2024年12月23日，PLOS Computational Biology 期刊发表了来自韩国浦项国立大学和延世大学的研究团队的一项研究成果。该研究由 Jiyoung Kang 和 Hae-Jeong Park* 共同完成，旨在解决神经科学中一个日益凸显的挑战：如何整合来自不同空间尺度和模态、且常常是部分观测的多尺度、多模态神经影像数据，以更准确、更全面地推断大规模神经回路的功能与连接。
研究的学术背景与目的
人脑是一个典型的多尺度系统，微观层面局部神经元集群的相互作用与宏观层面全脑网络的大尺度活动相互交织、彼此影响。为了理解这一复杂系统，神经科学家们发展出了多种成像技术，例如钙离子成像（Calcium Imaging, CaI）、电压敏感染料成像（Voltage-Sensitive Dye Imaging, VSDI）和功能性磁共振成像（functional Magnetic Resonance Imaging， fMRI）等。每种技术都有其独特的优势与固有的权衡：CaI 能提供单细胞或神经元集群水平的高空间分辨率活动信号，但视野有限；VSDI 能以高时空分辨率反映膜电位变化，通常覆盖皮层柱尺度；而fMRI检测的血氧水平依赖（Blood-Oxygen-Level-Dependent， BOLD）信号则能以毫米级分辨率覆盖全脑，但时间分辨率较低（秒级）。在动物研究中，同时或分别获取这些多模态信号正变得日益普遍，它们提供了互补的神经活动视角。
然而，将这些不同尺度、不同覆盖范围、甚至可能是部分观测（即某些模态只覆盖了神经回路的一部分区域）的数据整合起来，以估计一个统一的、覆盖更广范围的神经回路模型，是极具挑战性的。传统的动态因果建模（Dynamic Causal Modeling, DCM）框架虽然成功应用于单一模态（如EEG、fMRI）的神经连接推断，但其在面对异质性多模态数据时存在局限。因此，本研究的目标是开发一种新的计算框架——多模态多尺度动态因果模型（Multimodal Multiscale DCM, MMS-DCM）。该框架的核心假设是：从一个尺度（如局部高分辨率）获得的信息可以约束和改善对另一个尺度（如全局低分辨率）神经回路的估计，反之亦然。通过这种局部与全局信息的迭代式、互惠式整合，研究者旨在实现对复杂神经回路更稳健、更准确的参数推断。
研究方法与详细工作流程
本研究采用了一个严谨的“模拟验证”工作流程，即首先基于真实的实验数据构建一个虚拟的“地面真实”神经回路模型，然后用该模型生成模拟的多模态信号，最后测试MMS-DCM框架从这些模拟信号中恢复原始模型参数的能力。这种方法允许研究者在已知“正确答案”的情况下，系统地评估和验证新算法的性能。
第一步：构建虚拟地面真实系统 研究的起点是来自小鼠桶状皮层（Barrel Cortex）L2/3层的真实CaI实验数据。研究者将这些时空数据划分为四个子区域（在模型中称为“皮层柱”），并使用独立成分分析等方法，将每个子区域的神经元活动归类为三个神经群体：两个兴奋性群体和一个抑制性群体，这与经典的Jansen-Rit神经群体模型结构一致。基于这12个CaI信号（4个柱 × 3个群体），研究者使用一个基于卷积的神经群体模型作为DCM的神经状态动力学模型。通过一个结合了贝叶斯优化（Bayesian optimization）和标准DCM参数估计的流程，优化了模型参数，包括：群体内的固有连接强度（A_intra）、群体间的外部连接强度（A_inter）、输入调制参数（C）、膜时间常数（T），以及CaI观测模型中的特定参数（如钙离子衰减时间常数τ_ca）。最终得到的、能够很好拟合实验CaI信号的参数化模型，就被确立为后续所有虚拟实验的“地面真实”模型。该模型包含四个相互连接的皮层柱，每个柱包含三个神经群体，总计12个观测群体，以及一个隐藏的外部输入区域。
