Modelo de computación cerebral individualizado y estable informado por patrones de coactividad espaciotemporal

Área de la Ciencia:

• Neurociencia
• Biología computacional
• Modelado de redes cerebrales

Sus antecedentes:

• La simulación cerebral precisa es crucial para comprender la cognición, el comportamiento y desarrollar terapias personalizadas para enfermedades cerebrales.
• Los modelos de neurodinámica tradicionales, que dependen de la conectividad estructural, luchan por capturar completamente la información cerebral para simulaciones individualizadas de alta fidelidad.
• Los modelos existentes enfrentan desafíos para lograr simulaciones precisas de la actividad de todo el cerebro a nivel individual.

Objetivo del estudio:

• Introducir un marco novedoso basado en datos, el Modelo de Computación Cerebral Individualizado y Estable (SI-BCM), para simular la actividad de todo el cerebro.
• Inferir patrones de coactividad espaciotemporal a partir de datos de fMRI para capturar patrones intrínsecos de colaboración funcional.
• Mejorar la precisión y confiabilidad de las simulaciones cerebrales a nivel individual.

Principales métodos:

• Desarrollo del Modelo de Computación Cerebral Individualizado y Estable (SI-BCM), un marco de ingeniería inversa basado en datos.
• Integración de información dimensional espaciotemporal para extraer patrones de conectividad estables y compartidos que representan la colaboración funcional intrínseca.
• Incorporación de una nueva función de costo basada en la matriz de Asociación de Espacio de Fases (PSA) para mejorar la captura de la dinámica.
• Utilización de datos de resonancia magnética funcional (fMRI) para inferir patrones de actividad de todo el cerebro.

Principales resultados:

• Se logró un alto coeficiente de correlación de 0.87 entre la conectividad funcional (FC) simulada y la empírica.
• Se demostró una mayor precisión, robustez y confiabilidad de la simulación a nivel individual en comparación con los modelos existentes.
• Se mostró la sensibilidad del modelo a los cambios en la función cognitiva, ofreciendo información sobre los mecanismos neuronales.
• Se aplicó con éxito SI-BCM para modelar pacientes con enfermedad de Alzheimer (EA), apoyando la hipótesis de excitación neuronal excesiva en la patogénesis de la EA.

Conclusiones:

• El SI-BCM establece un nuevo paradigma para el modelado de redes cerebrales al priorizar la inferencia de dinámicas estables a partir de datos de actividad.
• Este marco proporciona una herramienta poderosa para comprender la compleja función cerebral y la fisiopatología.
• El éxito del modelo en la simulación de la actividad cerebral individual y el modelado de la EA ofrece un potencial significativo para aplicaciones clínicas e investigación.