Un protocollo per scoprire i meccanismi neurali degli effetti neuroterapeutici sull'elettroencefalografia utilizzando il neurosolver neocorticale umano

Sommario

Questo protocollo dimostra come le simulazioni neurali basate sulla fisica possano essere utilizzate per interpretare i biomarcatori elettrofisiologici dei neuroterapeutici e scoprire il loro effetto sui circuiti neurali, fornendo un approccio meccanicisticamente radicato per lo sviluppo neuroterapeutico.

Abstract

L'elettroencefalografia (EEG) e i metodi elettrofisiologici forniscono biomarcatori a risoluzione millisecondaria per i disturbi del sistema nervoso centrale e sono ampiamente utilizzati per valutare gli effetti correlati al trattamento. Tuttavia, la limitata comprensione dei meccanismi neurali che generano questi biomarcatori ostacola lo sviluppo di diagnostiche e terapie basate su questi segnali. Il Human Neocortical Neurosolver (HNN) è un software open-source di modellazione biofisica che collega biomarcatori EEG localizzati ai loro generatori neurali multiscala. Questo protocollo dimostra un flusso di lavoro guidato da ipotesi che utilizza HNN per testare i meccanismi neurali dei biomarcatori EEG indotti da neuroterapia, ottimizzando i parametri del modello per ottenere un equilibrio tra forme d'onda di fonte di corrente simulate ed empiriche. L'attività corrispondente a livello di cellula e circuito può quindi essere visualizzata e quantificata, fornendo obiettivi di validazione per le previsioni del modello in studi empirici successivi. Viene fornito un esempio che dimostra come esaminare i meccanismi neurali alla base delle componenti potenziali precoci correlate a eventi di una risposta evocata uditivamente (P1, N1 e P2), e valutare i cambiamenti successivi a modifiche indotte neuroterapeuticamente nell'attività dei circuiti neurali. Questo protocollo consente la progettazione di esperimenti di simulazione per generare previsioni testabili che collegano biomarcatori EEG ai meccanismi dei circuiti neurali sottostanti. Un flusso di lavoro simile può essere applicato per studiare i meccanismi delle malattie o altri interventi terapeutici.

Introduzione

Lo sviluppo terapeutico del sistema nervoso centrale (SNC) affronta sfide uniche, con tassi di approvazione inferiori rispetto ad altre aree patologiche, evidenziando la necessità di approcci metodologici^innovativi, in particolare quelli che possono scoprire effetti legati al trattamento sulla dinamica cerebrale. Un approccio ben consolidato per studiare l'effetto delle terapie sull'attività neurale è l'elettroencefalografia (EEG^)2,3. L'EEG fornisce una firma della dinamica cerebrale a livello di circuito in vivo e offre un forte potenziale traslazionale dai modelli su roditori alle sperimentazioni sull'uomo, poiché il circuito neurale che genera segnali EEG mostra omologia tra le specie ^4,5,6,7,8. Nello sviluppo farmaceutico, l'EEG può svolgere molteplici ruoli, tra cui fornire letture traslazionali tra studi su animali e uomini, valutare la sicurezza dei farmaci, guidare la selezione dei composti, informare le relazioni dose-risposta, valutare la prova del meccanismo nelle prime fasi cliniche e abilitare la stratificazione degli studi clinici e l'arricchimento delle^coorti 9,10,11,12,13,14 . Nonostante questi vantaggi, l'interpretazione dei segnali EEG rimane una sfida importante, soprattutto quando si tenta di collegare i cambiamenti osservati ai meccanismi neurali sottostanti.

Un biomarcatore EEG robusto utilizzato nella scoperta di farmaci nel SNC è il potenziale correlato all'evento (ERP). Le ERP riflettono l'attività cerebrale evocata sensorialmente a blocco temporale e sono state ampiamente utilizzate per studiare disturbi neuroevolutivi e neuropsichiatrici, tra cui^{depressione 15,16}, schizofrenia^17,18, disturbo dello spettro^{autistico 19,20} e malattia^{di Alzheimer 21}. Gli ERP sono inoltre utilizzati per valutare gli effetti del trattamento e le fasce di dosaggio sui circuiti^cerebrali 22,23,24,25, dove la normalizzazione verso risposte sane può indicare un'efficacia ^{terapeutica 26}. Tuttavia, un limite chiave degli ERP e di altri biomarcatori EEG (ad esempio, oscillazioni cerebrali) è che le loro associazioni con stati patologici o effetti dei farmaci sono in gran parte correlazionali. Sebbene le analisi statistiche possano identificare relazioni tra biomarcatori ed esiti, esse non forniscono una comprensione meccanicistica su come specifici elementi del circuito neurale generino questi segnali. I contributi causali di specifici tipi cellulari e meccanismi di circuito rimangono quindi poco chiari. Comprendere le origini cellulari e dei circuiti dei segnali EEG potrebbe aumentare notevolmente il loro valore collegando le firme osservate alla fisiologia^{sottostante 27,28}. In questo manoscritto, il termine EEG "biomarcatore" si riferisce a cambiamenti misurabili nei segnali EEG dopo un intervento terapeutico, in linea con la definizione²⁹ del framework Food and Drug Administration–National Institutes of Health Biomarkers, EndpointS, and other Tools (FDA–NIH), piuttosto che implicare una qualifica formale per un uso clinico^{specifico 30}.

Sebbene le registrazioni elettrofisiologiche invasive possano fornire approfondimenti dettagliati a livello cellulare e di circuito, questi approcci sono in gran parte limitati a modelli animali e sono difficili da tradurre direttamente a studi umani. Approcci alternativi, come le tecniche di modellazione inversa, possono stimare l'attività sorgente dai segnali EEG ma spesso mancano di rappresentazioni meccanicistiche esplicite dei circuiti neurali sottostanti. Le simulazioni biofisiche offrono un quadro complementare modellando i processi fisici attraverso i quali i circuiti neurali generano segnali EEG^{misurabili 31,32,33,34} (Figura 1). Rispetto alle analisi puramente statistiche di biomarcatori o ai metodi inversi senza basamento meccanicistico, la modellizzazione biofisica consente il test diretto di ipotesi che collegano la dinamica dei circuiti neurali ai segnali elettrofisiologici osservati.

Figura 1. Modellizzazione biofisica per sviluppare e testare ipotesi meccanicistiche alla base dei biomarcatori farmacologici elettroencefalografici (EEG). (A) Identificazione di un biomarcatore EEG basata sulle differenze nei segnali cerebrali tra le condizioni. Un esempio è un potenziale correlato all'evento uditivo (ERP) che viene ridotto nella condizione post-trattamento (rosso) rispetto alla condizione pre-trattamento (blu). (B) La modellizzazione biofisica consente di testare ipotesi meccanicistiche che spiegano come i biomarcatori EEG emergano e cambiano con interventi farmacologici. Vengono formulate ipotesi riguardo ai cambiamenti dell'attività neurale indotti dal farmaco e vengono identificati i corrispondenti parametri del modello. (C) Il modello predefinito Human Neocortical Neurosolver (HNN) viene utilizzato come punto di partenza per testare ipotesi modificando manualmente i parametri del modello o applicando algoritmi automatici di ottimizzazione e inferenza. Le differenze nei valori dei parametri tra condizioni pre-trattamento e post-trattamento corrispondono a previsioni basate su modelli. Clicca qui per visualizzare una versione più grande di questa figura.

Questo protocollo utilizza il Human Neocortical Neurosolver (HNN), un framework open-source di modellazione biofisica, per collegare i biomarcatori ERP degli effetti correlati al trattamento ai loro meccanismi sottostanti a livello cellulare e^{di circuito 33} (Figura 2). HNN si basa sul principio che il flusso di corrente intracellulare sincrono nelle dendriti neuronali allineate genera i dipoli di corrente primari alla base dei segnali^EEG 6,35,36,37. Il modello rappresenta una colonna neocorticale canonica composta da neuroni piramidali eccitatori e interneuroni inibitori distribuiti tra gli strati corticali 2/3 e 5. La rete HNN predefinita include 100 neuroni piramidali e 33 neuroni inibitori per strato, formando una rappresentazione ridotta ma biologicamente radicata della circuiteria corticale. I neuroni piramidali sono modellati con strutture dendritiche multicompartimento per catturare caratteristiche morfologiche chiave³⁸, mentre i neuroni inibitori sono rappresentati come compartimenti singoli a causa del loro contributo limitato alle correnti extracellulari³³. Le interazioni sinaptiche includono recettori eccitatori α-amino-3-idrossi-5-metil-4-isosazolepropionico (AMPA) e recettori N-metil-D-aspartato (NMDA), oltre ai recettori inibitori gamma-aminobutirrico di tipo A e gamma-aminobutirrico di tipo B (GABA_B), con tutti i neuroni che incorporano conduttanza ioniche attive governate dalla dinamica di Hodgkin–Huxley.

Figura 2. Schema del modello HNN. Visualizzazione dei principali componenti del modello HNN, inclusi i collegamenti di rete locale tra neuroni eccitatori e inibitori, e le vie di input esogene denominate "impulso prossimale" e "impulso distale". Clicca qui per visualizzare una versione più grande di questa figura.

L'attività neurale nell'HNN è guidata da input esogeni che rappresentano le vie feedforward e di feedback. I propulsori "prossimali" corrispondono agli input del talamo lemniscale che mira alle dendriti prossimali, mentre i propulsori "distali" a retroazione rappresentano input talamici cortico-corticali e non lemniscali che prendono di mira le dendriti distali. Questi ingressi sono modellati come catene di potenziali d'azione che evocano correnti sinaptiche e generano un flusso di corrente intracellulare lungo le dendriti neuronali piramidali. Il dipolo di corrente a livello di popolazione risultante è espresso in nanoampere-metri, consentendo il confronto diretto con dati EEG localizzati da sorgenti o magnetoencefalografia (MEG) a orientamento vincolato. La parametrizzazione predefinita dell'HNN è informata da dati empirici provenienti da studi sulla corteccia^{somatosensoriale} 39,40,41 ed è stata applicata con successo ai segnali uditivi 42,43,44, ^{visivi 45} e corticali^{frontali 46}, con previsioni derivate dal modello validate in studi sperimentali^{successivi 7,41,47}.