第二步：开发MMS-DCM框架 MMS-DCM框架的核心创新在于其模型结构。与为不同模态使用不同神经状态模型的传统多模态DCM不同，MMS-DCM采用一个共享的神经状态动力学模型。这个共享模型（即第一步中建立的卷积神经群体模型）代表了所有模态观测背后共同的、假设存在的底层神经电路活动。然后，针对CaI、VSDI和BOLD三种信号，MMS-DCM分别配有三个模态特异的观测模型： 1. CaI观测模型：将神经群体的膜电位通过模拟钙离子动力学（包含钙离子通道、钙浓度变化和Hill型饱和函数）转换为模拟的荧光信号。 2. VSDI观测模型：采用线性模型，将一个皮层柱内所有神经群体的膜电位按权重（兴奋性群体权重高，抑制性群体权重低）求和，得到该柱的模拟VSDI信号。 3. BOLD观测模型：采用标准的神经血管耦合与血流动力学模型，将神经群体的突触活动（兴奋性和抑制性输入的总和）转化为模拟的BOLD信号。
模型参数估计的目标是，给定一组观测到的多模态信号Y = [Y_CaI， Y_VSDI， Y_BOLD]，通过变分拉普拉斯方法最大化模型的自由能（Free Energy），从而同时推断出共享神经状态模型的参数和各个观测模型的参数。
第三步：提出迭代式参数估计策略 这是本研究方法学上的另一大亮点。针对“部分观测”的挑战（例如，只有第一个柱有CaI信号，但所有四个柱都有VSDI信号），研究者设计了一个迭代的、互惠的估计流程，而非传统的一步到位估计。其基本思想是让局部（高分辨率）和全局（大范围）信息相互指导。以一个典型的实验设置为例（实验1：仅柱1有CaI信号，所有四个柱有VSDI信号）： 1. 步骤1（局部估计）：仅使用柱1的CaI信号，估计该柱的局部电路参数（A_intra， C， T）。这提供了该区域神经属性的详细信息。 2. 步骤2（全局粗估）：将步骤1估计出的柱1局部参数，作为先验期望赋予其他没有CaI信号的柱（柱2-4）。然后，使用所有柱的VSDI信号（全局信息）来估计全局电路参数，主要是柱间连接A_inter。此时，局部属性由CaI信息约束，全局连接由VSDI信息探索。 3. 步骤3（局部更新）：将在步骤2中获得的全局电路信息（包括受约束的其他柱参数）反馈回来，在缩小的参数空间内，重新更新所有柱的局部参数期望。 4. 步骤4（联合微调）：最后，在步骤3结果的基础上，对包括局部和全局在内的所有模型参数进行联合精细微调，使用完整的观测信号进行最终的标准DCM估计。
这个迭代过程的核心在于，它允许用高分辨率局部数据为未观测区域提供生物学上合理的先验约束，同时用大范围全局数据来帮助揭示和细化局部回路的细节，从而克服了单一尺度数据信息不足的问题。
第四步：系列虚拟实验验证 为了全面验证MMS-DCM的有效性和优势，研究者设计了五个实验，在虚拟地面真实系统上生成了不同组合的模拟信号，并对估计结果进行评估。每个实验都对比了提出的迭代估计方法和传统的一步估计方法（即直接用所有数据和宽泛的先验同时估计所有参数）。 - 实验1（基本验证）：验证迭代估计流程本身。使用“柱1 CaI + 所有柱VSDI”的信号组合。结果明确显示，迭代估计方法在信号拟合的均方根误差（RMSE）和参数恢复的相关系数上均显著优于一步估计。 - 实验2a（局部信息对全局估计的价值）：证明利用局部CaI信息估计出的参数作为先验，能显著提高仅使用VSDI信号估计全局连接（A_inter）的准确性。不使用局部先验的方法性能最差。 - 实验2b（全局信息对局部估计的价值）：证明即使只关注一个局部柱（柱1）的参数，使用包含全局VSDI信号的完整数据集进行估计，也比仅使用该柱自身CaI信号进行孤立估计，能得到更准确的局部参数。 - 实验3（跨实验数据整合）：模拟更现实的场景，即CaI和VSDI数据是在不同时间、由于实验条件微小扰动（模拟输入增益变化）而分别采集的。MMS-DCM能够整合这种异步、略有差异的数据集，并仍能对核心神经电路参数做出合理估计，展示了其对真实世界数据波动的鲁棒性。 - 实验4（全模态整合）：将BOLD信号引入框架。使用“柱1 CaI + 柱1&2 VSDI + 区域1&2 BOLD”的信号组合（区域由两个柱组成）。迭代估计再次在拟合所有三种信号和恢复参数方面表现更优。 - 实验5（扩展系统）：将模型扩展至包含两个大区域（共四个柱，28个神经群体）的更复杂系统，其中第二个区域仅有BOLD信号。迭代MMS-DCM成功地将从第一个区域学到的局部电路特征传递到第二个未精细观测的区域，实现了对整个扩展系统参数的准确估计，而一步估计则完全失败，尤其是无法再现第二个区域的BOLD信号。
