Topological Effective Connectivity Modeling in Brain Networks

Sintesi Tecnica: Modellazione della Connettività Effettiva Topologica nelle Reti Cerebrali

Problematica
La caratterizzazione del flusso informativo diretto (connettività effettiva) nelle reti cerebrali è fondamentalmente ostacolata dalla prevalenza di cicli di feedback ricorrenti. I circuiti neurali sono raramente aciclici; essi scambiano continuamente segnali tra regioni corticali e sottocorticali. Gli strumenti esistenti per la dipendenza diretta si basano spesso sull'assunzione di un Grafo Aciclico Diretto (DAG) per risolvere l'ambiguità direzionale. Questa assunzione è incompatibile con la realtà biologica, costringendo gli algoritmi a scegliere tra il recidere i cicli (perdendo informazioni fisiologiche) o restituire grafi parzialmente orientati e ambigui. Inoltre, le analisi topologiche tradizionali dei segnali multivariati si sono ampiamente basate su misure simmetriche (es. correlazione, coerenza) che ignorano la direzionalità, fallendo nel catturare le dipendenze di ordine superiore tra più regioni, essenziali per comprendere i complessi sistemi neurali.

Metodologia: Modellazione della Connettività Effettiva Topologica (TECM)
Gli autori propongono il TECM, un framework non parametrico basato sulla teoria dell'informazione, progettato per analizzare la dipendenza diretta in reti dove il feedback e la ricorrenza sono intrinseci. La metodologia si articola in tre fasi:

1. Accoppiamento Informazionale:

   • Definizione dello Scheletro: Una struttura a priori definisce l'insieme degli archi diretti ammissibili (ad esempio, elettrodi spazialmente adiacenti nell'applicazione LFP).
   • Pesatura: Il framework quantifica la dipendenza diretta utilizzando l'informazione mutua lead-lag (MI). Per i canali $p$ e $q$, il peso dell'arco $W_{p \to q}$ è la somma cumulativa dell'informazione mutua al lag-$k$, $I(X_p(t-k); X_q(t))$, attraverso un lag massimo $K$. Ciò cattura relazioni predittive non lineari e direzionali in cui il passato di $p$ informa il presente di $q$.
   • Flusso Alternante: Per applicare la teoria di Hodge, il grafo diretto pesato viene decomposto in una parte simmetrica e una parte alternata (antisimmetrica). Gli autori adottano una decomposizione minimale (orientata alla sparsità) in cui gli archi monodirezionali rimangono intatti nella componente alternata ($W_{a, pq} = W_{pq} - W_{qp}$), anziché essere dimezzati come nelle standard proiezioni ortogonali.

2. Decomposizione di Hodge Discreta:
   La componente del flusso di archi alternata $W_a$ viene decomposta in tre componenti ortogonali basate sulla teoria di Hodge discreta su un complesso simpliciale 2-D (nodi, archi, triangoli):

   • Termine di Gradiente ($-\delta_0 \phi$): Cattura strutture gerarchiche, feed-forward e simili a DAG. Induce una classificazione dei nodi da sorgenti a pozzi tramite un potenziale del nodo $\phi$.
   • Termine di Rotore (Curl) ($\delta^*_1 \psi$): Isola i loop di feedback che circolano attorno ai singoli triangoli (motivi a 3 nodi). Misura la circolazione ricorrente tramite un potenziale del triangolo $\psi$.
   • Termine Armonico ($h$): Cattura il flusso ciclico attorno a buchi topologici (cicli non riducibili alla circolazione a livello di triangolo). Nello specifico caso dell'applicazione LFP (griglia completamente triangolata), questo termine è zero-dimensionale, ma il framework lo mantiene per i complessi con buchi.