Le simulazioni HNN possono essere applicate in molteplici fasi della ricerca e dello sviluppo farmaceutico, inclusa la validazione dei bersagli, il confronto dei meccanismi d'azione dei farmaci, l'ottimizzazione della dose e la generazione di ipotesi per esperimenti di^follow-up 14,48,49,50. Questo consente agli utenti di incorporare la modellizzazione meccanicistica nei flussi di lavoro pratici di ricerca, supportando la generazione e il test di ipotesi su come le neuroterapie influenzino i circuiti neurali. In questo protocollo, ci concentriamo sulle componenti P1, N1 e P2 iniziali degli ERP uditivi, poiché queste caratteristiche sono ben caratterizzate e forniscono vincoli per la modellazione guidata da^{ipotesi 51}. Sebbene l'attenzione sia rivolta ai cambiamenti indotti dai farmaci, l'approccio può essere esteso ad altri interventi neuroterapeutici, come la stimolazione cerebrale o l'allenamento comportamentale, così come a studi sui disturbi del SNC.

L'uso di HNN segue un quadro di modellazione iterativo in cui la struttura e i parametri del modello sono inizialmente vincolati dai dati esistenti e poi affinati tramite confronti con osservazioni empiriche. I modelli neurali su larga scala contengono molti parametri, ma solo un sottoinsieme — chiamato parametri di interesse — viene regolato per testare ipotesi specifiche. Questi parametri non sono selezionati arbitrariamente; piuttosto, vengono scelti sulla base di evidenze sperimentali precedenti e della letteratura che descrivono i potenziali meccanismi d'azione del neuroterapeutico. In questo protocollo, parametri relativi al tempismo e alla potenza degli input esogeni, alla connettività inibitoria locale e alle conduttezze dei canali ionici dendritici sono selezionati come esempi di variabili biologicamente interpretabili che possono essere influenzate dalle neuroterapiche.

Partendo da un modello predefinito, gli utenti adattano prima i parametri ai dati ERP pre-trattamento utilizzando una combinazione di ottimizzazione manuale e ottimizzazione automatica. La regolazione manuale regola la scala globale e i parametri di input per approssimare la forma d'onda empirica, fornendo una comprensione intuitiva di come i cambiamenti dei parametri influenzino l'output del modello. Metodi automatizzati come la strategia di adattamento della matrice di covarianza (CMA-ES), l'ottimizzazione bayesiana e l'ottimizzazione vincolata tramite approssimazione lineare vengono poi utilizzati per affinare i valori dei parametri e migliorare l'adattamento. Una volta stabilito un modello pre-trattamento, i parametri ipotizzati per tenere conto dei cambiamenti post-trattamento vengono adattati per adattarsi ai dati ERP post-trattamento.

Per affrontare l'incertezza nella stima dei parametri, l'inferenza basata sulla simulazione (SBI) viene utilizzata per stimare le distribuzioni dei valori dei parametri che riproducono i dati^{osservati 52,53}. SBI tiene conto della possibilità che più combinazioni di parametri possano produrre output simili e consente la quantificazione dell'incertezza dei parametri. Le differenze tra le distribuzioni dei parametri pre-trattamento e post-trattamento possono essere valutate utilizzando un indice di sovrapposizione (OVL^)54,55, fornendo una visione dei possibili meccanismi d'azione.

Un vantaggio chiave di questo approccio è che adattare il modello a una specifica modalità di dati genera previsioni su più scale di attività neurale, inclusi il cellulare che spike, i potenziali locali di campo (LFP) specifici per lo strato e la densità di sorgenti di corrente (CSD). Queste previsioni forniscono bersagli per la validazione sperimentale utilizzando tecniche complementari. Se le previsioni non sono supportate da dati empirici, il modello può essere aggiornato incorporando nuovi vincoli, formando un ciclo iterativo di generazione, test e raffinamento delle ipotesi (Figura 3).

Figura 3. Flusso di lavoro iterativo per sviluppare e testare previsioni ERP di biomarcatori con HNN. Il flusso di lavoro corrisponde ai passaggi del protocollo. L'identificazione di un biomarcatore EEG e l'inizializzazione del modello HNN predefinito sono mostrate in rosso (Passaggi 1–2). La regolazione manuale e l'ottimizzazione vengono utilizzate per adattare i parametri del modello ai segnali ERP pre-trattamento e post-trattamento (viola; Passaggi 3–5). La quantificazione dell'incertezza tramite inferenza basata sulla simulazione (SBI) è mostrata in verde (Passo 6). Le previsioni del modello vengono quindi esaminate e confrontate con i dati sperimentali per validare o limitare ulteriormente il modello (arancione; Passo 7). Clicca qui per visualizzare una versione più grande di questa figura.

Questo protocollo è progettato per l'uso con dati EEG o MEG localizzati e a vincoli di orientamento raccolti durante paradigmi di risposta evocata. Metodi standard di preprocessing e localizzazione della sorgente (ad esempio, minimum norm estimation [MNE]-Python⁵⁶) possono essere utilizzati per generare i dati di input richiesti. I segnali a livello di sorgente espressi in nanoampere-metri sono direttamente comparabili alle uscite HNN. Per risposte sensoriali rapide, i segnali a livello di sorgente e sensore sono spesso molto simili, permettendo di fornire informazioni derivanti dalla modellazione localizzata dalla sorgente di informare l'interpretazione dei dati EEG a livello^{di sensore 57,58}.

Protocollo

Tutte le procedure che coinvolgevano i dati umani venivano eseguite in conformità con le linee guida e i regolamenti istituzionali pertinenti. Il dataset utilizzato in questo studio è stato ottenuto da uno studio^{precedentemente pubblicato 43}, e non è stata richiesta un'ulteriore approvazione etica. Non sono coinvolti materiali o procedure pericolose in questo protocollo.

1. Identificare un potenziale biomarcatore EEG indotto dal trattamento e definire ipotesi modellari

1. Raccogliere o identificare un dataset contenente segnali EEG registrati sperimentalmente da soggetti di interesse (ad esempio, pre-trattamento e post-trattamento nel contesto delle neuroterapie). Registra le misurazioni EEG durante la presentazione di uno stimolo sensoriale e registra i timestamp dello stimolo sensoriale contemporaneamente ai dati EEG per consentire la segmentazione in prove. Assicurarsi che i dati EEG siano memorizzati in un formato compatibile con software di preprocessing (ad esempio, .fif, .set o .edf).
   NOTA: Il repository di codice associato (https://github.com/ntolley/hnn_jove) fornisce i file di dati utilizzati per generare i risultati rappresentativi. Il repository include un ERP uditivo MEG preelaborato di Kohl et al. (2022), che funge da ERP pre-trattamento (dati originali disponibili a: https://github.com/kohl-carmen/HNN-AEF). L'ERP ipotetica post-trattamento viene generata scalando la forma d'onda del pre-trattamento utilizzando una finestra a conico gaussiano. I file dati corrispondenti si trovano nel repository a data/pre-treatment.txt e data/post-treatment.txt. Poiché i segnali MEG ed EEG riflettono generatori neurali sottostanti simili, questo protocollo è applicabile a entrambe le modalità.
2. Identificare un insieme di caratteristiche candidate dei biomarcatori ERP che sono ipotizzate per distinguere gli effetti correlati al trattamento (ad esempio, tempi e magnitudini di picco ERP).
   NOTA: In questo protocollo di esempio, le grandenze di picco sono utilizzate come biomarcatore di interesse.
3. Pre-elaborazione dei dati EEG ed estrazione delle caratteristiche dei biomarcatori di interesse.
   NOTA: Diversi pacchetti software supportano la preelaborazione e l'analisi ERP, tra cui MNE-Python⁵⁶, EEGLAB⁵⁹ e^{FieldTrip 60}. La localizzazione della sorgente è raccomandata per modellare i segnali ERP ma non è obbligatoria. Un esempio di flusso di lavoro è disponibile su https://jonescompneurolab.github.io/hnn-core/stable/auto_examples/workflows/plot_simulate_somato.html. Diversi lavori precedenti descrivono in dettaglio la preelaborazione e l'analisi dei segnali EEG; I lettori sono particolarmente invitati a consultare^56,61 per un contesto più completo.
   1. Eseguire la localizzazione della sorgente utilizzando segnali a livello di sensore provenienti da tutti i canali, oppure selezionare i sensori EEG da analizzare. Utilizzare dati localizzati dalla sorgente per un confronto diretto con l'output del modello; I dati a livello sensoriale non avranno corrispondenza con le unità.
      NOTA: La corrispondenza uno-a-uno descritta di seguito non vale per i segnali a livello di sensore.
   2. Il segmento ha registrato i dati EEG in trial utilizzando timestamp dello stimolo sensoriale.
   3. Calcolare le forme d'onda ERP mediate per le condizioni pre-trattamento e post-trattamento.
   4. Estrarre biomarcatori ERP candidati da forme d'onda medie per sperimentazioni (ad esempio, calcolare le grandenze di picco N1). Definire i criteri di rilevamento dei picchi (ad esempio, finestra temporale e polarità) prima dell'estrazione.
4. Effettuare test statistici per determinare quali caratteristiche ERP differiscono significativamente tra le condizioni (ad esempio, pre-trattamento o post-trattamento). Seleziona test statistici appropriati in base al disegno dello studio e applica la correzione a confronto multiplo dove necessario (ad esempio, ANOVA a misure ripetute seguita da test post-hoc Tukey HSD per confronti multipli).
   NOTA: Un esempio in codice di test statistici è disponibile su https://mne.tools/stable/auto_tutorials/stats-sensor-space/20_erp_stats.html.
5. Caratteristiche specifiche del biomarcatore EEG statisticamente significative (ad esempio, differenze nelle magnitudini N1). Conserva le uscite per l'uso nei passaggi successivi.
6. Definire ipotesi basate sulla letteratura sui meccanismi dei farmaci e sui parametri associati del modello di interesse. Consultare la letteratura precedente e i dati sperimentali per identificare proprietà biofisiche alterate dal neuroterapeutico che potrebbero spiegare le differenze di caratteristiche.
7. Identificare quali parametri del modello neurale biofisico (HNN) sono direttamente rappresentati o indirettamente collegati alle proprietà biologiche identificate nel Passo 1.6. Definisci questi parametri come parametri di interesse. Mappare i meccanismi biologici per modellare i parametri utilizzando la letteratura precedente e la documentazione HNN.
8. Produrre un insieme identificato di parametri del modello di interesse corrispondenti alle proprietà biofisiche ipotizzate per generare le differenze di caratteristiche EEG identificate. Usa il modello HNN predefinito (inizializzato nel Passo 2) come punto di partenza per tutti i valori dei parametri e conserva gli output per i passaggi successivi.