研究的主要结果
所有虚拟实验的结果一致且有力地支持了MMS-DCM框架的有效性和优越性。 1. 迭代估计显著优于一步估计：在所有实验设置中，迭代式参数估计方法在重建观测信号（更低的RMSE）和恢复地面真实模型参数（更高的相关系数）方面都 consistently 优于传统的一步估计方法。这表明，通过分阶段、互惠式地利用不同尺度的信息，算法能够更有效地探索高维参数空间，找到更接近真实生物情况的解。 2. 局部与全局信息具有互惠价值：实验2a和2b清晰地证明了研究核心假设：局部高分辨率数据（如CaI）能为大范围连接估计提供至关重要的节点属性约束；反之，大范围低分辨率数据（如VSDI或BOLD）提供的网络上下文信息，也能帮助更准确地确定局部回路的动力学特性。二者并非独立，而是相辅相成。 3. 框架具备处理现实复杂性的能力：实验3表明MMS-DCM可以处理并非完美同步采集、存在一定实验间变异的多模态数据。实验4和5则证明框架能够成功整合时空特性迥异的三种模态（CaI， VSDI， BOLD），并将其应用于具有部分观测的更大型、更复杂的神经系统中。特别是实验5的结果显示，该框架具备“举一反三”的能力，可以将从一个脑区学到的微电路组织模式，推广到其他观测不完整的脑区。 4. 后验不确定性降低：在实验5中，研究者进一步分析了参数估计的后验收缩（Posterior Shrinkage）。发现迭代估计方法比一步估计能更大幅度地降低参数的后验方差，说明迭代方法确实更有效地利用了数据中的信息，减少了估计的不确定性。
研究的结论与意义
本研究成功开发并验证了多模态多尺度动态因果建模（MMS-DCM）框架。该框架通过结合一个共享的神经状态模型和多个模态特异的观测模型，并采用一种新颖的迭代式、互惠式参数估计策略，有效地解决了整合部分观测、多尺度神经信号以推断大规模神经回路的难题。
其科学价值在于：首先，提供了一种强大的计算方法论，能够将神经科学中日益丰富的多模态数据转化为对神经回路结构与功能的统一、量化理解，弥合了微观细胞活动与宏观脑网络动力学之间的鸿沟。其次，深化了我们对多尺度神经系统中信息流与相互作用的理解，通过计算实验证实了局部与全局神经动力学之间紧密的、相互约束的关系。最后，拓展了DCM的应用边界，使其能够适应更复杂、更贴近实际研究（尤其是临床前动物研究）场景的数据整合需求。
在应用层面，MMS-DCM为神经科学研究，特别是那些依赖多模态成像的领域（如系统神经科学、计算精神病学、神经退行性疾病研究），提供了一个有潜力的新工具。它不仅可用于分析同时采集的多模态数据，也能整合来自同一受试个体不同实验阶段的数据，最大化数据价值。未来，该框架有望应用于人类研究，例如整合颅内脑电图（iEEG/SEEG）与无创的脑电图（EEG）/磁电图（MEG）或fMRI数据，用于癫痫网络等大规模脑回路的研究。
研究的亮点与创新
其他有价值的内容
研究在方法部分详细介绍了如何将贝叶斯优化与DCM结合，以高效确定模型参数的参考值（超参数优化），这为处理具有复杂参数化形式的生物物理模型提供了实用的技术细节。此外，作者在讨论部分也坦诚了研究的局限性，主要是目前仅在模拟数据上验证，将其应用于真实实验数据并应对真实生物系统的异质性和模型退化等问题，是未来的重要方向。同时，作者指出该框架具有很好的可扩展性，其核心思想（共享状态模型+迭代互惠估计）可以适配于其他类型的神经动力学模型（如电导模型），或应用于更复杂的多状态动态系统分析。