Implications of hierarchical Markov models of behavior: on irreversibility, predictability, and dimensionality

Sintesi Tecnica: Implicazioni dei Modelli di Markov Gerarchici del Comportamento

Problema
La maturazione degli strumenti quantitativi per lo studio del comportamento animale ha permesso la rappresentazione del comportamento spontaneo come sequenze di "sillabe" stereotipate e neuralmente ben definite. Sebbene i modelli a catena di Markov siano stati applicati con successo a dati reali (ad es. in C. elegans, zebrafish larvali e topi) tenendo conto esplicitamente degli stati latenti, rimane una questione teorica fondamentale: se la struttura grossolana del comportamento può essere descritta accuratamente da modelli di Markov, cosa rivelano effettivamente questi modelli sulla struttura di alto livello del comportamento? Nello specifico, gli autori cercano di chiarire il significato teorico del progresso nella quantificazione del comportamento, concentrandosi sulla natura sequenziale delle azioni e sulla dimensionalità effettiva della dinamica comportamentale.

Metodologia
Gli autori impiegano un'analisi matematica di catene di Markov a tempo continuo applicate a dati comportamentali. Il loro approccio prevede:

1. Formulazione del Modello: Trattare il comportamento come un insieme discreto di $N_B$ sillabe governate da una matrice di transizione infinitesimale stocastica $H$. Assumono l'inclusione di stati latenti (ad es. fame, impegno sociale) per risolvere le firme non-markoviane nel comportamento osservabile.
2. Analisi dell'Irreversibilità: Definire l'irreversibilità tramite la catena temporale inversa (matrice aggiunta $\tilde{H}$) e quantificare la deviazione dal bilancio dettagliato tramite il Tasso di Produzione di Entropia (EPR).
3. Analisi della Dimensionalità: Investigare due distinte nozioni di dimensionalità:
   • Dimensionalità Dinamica: Derivata dalla decomposizione spettrale di $H$ (autovalori $\lambda_k$ e autovettori $v_k$). Misura il numero di modi necessari per descrivere la traiettoria della distribuzione del comportamento $p(t)$ su una specifica scala temporale $\tau$.
   • Dimensionalità Predittiva: Derivata dagli autovalori del kernel passato-futuro $K(\tau)$. Misura il numero di vettori ortogonali necessari per catturare una soglia (ad es. il 90%) dell'informazione mutua (approssimata come varianza) tra gli stati passati e futuri.
4. Struttura Gerarchica: Analizzare modelli in cui gli stati latenti modulano le transizioni comportamentali, utilizzando la teoria della perturbazione singolare per comprendere come la struttura spettrale del sistema completo si relazioni ai suoi componenti.
5. Applicazione ai Dati: I concetti teorici sono illustrati mediante modelli di test (modelli a sacco, modelli ciclici) e un modello di Markov gerarchico adattato a dati comportamentali di topi in campo aperto provenienti da Weinreb et al. (2026).

Contributi Chiave e Risultati

• Irreversibilità e Struttura di Sequenza:
  Gli autori dimostrano che l'irreversibilità è una proprietà quantificabile delle catene di Markov comportamentali. Definendo la catena temporale inversa, mostrano che il comportamento è "simile a una sequenza" se la catena diretta differisce significativamente dalla sua inversa.

  • Risultato: Il comportamento animale reale esibisce un Tasso di Produzione di Entropia (EPR) non nullo, confermando che è irreversibile. Nei dati sui topi, l'EPR variava a seconda dello stato latente, con lo stato di "impegno sociale" che mostrava circa il doppio dell'EPR rispetto ad altri stati (ad es. grooming o locomozione), suggerendo una complessità di sequenza dipendente dal contesto.

• Dimensionalità Effettiva tramite Dinamica e Predicibilità:
  L'articolo distingue tra due modi per definire la dimensionalità del comportamento:

  • Dimensionalità Dinamica: Basata sulle scale temporali ($\tau_k = -1/\text{Re}(\lambda_k)$) della matrice di transizione $H$. Riflette quanti autovettori sono attivi su una data scala temporale.
  • Dimensionalità Predittiva: Basata sul kernel $K(\tau)$, riflettendo la complessità necessaria per predire gli stati futuri.
  • Risultato: Per i sistemi che obbediscono al bilancio dettagliato, queste due dimensioni sono simili. Tuttavia, per sistemi altamente irreversibili (come i dati sui topi), la dimensionalità predittiva è significativamente maggiore della dimensionalità dinamica. Ciò accade perché la dinamica non-normale (dove gli autovettori sono quasi allineati) richiede più vettori ortogonali per catturare la stessa quantità di prevedibilità.

• Struttura Spettrale Gerarchica:
  Nei modelli gerarchici in cui gli stati latenti modulano il comportamento, la struttura spettrale del sistema completo è approssimativamente l'unione degli spettri delle catene comportamentali pure all'interno di ciascuno stato latente, più ulteriori modi lenti corrispondenti alle transizioni tra gli stati latenti.

  • Risultato: L'analisi dei dati sui topi mostra che il grosso dello spettro corrisponde all'unione degli spettri delle singole catene di stati latenti. Tuttavia, le scale temporali più lunghe (dinamiche più lente) nel modello completo derivano esclusivamente dalle transizioni tra gli stati latenti, non dalle transizioni comportamentali all'interno di un singolo stato.

• Proprietà Globali vs Locali:
  Gli autori sottolineano che autovalori e autovettori forniscono riassunti "globali" del comportamento. Essi dipendono dall'intera struttura del grafo di transizione piuttosto che solo dai tassi di transizione locali, offrendo scale temporali e modi comportamentali interpretabili (ad es. l'equilibrazione degli stati di veglia rispetto alle transizioni verso il sonno).

Significato e Rivendicazioni
Gli autori affermano che il loro lavoro non propone un nuovo modello di comportamento, ma chiarisce le implicazioni teoriche dei modelli di Markov esistenti.

• Chiarificazione Concettuale: Prendere seriamente i modelli di Markov come descrizioni del comportamento (piuttosto che come semplici riassunti descrittivi) aiuta a far emergere questioni concettuali, come la distinzione tra dimensionalità dinamica e predittiva.
• Statistica Quantitativa: Le metriche proposte (EPR, dimensionalità, scale temporali) fungono da "statistiche del comportamento" che permettono confronti quantitativi precisi tra diversi contesti, stati latenti o specie, andando oltre le descrizioni qualitative.
• Limitazioni e Ambito: Gli autori notano esplicitamente che le loro scoperte sono contingenti alla scelta della granularità del comportamento (coarse-graining). Argomentano che, sebbene i risultati dipendano dalla parcellizzazione, i principi di parsimonia e l'analisi multi-scala (simili ai "barcode" dell'analisi topologica dei dati) possono mitigare questo aspetto. Avvertono inoltre che in ambienti altamente complessi, lo spazio degli stati potrebbe diventare proibitivamente grande per rendere fattibili tali analisi spettrali.
• Ampia Applicabilità: Il framework è presentato come agnostico rispetto allo specifico animale o alla scala temporale, suggerendo l'applicabilità ad agenti artificiali e altri sistemi in cui le azioni di alto livello possono essere modellate come catene di Markov.