微分動的因果ネットワーク：モデル構築、同定、およびグループ比較

TL;DR（結論）

脳の微視的な神経活動から巨視的な現象までを統合的に理解するため、脳波（EEG）データから直接的に微分因果ネットワークを構築する新しいアプローチであるNccDCMが提案されました。この手法は、相互作用する神経細胞集団の平均的な挙動を記述する条件付き結合神経回路に基づいており、各ノードは局所的な神経システムを、有向エッジはノード間の伝達パラメータを表現しています。 提案されたネットワークは階層構造を持ち、ノードとエッジのパラメータは被験者ごとに変動しつつも混合効果モデルに従うよう設計されており、確率微分方程式のチェン・フリース展開を用いた進化的最適化アルゴリズムによって効率的なパラメータ推論を実現しています。この枠組みにより、大規模な神経接続のモデル化に伴う計算上の課題を克服し、個々の脳の異質性を考慮した解析が可能となりました。 実際の小児てんかん患者と対照群のEEGデータを用いた検証では、てんかん発作時および発作前における興奮性・抑制性介在ニューロンの不均衡や、脳内ネットワークの機能的断絶、および異常な結合パターンの変化を特定することに成功しました。この結果は、てんかんの病態メカニズムの解明や、脳活動のバイオマーカーとしての有効性を示唆しており、臨床的な診断や治療戦略の策定に寄与する可能性を秘めています。

なぜこの問題か

脳システムの病態生理学的モデルを微視的スケールから巨視的スケールまで構築することは、グループ比較において依然として困難な課題です。その主な理由は、関与するスケールにおいて数千ものニューロンの相互作用をモデル化することが事実上不可能であるためです。脳波（EEG）や脳磁図（MEG）といった非侵襲的なイメージング技術は、脳の動的な因果関係の発見や、脳卒中、運動ニューロン疾患、アルツハイマー病、パーキンソン病、てんかんなどの神経疾患を持つグループの比較において、因果関係を定量化するために頻繁に使用されています。これらの技術は、脳のダイナミクスを研究するための有望なツールであり、研究者や臨床医が脳活動を詳細な時間的解像度で測定し、特徴付けることを可能にします。 しかし、既存の動的因果モデリング（DCM）にはいくつかの大きな課題が存在します。第一に、非線形な神経質量微分方程式を解き、部分的にしか同定できないパラメータをサンプリングする方法が確立されていません。従来の線形近似では、スパイクや分岐、飽和などの強い非線形レジームが導入された場合に精度が低下するという問題があります。…

核心：何を提案したのか

本研究では、これらの課題に対処するために、複数の皮質領域にわたる条件付き結合動的因果モデルのネットワーク（NccDCM）を開発しました。この新しいアプローチは、EEGデータから直接的に微分因果ネットワークを構築するものであり、症例群と対照群のそれぞれに対して適用されます。…

続きはログイン/プランで閲覧できます。