Torus Graphs for Large Scale Neural Phase Analysis

Resumen Técnico: Grafos de Toros para el Análisis de Fase a Gran Escala

Planteamiento del Problema
Las señales neuronales oscilatorias, como el EEG y los potenciales de campo locales (LFP), exhiben relaciones de fase que coordinan la comunicación entre regiones cerebrales. Las tecnologías de registro modernas capturan ahora datos de alta dimensión (cientos de canales a través de muchos rangos de frecuencia), pero los métodos estándar de análisis de fase siguen siendo restringidos. La estadística circular clásica y las métricas de pares como el Valor de Bloqueo de Fase (PLV) no logran escalar más allá de unas pocas variables y no pueden distinguir interacciones directas de indirectas, lo que genera grafos de conectividad espurios. El modelo de Grafo de Toros (TG) fue introducido como una distribución de familia exponencial con principios capaces de inferir independencia condicional en datos de fase multivariantes, pero su aplicación se ha visto limitada a aproximadamente 100 variables. Esta limitación surge de la complejidad computacional de $O(d^6)$ de su inferencia estándar de ajuste de puntuación (score matching), que requiere resolver un sistema lineal que involucra una matriz de $2d^2 \times 2d^2$.

Metodología
Los autores proponen un conjunto de extensiones escalables al marco de los Grafos de Toros para permitir el análisis de miles de variables de fase:

1. Ajuste de Puntuación Estocástico (Stochastic Score Matching): Para superar el cuello de botella de $O(d^6)$, los autores reformulan el objetivo de ajuste de puntuación. Al utilizar productos de vector-Jacobiano (VJP) mediante diferenciación automática de modo inverso, calculan los términos necesarios en un tiempo de $O(d^2)$ por iteración sin formar explícitamente la matriz Jacobiana densa. Esto reduce los requisitos de memoria de $O(d^4)$ a $O(d^2)$ y permite el uso de optimización estocástica (Adam) con mini-lotes (mini-batches).
2. Modelo Oculto de Markov de Toros (TG-HMM): Para capturar cambios dependientes del estado en el acoplamiento de fase (por ejemplo, husos de sueño), los autores introducen un TG-HMM. Un desafío central al ajustar HMMs con constantes normalizantes intratables (como los TG) es la inviabilidad de los pasos de Maximización-Esperanza (EM) estándar. Los autores proponen un truco de "paso M discriminativo": aproximan las constantes de log-normalización con parámetros libres y utilizan un clasificador de regresión logística para estimar las asignaciones de estado suaves. Esto permite pasos EM tratables donde el paso M ajusta un modelo discriminativo para aproximar las condiciones estacionarias del paso M exacto, evitando la necesidad de calcular funciones de partición intratables.
3. Grafos de Toros Autorregresivos (AR-TG) y Entropía de Transferencia: Para inferir interacciones direccionales, los autores desarrollan AR-TGs, una variante condicional de TG donde las covariables son observaciones rezagadas. Este modelo soporta la estimación de la Entropía de Transferencia (TE) en sistemas de fase multivariantes. Para la TE multivariante, emplean una estrategia de imputación flexible (usando un modelo Gaussiano) para estimar la historia de una serie temporal a partir de otras, permitiendo el cálculo de las entropías condicionales requeridas para la estimación de TE sin ajustar $O(C^2)$ modelos separados.

Contribuciones Clave

• Escalabilidad: La introducción del ajuste de puntuación estocástico reduce el costo por iteración de la inferencia de TG de $O(d^6)$ a $O(d^2)$, permitiendo la inferencia en conjuntos de datos con miles de variables (demostrado hasta $d=1,860$).
• Modelado Dinámico: El TG-HMM proporciona un marco para capturar cambios discretos y dependientes del estado en la estructura de acoplamiento de fase, generalizando los modelos de mezcla de grafos de toros.
• Inferencia Direccional: El marco AR-TG permite la estimación de la entropía de transferencia y las dependencias direccionales en sistemas de fase de alta dimensión, yendo más allá de los análisis de pares o estáticos.
• Validación Empírica: Los métodos se validan en datos sintéticos para la recuperación de parámetros y el descubrimiento causal, y se aplican a registros reales de LFP de ratón multielectrodos.

Resultados

• Datos Sintéticos: El ajuste de puntuación estocástico iguala la precisión de los métodos exactos en dimensiones bajas, pero supera significativamente a estos en dimensiones altas donde los métodos exactos fallan debido a restricciones de memoria. El TG-HMM recupera con precisión los estados ocultos, y los AR-TGs demuestran un rendimiento superior en la identificación de direcciones causales en comparación con los estimadores de TE base y la causalidad de Granger multivariante, particularmente en entornos de alta dimensión y dispersos.
• Datos Neurales (LFP de Ratón): Aplicado a 48 horas de datos de LFP de 62 canales en 30 frecuencias ($d=1,860$):
  • TGs de Gran Escala: Revelaron patrones distintos de interacción de fase entre el estado de Vigilia y el sueño NREM, mostrando acoplamientos de alta frecuencia más fuertes durante la Vigilia y acoplamientos de baja frecuencia durante el NREM. Los parámetros aprendidos fueron sustancialmente más dispersos que las estadísticas empíricas, reflejando la independencia condicional.
  • TG-HMM: Aplicado a los husos de sueño (sleep spindles), el modelo identificó un estado asociado a los husos caracterizado por cambios espaciales específicos y dispersos en el acoplamiento condicional (por ejemplo, el aumento de las interacciones corticales y la reducción del acoplamiento de alta frecuencia talámico). Esto contrastó con el análisis de PLV, que mostró una sincronía difusa y generalizada, ilustrando el valor de eliminar las interacciones indirectas.
  • AR-TG: Reveló motivos dirigidos dependientes del estado (por ejemplo, corteza prelimbica $\to$ estriado) y rutas específicas de frecuencia (la banda beta es más fuerte en NREM, el gamma bajo es más fuerte en Vigilia).

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco general para el modelado escalable y probabilístico de datos de valores circulares. Al permitir el análisis de las relaciones de fase a escalas previamente inaccesibles, estos métodos permiten el mapeo sistemático de las relaciones de fase dinámicas y direccionales a través de estados cerebrales y cognitivos. Los autores enfatizan que, si bien la reorganización específica de la frecuencia observada entre Vigilia y NREM valida el método frente a la fisiología conocida, las estructuras condicionales dispersas y las asimetrías dirigidas reveladas son hallazgos novedosos que sugieren hipótesis específicas y testeables sobre la ruta neural dependiente del estado. El trabajo se presenta como una base para futuras extensiones a otras familias exponenciales y modelos probabilísticos, más que como una solución completa a todos los desafíos de conectividad neural. Los autores señalan limitaciones, incluyendo la dependencia de objetivos univariantes para la estimación de TE y el hecho de que las interacciones dirigidas inferidas reflejan una causalidad predictiva (estilo Granger) en lugar de intervencionista.