2. Inizializzare il modello HNN predefinito: installare il software di modellazione e configurare la cartella del progetto

NOTA: Le versioni software utilizzate in questo studio sono specificate nella Tabella dei Materiali, insieme ai requisiti minimi di sistema. Sono disponibili diverse opzioni di installazione (cioè pip, conda e installazione sorgente) per Linux, macOS e Windows.

1. Scarica e installa una versione funzionante di Anaconda Python. Creare e attivare un nuovo ambiente Python per l'installazione dei pacchetti software richiesti.
2. Installa il software HNN-core per modellazione neurale biofisica utilizzando le istruzioni specifiche per l'installazione del sistema operativo disponibili su https://jonescompneurolab.github.io/textbook/content/01_getting_started/installation.html.
   NOTA: Per installare in modo efficiente le dipendenze software utilizzate in questo studio, il repository di codice associato (https://github.com/ntolley/hnn_jove) utilizza pixi (https://pixi.prefix.dev/latest/). Segui le istruzioni nel file README del repository per installare pixi e configurare una versione locale del repository di codice.
3. Verifica che la versione installata del software di modellazione neurale biofisica sia 0.6.0 o superiore digitando il seguente comando nel terminale: pip show hnn_core
4. Assicurati che l'ambiente Python sia attivato e che l'installazione venga completata con successo. Avvia l'interfaccia grafica (GUI) digitando hnn-gui nel terminale e premendo Invio.
5. Crea una nuova cartella di progetto nel file system del computer per memorizzare tutti i file di dati generati in questo protocollo. Crea la cartella in una directory accessibile (ad esempio, home directory o project directory operativa).

3. Stabilire l'adattamento del modello pre-trattamento con regolazione manuale

1. Inizia con la simulazione canonica HNN ERP e i suoi parametri predefiniti. Regolare manualmente il fattore di scala e i parametri del drive esogeno per adattarli all'ERP pre-trattamento (ad esempio, ERP pre-trattamento).
   NOTA: L'interfaccia grafica HNN carica automaticamente parametri del modello adattati a un ERP^{somatosensoriale 40}, che da numerosi studi si è dimostrato un buon punto di partenza "canonico ERP". Questo tutorial si concentra sulla modifica del fattore di scala e dei parametri di input esogeni da questo punto di partenza.
2. Carica la forma d'onda empirica ERP pre-trattamento dal Passo 1 nell'interfaccia grafica HNN (Figura 4A–4F)
   1. Clicca sul pulsante Carica dati nella barra del menu situata nella parte in basso a sinistra della finestra GUI (Figura 4D).
      NOTA: La nomenclatura sulla denominazione dei picchi ERP varia molto nella letteratura; le etichette P1/N1/P2 nella Figura 4F sono solo a scopo illustrativo e potrebbero non corrispondere alle convenzioni di denominazione utilizzate in altri studi.
   2. Nella finestra del browser file, seleziona un file .csv o .txt contenente la forma d'onda ERP da modellare (cioè la forma d'onda target). Assicurati che il file sia delimitato da virgole e formattato con due colonne: la prima colonna contiene il tempo (ms), e la seconda colonna contiene la forma d'onda empirica localizzata alla sorgente (nAm). La prima riga è trattata come un'intestazione e non dovrebbe contenere valori di dati. Etichette informative per colonne (ad esempio, "Time (ms)" e "Dipolo (nAm)") possono essere incluse opzionalmente.}
      NOTA: Il file di dati empirici è chiamato pre-treatment.txt nel relativo repository di codice.
   3. Ispeziona la forma d'onda che viene automaticamente tracciata nel pannello delle figure (Figura 4F).
3. Esegui la simulazione predefinita di un ERP canonico
   1. Imposta i valori dei parametri tstop, dt, Prove, Backend e Core nel pannello Parametri di Simulazione (Figura 4B) ai valori desiderati. Usare tstop per controllare la lunghezza della simulazione, dt per controllare il passo temporale di integrazione e Trials per controllare il numero di simulazioni ripetute eseguite con gli stessi valori dei parametri del modello. Seleziona Backend come seriale (Joblib) o parallelo (MPI) e specifica il numero di core del computer.
      NOTA: La variabilità tra le prove deriva dalla deviazione standard della temporizzazione esogena evocata descritta nello Step 3.5 qui sotto.
   2. Clicca sul pulsante Run (Figura 4D) per avviare la simulazione predefinita di un ERP canonico.
4. Crea un grafico che confronti l'ERP simulata con l'ERP empirica
   1. Clicca sulla scheda Visualizzazione in alto a sinistra della finestra GUI (Figura 4A).
   2. Clicca sul menu a tendina chiamato Dati per confrontare (non mostrato) e seleziona la forma d'onda target caricata dal Passo 3.2.
   3. Clicca su Cancella asse per resettare il grafico.
   4. Clicca su Aggiungi grafico per generare un nuovo grafico con la forma d'onda ERP iniziale simulata (blu) e la forma d'onda target (arancione) sovrapposte, insieme al testo che indica automaticamente il coefficiente di correlazione (Corr) e l'errore quadratico medio (RMSE) tra le due forme d'onda (Figura 4F).
      NOTA: L'HNN-GUI offre l'opzione di calcolare due misure di bontà di adattamento: Corr e RMSE. Queste misure sono utilizzate per la regolazione manuale e l'ottimizzazione manuale (Passo 4).
5. Modifica il fattore di scala
   1. Modifica il fattore di scala con una regolazione manuale a mano per farlo corrispondere approssimativamente alle magnitudini delle forme d'onda dipolari simulate e empiriche. Imposta il parametro di scala Dipolo predefinito (Figura 4C) nella scheda Simulazione (Figura 4A) a 3000.
      NOTA: Il fattore di scala corrisponde a una previsione del numero stimato di neuroni alla base della generazione del segnale EEG. Il valore predefinito di 3000 indica che sono necessari 200 neuroni piramidali (dimensione del modello HNN) × 3000 = 600.000 neuroni per generare una risposta evocata con la magnitudine in nAm indicata sull'asse y della Figura 4F.
6. Modificare la tempistica dei dischi esogeni
   1. Modificare la media e la deviazione standard degli azionamenti esogeni tramite una regolazione manuale a mano per ottenere un adattamento più vicino al tempismo dei picchi ERP pre-trattamento registrati empiricamente (cioè P1/N1/P2) (Figura 5A–5D).
      NOTA: La connettività locale predefinita e i parametri della cella distribuiti con HNN sono stati regolati per riprodurre modelli di attività sani a livello di singola cella e rete. Sebbene i parametri della rete locale possano essere regolati, si raccomanda di lasciare fissati inizialmente i parametri del modello neocorticale HNN locale pre-tunati e di testare se si possa ottenere un adattamento affidabile regolando solo i motori esogeni.
   2. Identificare quali picchi ERP simulati sono disallineati nel tempo con la forma d'onda empirica ERP (Figura 4).
      NOTA: Questo esempio assume tre picchi iniziali nell'ERP empirico, come nella simulazione canonica predefinita dell'ERP. Per aggiungere picchi, simula dischi esterni aggiuntivi.
   3. Clicca sulla scheda Dischi esterni in alto a sinistra della finestra GUI (Figura 4A e Figura 5A).
      NOTA: I parametri per tre propulsioni esogene predefinite sono visibili, rappresentando il drive prossimale feedforward (evprox1), distale di feedback (evdist1) e reemergente feedforward proximal drive (evprox2) che generano le simulazioni ERP canoniche predefinite (vedi Introduzione per dettagli sul modello HNN e sulla struttura del drive esogeno). Gli istogrammi che rappresentano i tempi e i conteggi degli spike sono mostrati nella Figura 4E.
   4. Clicca sul menu a tendina del disco esogeno il cui tempo medio è più vicino al picco disallineato.
   5. Modifica i valori nelle caselle di testo per il tempo medio e il tempo di sviluppo standard per corrispondere meglio al tempo e alla larghezza dei picchi nella forma d'onda target (Figura 5B–5D). Regola il tempo medio per spostare il picco e il tempo di sviluppo standard per cambiare la larghezza del picco.
      NOTA: Il tempo medio e il tempo di sviluppo standard controllano la media e la varianza degli spike esogeni che attivano la rete locale in schemi di proizione prossimali o distali (vedi istogrammi nella Figura 4E). Questi parametri non determinano completamente il picco o la larghezza dell'ERP. Il tempismo esatto e la larghezza dipendono sia dai motori esogeni sia dall'attività intrinseca della rete.
      1. Imposta il tempo medio per il disco esterno evprox1 a 60 ms.
      2. Imposta il tempo medio per il disco esterno evdist1 a 100 ms.
      3. Imposta il tempo medio per l'unità esterna evprox2 a 150 ms.
7. Modifica l'entità dei propulsori esogeni
   1. Modificare i pesi sinaptici (conduttanza post-sinaptica) dei motori esogeni tramite una regolazione manuale per ottenere un adattamento più vicino alla magnitudine dei picchi ERP registrati empiricamente (cioè P1/N1/P2) (Figura 6A e Figura 6B).
   2. Identificare quali picchi ERP simulati sono disallineati in magnitudine con la forma d'onda ERP empirica.
   3. Clicca sulla scheda Dischi esterni in alto a sinistra della finestra GUI (Figura 4A).
   4. Clicca sul menu a tendina del disco esogeno il cui tempo medio è più vicino al picco disallineato.
   5. Modifica i valori nelle caselle di testo sotto pesi AMPA e NMDA per regolare le conduttezze sinaptiche. Aumentare la forza della spinta prossimale ai neuroni piramidali L5 e L2/3 generalmente produce picchi più positivi, mentre aumentare la forza della spinta distale produce generalmente picchi più negativi.
      NOTA: Similmente alla tempistica esogena dei motori, la magnitudine massima ERP non è completamente determinata dalla forza del motore. Le dinamiche di picchi possono produrre effetti non intuitivi. Il test cambia su un ordine di grandezza (ad esempio, AMPA L5_pyramidal da 0,014 a 0,14) e si affina iterativamente. La Figura 6 mostra valori impostati al 10× inferiori rispetto alla simulazione predefinita.
      1. Imposta i pesi AMPA del disco evdist1 a L5_pyramidal = 0,014243 e L2_pyramidal = 0,0000007.
      2. Imposta i pesi NMDA del disco evdist1 a L5_pyramidal = 0,0080074 e L2_pyramidal = 0,0004317.
      3. Imposta i pesi AMPA del disco evprox2 a L5_pyramidal = 0,0684013 e L2_pyramidal = 0,143884.
         NOTA: Un insieme completo di parametri utilizzati per generare i risultati rappresentativi è disponibile nel repository di codice associato (https://github.com/ntolley/hnn_jove; vedi data/opt_baseline_config_correlation_best.json). Gli utenti sono incoraggiati a caricare questo file di configurazione insieme ai file dati forniti (dati/pre-treatment.txt e dati/post-treatment.txt) e a consultare i flussi di lavoro esempi nei notebook/directory per riprodurre le simulazioni riportate.
8. Salva la configurazione della simulazione modificata.
   1. Dopo aver completato le modifiche nei Passaggi 3.5–3.7, clicca sulla scheda Simulazione (Figura 4A) e inserisci "pre-treatment_handtuned" nella casella di testo Nome (Figura 4B).
9. Esegui una simulazione modificata
   1. Clicca sul pulsante Run per simulare il set di parametri modificato.
   2. Ispeziona il grafico generato nel pannello delle figure (Figura 4F e Figura 7A–7D). Accedi ai grafici precedenti utilizzando le corrispondenti schede delle figure (ad esempio, "Figura 1" e "Figura 2").
10. Accordatura manuale iterata
    1. Continuare la regolazione manuale iterativa per migliorare il coefficiente di correlazione.
    2. Ripeti il Passo 3.4 per riaffiorare la simulazione con la forma d'onda target e ricalcolare il coefficiente di correlazione.
11. Salva le uscite finali del modello.
    NOTA: Il protocollo può essere messo in pausa dopo aver salvato gli output della simulazione. Riprendi caricando i file di configurazione salvati nel software.
    1. Clicca sul pulsante Salva Rete per salvare il parametro più adatto come file .json chiamato "pre-treatment_handtuned.json".
    2. Clicca sul pulsante Salva simulazione per salvare un file .txt chiamato "pre-treatment_handtuned.txt", che contiene la forma d'onda dipolo simulata (Figura 4D).
    3. Sposta entrambi i file nella cartella progetto creata nel Passo 2.5. Assicurati che i nomi dei file corrispondano al nome della simulazione nel menu a tendina.
       NOTA: I file vengono salvati nella directory di download predefinita del browser web utilizzato per eseguire l'interfaccia grafica. Sposta i file manualmente o cambia temporaneamente la directory di download del browser.

