Um Protocolo para Descobrir Mecanismos Neurais dos Efeitos Neuroterapêuticos na Eletroencefalografia Usando o Neurosolver Neocortical Humano

Resumo

Este protocolo demonstra como simulações neurais baseadas em física podem ser usadas para interpretar biomarcadores eletrofisiológicos de neuroterapêuticos e descobrir seu efeito nos circuitos neurais, fornecendo uma abordagem mecanicamente fundamentada para o desenvolvimento neuroterapêutico.

Resumo

A eletroencefalografia (EEG) e métodos eletrofisiológicos fornecem biomarcadores de resolução de milissegundos para distúrbios do sistema nervoso central e são amplamente utilizados para avaliar efeitos relacionados ao tratamento. No entanto, o entendimento limitado dos mecanismos neurais que geram esses biomarcadores impede o desenvolvimento de diagnósticos e terapias baseados nesses sinais. O Neurosolver Neocortical Humano (HNN) é um software de modelagem biofísica de código aberto que conecta biomarcadores de EEG localizados aos seus geradores neurais multiescala. Este protocolo demonstra um fluxo de trabalho orientado por hipóteses usando HNN para testar os mecanismos neurais de biomarcadores de EEG induzidos por neuroterapia, otimizando parâmetros do modelo para alcançar um ajuste entre as formas de onda da fonte de corrente simuladas e empíricas. A atividade correspondente em nível de célula e circuito em múltiplas escalas pode então ser visualizada e quantificada, fornecendo metas de validação para previsões de modelos em estudos empíricos subsequentes. Um exemplo é fornecido demonstrando como examinar os mecanismos neurais subjacentes aos componentes potenciais relacionados a eventos precoces de uma resposta evocada auditiva (P1, N1 e P2), e avaliar mudanças após modificações induzidas neuroterapêuticas na atividade dos circuitos neurais. Esse protocolo permite o projeto de experimentos de simulação para gerar previsões testáveis ligando biomarcadores de EEG a mecanismos subjacentes de circuitos neurais. Um fluxo de trabalho semelhante pode ser aplicado para estudar mecanismos de doenças ou outras intervenções terapêuticas.

Introdução

O desenvolvimento terapêutico do sistema nervoso central (SNC) enfrenta desafios únicos, com taxas de aprovação menores do que em outras áreas de doença, destacando a necessidade de abordagens metodológicas^inovadoras, especialmente aquelas que podem revelar efeitos relacionados ao tratamento na dinâmica cerebral. Uma abordagem bem estabelecida para estudar o efeito dos terapêuticos na atividade neural é a eletroencefalografia (EEG^)2,3. O EEG fornece uma assinatura da dinâmica cerebral in vivo em nível de circuito e oferece forte potencial translacional de modelos em roedores até testes em humanos, já que a circuitaria neural que gera sinais de EEG mostra homologia entre as^espécies 4,5,6,7,8. No desenvolvimento farmacêutico, o EEG pode desempenhar múltiplas funções, incluindo fornecer leituras translacionais entre estudos em animais e humanos, avaliar a segurança de medicamentos, orientar a seleção de compostos, informar relações dose-resposta, avaliar a prova de mecanismo em fases clínicas iniciais e possibilitar estratificação de ensaios clínicos e enriquecimento^{de coortes} 9,10,11,12,13,14 . Apesar dessas vantagens, a interpretação dos sinais do EEG continua sendo um grande desafio, especialmente ao tentar vincular mudanças observadas aos mecanismos neurais subjacentes.

