Hierarchical excitatory processes for modelling event-time data in the presence of exogenous stimuli

Sintesi Tecnica: Processi Eccitatori Gerarchici per la Modellazione di Dati con Tempi di Evento

Problema
I dati con tempi di evento sorgono frequentemente in domini scientifici quali la neuroscienza, l'epidemiologia e la finanza, dove gli eventi si verificano in presenza di interventi esogeni. Una sfida centrale nella modellazione consiste nel caratterizzare come questi stimoli esterni influenzino le intensità degli eventi nel tempo, tenendo conto della non stazionarietà, dell'adattamento (ad esempio, l'abituazione) e dell'eterogeneità tra le unità sperimentali. I modelli classici di processo puntuale, come i processi di Poisson in omogenei o i processi di Hawkes auto-eccitanti, sono spesso insufficienti perché non sono esplicitamente progettati per accomodare cambiamenti sistematici basati su stimoli esogeni noti o per catturare l'evoluzione delle dinamiche di eccitazione attraverso interventi ripetuti. Sebbene lavori precedenti abbiano tentato di incorporare effetti esogeni (ad esempio, nei modelli di social media o di diffusione delle malattie), esiste la necessità di un framework flessibile che modelli la modulazione dinamica della forza di eccitazione e che permetta l'identificazione di sottogruppi latenti con pattern di risposta simili.

Metodologia
Gli autori propongono il Processo Eccitatorio Gerarchico (HEP), un modello di processo puntuale progettato per dati con tempi di evento osservati sotto stimoli esterni ripetuti. Il framework opera su due livelli:

1. Modellazione dell'Intensità Condizionata: Il modello assume che gli eventi seguano un processo di Poisson in omogeneo con una funzione di intensità condizionata $\lambda(t)$. Tale intensità è definita da un tasso di base $\lambda_0$ più una sovrapposizione di effetti di eccitazione indotti da stimoli esterni che avvengono in punti di cambiamento noti $\tau_j$. L'eccitazione è modellata tramite una funzione kernel $\phi_{\theta(\tau_j)}(t - \tau_j)$, dove i parametri $\theta$ (ad esempio, ampiezza del salto $\alpha$, tasso di decadimento $\beta$ e ritardo $\delta$) non sono statici ma evolvono dinamicamente nel tempo.
2. Evoluzione Dinamica dei Parametri: I parametri che governano i kernel di eccitazione sono essi stessi modellati come funzioni del tempo, guidati dalla storia degli stimoli. Nello specifico, gli autori impiegano una struttura gerarchica in cui i parametri come $\alpha(s)$ e $\beta(s)$ sono modulati da funzioni di inibizione (ad esempio, decadimento esponenziale scalato) che riducono i valori dei parametri a seguito di stimoli successivi. Ciò cattura fenomeni come l'abituazione, in cui la risposta neuronale si attenua dopo stimolazioni ripetute. Il modello supporta varie forme di kernel, inclusi i processi esponenziali scalati con ritardo per tenere conto della latenza tra stimolo e risposta.
3. Inferenza e Clustering:
   • Stima dei Parametri: L'inferenza viene condotta tramite la stima della massima verosimiglianza. La log-verosimiglianza è derivata analiticamente, con l'integrazione esatta della funzione di intensità sull'intervallo di osservazione, incluse le disposizioni per dati censurati (periodi senza osservazione).
   • Clustering Basato sul Modello: Per affrontare l'eterogeneità, il framework HEP viene esteso a un modello di miscela. Si assume che i neuroni appartengano a uno di $K$ gruppi latenti, ciascuno caratterizzato da un insieme distinto di parametri di eccitazione-inibizione. Un algoritmo di Aspettativa-Massimizzazione (EM) viene utilizzato per stimare simultaneamente l'appartenenza ai gruppi e i parametri. Il numero ottimale di cluster viene selezionato utilizzando il criterio della Verosimiglianza Completata Integrata (ICL).

Contributi Chiave

• Il Framework HEP: Introduzione di un modello di processo puntuale flessibile che collega esplicitamente le intensità degli eventi agli stimoli esogeni attraverso parametri di eccitazione variabili nel tempo, permettendo la modellazione di adattamento e abituazione.
• Struttura Gerarchica: Una costruzione innovativa in cui l'intensità dipende dai punti di cambiamento tramite una struttura di eccitazione, e i parametri di tale eccitazione sono essi stessi dinamici e dipendenti dalla storia tramite funzioni latenti di inibizione o eccitazione.
• Inferenza Basata sulla Verosimiglianza: Sviluppo di un approccio rigoroso basato sulla verosimiglianza per la stima dei parametri, includendo la gestione degli intervalli di osservazione censurati comuni nei disegni sperimentali.
• Capacità di Clustering: Integrazione degli HEP in un framework di clustering basato sul modello per identificare gruppi latenti di unità sperimentali (ad esempio, neuroni) che condividono dinamiche di risposta simili.

Risultati

• Studi di Simulazione: Ampie simulazioni dimostrano la capacità del modello di recuperare accuratamente i veri parametri del modello, inclusi le funzioni di eccitazione e inibizione sottostanti, anche con un numero limitato di stimoli esterni. La procedura inferenziale traccia con successo la vera funzione di intensità e predice l'intensità per futuri stimoli non osservati. Nelle simulazioni di clustering, l'algoritmo EM recupera efficacementamente le strutture di gruppo latenti, raggiungendo elevati valori di Indice di Rand Corretto (ARI) dopo l'osservazione di soli pochi stimoli, e il criterio ICL identifica correttamente il numero reale di gruppi nella maggior parte dei casi.
• Applicazione ai Dati di Aplysia: La metodologia è stata applicata a registrazioni ottiche di attività neuronale dai gangli pedali dorsali della lumaca di mare Aplysia californica sotto quattro diverse condizioni sperimentali che prevedevano stimoli elettrici ripetuti.
  • Il modello HEP ha fornito un eccellente adattamento alle serie temporali di spike osservate, catturando l'aumento della frequenza di scarica indotto dallo stimolo e il successivo decadimento graduale (abituazione).
  • Il clustering basato sul modello ha identificato con successo gruppi distinti di neuroni (ad esempio, 9 gruppi nel dataset di giugno 2023) che esibiscono pattern di risposta eterogenei. Questi gruppi variavano da neuroni con forte abituazione a quelli con risposte sostenute o reazioni minime agli stimoli, dimostrando la capacità del modello di scoprire sottopopolazioni latenti che un singolo set di parametri non potrebbe descrivere.

Significatività e Rivendicazioni
Il documento afferma che gli HEP forniscono un framework semplice ma flessibile affinché i professionisti possano:

1. Quantificare l'effetto di passati interventi esogeni sui tassi di evento.
2. Stimare l'impatto di ulteriori stimoli futuri.
3. Identificare gruppi di unità (come i neuroni) che esibiscono pattern di risposta simili.
4. Valutare le prove di abituazione o adattamento in singoli unità.

Gli autori osservano che, sebbene l'attuale implementazione si concentri sui processi di Poisson in omogenei per trattabilità matematica, il framework offre una base per comprendere come gli interventi esterni modulino i dati di processo puntuale. Essi riconoscono i limiti, come l'assunzione di indipendenza tra i neuroni e l'esclusione di strutture multivariate auto-eccitanti o mutualmente eccitanti, suggerendo queste come potenziali estensioni future. Il lavoro enfatizza l'interpretabilità, permettendo la caratterizzazione della eccitabilità, della persistenza e delle dinamiche di recupero in modo gerarchico.