Graph theory for the analysis of micro-electrode array recordings of human brain slices - framework and benchmarking

Resumo Técnico: Teoria dos Grafos para a Análise de Registros de Microeletrodos em Fatias de Cérebro Humano – Estrutura e Benchmarking

Definição do Problema
Registros de microeletrodos (MEA) são cada vez mais utilizados para caracterizar a conectividade funcional em culturas de fatias de cérebro humano, oferecendo insights sobre mecanismos biológicos e patológicos que variam desde a epilepsia até a neuro-oncologia. No entanto, a área carece de práticas padronizadas para análise de redes. Embora a teoria dos grafos seja amplamente aplicada em outras modalidades neurocientíficas (fMRI, EEG, MEG), sua aplicação a dados de MEA frequentemente depende de métricas simplistas (taxa de disparo, contagens de surtos) ou métodos de construção não validados. Existe uma lacuna crítica na compreensão de como a escolha da metodologia de construção do grafo e seus parâmetros associados (ex: binagem, normalização, limiares) influencia a topologia de rede resultante. Sem um benchmarking sistemático, as escolhas metodológicas podem introduzir "graus de liberdade ocultos" que produzem diferenças topológicas comparáveis ou superiores aos sinais biológicos de interesse, comprometendo assim a reprodutibilidade e a interpretabilidade.

Metodologia
Os autores conduziram um estudo de benchmarking sistemático utilizando 37 registros de MEA de culturas de fatias corticais humanas. O conjunto de dados foi estratificado em três grupos de atividade (atividade sincronizada baixa, moderada e alta) com base na taxa média de disparo e frequência de surtos de rede, validados via agrupamento não supervisionado.

Três métodos distintos de construção de grafos foram aplicados aos mesmos dados de trens de disparos (spike trains):

1. Grafo de Disparo Compartilhado (SSG - Shared Spiking Graph): Discretiza os trens de disparos em intervalos temporais (bins) e conecta eletrodos que apresentam coatividade dentro do mesmo intervalo. O estudo variou sistematicamente os tamanhos dos intervalos (10–500 ms) e testou quatro estratégias de normalização (bruta, normalização por taxa, min-max e z-score).
2. Grafo Baseado em Correlação (CBG - Correlation-Based Graph): Calcula correlações de Pearson pareadas entre vetores de taxa de disparo agrupados. As arestas são mantidas apenas se passarem em um teste de significância de modelo nulo (percentil 95 dos dados substitutos/surrogates) e um limiar de correlação fixo (0.1–0.7).
3. Coeficiente de Tiling de Tempo de Disparo (STTC - Spike Time Tiling Coefficient): Opera diretamente nos tempos de disparo sem o uso de intervalos (bins), utilizando janelas temporais simétricas (±Δt) para quantificar a correlação temporal corrigida pelas taxas de disparo. A significância estatística é determinada via substitutos de deslocamento circular (circular-shift surrogates).

O estudo avaliou esses métodos através de três eixos: divergência inter-método (diferenças topológicas), sensibilidade aos níveis de atividade biológica e sensidade aos parâmetros de construção. As métricas de rede incluíram contagem de nós, contagem de arestas, grau médio, densidade, coeficiente de agrupamento, comprimento médio do caminho mais curto e modularidade.

Resultos Principais

• Topologia Dependente do Método: A escolha do método de construção por si só produziu grandes diferenças topológicas. Os valores de d de Cohen para coeficientes de agrupamento variaram de 0.86 a 1.14, e para contagem de nós, d > 1.0. Os métodos identificaram conexões substancialmente diferentes, com a sobreposição de arestas inter-método (índice de Jaccard) variando de 0.08 a 0.45, mesmo em registros de alta atividade.
• Perfis de Sensibilidade Diferenciais:
  • SSG: Detectou principalmente mudanças dependentes da atividade através do tamanho da rede (contagem de nós/arestas). Dentro do SSG, a normalização z-score atuou como um modelo nulo implícito, remodelando fundamentalmente o conjunto de arestas ao remover arestas abaixo da taxa de coativação esperada. Isso resultou em redes mais esparsas com menor agrupamento e maior modularidade em comparação com outras normalizações. A normalização z-score teve um efeito dominante (Cohen's d > 1.0) em relação aos efeitos do tamanho do intervalo (d < 0.23 para métodos não z-score).
  • CBG: Capturou unicamente diferenças nos coeficientes de agrupamento através dos níveis de atividade. No entanto, foi altamente sensível às escolhas de limiar; o aumento do limiar de correlação reduziu drasticamente o tamanho da rede, mantendo a separação relativa entre os grupos de atividade.
  • STTC: Demonstrou forte sensibilidade biológica (grandes tamanhos de efeito para a separação dos grupos de atividade) combinada com uma dependência de parâmetros negligenciável. As métricas de rede permaneceram estáveis através de diferentes janelas de tiling (10, 25, 50 ms), com todos os tamanhos de efeito pareados d < 0.4.
• Distribuições de Peso: Os métodos impuseram estruturas de peso fundamentalmente diferentes. O SSG produziu distribuições altamente assimétricas à direita; o CBG gerou distribuições unimodais limitadas pelo coeficiente de correlação; o STTC mostrou picos próximos a zero para baixa atividade, que se alargaram com o aumento da atividade.
• Sensibilidade de Parâmetros: As escolhas de normalização e limiarização foram consideradas mais influentes do que a binagem ou o tamanho da janela. Especificamente, a normalização z-score no SSG e a seleção de limiar no CBG introduziram vieses sistemáticos com tamanhos de efeito comparáveis aos sinais biológicos.

Significância e Alegações
O artigo afirma que a metodologia de construção do grafo não é uma medição neutra, mas um determinante crítico da topologia da rede. Os autores sustentam que as escolhas metodológicas podem introduzir vieses sistemáticos que rivalizam com a magnitude dos sinais biológicos sendo medidos.

Principais contribuições incluem:

1. Primeiro Benchmarking em Dados Humanos: Este é apresentado como o primeiro estudo a realizar o benchmarking de métricas de teoria dos grafos em registros reais de cultura de fatias corticais humanas, indo além de dados simulados.
2. Quantificação de Variáveis Ocultas: O estudo quantifica como parâmetros específicos (ex: normalização z-score) atuam como modelos nulos implícitos que alteram fundamentalmente a estrutura da rede, em vez de meramente reescalar os pesos.
3. Recomendações Práticas: Os autores fornecem diretrizes específicas para a área:
   • Relato explícito de todas as escolhas metodológicas (método, tamanho do intervalo, normalização, limiares).
   • Adoção do STTC com limiar baseado em substitutos (surrogates) como uma escolha padrão robusta devido à sua estabilidade de parâmetros e sensibilidade biológica.
   • Validação dos achados através de pelo menos um método adicional para garantir a robustez, reconhecendo que os métodos são complementares em vez de intercambiáveis.

O artigo conclui que, embora características de ordem superior como modularidade e comprimento de caminho possam permanecer estáveis entre os métodos, as métricas estruturais locais são altamente dependentes do método. Portanto, a transparência na seleção de parâmetros e a validação cruzada entre métodos são essentes para melhorar a reprodutibilidade e a interpretabilidade da neurociência de redes baseada em MEA.