Figura 4. Confronto tra la forma d'onda ERP simulata canonica con l'ERP empirica pre-trattamento. (A) Categorie di parametri accessibili tramite schede dell'interfaccia grafica utente (GUI). (B) Parametri di simulazione che controllano la durata e il numero di tentativi della simulazione. (C) Parametri di visualizzazione che controllano la visualizzazione della forma d'onda. (D) Pannello di controllo della simulazione per il caricamento dei dati, l'esecuzione delle simulazioni e il salvataggio degli output. (E) Istogrammi a picco che mostrano distribuzioni degli input dei dischi esogeni nella simulazione ERP canonica. (F) Forma d'onda dipolare della simulazione ERP canonica (blu) sovrapposta a un'ERP uditiva empirica (arancione) di Kohl et ^al.43. La simulazione iniziale non corrisponde ai dati, con tempismo e magnitudine di picco disallineati (Corr < 0,95). Il paradigma sperimentale utilizzato per generare l'ERP empirica è descritto in Kohl et ^al.43: i toni (1 kHz, durata 50 ms, 10 ms fade-in/out) venivano presentati alternativamente alle orecchie sinistra e destra, con intervalli inter-stimoli di 0,8–1,2 s a 60 dB sopra il livello uditivo soggettivo. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 5. Modifica del timing di drive esogeno per allineare i picchi ERP. (A) La scheda "Dischi esterni" nell'interfaccia grafica, utilizzata per configurare gli input evocati al modello. (B–D) Aggiustamento dei parametri di tempo medio per singoli motori esogeni per allineare i picchi ERP simulati con dati empirici. In particolare, (B) impulso prossimale evprox1 allineato a ~60 ms, (C) impulso distale evdist1 allineato a ~100 ms, e (D) impulso prossimale evprox2 allineato a ~150 ms. Regolare il parametro di tempo medio (evidenziato) sposta il timing dei picchi simulati e migliora la corrispondenza con la forma d'onda empirica. Questi aggiustamenti contribuiscono a un miglioramento dell'allineamento e a una maggiore correlazione con l'ERP target (vedi Figura 7B). Clicca qui per visualizzare una versione più grande di questa figura.

Figura 6. Modifica della potenza del motore esogeno per regolare le magnitudini di picco dell'ERP. (A e B) I pesi sinaptici per i recettori α-ammino-3-idrossi-5-metil-4-isosazolepropionico (AMPA) e N-metil-D-aspartato (NMDA) sono modificati tramite la scheda "Dischi esterni" nell'interfaccia grafica (GUI). (A) Regolazione dei pesi sinaptici per il motore distale (evdist1), inclusi conduttori AMPA e NMDA che mirano ai neuroni piramidali degli strati 2/3 (L2/3) e 5 (L5). (B) Aggiustamento dei pesi sinaptici per il drive prossimale (evprox2), che influenza principalmente le conduttezze AMPA nei neuroni piramidali. In questo esempio, i pesi sinaptici sono ridotti di un fattore 10 rispetto ai valori predefiniti, con conseguente diminuzione delle magnitudini di picco ERP e un migliorato accordo con la forma d'onda empirica (vedi Figura 7C). Clicca qui per visualizzare una versione più grande di questa figura.

Figura 7. Regolazione manuale e ottimizzazione per adattarsi ai parametri del modello. Tutte le simulazioni mostrano 5 prove, con ERP media (blu scuro) e singoli tentativi (azzurro chiaro). (A) Simulazione ERP canonica (blu) sovrapposta con ERP pre-trattamento (arancione). (B) L'adattamento del tempo di trasmissione esogena migliora l'allineamento dei picchi. (C) La riduzione dei pesi sinaptici diminuisce le grandori di picco. (D) L'ottimizzazione automatizzata produce un adattamento stretto alla forma d'onda empirica (Corr = 1,0), inclusa una maggiore variabilità nella temporizzazione del disco evocato. Clicca qui per visualizzare una versione più grande di questa figura.

4. Stabilire l'adattamento del modello pre-trattamento con ottimizzazione dei parametri

NOTA: Il controllo del seeding casuale per l'ottimizzazione non è attualmente disponibile nella GUI. Per le esecuzioni di ottimizzazione riproducibile, usa l'API Python. Il repository di codice associato contiene un'implementazione di esempio (vedi code/baseline_optimization.py), dove un seed casuale fisso può essere impostato passando un parametro seed alla funzione di ottimizzazione (ad esempio, optim.fit(..., seed=123)).

NOTA: Questo esempio mostra come ottimizzare parametri mirati per stimare singoli valori che producono un adattamento ravvicinato alla forma d'onda usando CMA-ES (da non confondere con SBI; entrambi sono approcci per adattare i parametri del modello, ma l'output principale di SBI è una distribuzione). Un esempio di come stimare distribuzioni di parametri che possono tenere conto delle forme d'onda è mostrato nella sezione Risultati . Per le ERP pre-trattamento, si inizia ottimizzando i parametri del drive esogeno partendo dall'assunzione che i parametri di connessione cellulare e locale di rete nel modello neocorticale HNN predefinito siano fissi. La previsione multiscala fornita da HNN descritta al Passo 7 fornisce obiettivi per la validazione di questa assunzione. Man mano che nuove informazioni diventano disponibili per vincolare le previsioni dei modelli, il framework HNN consente la stima di qualsiasi insieme di parametri.