Um biomarcador robusto de EEG usado na descoberta de fármacos no SNC é o potencial relacionado a eventos (ERP). As ERPs refletem atividade cerebral sensorial evocada por tempo travado no tempo e têm sido amplamente utilizadas para estudar transtornos neurodesenvolvementais e neuropsiquiátricos, incluindo depressão^15,16, esquizofrenia^17,18, transtorno do espectro^{autista 19,20} e doença de^{Alzheimer 21}. Os ERPs também são usados para avaliar os efeitos do tratamento e as faixas de dosagem nos circuitos^cerebrais 22,23,24,25, onde a normalização para respostas saudáveis pode indicar eficácia terapêutica²⁶. No entanto, uma limitação fundamental dos ERPs e outros biomarcadores do EEG (por exemplo, oscilações cerebrais) é que suas associações com estados doológicos ou efeitos dos medicamentos são em grande parte correlacionais. Embora análises estatísticas possam identificar relações entre biomarcadores e desfechos, elas não fornecem uma visão mecanicista de como elementos específicos do circuito neural geram esses sinais. As contribuições causais de tipos celulares específicos e mecanismos de circuito, portanto, permanecem incertas. Compreender as origens celulares e de circuitos dos sinais EEG pode aumentar consideravelmente seu valor ao vincular assinaturas observadas à fisiologia^{subjacente 27,28}. Neste manuscrito, o termo EEG "biomarcador" refere-se a mudanças mensuráveis nos sinais de EEG após intervenção terapêutica, consistentes com a definição 29 do quadro de Biomarcadores, EndpointS e outros Institutos de Saúde (FDA–NIH)²⁹, em vez de implicar qualificação formal para um uso clínico^{específico 30}.

Embora registros eletrofisiológicos invasivos possam fornecer insights detalhados em nível celular e de circuito, essas abordagens são amplamente restritas a modelos animais e são difíceis de traduzir diretamente para estudos em humanos. Abordagens alternativas, como técnicas de modelagem inversa, podem estimar a atividade da fonte a partir de sinais de EEG, mas frequentemente carecem de representações mecanicistas explícitas dos circuitos neurais subjacentes. Simulações biofísicas oferecem uma estrutura complementar ao modelar os processos físicos pelos quais circuitos neurais geram sinais mensuráveis de EEG 31,32,33,34 (Figura 1). Comparado a análises puramente estatísticas de biomarcadores ou métodos inversos sem fundamento mecanicista, a modelagem biofísica permite testes diretos de hipóteses que ligam a dinâmica dos circuitos neurais a sinais eletrofisiológicos observados.

Figura 1. Modelagem biofísica para desenvolver e testar hipóteses mecanicistas subjacentes a biomarcadores farmacológicos de eletroencefalografia (EEG). (A) Identificação de um biomarcador de EEG com base em diferenças nos sinais cerebrais entre condições. Um exemplo é um potencial relacionado a eventos auditivos (ERP) que é reduzido na condição pós-tratamento (vermelho) em relação à condição pré-tratamento (azul). (B) A modelagem biofísica permite testar hipóteses mecanicistas explicando como os biomarcadores do EEG surgem e mudam com intervenção farmacológica. Hipóteses são formuladas sobre mudanças induzidas por fármacos na atividade neural, e parâmetros correspondentes do modelo são identificados. (C) O modelo padrão de Neurosolver Neocortical Humano (HNN) é usado como ponto de partida para testar hipóteses, modificando manualmente parâmetros do modelo ou aplicando algoritmos automatizados de otimização e inferência. Diferenças nos valores dos parâmetros entre condições pré-e pós-tratamento correspondem a previsões baseadas em modelos. Por favor, clique aqui para ver uma versão ampliada desta figura.

