部分观察到的多模式和多尺度神经信号的整合,以使用动态因果建模来估计神经电路

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 系统神经科学 系统神经科学

背景情况:

• 整合多尺度,多模式神经成像数据对于理解神经电路至关重要.
• 挑战来自于不同成像模式的空间覆盖和分辨率的权衡.
• 需要有效的计算策略来结合模式特定的信息.

研究的目的:

• 引入一个动态因果建模 (DCM) 框架,用于在神经回路中结合部分观察到的多尺度信号.
• 为应对具有不同空间覆盖面和分辨率的数据整合的挑战.
• 为了提高从多式联络数据中推断神经电路的准确性.

主要方法:

• 开发了一个DCM框架,共享神经状态模型和模式特定的观察模型.
• 采用了来自本地 (微尺度) 和全球 (介质/宏尺度) 电路的参数估计的代集成.
• 使用虚拟地面真实系统与成像 (CaI),电压敏感染料成像 (VSDI) 和BOLD信号验证了该方法.

主要成果:

• 提出的代参数估计方法显著提高了神经属性和连接性估计的准确性.
• 来自高分辨率数据的参数限制了全球电路估计,而大规模数据阐明了局部电路.
• 在各种实验设置和数据类型中展示了强大的电路推断.

结论:

• 局部和全球参数的代整合提供了一种可靠的方法,可以从部分观察到的,多模式的和多尺度的数据中推断复杂的神经电路.
• 跨不同尺度的相互信息增强可以改善整体电路参数估计.
• 这一框架通过有效地结合各种神经成像数据集,促进了对神经电路的全面理解.