1. Impostazioni di ottimizzazione aperta
   1. Clicca sulla scheda Ottimizzazione nell'angolo in alto a sinistra dell'interfaccia grafica (Figura 8A).
   2. Configura le impostazioni dell'esecuzione di ottimizzazione, inclusi il numero di iterazioni, il solver e la funzione obiettivo.
      NOTA: Le impostazioni di ottimizzazione predefinite (Funzione obiettivo = "dipole_corr"; Solver = "cma") sono adatti per le forme d'onda ERP. Questa funzione obiettivo massimizza il coefficiente di correlazione tra forme d'onda simulate ed empiriche. Aumenta il numero massimo di iterazioni se stai ottimizzando molti parametri. Il coefficiente di correlazione è una misura senza scala; quindi, quando si utilizza "dipole_corr", si aggiutica il fattore di scalabilità dopo l'ottimizzazione (Passo 4.7.1). In alternativa, si usa "dipole_rmse" per minimizzare l'RMSE, nel qual caso il fattore di scalabilità rimane fisso.
   3. Clicca sulla casella di testo Max iterations e inserisci 100.
2. Parametri di selezione per l'ottimizzazione
   1. Clicca sul menu a tendina di un disco esogeno i cui parametri saranno ottimizzati (Figura 8A e Figura 8B, cerchio rosso).
   2. Seleziona i parametri del disco da ottimizzare cliccando la casella sotto "Ottimizzato contro?" (Figura 8B).
3. Definire i vincoli dei parametri
   1. Specificare l'intervallo di valori dei parametri esplorati dall'ottimizzatore inserendo i valori nelle caselle di testo Min e Max sotto Vincoli (%) (Figura 8B).
      NOTA: I valori predefiniti del 20% sono adatti per simulazioni che hanno già un alto coefficiente di correlazione (Corr > 0,9). Ad esempio, applicando un intervallo del 20% a un tempo medio di 65,53 ms si ottengono limiti compresi tra 52,42 e 78,64 ms. Per le cattive inclinazioni iniziali, aumentare le percentuali Min e Max; tuttavia, il numero di simulazioni richieste può aumentare significativamente.
4. Ottimizzazione delle corse
   1. Clicca sul pulsante Run Ottimizzazione (Figura 8A) per eseguire la routine di ottimizzazione.
5. Risultati dell'ottimizzazione dei salvataggi
   1. Clicca sul pulsante Salva Cronologia Ottimizzazione (Figura 8A).
   2. Sposta il file salvato nella cartella progetto creata nel Passo 2.5.
      NOTA: I risultati di ottimizzazione possono essere memorizzati e riutilizzati. Il protocollo può essere messo in pausa in questa fase e ripreso caricando la cronologia di ottimizzazione salvata.
6. Valuta la qualità dell'ottimizzazione
   1. Valuta la qualità della run di ottimizzazione.
      NOTA: Quando si utilizza il coefficiente di correlazione come misura di buona attaccamento, si raccomanda un criterio di arresto di Corr > 0,95, poiché generalmente riflette una forma d'onda simulata che riproduce picchi e valle prominenti dell'ERP target. La cessazione anticipata non è attualmente supportata ma è in fase di sviluppo. Aumentare il numero di iterazioni se il criterio di stop non viene soddisfatto ma la perdita continua a diminuire ogni 10 iterazioni.
7. Determina i prossimi passi in base al risultato dell'ottimizzazione
   1. Se si ottiene un buon adattamento all'ERP pre-trattamento (cioè Corr > 0,95), si riadatta il fattore di scala per minimizzare l'RMSE e si procede allo Step 5.
      NOTA: Come descritto nel Passaggio 4.1, quando viene usata "dipole_corr" come funzione obiettivo, si riaggiusta il fattore di scalabilità dopo l'ottimizzazione. In questo esempio, il fattore di scala è stato ridotto dal valore predefinito di 3000× (Figura 7A–7C) a 1000× (Figura 7D).
   2. Se l'ottimizzazione non riesce a ottenere un buon adattamento all'ERP di pre-trattamento, si torna allo Passo 4.2 ed esegui la risoluzione dei problemi aumentando il numero massimo di iterazioni, migliorando il punto di partenza regolato manualmente o selezionando parametri alternativi da regolare.
      NOTA: Consulta la sezione "Risoluzione dei problemi quando si adattano i parametri alle caratteristiche dei dati" nella Discussione per una spiegazione dettagliata dei passaggi di risoluzione dei problemi.

Figura 8. Ottimizzazione dei parametri del drive esogeno per migliorare l'adattamento all'ERP pre-trattamento. (A) Scheda di ottimizzazione nella GUI per configurare i parametri di ottimizzazione. (B) Selezione di parametri e range di vincoli per l'ottimizzazione. (C) Esempio di risultato di ottimizzazione che mostra un miglioramento dell'adattamento ai dati empirici ERP di Kohl et ^al.43. (D) Curva di perdita di ottimizzazione che mostra convergenza dopo circa 80 iterazioni. Clicca qui per visualizzare una versione più grande di questa figura.

5. Stabilire l'adattamento del modello post-trattamento

1. Inizia con la simulazione ERP ottimizzata pre-trattamenti. Regolare e ottimizzare manualmente i parametri di interesse per adattarli all'ERP post-trattamento.
2. Forma d'onda empirica ERP post-trattamento
   1. Caricare la forma d'onda empirica ERP post-trattamento dal Passo 1 nella GUI (stessa procedura del Passo 3.2; Figura 9A).
3. Parametri pre-trattamento ottimizzati dal carico
   1. Carica i parametri ERP ottimizzati del pre-trattamento dai passaggi 1–4 come punto di partenza (Figura 9A).
4. Eseguire accordatura e ottimizzazione manuale
   1. Eseguire regolazione manuale a mano e ottimizzazione dei parametri (stesse procedure dei Passaggi 3.2–3.11 e Passo 4) sui parametri di interesse identificati nel Passo 1.7.
   2. Continuare a ottimizzare e ottimizzare fino a raggiungere un'alta correlazione (Corr > 0,95) tra ERP simulata e post-trattamento.
      NOTA: A scopo illustrativo, nella Figura 9B, la regolazione manuale è stata applicata a un parametro mirato al segnale (diminuzione della conduttanza massima GABA_B della rete locale), che ha prodotto un adattamento più stretto ai dati post-trattamento. Non è stata effettuata l'ottimizzazione per valutare quanto bene questo cambiamento di parametro tenga conto dei dati. La sezione "Risultati Rappresentativi" descrive come stimare le distribuzioni di più parametri ipotizzati come parametri di interesse post-trattamento utilizzando SBI. SBI (dettagliato nello Passo 6) è raccomandato per indagini rigorose perché stima distribuzioni di parametri che tengono conto di un'onda ERP, consentendo confronti robusti tra gli adattamenti dei parametri.
5. Salva la configurazione del modello e confronta i parametri
   1. Salva la configurazione del modello e confronta i valori ottimizzati per i parametri di interesse tra condizioni pre-trattamento e post-trattamento (dati non mostrati).
   2. Ripeti il passaggio 3.11 per esportare un file .json dei parametri del modello. Sposta il file nella cartella progetto creata nel Passo 2.5.
   3. Visualizza i parametri dei dischi esogeni cliccando su Carica dischi esterni (Figura 5A) e selezionando il file di configurazione di rete pre-trattamento o post-trattamento.
   4. Visualizza i parametri della rete locale cliccando su Carica connettività di rete locale (Figura 9C) e selezionando il file di configurazione della rete pre-trattamento o post-trattamento.
   5. Identificare i cambiamenti nei valori dei parametri tra configurazioni di rete pre-trattamento e post-trattamento. Interpreta questi cambiamenti come previsioni basate su modelli dei meccanismi dei biomarcatori post-trattamento.

Figura 9. Valutazione della forza sinaptica dell'acido gamma-aminobutirico di tipo B (GABA_B) come meccanismo dei biomarcatori EEG post-trattamento. (A) Simulazione ottimizzata del pre-trattamento (blu) sovrapposta con ERP post-trattamento (rosso), mostrando magnitudini di picco ridotte. (B) La riduzione della forza sinaptica del GABA_B diminuisce l'ampiezza di N1, suggerendo un meccanismo potenziale. (C) Pannello GUI che mostra dove la forza sinaptica locale GABA_B è modificata. Clicca qui per visualizzare una versione più grande di questa figura.

6. Eseguire la quantificazione dell'incertezza con SBI e valutare la separabilità utilizzando l'interfaccia di programmazione applicativa HNN-Python

NOTA: SBI richiede l'installazione di un pacchetto Python^{separato 62}. Consulta il repository associato (https://github.com/ntolley/hnn_jove) per un esempio di codice che spiega come eseguire l'inferenza dei parametri in HNN utilizzando il pacchetto software SBI. Il codice è organizzato per seguire i passaggi del protocollo successivo. Una discussione completa sull'applicazione del SBI al modello HNN è fornita nel⁵⁵.

1. Installa il pacchetto SBI
   1. Installa il pacchetto SBI eseguendo il seguente comando in un terminale con l'ambiente Python attivato: pip install sbi.
2. Definire intervalli di parametri a priori
   1. Identificare intervalli di parametri attorno al sottoinsieme target dei parametri ERP pre-trattamento e post-trattamento per creare una distribuzione a priori limitata per la quantificazione dell'incertezza.
3. Genera un dataset di addestramento.
   1. Definisci una funzione di aggiornamento parametri (stesso approccio dell'ottimizzazione dei parametri).
   2. Fissare il seme casuale per generare campioni dalla distribuzione precedente per garantire la riproducibilità. Se usi NumPy per la generazione casuale di campioni, crea un'istanza di generatore di numeri casuali nello script Python (ad esempio, rng = np.random.default_rng(123)) e usa questo generatore per il campionamento.
      NOTA: Il repository di codice associato (https://github.com/ntolley/hnn_jove) fornisce un esempio di utilizzo di un generatore casuale NumPy in codice/generate_simulations.py.
   3. Campionare i parametri dalla distribuzione a priori.
      NOTA: sono stati utilizzati 10.000 campioni per generare i risultati rappresentativi.
   4. Genera un dataset di ERP simulati utilizzando i valori dei parametri campionati.
4. Statistiche riassuntive selezionate.
   1. Scegli una statistica riassuntiva che caratterizzi la forma d'onda EEG.
      NOTA: Una statistica riassuntiva è qualsiasi quantità che cattura caratteristiche chiave di una forma d'onda EEG. Le scelte comuni includono il momento di picco e la magnitudine. In questo manoscritto, l'analisi dei componenti principali (PCA) viene utilizzata per estrarre statistiche riassuntive (cioè i carichi dei primi quattro componenti principali). Vedi⁵⁵ per una discussione completa.
   2. Rete ferroviaria SBI
      NOTA: Questo tutorial utilizza i parametri di addestramento predefiniti (ad esempio density_estimator="maf", training_batch_size=200, learning_rate=0,0005) distribuiti con il pacchetto SBI per l'oggetto stimatore posteriore neurale. I parametri di addestramento sono descritti nella documentazione SBI (https://sbi.readthedocs.io/en/stable/api_reference/_autosummary/sbi.inference.NPE_B.html).
   3. Imposta il seed casuale globale di PyTorch per garantire l'addestramento riproducibile includendo torch.manual_seed(0) nello script Python dopo aver importato Torch.
   4. Addestra la rete SBI a mappare le combinazioni di parametri su forme d'onda ERP simulate.
      NOTA: La rete SBI addestrata è un oggetto Python che accetta statistiche riassuntive dai dati EEG come input e produce una distribuzione di parametri (distribuzione posteriore). Se l'addestramento ha successo, simulare parametri da questa distribuzione nel modello HNN produce forme d'onda EEG simili ai dati empirici (controllo predittivo posteriore [PPC]).
   5. Generare campioni posteriori e valutare l'adattamento
   6. Fornire la forma d'onda EEG sperimentale come input di condizionamento alla rete addestrata.
   7. Preleva campioni di parametri dalla distribuzione posteriore condizionata dalla forma d'onda EEG sperimentale.
   8. Simulare i campioni di parametri prelevati dalla distribuzione posteriore.
   9. Calcola la somiglianza tra le forme d'onda simulate e la forma d'onda EEG sperimentale fornita come input.
      NOTA: Questa procedura è chiamata PPC. Una rete ben addestrata produce simulazioni che corrispondono strettamente alla forma d'onda empirica (alta correlazione o basso RMSE). Se il PPC non produce simulazioni soddisfacenti, esistono due possibilità: (1) i meccanismi ipotizzati non tengono conto del biomarcatore, richiedendo nuove ipotesi e distribuzioni precedenti aggiornate; oppure (2) la rete SBI non è stata addestrata con successo. In tal caso, aumentare il budget per la formazione o modificare le statistiche riassuntive.
   10. Se le ERP simulate dalle distribuzioni dei parametri campionate corrispondono all'ERP pre-trattamento e post-trattamento (PPC con Corr > 0,95), si procede allo Passo 6.8. Altrimenti, procedi al Passo 6.7.
5. Risoluzione dei problemi per la formazione SBI Network
   NOTA: Un PPC fallito indica che i parametri di addestramento della rete SBI richiedono modifiche. Consulta la sezione "Risoluzione dei problemi quando si ajustano i parametri alle caratteristiche dei dati" nella Discussione per una spiegazione dettagliata.
   1. Aumentare la dimensione del dataset di addestramento.
   2. Modifica le caratteristiche riassuntive.
   3. Seleziona un'architettura SBI diversa per la formazione.
6. Visualizza le distribuzioni a posteriori e valuta la separabilità
   1. Passa l'array di campioni di parametri dal Passo 6.6.2 alla funzione pairplot e assegna colori distinti alle distribuzioni corrispondenti a ciascuna condizione ERP.
      NOTA: Il repository di codice associato dimostra la funzionalità di tracciamento per riprodurre la Figura 10.
   2. Ispezionare i pannelli diagonali del diagramma di coppie generato per distribuzioni non sovrapposte. Valuta la separabilità calcolando l'OVL (Figura 10A). I parametri con distribuzioni altamente separate (OVL < 0,1) corrispondono ai meccanismi d'azione previsti della neuroterapia che cambiano dopo il trattamento rispetto al pre-trattamento.
      NOTA: OVL è una metrica che quantifica la separabilità della distribuzione nell'intervallo (0,1), dove OVL = 0,0 indica nessuna sovrapposizione e OVL = 1,0 indica sovrapposizione^{completa 54,55}. Il codice per calcolare l'OVL è fornito nel relativo repository di codice.