Este protocolo utiliza o Human Neocortical Neurosolver (HNN), uma estrutura de modelagem biofísica de código aberto, para vincular biomarcadores ERP de efeitos relacionados ao tratamento aos seus mecanismos subjacentes em nível celular e^{de circuito 33} (Figura 2). A HNN baseia-se no princípio de que o fluxo de corrente intracelular síncrono em dendritos piramidais de neurônios alinhados gera os dipolos de corrente primários subjacentes aos sinais de^EEG 6,35,36,37. O modelo representa uma coluna neocortical canônica composta por neurônios piramidais excitatórios e interneurônios inibitórios distribuídos pelas camadas corticais 2/3 e 5. A rede padrão de HNN inclui 100 neurônios piramidais e 33 neurônios inibitórios por camada, formando uma representação reduzida, porém biologicamente fundamentada, da circuitaria cortical. Neurônios piramidais são modelados com estruturas dendríticas multicompartimentos para capturar características morfológicas-chave³⁸, enquanto neurônios inibitórios são representados como compartimentos únicos devido à sua contribuição limitada para correntes^{extracelulares 33}. As interações sinápticas incluem receptores excitatórios de ácido α-amino-3-hidroxi-5-metil-4-isoxazolepropiônico (AMPA) e N-metil-D-aspartato (NMDA), além de receptores inibitórios de ácido gama-aminobutírico tipo A e ácido gama-aminobutírico tipo B (GABA_B), com todos os neurônios incorporando condutâncias iônicas ativas governadas pela dinâmica de Hodgkin–Huxley.

Figura 2. Esquema do modelo HNN. Visualização dos principais componentes do modelo HNN, incluindo conexões de rede local entre neurônios excitatórios e inibitórios, e vias de entrada exógenas denominadas "impulso proximal" e "impulso distal". Por favor, clique aqui para ver uma versão ampliada desta figura.

A atividade neural na HNN é impulsionada por entradas exógenas que representam vias de avanço e retroalimentação. Impulsos "proximais" de alimentação correspondem a entradas do tálamo lemniscal que visam dendritos proximais, enquanto impulsos "distais" de realimentação representam entradas talâmicas cortico-corticais e não lemnicais direcionadas a dendritos distais. Essas entradas são modeladas como cadeias de potenciais de ação que evocam correntes sinápticas e geram fluxo de corrente intracelular ao longo dos dendritos neurônicos piramidais. O dipolo de corrente em nível populacional resultante é expresso em nanoamperímetros, permitindo a comparação direta com dados de EEG ou magnetoencefalografia (MEG) localizados na fonte com restrição de orientação. A parametrização padrão da HNN é informada por dados empíricos de estudos do córtex somatossensorial 39,40,41 e foi aplicada com sucesso aos sinais auditivos 42,43,44, visual⁴⁵ e corticais^{frontais 46}, com previsões derivadas do modelo validadas em estudos experimentais^{subsequentes 7,41,47}.

Simulações de HNN podem ser aplicadas em múltiplos estágios da pesquisa e desenvolvimento farmacêutico, incluindo validação de alvos, comparação dos mecanismos de ação dos fármacos, otimização de dose e geração de hipóteses para experimentos de^{acompanhamento} 14,48,49,50. Isso permite que os usuários incorporem modelagem mecanicista em fluxos de trabalho práticos de pesquisa, apoiando a geração e o teste de hipóteses sobre como as neuroterapêuticas influenciam os circuitos neurais. Neste protocolo, focamos nos componentes iniciais P1, N1 e P2 dos ERPs auditivos, pois essas características são bem caracterizadas e fornecem restrições para a modelagem orientada por^{hipóteses 51}. Embora o foco esteja nas mudanças induzidas por medicamentos, a abordagem pode ser estendida a outras intervenções neuroterapêuticas, como estimulação cerebral ou treinamento comportamental, bem como a estudos de distúrbios do SNC.

O uso da HNN segue uma estrutura de modelagem iterativa na qual a estrutura e os parâmetros do modelo são inicialmente limitados por dados existentes e depois refinados por meio da comparação com observações empíricas. Modelos neurais em grande escala contêm muitos parâmetros, mas apenas um subconjunto — chamado de parâmetros de interesse — é ajustado para testar hipóteses específicas. Esses parâmetros não são selecionados arbitrariamente; em vez disso, eles são escolhidos com base em evidências experimentais anteriores e na literatura que descreve os potenciais mecanismos de ação do neuroterapêutico. Neste protocolo, parâmetros relacionados ao tempo e intensidade da entrada exógena, conectividade inibitória local e condutâncias dos canais iônicos dendríticos são selecionados como exemplos de variáveis biologicamente interpretáveis que podem ser influenciadas por neuroterapias.

