对大规模功能性大脑网络的多模式和多模型询问.

科学领域:

• 计算神经科学是一种计算神经科学.
• 系统神经科学 系统神经科学
• 神经成像是一种神经成像.

背景情况:

• 现有的全脑模型往往是模式特定的,限制了跨模式的整合.
• 通过fMRI和MEG/EEG测量的神经活动,尽管存在差异,但可能来自共享的网络动态.
• 了解这些共同的动态是统一大脑建模方法的关键.

研究的目的:

• 开发和测试能够共同预测不同大脑信号模式 (fMRI,MEG/EEG) 的特征的大型模型.
• 调查自组织延迟合非线性系统的普遍原则是否可以将宏观结构连接体与观察到的神经活动联系起来.
• 评估Stuart Landau (SL) 和Wilson-Cowan (WC) 模型在跨模式捕获功能连接和元稳定振荡模式 (MOMs) 的性能.

主要方法:

• 利用斯图尔特·兰道和威尔逊-考恩模型来模拟40赫兹的振荡.
• 在实证fMRI和MEG数据中测量了功能连接 (FC),功能连接动态 (FCD) 和元稳定振荡模式 (MOM).
• 将模拟数据特征与实证测量进行比较,系统地调整全球合,平均传导时间延迟和激发抑制平衡 (对于WC模型).

主要成果:

• 具有优化参数 (特别是延迟) 的SL和WC模型都可以表示MEG FC,FCD,并相对应地生成MOM.
• 对于这两种模式来说,省略延迟显著降低了模型性能.
• 对于fMRI FCD和MOM,SL模型的表现较差,这表明超慢活动模式的平衡动态的重要性.
• 在fMRI和MEG模式中,最佳模型参数各不相同.
• 两种模型都没有实现具有相同参数的经验FC的高交叉模式相关性 (>0.4).
• 这两种模型都产生了超越解剖学约束和经验式MOM (大小,持续时间) 的FC模式.

结论:

• 跨时间尺度的神经活动的静态和动态特性从40 Hz的延迟合振荡器网络中出现.
• 神经电路中的mesoscale异质性可能对生成并行,交叉模式的功能网络至关重要.
• 未来的全脑建模应纳入这些中大尺度细节,以改善跨模式预测.