面向个性化神经科学:在神经质量模型中评估个体级信息

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:

• 使用神经质量模型 (NMMs) 的宏观大脑建模模拟整个大脑的动态.
• 基于Connectome的NMM能够实现个性化的模型,但由于样本大小小和计算限制,它们难以处理个体的神经特征.

研究的目的:

• 为大规模数据集开发和应用一个高效,算法可差异化的NMM.
• 调查NMM参数捕捉个体特异的神经特征和行为指标的能力.

主要方法:

• 使用可微分减少的Wong-Wang (RWW) 模型进行高效的优化.
• 将模型应用于来自1444名参与者的静止状态fMRI数据.
• 优化了具有不同参数复杂度 (4,658,23,875) 的模型,并评估了功能连接 (FC) 中的差异解释.

主要成果:

• 优化的RWW模型解释了实证FC变异的4%,19%和56%,参数复杂性增加.
• 基于模拟FC的对象识别准确性从<1%提高到近100%,复杂性增加.
• 模型参数和属性 (年龄,性别,智商) 之间的个人级别相关性很小 (效果大小:η2 ≤0.03,β ≤0.234).

结论:

• 目前的RWW NMM实现能够稳定地复制静态动态,但对于个别行为指标缺乏细节性.
• 存在一个关键的对齐问题:神经模式和行为结构可能无法一对一地图.
• 未来的研究需要更具表现力的模型和多模式数据来弥合神经相似性和临床个性化之间的差距.