3. Test di Ipotesi Basato su Permutazioni:
   Per identificare cambiamenti significativi tra le condizioni (ad esempio, pre- vs. post-ictus), il framework impiega un test di permutazione a blocchi:

   • Statistiche del Test: Le differenze medie standardizzate sono calcolate per i potenziali dei nodi ($\phi_p$) e i potenziali dei triangoli ($\psi_\tau$).
   • Distribuzione Nulla: Le etichette degli epoch vengono permutate in blocchi contigui per preservare l'autocorrelazione temporale.
   • Confronti Multipli: La procedura di Benjamini-Hochberg (BH) controlla il tasso di false scoperte (FDR) su nodi e triangoli simultaneamente.

Contributi Chiave

• Disaccoppiamento dei Tipi di Flusso: Il TECM riesce a disaccoppiare con successo il drive feed-forward dalla circolazione ricorrente, una separazione che le misure convenzionali confondono. Isola esplicitamente il feedback a livello di triangolo (curl) dalla propagazione gerarchica (gradiente).
• Testing di Ordine Superiore: Inveve di testare i cambiamenti tra coppie di archi, il framework testa caratteristiche strutturali di ordine superiore: il ruolo gerarchico globale dei nodi e la riorganizzazione dei motivi triangolari locali.
• Validazione Robusta: Il framework è validato su dati sintetici con strutture di verità fondamentale note, dimostrando il recupero esatto delle componenti di gradiente, rotore e armonico, e un rilevamento accurato delle perturbazioni innestate con zero falsi positivi sotto l'ipotesi nulla globale.

Risultati
Il framework è stato applicato a registrazioni di Potenziale di Campo Locale (LFP) da un modello di roditore di ictus ischemico focale (occlusione permanente dell'arteria cerebrale media) prima e dopo l'evento.

• Risultati Descrittivi: In tre animali su quattro, lo stato post-ictus ha mostrato uno spostamento verso una propagazione gerarchica, guidata da sorgenti. Ciò è stato evidenziato da un aumento dell'energia della componente di gradiente e un relativo decremento della componente di rotore.
• Cambiamenti a Livello di Nodo: Nodi specifici hanno mostrato cambiamenti significativi nei loro ruoli gerarchici. Ad esempio, in un animale, il nodo 19 è diventato un pozzo più forte (ricevendo più flusso), mentre il nodo 32 è diventato una sorgente più forte. Questi cambiamenti hanno mostrato una struttura verticale lungo l'asse della profondità corticale, suggerendo una riorganizzazione laminare.
• Eterogeneità: Tre animali hanno mostrato una significativa riorganizzazione topologica, mentre il quarto non ha mostrato cambiamenti significativi né a livello di nodo né a livello di triangolo, evidenziando la variabilità soggettiva.
• Pattern Spaziali: Lo strato di testing ha identificato cambiamenti diffusi nei nodi e nei motivi triangolari, con pattern spaziali variabili tra i soggetti. In un caso, i nodi colpiti erano organizzati lungo l'asse della profondità, un pattern che richiede ulteriori indagini.

Significatività e Rivendicazioni
L'articolo sostiene che il TECM fornisca un framework generale per caratterizzare la dipendenza diretta in qualsiasi rete in cui la connettività sia intrinsecamente ciclica, andando oltre i limiti della scoperta causale basata su DAG.

• Intuizione Fisiologica: Separando il drive feed-forward dal feedback ricorrente, il metodo rivela come l'ictus ischemico alteri l'equilibrio tra la propagazione gerarchica e l'integrazione locale. Lo spostamento osservato verso una propagazione guidata da sorgenti suggerisce un potenziale deficit dei meccanismi di feedback integrativi a seguito del danno.
• Rigore Metodologico: L'approccio evita le insidie di forzare l'aciclicità su sistemi ciclici e fornisce un modo statisticamente rigoroso per testare i cambiamenti in motivi di rete di ordine superiore.
• Ambito: Gli autori dichiarano esplicitamente di non pretendere di identificare effetti causali interventistici nel senso di Pearl/Rubin partendo da dati osservazionali; piuttosto, caratterizzano i cambiamenti nella dipendenza diretta risultanti da una perturbazione del sistema (l'ictus). Il framework è presentato come uno strumento per descrivere e testare i cambiamenti strutturali nel flusso di informazione, non per inferire la causalità meccanicistica senza modelli di intervento espliciti.