一个时空因果模型,用于揭示婴儿大脑发育变化在生命的第一年有效连接网络的婴儿大脑

科学领域:

• 神经科学是一个神经科学.
• 发育神经科学的发展神经科学.
• 计算神经科学是一种神经科学.

背景情况:

• 生命的第一年对婴儿大脑发育至关重要,涉及到显著的结构和生理变化.
• 传统的功能连接研究存在局限性;有效连接 (EC) 提供了对因果大脑相互作用的更深入的见解.
• 推断EC的现有方法,特别是婴儿,是有限的,需要新的方法.

研究的目的:

• 开发和验证一种新的时空格兰杰因果模型,用于发现时间序列数据中的因果关系.
• 调查婴儿在生命第一年有效连接 (EC) 网络的与年龄相关的变化.
• 分析婴儿大脑连接的发育轨迹和网络特性.

主要方法:

• 提出了一种新的时空格兰杰因果模型,其中包含一种稀疏性诱导惩罚,以获得强大的因果推理.
• 在模拟数据集上验证了模型,在接收器操作特征曲线 (AUROC) 下的区域和精度召回曲线 (AUPRC) 下的区域中实现了卓越的性能.
• 将模型应用于健康婴儿的静止电脑图 (EEG) 数据,以映射EC网络中的动态变化.

主要成果:

• 该模型在模拟数据上表现出高精度,性能优于现有方法.
• 在婴儿EC网络中揭示了与年龄相关的明显模式,包括右半球侧面化 (3-9个月) 转向对称性 (9-12个月).
• 观察到EC的后向前发展轨迹,与髓化相一致,并且随着年龄的增长,网络效率 (集群系数,总效率) 提高.

结论:

• 这项研究开创了因果发现的应用,用于绘制婴儿大脑在生命第一年的EC发育的地图.
• 这些发现为早期婴儿期大脑网络的动态变化和发育轨迹提供了新的见解.
• 开发的模型为未来关于婴儿神经发育和相关疾病的研究提供了一个强大的工具.