Figura 10. SBI per la quantificazione dell'incertezza dei parametri e l'identificazione dei meccanismi neuroterapeutici. (A) Visualizzazione a coppie di distribuzioni dei parametri stimate usando SBI. I pannelli diagonali (i–iv) mostrano distribuzioni univariate per i singoli parametri, tra cui (i) sincronia talamocorticale, (ii) conduttanza dendritica K_m , (iii) conduttanza GABA_B e (iv) forza di feedback corticocorticale. Le unità per (i) sono espresse come fattore di scala moltiplicativo del valore predefinito del parametro (pre-trattamento). Le unità per (ii-iv) sono espresse come un fattore di scala moltiplicativo del valore predefinito del parametro (pre-trattamento) su una scala logaritmica. Le distribuzioni per condizioni pre-trattamento (blu) e post-trattamento (rosso) mostrano diversi gradi di separabilità, con la sincronia talamocorticale che mostra la sovrapposizione più bassa (valore di sovrapposizione, OVL = 0,07), indicando l'effetto più forte legato al trattamento. I pannelli fuori diagonale mostrano relazioni bivariate tra i parametri. (B) Controllo predittivo posteriore (PPC) per l'ERP pre-trattamento; Le forme d'onda simulate (nero) corrispondono strettamente ai dati empirici (blu). (C) PPC per l'ERP post-trattamento; Le forme d'onda simulate (nero) corrispondono strettamente ai dati empirici (rosso). Clicca qui per visualizzare una versione più grande di questa figura.

7. Eseguire esame, validazione e ulteriori vincoli del modello

NOTA: Questo passaggio fornisce esempi su come visualizzare elementi di attività simulata nell'interfaccia grafica. Questi dettagli multiscala forniscono obiettivi per convalidare e informare le previsioni derivate dal modello negli esperimenti di^{follow-up 7,47}. Questo protocollo non fornisce indicazioni su quali previsioni siano più adatte agli esperimenti di validazione o su come dovrebbero essere eseguiti (cioè, Passo 7.3).

1. Parametri del modello di carico ed esecuzione delle simulazioni
   1. Parametri del modello di carico ottimizzati per condizioni pre-trattamento e post-trattamento ed eseguire simulazioni.
      NOTA: I parametri dell'ottimizzazione nei passaggi 4–5 possono essere caricati ed esaminati. Esempi di come esportare i parametri di rete prodotti da SBI nello Step 6 dall'interfaccia Python sono inclusi nel relativo repository GitHub.
2. Esamina le previsioni multiscala
   1. Esamina le previsioni multiscala da output simulati.
   2. Traccia l'attività di spiking a livello di cella
   3. Clicca sulla scheda Visualizzazione (Figura 4A).
   4. Clicca sul menu a tendina etichettato Modello di Layout e seleziona Livelli Dipoli-Punte.
   5. Nel menu a tendina Dataset, seleziona i risultati della simulazione da rappresentare.
   6. Clicca su Crea figura per visualizzare l'attività di picco che contribuisce alla forma d'onda del dipolo.
      NOTA: Alcune funzionalità dei microcircuiti (ad esempio, LFP e CSD) sono disponibili solo tramite l'interfaccia di programmazione applicativa (API) HNN-Python. Tutorial basati su codice per queste funzionalità sono disponibili nella pagina degli esempi HNN (https://jonescompneurolab.github.io/hnn-core/stable/index.html).
3. Validare le previsioni del modello con dati empirici
   1. Identificare dataset esistenti e/o raccogliere nuovi dati empirici (ad esempio, elettrofisiologia invasiva, MEG/EEG laminare e spettroscopia a risonanza magnetica) per testare le previsioni dei modelli multiscala.
   2. Confronta le previsioni dei modelli multiscala con i dataset empirici.
   3. Se le previsioni multiscala corrispondono a dataset empirici, considera il modello validato per la caratteristica del microcircuito selezionata.
   4. Se le previsioni multiscala non corrispondono ai dataset empirici, aggiornare la rete HNN predefinita vincolandola con nuovi dati empirici e tornare allo Step 3.

Risultati

Questa sezione presenta uno scenario in cui un neuroterapeutico con un meccanismo d'azione sconosciuto viene indagato utilizzando il software di modellazione HNN. L'obiettivo è utilizzare segnali EEG pre-trattamento e post-trattamento per generare previsioni su come la neuroterapia alteri i circuiti neurali. I risultati sono presentati a scopo dimostrativo per illustrare come la modellizzazione HNN possa essere applicata per indagare i meccanismi neuroterapeutici.

Sviluppo di ipotesi meccanicistiche alla base dei biomarcatori EEG ERP (Passo 1)

In questo esempio, viene utilizzato un ipotetico paradigma ERP sensoriale per esaminare come la neuroterapia alteri il segnale (Passo 1). La Figura 1A mostra un'ERP uditiva pre-trattamento (blu) insieme a un'ERP ipotetica post-trattamento (in rosso; vedi anche Figura 9). L'ERP uditiva pre-trattamento è costituita da dati localizzati nella sorgente registrati sperimentalmente da Kohl et ^al.43, e l'ERP ipotetica post-trattamento viene generata scalando la forma d'onda pre-trattamento con una finestra rastremata in Gaussian. Come mostrato, l'ipotetico neuroterapeutico produce una forte diminuzione dell'entità dei componenti P1, N1 e P2 rispetto all'ERP pre-trattamento.

Si noti che in Kohl et ^al.43, da cui sono stati ottenuti i dati ERP pre-trattamento, le simulazioni HNN utilizzavano un modello in cui i neuroni piramidali venivano potenziati con una dinamica dei canali di calcio più realistica rispetto al modello HNN predefinito. Di conseguenza, i risultati della simulazione in Kohl et ^al.43 differiscono leggermente da quelli mostrati qui. Il modello Kohl et al. 2020 (e altri modelli HNN aggiornati) può essere accessibile tramite l'API Python (https://jonescompneurolab.github.io/hnn-core/stable/generated/hnn_core.calcium_model.html#hnn_core.calcium_model). L'accesso a tali modelli ampliati tramite la GUI è attualmente in fase di sviluppo.

Successivamente, identificare i parametri del modello che rappresentano gli effetti correlati al trattamento (cioè parametri di interesse) che sono ipotizzati per spiegare come la neuroterapia riduca le magnitudini P1, N1 e P2 (Fasi 1.6–1.8). Ampie categorie di meccanismi neurali candidati (e i relativi parametri del modello) includono il timing degli input sinaptici esogeni, le conduttezze locali dei canali ionici neuronali, la connettività sinaptica locale e la connettività sinaptica esogena (Figura 1B). In questo esempio, i meccanismi candidati di ciascuna categoria vengono valutati utilizzando HNN per valutare come i cambiamenti di questi parametri influenzino l'ERP simulato.

Parametri di interesse

1. Deviazione standard del primo impulso prossimale (talamocorticale) (cioè la sincronia talamocorticale), che rappresenta la variabilità nella sincronizzazione degli input sensoriali iniziali in avanti.
2. La conduttanza muscarinica del canale potassico (K_m) nei neuroni piramidali dello strato 5 (L5), controllando l'eccitabilità neuronale, in modo che l'eccitabilità diminuisca con l'aumento della conduttanza.
3. Potenza locale del_recettore GABA B, corrispondente a una sinapsi inibitoria lenta trasmessa dagli interneuroni a tutte le cellule della rete locale.
4. Forza di conduttanza del drive distale a retroazione (corticocorticale), che rappresenta la forza dell'input sensoriale evocato per feedback di ~100 ms alle sinapsi AMPA e NMDA negli strati supragranulari.

Stabilire l'adattamento del modello ERP pre-trattamento (Fasi 3–4)

Simulare l'ERP pre-trattamento seguendo i Passaggi 3–4 (simulazione finale pre-trattamento mostrata nella Figura 8C). Un risultato positivo è indicato da una corrispondenza ravvicinata tra forme d'onda simulate ed empiriche, quantificata da un alto coefficiente di correlazione e un basso RMSE.

