess different aspects of brain-behavior relationships, employing permutation-based inference to ensure statistical validity without relying on distributional assumptions. The framework also incorporates advanced techniques such as structured Monte Carlo resampling for specific tests, addressing potential dependencies among subjects. By providing a systematic approach to studying dynamic brain-behavior relationships, this protocol not only advances neuroscience research but also has potential applications in fields like economics and ecology, where temporal data analysis is crucial.
Limitations
The research paper acknowledges a significant limitation in its proposed toolbox, which exclusively employs linear models for statistical testing. This reliance on linearity may restrict the analysis of datasets exhibiting nonlinear relationships. Nevertheless, the authors note that the linear methods utilized can be adapted for nonlinear scenarios through the application of suitable basis expansions, thereby allowing for a broader range of data relationships to be explored.