基于变分拉普拉斯近似的动态因果模型在多元稳定皮层环路中的局限性分析

《Neuroinformatics》:Limitations of Variational Laplace-Based Dynamic Causal Modelling for Multistable Cortical Circuits

【字体: 大 中 小 】 时间:2026年04月02日 来源:Neuroinformatics 3.1

编辑推荐:

  本文探讨了动态因果模型(DCM)在多元稳定非线性神经系统中应用的可靠性问题。研究者通过构建具有双稳态定点、倍周期分岔和确定性混沌三种多元稳定动力学的皮层柱状神经群体模型,模拟局部场电位(LFP)数据,并利用DCM进行模型选择和参数估计。结果表明,尽管贝叶斯模型选择(BMS)能够正确识别模型架构,但基于变分拉普拉斯(Laplace)近似的标准DCM估计方法无法准确恢复外源性连接强度,导致重构系统与真实系统在动力学上存在显著差异。这提示了在涉及分岔、混沌轨迹等复杂动力学的实验范式中应用此类DCM时需要谨慎。

  
在探索大脑奥秘的征程中,科学家们一直致力于绘制大脑不同区域之间如何进行“对话”的图谱,即有效连接。动态因果模型(Dynamic Causal Modelling, DCM)正是这样一把强大的钥匙,它被广泛应用于从神经影像数据(如脑电图EEG、功能磁共振成像fMRI)中推断脑区间的有效连接,从而帮助我们理解认知功能甚至神经系统功能障碍的神经基础。DCM的核心在于结合了生成性神经群体模型(模拟神经元动力学和观测数据)和贝叶斯统计推断(用于模型选择和参数估计)。其中,标准的事件相关电位(ERP) DCM采用了一种名为“变分拉普拉斯”(Variational Laplace)的估计算法,它在计算上高效,但有一个潜在的弱点:它假设模型参数的后验分布是局部高斯的。这就引出了一个关键问题:对于大脑这种以复杂、非线性,甚至具有多重稳定状态(多元稳定)动力学著称的系统,这种基于高斯近似的“简化”推断方法,还能可靠地捕捉其真实的连接结构吗?这正是本研究试图回答的问题。
为了深入探究这一局限性,研究团队没有直接使用充满未知的真实人脑数据,而是采用了“模拟-检验”的策略。他们首先扮演“造物主”,构建了三种具有明确动力学特性和已知真实连接参数的生物合理性皮层柱状神经群体模型。这三种模型分别模拟了大脑中可能存在的三类复杂多元稳定行为:1) 与决策相关的双稳态定点(系统可以稳定在两个不同的状态,模拟二选一决策);2) 通过倍周期分岔产生的共存振荡状态(系统可以在两种不同频率的节律性活动之间切换);3) 确定性混沌(系统行为极端复杂且对初始条件极度敏感)。接着,他们用这些“真实模型”模拟生成局部场电位(Local Field Potential, LFP)数据,再将这些LFP数据作为输入,交给标准的时间域ERP-DCM(基于变分拉普拉斯近似)进行分析,看它能否“反推”出真实的模型架构和连接强度。
本研究主要采用了以下关键技术方法:首先,构建并模拟了三种基于皮层柱结构的神经群体模型,作为已知“地面实况”的数据生成器。其次,利用生成的LFP数据,在动态因果模型(DCM)框架内进行模型估计,重点关注了贝叶斯模型选择(Bayesian Model Selection, BMS) 和贝叶斯模型平均(Bayesian Model Averaging, BMA) 来评估模型识别和参数恢复的准确性。研究在SPM12软件包中实施了修改后的ERP-DCM方程,以适应不同的动力学机制,并通过随机效应(RFX)程序进行组水平推断。对于非线性动力学的表征,研究计算了李雅普诺夫指数(Lyapunov exponent) 来量化系统的混沌特性。数值模拟在MATLAB环境中完成,并利用了高性能计算设施。
研究结果
1. 皮层柱状模型在决策中的多元稳定定点
研究人员首先展示了一个具有自反馈的双柱皮层神经群体模型,该模型在决策任务中表现出典型的心理物理学特征:正确率随证据质量提高而增加,决策时间则相应减少,且错误决策通常比正确决策更慢,符合速度-准确性权衡规律。这验证了该模型能够复现真实的决策动态。
2. DCM能正确识别决策模型架构,但无法准确估计连接强度