Stabilire l'adattamento del modello ERP post-trattamento (Passo 5)

Utilizzare il modello ERP pre-trattamento come punto di partenza e applicare la regolazione manuale e l'ottimizzazione dei parametri per determinare se i parametri di interesse possono riprodurre l'ERP empirico post-trattamento. Un adattamento riuscito indica che i parametri ipotizzati sono sufficienti a spiegare i cambiamenti correlati al trattamento nella forma d'onda ERP.

Quantificazione dell'incertezza con SBI (Passo 6)

A causa della degenerazione dei parametri insita nei modelli biofisici, la quantificazione dell'incertezza tramite SBI (Passo 6) è essenziale per fare previsioni sui cambiamenti dei parametri pre- e post-trattamento. Un prerequisito fondamentale per SBI è ottenere adattamenti accurati agli ERP pre-trattamento e post-trattamento (Fasi 3–5). Se non si ottengono adattamenti accurati, i campioni posteriori generati dall'SBI potrebbero non riprodurre le forme d'onda empiriche, portando a previsioni inaffidabili.

Se non si può ottenere un adattamento efficace nei Passaggi 3–5, si rivista la selezione dei parametri di interesse e i loro intervalli precedenti prima di applicare l'SBI.

In questo esempio, la SBI viene applicata solo ai quattro parametri post-trattamento di interesse, mentre tutti gli altri parametri sono tenuti fissi. Sebbene applicare SBI a un insieme di parametri più ampio possa migliorare la robustezza, aumenta sostanzialmente il costo computazionale (vedi Discussione).

SBI viene utilizzato per stimare distribuzioni complete dei parametri che generano ERP simulati che corrispondono strettamente alle forme d'onda target. In breve, SBI è un approccio bayesiano di inferenza che addestra una rete neurale a mappare i risultati del modello alle distribuzioni dei parametri 52,53,55. La rete addestrata viene poi applicata a forme d'onda empiriche per dedurre distribuzioni di parametri coerenti con i dati. Ciò richiede ipotesi precedenti sugli intervalli di parametri.

In questo esempio, una distribuzione a priori uniforme è definita sui quattro parametri di interesse: sincronia talamocorticale, conduttanza Km dendritica dei neuroni piramidali, conduttanza locale GABAB e forza del feedback corticocorticale. I limiti a priori sono definiti come multipli scalari dei valori predefiniti: 0–5× per la sincronia talamocorticale e 10⁻¹–10¹× per i parametri rimanenti.

La Figura 10A mostra le distribuzioni di parametri risultanti per le ERP pre-trattamento e post-trattamento, visualizzate tramite un diagramma di coppia. I pannelli diagonali mostrano distribuzioni univariate, mentre i pannelli fuori diagonale mostrano relazioni bivariate. Le previsioni meccanicistiche corrispondono a parametri con distribuzioni fortemente separate tra le condizioni.

L'ispezione delle distribuzioni univariate mostra che la sincronia talamocorticale mostra la maggiore separabilità pre- e post-trattamento (OVL più basso di 0,07) e aumenta dopo il trattamento (Figura 10A(iii), rossa). Ciò indica che il quadro HNN prevede la modulazione della sincronia talamocorticale come potenziale meccanismo d'azione.

Validazione predittiva posteriore

Validare le distribuzioni dei parametri dedotti usando un PPC. Generare campioni di parametri indipendenti dalla distribuzione posteriore e simulare i corrispondenti ERP. Un PPC riuscito è indicato quando le forme d'onda simulate corrispondono strettamente all'ERP empirico.

Come mostrato nelle Figure 10B e 10C, sia le forme d'onda pre-trattamento (Figura 10B, blu) sia post-trattamento (Figura 10C, rosso) corrispondono strettamente alle simulazioni generate da campioni posteriori (nero), con coefficienti di correlazione rispettivamente di 0,99 e 0,96 (media su 10 campioni indipendenti). Questi risultati confermano che le distribuzioni dei parametri dedotte producono ricostruzioni accurate delle forme d'onda.

Un esempio di PPC fallito è fornito nella Figura Supplementare 1. L'esempio segue la stessa struttura della Figura 10 e utilizza la stessa rete SBI addestrata; tuttavia, viene utilizzata una forma d'onda alternativa post-trattamento che non è ben rappresentata nell'insieme di addestramento (ad esempio, forme d'onda ERP con una deviazione positiva alla latenza N1). Il PPC fallito è indicato nella Figura Supplementare 1C, dove il coefficiente di correlazione è basso (ad esempio, Corr < 0,95). In particolare, la distribuzione a posteriori nella Figura Supplementare 1A mostra distribuzioni dei parametri altamente separate. Senza l'esecuzione di una PPC, questi risultati potrebbero essere interpretati erroneamente come differenze significative tra condizioni pre-trattamento e post-trattamento. Questo esempio evidenzia l'importanza di condurre una PPC insieme all'interpretazione delle distribuzioni posteriori, poiché i risultati di una PPC fallita sono inaffidabili e non dovrebbero essere ulteriormente analizzati.

Esame e validazione del modello (Passo 7)

Utilizzando il modello HNN, è possibile ispezionare e visualizzare direttamente l'attività a livello di cella e circuito, come lo spiking, alla base di ogni simulazione ERP (Passo 7.2.2). La Figura 11A e la Figura 11B mostrano ERP simulati campionati dalle distribuzioni dei parametri pre-trattamento e post-trattamento, insieme all'attività di spiking specifica per cellule corrispondente (Figura 11C e Figura 11D).

Figura 11. Attività di spiking a livello cellulare alla base della generazione di biomarcatori EEG. (A) ERP pre-trattamento (blu) con una singola simulazione predittiva posteriore (nero). (B) ERP post-trattamento (rosso) con una corrispondente simulazione predittiva posteriore (nero). (C) Attività simulata di spiking sottostante all'ERP pre-trattamento. (D) Attività simulata di picco sottostante all'ERP post-trattamento. Clicca qui per visualizzare una versione più grande di questa figura.

Le forme d'onda vengono visualizzate senza levigatura per enfatizzare il contributo del temporismo degli spike al dipolo di corrente. Nei segnali EEG sperimentali, grandi popolazioni neuronali producono segnali spazialmente mediati che appaiono più fluidi. Poiché HNN simula una popolazione più piccola (200 neuroni piramidali), il levigamento viene utilizzato per approssimare un'attività su scala più ampia (>100.000 neuroni).

Una differenza notevole tra le condizioni è la riduzione dell'attività di spiking nei neuroni piramidali L5 dopo il trattamento (Figura 11C e Figura 11D, punto rosso). Si noti che la Figura 11 mostra un singolo campione dalla distribuzione posteriore; Più campioni dovrebbero essere analizzati per generare previsioni robuste. Questi risultati dimostrano che l'ipotetica neuroterapia altera l'attività dei circuiti multiscala, causando una diminuzione delle ampiezze P1–N1–P2.

Previsioni come queste possono essere testate direttamente tramite elettrofisiologia invasiva (ad esempio, registrazioni laminari ad alta densità) o altre modalità di imaging (Passo 7.3). I dati appena acquisiti possono quindi essere utilizzati per limitare ulteriormente le previsioni del modello. Sebbene questo protocollo si concentri sull'adattamento di dati EEG su scala macro per dedurre l'attività dei microcircuiti, il quadro può anche essere applicato al contrario adattando dati di microcircuito (ad esempio, spiking, LFP/CSD) per dedurre segnali EEG su scala macro.

Figura supplementare 1. Esempio di un fallimento del controllo predittivo posteriore nel flusso di lavoro SBI. I grafici sono organizzati identicamente alla Figura 10. I dati pre-trattamento (blu) sono identici alla Figura 10. I dati ipotetici post-trattamento sono stati generati identicamente come prima (forma d'onda moltiplicata con una finestra affusolata da Gauss), ma trasformati per produrre un picco positivo che non è ben rappresentato nell'insieme di addestramento delle simulazioni HNN. (A) Visualizzazione a coppie di distribuzioni dei parametri stimate usando SBI. I pannelli diagonali (i–iv) mostrano distribuzioni univariate per i singoli parametri, tra cui (i) sincronia talamocorticale, (ii) conduttanza dendritica K_m , (iii) conduttanza GABA_B e (iv) forza di feedback corticocorticale. Le distribuzioni per condizioni pre-trattamento (blu) e post-trattamento (rosso) mostrano un'elevata separabilità per tutti i parametri (OVL < 0,1). I pannelli fuori diagonale mostrano relazioni bivariate tra i parametri. (B) Controllo predittivo posteriore (PPC) per l'ERP pre-trattamento; Le forme d'onda simulate (nero) corrispondono strettamente ai dati empirici (blu). (C) PPC per l'ERP post-trattamento; le forme d'onda simulate (nero) sono molto diverse dai dati empirici (rosso), con Corr < 0,95 che indica un PPC fallito. Clicca qui per scaricare questo file.

Discussione

La modellizzazione neurale computazionale dei biomarcatori EEG può permettere una comprensione più approfondita di come le terapie del SNC riconfigurino i circuiti neurali e fornisce previsioni sui processi biologici alla base degli effetti terapeutici. Il flusso di lavoro presentato qui dimostra come un biomarcatore EEG comunemente misurato, gli ERP uditivi, insieme alla modellizzazione biofisica tramite l'HNN, possano essere utilizzati come finestra sui meccanismi attraverso cui un farmaco influenza l'attività neurale. Collegando le misurazioni EEG su scala macroscocca ai processi cellulari e a livello di circuito sottostanti, questo protocollo fornisce un quadro strutturato e guidato da ipotesi per l'interpretazione meccanicistica. È importante notare che l'approccio non è limitato agli ERP e può essere esteso a indagare altri segnali EEG locali, inclusi oscillazioni neurali a bassa frequenza^40,63 ed eventi spettrali^{transitori 7,47,64}, ampliandone così l'applicabilità tra biomarcatori elettrofisiologici e paradigmi sperimentali.

