A Kuramoto-von Mises Time Series Model for Probabilistic Modeling of Coupled Oscillators

Sintesi Tecnica: Un modello di serie temporali Kuramoto–von Mises per la modellazione probabilistica di oscillatori accoppiati

Definizione del Problema
Gli oscillatori accoppiati forniscono un quadro fondamentale per modellare fenomeni fisici e biologici, che spaziano dal ripiegamento proteico alla sincronizzazione neurale, fino all'attività delle onde lente gastrointestinali. I metodi esistenti per stimare le distribuzioni di probabilità delle relazioni di fase multivariate in questi sistemi si basano tipicamente sulla termodinamica dell'equilibrio, esprimendo il sistema tramite una distribuzione di tipo famiglia esponenziale a coppie in forma di Boltzmann. Tuttavia, tali approcci dipendono da due ipotesi critiche che vengono frequentemente violate nei sistemi reali: (i) la matrice di accoppiamento è simmetrica, e (ii) il sistema ha raggiunto l'equilibrio termodinamico. Molte reti biologiche presentano interazioni intrinsecamente asimmetriche (ad esempio, connessioni sinaptiche eccitatorie/inibitorie) e sono guidate da input esterni, collocandosi in regimi di non-equilibrio. Di conseguenza, le formulazioni basate sull'equilibrio possono produrre caratterizzazioni limitate o distorte della dinamica sottostante.

Metodologia
Gli autori propongono un metodo per stimare le distribuzioni di fase sottostanti senza assumere una connettività simmetrica o uno stato di equilibrio. L'approccio si basa sulle seguenti fondamenta teoriche e algoritmiche:

1. Formulazione Kuramoto Stocastica: Il modello estende il modello deterministico di Kuramoto a un'equazione differenziale stocastica (SDE) tramite la dinamica di Langevin. Questa formulazione incorpora ritardi temporali e modella l'evoluzione continua delle fasi degli oscillatori $Y_t$ con rumore gaussiano additivo.
2. Approssimazione di von Mises: Discretizzando il tempo in piccoli intervalli $\Delta$, la distribuzione condizionata della fase al tempo $t+\Delta$ data la storia viene approssimata. Poiché la fase è circolare ($[0, 2\pi]$), la distribuzione gaussiana avvolta risultante dalla SDE è approssimata da una distribuzione di von Mises. La direzione media di questa distribuzione è determinata dalla frequenza intrinseca e dai termini di accoppiamento, mentre il parametro di concentrazione è inversamente proporzionale alla varianza del rumore e al passo temporale.
3. Approssimazione ad Alta Frequenza di Campionamento: Viene applicata una semplificazione chiave sotto l'ipotesi di alte frequenze di campionamento ($\Delta \ll 1$). Utilizzando approssimazioni di Taylor per le funzioni seno e coseno dove l'influenza dell'accoppiamento è piccola, la funzione di log-verosimiglianza viene linearizzata. Ciò trasforma il problema della stima di massima verosimiglianza (MLE) in una soluzione algebrica in forma chiusa che coinvolge operazioni di algebra lineare, evitando la necessità di solver di ottimizzazione convessa iterativi.
4. Stima dei Parametri: Il metodo stima i parametri di accoppiamento ($\kappa_{ij}$) e i ritardi di fase ($\mu_{ij}$) risolvendo un problema di ottimizzazione quadratica separabile per ogni oscillatore. Gli autori forniscono inoltre una procedura per stimare la varianza del rumore $\sigma^2$ e dimostrano come imporre vincoli di connettività simmetrica se desiderato, sebbene il framework generale non lo richieda.

Contributi Chiave

• Modellazione di Non-Equilibrio: Il documento introduce un framework probabilistico che non richiede che il sistema si trovi in equilibrio termodinamico o possieda un accoppiamento simmetrico, affrontando un limite significativo degli approcci precedenti basati su Boltzmann.
• Soluzione in Forma Chiusa: Gli autori derivano uno stimatore di massima verosimiglianza che ammette una soluzione algebrica in forma chiusa nel regime di alta frequenza di campionamento, rendendo il metodo computazionalmente efficiente e facilmente applicabile ai moderni sistemi di acquisizione dati ad alta frequenza.
• Framework Unificato: L'approccio unifica la modellazione di entrambi i regimi, di equilibrio e di non-equilibrio, all'interno di una singola formulazione basata su Langevin.

Risultati
Gli autori valutano il metodo utilizzando sia dati sintetici che registrazioni elettrofisiologiche reali:

• Recupero di Grafi Sintetici: In simulazioni di sistemi simmetrici ed in equilibrio, il metodo proposto recupera le strutture di connettività con un'accuratezza comparabile allo stato dell'arte del metodo ISO (che assume l'equilibrio). Nei sistemi asimmetrici e di non-equilibrio, il metodo proposto supera significativamente il metodo ISO, che non riesce a catturare la struttura asimmetrica, mentre la regressione lineare standard performa scarsamente in tutte le dimensioni.
• Classificazione di Onde Viaggianti: Il metodo viene applicato a onde viaggianti planari 2D simulate. Utilizzando test del rapporto di log-verosimiglianza, il modello classifica con successo onde che si propagano in diverse direzioni, con una performance di classificazione (AUC) che migliora all'aumentare della differenza nella direzione di propagazione.
• Elettrogastrografia Gastrica (EGG): Applicato a registrazioni gastriche umane, il modello rileva cambiamenti nelle onde viaggianti gastriche prima e dopo i pasti. Nei soggetti sani, il modello identifica un aumento della connettività locale durante i periodi digestivi. Nei pazienti con gastroparesi o dispepsia funzionale, il modello cattura una mancanza patologica di variazione della connettività tra gli stati pre- e post-prandiali.
• EEG Intracranico: Il metodo viene applicato a dati di stimolazione cerebrale profonda (DBS) dalla corteccia orbitofrontale. Esso cattura cambiamenti significativi nella connettività di rete durante e dopo la stimolazione, osservando un'attenuazione della connettività durante la stimolazione e un aumento del recupero (rebound) successivamente, in linea con i cambiamenti osservati nella potenza theta.

Significatività e Rivendicazioni
Il documento sostiene che il modello di serie temporali Kuramoto–von Mises proposto offre un'alternativa robusta e generalizzabile ai metodi esistenti basati sull'equilibrio. Sfruttando le alte frequenze di campionamento comuni nei moderni sistemi di acquisizione dati, il metodo fornisce una soluzione computazionalmente efficiente in forma chiusa per stimare le strutture di accoppiamento sia in regimi di equilibrio che di non-equilibrio. Gli autori sottolineano che, sebbene il metodo si basi su un'approssimazione a piccoli angoli (giustificata dalle alte frequenze di campionamento rispetto alle frequenze intrinseche), esso caratterizza con successo fenomeni dinamici come le onde viaggianti e i modelli di connettività patologici in sistemi biologici dove le tradizionali assunzioni di equilibrio falliscono. Il lavoro suggerisce che questo framework consente un'analisi scalabile e interpretabile di sistemi di oscillatori accoppiati ad alta dimensionalità senza le restrizioni di simmetria o di equilibrio.