为了评估DCM,研究设置了包含三种可能连接架构(仅侧向连接、仅前馈-反馈连接、全连接)的模型空间。贝叶斯模型选择(BMS)的结果非常明确:变分拉普拉斯DCM在所有试验类型(正确、错误、全部试验)中,都可靠地将具有侧向连接的真实模型识别为最可能的架构。这意味着DCM在“选择题”上得了高分,能成功从几个候选模型中挑出正确的那个。
然而,当通过贝叶斯模型平均(BMA)来估计获胜模型的外在连接强度时,问题出现了。估计出的侧向连接强度与真实值存在显著偏差。这种偏差导致了重建模型在行为学输出上与真实模型不同:重建的正确率曲线形状发生改变,并且错误决策的标准化决策时间被系统性低估。这表明,即使选对了模型“蓝图”,DCM的“施工队”(参数估计算法)也没能准确地“施工”,导致建成的“建筑”(动力学)与设计图不符。
3. 皮层柱状模型与倍周期动力学及混沌动力学
研究进一步将测试扩展到更复杂的动力学机制——倍周期和混沌。模型空间保持不变。在倍周期和混沌的真实模型中,模拟的神经活动分别表现出特征性的振荡模式切换和无规则的混沌涨落,其相空间轨迹和李雅普诺夫指数也证实了这些复杂的动力学特性。
4. DCM能正确识别倍周期和混沌模型架构,但无法准确估计连接强度
与决策模型的结果类似,BMS再次成功地在倍周期和混沌机制中识别出了侧向连接的真实模型架构。但同样,DCM估计的连接强度严重偏离真实值。当使用这些估计出的连接强度来模拟网络活动时,结果令人担忧:倍周期模型失去了在两个振荡状态间切换的特性,其相空间轨迹退化为单一的稳定振荡(李雅普诺夫指数为零);混沌模型的混沌涨落也被规则的振荡模式所取代,复杂的混沌吸引子结构消失,同样退化为稳定振荡(李雅普诺夫指数为零)。这清晰地表明,DCM的参数估计错误足以彻底改变系统的全局非线性动力学性质,使其从一个多元稳定、复杂的系统“退化”为一个简单的稳定系统。
研究结论与讨论
本研究系统地评估了基于变分拉普拉斯近似的DCM在推断具有多元稳定动力学的神经回路有效连接时的能力。核心结论是:尽管DCM的贝叶斯模型选择能够可靠地识别出正确的模型架构,但其标准的参数估计程序在多元稳定动力学条件下会失效,无法准确恢复外在连接强度。
这一局限性具有重要的理论和实践意义。在理论上,它揭示了当前广泛应用的DCM推断方法(变分拉普拉斯近似)在处理具有分岔、混沌等全局非线性动力学的系统时存在固有缺陷。该近似方法对后验分布所做的高斯假设,可能无法捕捉多元稳定系统参数后验中可能存在的多峰性、偏态或强非线性依赖等复杂特征。
在实践上,该研究为神经影像领域的研究者敲响了警钟。DCM已被广泛应用于决策、工作记忆、认知灵活性、感知切换乃至癫痫等病理状态的研究中,这些过程通常都涉及多元稳定的神经机制。本研究结果表明,即使模型选择正确,基于DCM估计的连接参数得出的动力学和行为学推论也可能存在系统性偏差,导致对神经通信和信息处理的错误解读。例如,在决策研究中,不准确的连接估计可能导致对选择准确性或决策时间的误解。
此外,研究还发现了一些有价值的辅助结果。例如,结合正确和错误试验进行模型平均,可以减少估计连接强度的不对称性,起到正则化效果。研究也指出,基于交叉谱密度(CSD)的DCM在倍周期和混沌机制下,甚至无法通过BMS可靠地识别出真实模型架构,这进一步限制了该方法在涉及此类动力学的范式(如癫痫建模)中的应用。数据的时间分辨率也对DCM的估计能力有显著影响,更高的采样率有助于捕捉快速动态。
为了改进DCM在多元稳定系统中的应用,作者在讨论中提出了一些未来方向:采用非高斯先验或更灵活的变分推断方法以更好地捕捉复杂后验;使用自适应时间滤波来跟踪快速的神经状态转换;探索马尔可夫链蒙特卡洛(MCMC) 等抽样方法以获得更准确的后验估计;或结合机器学习的系统识别方法。同时,也需要考虑多启动初始化策略以避免陷入不良的局部最优解。
总之,这项研究通过严谨的计算模拟,揭示了当前主流DCM方法在复杂神经动力学场景下的“阿喀琉斯之踵”。它敦促研究者在将DCM应用于涉及分岔、混沌或其他形式动力学复杂性的实验范式时,必须保持必要的谨慎,并对参数估计的结果进行批判性解读。该研究也为未来开发更稳健、更能适应大脑复杂性的有效连接推断方法奠定了重要的基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号