Rispetto ad altri framework per la modellazione neurale dell'EEG, HNN offre un equilibrio tra complessità del modello ed efficienza computazionale particolarmente vantaggioso per il testing di ipotesi iterative. Ad esempio, The Virtual Brain consente la simulazione di reti cerebrali su larga scala che generano segnali EEG^{spaziotemporali 34,65}. Tuttavia, per ottenere la modellazione dell'intero cervello, l'attività neurale viene rappresentata tramite formulazioni matematiche ridotte, che eliminano caratteristiche cellulari dettagliate come la morfologia dei neuroni piramidali e limitano la capacità di collegare direttamente i parametri del modello ai meccanismi cellulari dell'azione dei farmaci. Al contrario, modelli su larga scala morfologicamente e fisiologicamente dettagliati possono simulare segnali EEG con alto realismo^biologico 66,67,68,69, ma a un costo computazionale sostanziale, spesso richiedendo diverse ore di calcolo per simulare solo pochi secondi di attività neurale. Questo onere computazionale può limitare l'accessibilità e rallentare il processo iterativo necessario per la generazione e il test delle ipotesi. HNN occupa una posizione intermedia (Figura 2), permettendo la simulazione di circuiti neocorticali localizzati con dettagli biologici sufficienti per generare previsioni a livello di cellula e circuito mantenendo l'efficienza computazionale (cioè simulazioni dell'ordine dei secondi), rendendola particolarmente adatta all'integrazione nei flussi di lavoro sperimentali.

Nonostante questi vantaggi, dovrebbero essere considerate diverse limitazioni nell'applicazione dell'EEG e della modellazione neurale biofisica per studiare le malattie cerebrali e i meccanismi farmacologici. Le proprietà biofisiche delle cellule e dei circuiti che generano segnali EEG non coprono l'intero spettro dei processi biologici interessati dagli interventi farmacologici. Ad esempio, risposte sistemiche o immunologiche potrebbero non influenzare direttamente i segnali EEG e quindi potrebbero non essere riflesse negli output modellati. Inoltre, le ipotesi meccanicistiche sono spesso derivate da studi sugli animali, che potrebbero non tradursi completamente nella funzione cerebrale umana, in particolare nei disturbi neuropsichiatrici in cui gli esiti clinici si basano su valutazioni comportamentali e cognitive^70,71. Un'altra sfida importante è distinguere tra effetti farmacologici acuti e cronici. Sebbene le interazioni acute farmaco-recettore siano relativamente ben caratterizzate, le adattamenti a lungo termine indotti dall'esposizione prolungata ai farmaci sono meno compresi e potrebbero non essere pienamente catturati nei quadri di modellazione attuali. Inoltre, il modello HNN rappresenta una singola rete neocorticale canonica localizzata, mentre le neuroterapie e le malattie del SNC spesso esercitano effetti distribuiti su più aree cerebrali. Sebbene le influenze di altre regioni possano essere approssimate attraverso cambiamenti nel tempismo e nella forza degli input esogeni, la caratterizzazione empirica diretta di questi circuiti a monte o a valle è spesso limitata, il che limita l'interpretazione del modello.

La degenerazione dei parametri rappresenta una sfida fondamentale in tutti i modelli neurali biofisici, poiché configurazioni multiple di parametri possono produrre risultati simili per i modelli. In questo protocollo, SBI viene utilizzato per affrontare questo problema stimando distribuzioni di parametri che generano forme d'onda ERP coerenti con dati empirici (Figura 10). Questo approccio consente la quantificazione dell'incertezza nei parametri del modello, fornendo un quadro più solido per l'interpretazione meccanicistica rispetto alle stime a singolo punto. Tuttavia, per la trattabilità computazionale, la SBI viene applicata a un sottoinsieme limitato di parametri corrispondenti ai meccanismi ipotesi dei farmaci, e le assunzioni riguardanti parametri non stimati possono influenzare la dinamica della rete risultante. L'espansione dell'inferenza a spazi di parametri più ampi può essere ottenuta utilizzando approcci come la stima posteriore neurale sequenziale, che affina iterativamente le stime dei parametri e permette l'esplorazione di distribuzioni di parametri di dimensioni^{superiori 52} (>10). Oltre all'inferenza probabilistica, incorporare vincoli sperimentali indipendenti può ulteriormente ridurre l'incertezza dei parametri e migliorare la specificità delle previsioni del modello. Poiché i segnali EEG riflettono principalmente attività coordinata attraverso gli strati corticali, tecniche complementari come l'elettrofisiologia laminare invasiva—incluse misurazioni di spiking cellulare, LFP e CSD—forniscono informazioni preziose per vincolare soluzioni modellari e affinare ipotesi meccanicistiche.

L'applicazione efficace di questo protocollo dipende dall'esecuzione attenta di diversi passaggi critici. Dopo aver identificato un biomarcatore ERP e installato il framework di modellazione (Fasi 1–2), il requisito principale è ottenere risultati positivi in ogni fase del flusso di lavoro (Figura 3). Nei Passaggi 3–5, ciò comporta la selezione e il raffinamento di parametri ipotizzati che possano essere regolati o ottimizzati manualmente per ottenere un ravvicinamento tra ERP pre-trattamento e post-trattamento simulato ed empirico. Se non si può ottenere un adattamento soddisfacente, dovrebbero essere esplorati e testati iterativamente parametri alternativi. Sebbene guasti ripetuti siano improbabili dato che le precedenti dimostrazioni della capacità di HNN di riprodurre le funzionalità ERP, un guasto persistente può indicare la necessità di modificare il modello di rete predefinito o di incorporare ulteriori dettagli biofisici. Il passaggio 6 richiede un'attenta configurazione del SBI, inclusa la selezione appropriata degli intervalli di parametri, statistiche riassuntive e parametri di addestramento per garantire una stima accurata delle distribuzioni dei parametri. Al completamento con successo dello Step 6, il protocollo fornisce sia previsioni basate su modelli sia stime di incertezza associate. Il Passaggio 7 è fondamentale per convalidare queste previsioni, anche se le strategie specifiche di validazione dipendono dalle modalità sperimentali disponibili. Gli approcci potenziali di validazione includono registrazioni elettrofisiologiche laminari per valutare l'attività di spiking specifica per strato e cellula e i segnali LFP/^{CSD 7}, misurazioni MEG/EEG risolte a strato, spettroscopia di risonanza magnetica o tomografia a emissione di positroni per valutare sistemi di neurotrasmettitori, e imaging a tensore di diffusione per valutare la connettività strutturale come le vie talamocorticali.

La risoluzione dei problemi e la personalizzazione sono fondamentali per adattare il protocollo a diversi dataset e contesti sperimentali, in particolare nei Passaggi 3–6 dove i parametri del modello sono adattati ai dati empirici. L'ottimizzazione dei parametri (Passaggi 4–5) potrebbe non convergere verso un'alta correlazione (Corr > 0,95), nel qual caso possono essere effettuate diverse aggiustazioni. Questi includono la modifica degli iperparametri dell'ottimizzatore (ad esempio, l'aumento della dimensione della popolazione nel risolutore CMA-ES per migliorare la robustezza, con un aumento dei costi computazionali), il perfezionamento dei parametri di scala e levigamento (ad esempio, il test dei valori di levigatura tra 5 e 60 ms), l'espansione della gamma di parametri di unità esogene o l'introduzione di unità aggiuntive per catturare meglio le caratteristiche della forma d'onda. In alcuni casi, simulazioni ottimizzate possono raggiungere un'alta correlazione senza riuscire a catturare caratteristiche ERP a ampiezza inferiore come il componente P1; Questo può essere affrontato applicando soglie di perdita più rigide o pesando specifiche finestre temporali per enfatizzare queste caratteristiche durante l'ottimizzazione. Per SBI (Passo 6), il fallimento delle PPC indica che le forme d'onda simulate non riproducono adeguatamente i dati empirici (Figura Supplementare 1). In tali casi, le distribuzioni dei parametri precedenti dovrebbero essere riviste ampliando gli intervalli di parametri o includendo parametri aggiuntivi, e la dimensione del dataset di addestramento potrebbe dover essere aumentata. Ulteriori miglioramenti possono essere ottenuti modificando le statistiche riassuntive o selezionando architetture SBI alternative. Infine, quando la validazione nello Passo 7 fallisce, la rete HNN predefinita può richiedere modifiche per includere elementi di circuito aggiuntivi o alternativi. Il design modulare di HNN supporta tali estensioni, permettendo la modifica della connettività sinaptica e delle proprietà cellulari tramite l'interfaccia grafica, e cambiamenti strutturali più avanzati tramite l'interfaccia Python. Ad esempio, lavori precedenti hanno modificato il modello predefinito per incorporare una connettività interneuronale più dettagliata nella corteccia^{frontale 46}, portando a nuove previsioni testabili. Il framework aperto di HNN facilita la condivisione e il riutilizzo di modelli ampliati, supportando un continuo perfezionamento e validazione attraverso contesti sperimentali.

Materiali

```html

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Anaconda Python	Anaconda, Inc.	N.A.	Distribuzione Python; Versione Python ≥3.9 e <3.14
Computer workstation	N.A.	N.A.	Sistema operativo: Windows ≥10, Linux o macOS. Hardware minimo raccomandato: ≥16 GB RAM, ≥8 CPU cores
EEGLAB	EEGLAB Developers	N.A.	Toolbox opzionale basato su MATLAB per la pre-elaborazione EEG e l'analisi ERP
FieldTrip	Donders Institute for Brain, Cognition and Behaviour, Radboud University	N.A.	Toolbox opzionale basato su MATLAB per l'analisi EEG/MEG
Human Neocortical Neurosolver (HNN-core)	HNN Developers	N.A.	Software di modellazione neurale biofisica; versione ≥0.6.0 utilizzata in questo studio
MATLAB	MathWorks	N.A.	Necessario per eseguire EEGLAB e FieldTrip (se utilizzato)
MNE-Python	MNE Developers	N.A.	Utilizzato per la pre-elaborazione EEG e la localizzazione delle sorgenti
NumPy	NumPy Developers	N.A.	Utilizzato per calcoli numerici e generazione di numeri casuali
Pixi (package/environment manager)	Prefix.dev	N.A.	Utilizzato per gestire le dipendenze nel repository del codice associato
PyTorch	PyTorch Developers	N.A.	Utilizzato per l'addestramento delle reti neurali SBI e l'impostazione di semi casuali
SBI (Simulation-Based Inference) package	SBI Developers	N.A.	Pacchetto Python per l'inferenza dei parametri e la quantificazione dell'incertezza
Windows Subsystem for Linux (WSL2)	Microsoft Corporation	N.A.	Necessario solo per le installazioni basate su Windows

```