Começando com um modelo padrão, os usuários primeiro ajustam parâmetros aos dados ERP pré-tratamento usando uma combinação de ajuste manual e otimização automatizada. A sintonia manual ajusta a escala global e os parâmetros de entrada para aproximar a forma de onda empírica, fornecendo uma compreensão intuitiva de como as mudanças de parâmetros afetam a saída do modelo. Métodos automatizados como a estratégia de evolução de adaptação da matriz de covariância (CMA-ES), otimização bayesiana e otimização restrita por aproximação linear são então usados para refinar os valores dos parâmetros e melhorar o ajuste. Uma vez estabelecido um modelo pré-tratamento, parâmetros hipotetizados para levar em conta as mudanças pós-tratamento são ajustados para se adequar aos dados ERP pós-tratamento.

Para abordar a incerteza na estimação de parâmetros, a inferência baseada em simulação (SBI) é usada para estimar distribuições dos valores dos parâmetros que reproduzem os dados^{observados 52,53}. O SBI leva em conta a possibilidade de múltiplas combinações de parâmetros produzirem resultados semelhantes e possibilita a quantificação da incerteza dos parâmetros. Diferenças entre distribuições de parâmetros pré-tratamento e pós-tratamento podem ser avaliadas usando um índice de sobreposição (OVL^)54,55, fornecendo insights sobre os potenciais mecanismos de ação.

Uma vantagem chave dessa abordagem é que ajustar o modelo a uma modalidade de dados específica gera previsões em múltiplas escalas de atividade neural, incluindo picos celulares, potenciais locais de campo específicos por camada (LFPs) e densidade de fonte de corrente (CSD). Essas previsões fornecem alvos para validação experimental usando técnicas complementares. Se as previsões não forem suportadas por dados empíricos, o modelo pode ser atualizado incorporando novas restrições, formando um ciclo iterativo de geração, teste e refinamento de hipóteses (Figura 3).

Figura 3. Fluxo de trabalho iterativo para desenvolver e testar previsões de biomarcadores ERP com HNN. O fluxo de trabalho corresponde às etapas do protocolo. A identificação de um biomarcador EEG e a inicialização do modelo padrão de HNN são mostradas em vermelho (Passos 1–2). Ajustes manuais e otimização são usados para ajustar os parâmetros do modelo aos sinais ERP pré-e pós-tratamento (roxo; Etapas 3–5). A quantificação da incerteza usando inferência baseada em simulação (SBI) é mostrada em verde (Passo 6). As previsões do modelo são então examinadas e comparadas com dados experimentais para validar ou restringir ainda mais o modelo (laranja; Passo 7). Por favor, clique aqui para ver uma versão ampliada desta figura.

Este protocolo foi projetado para uso com dados EEG ou MEG localizados na fonte e restritos à orientação, coletados durante paradigmas de resposta evocada. Métodos padrão de pré-processamento e localização de origem (por exemplo, estimativa mínima de norma [MNE]-Python⁵⁶) podem ser usados para gerar os dados de entrada necessários. Sinais em nível de fonte expressos em nanoamperímetros são diretamente comparáveis às saídas HNN. Para respostas sensoriais rápidas, sinais em nível de fonte e sensor são frequentemente altamente semelhantes, permitindo insights da modelagem localizada na fonte para orientar a interpretação de dados de EEG em^{nível de sensor 57,58}.

Protocolo

Todos os procedimentos envolvendo dados humanos foram realizados de acordo com as diretrizes e regulamentos institucionais relevantes. O conjunto de dados utilizado neste estudo foi obtido a partir de um estudo^{previamente publicado 43}, e não foi necessária aprovação ética adicional. Nenhum material ou procedimento perigoso está envolvido neste protocolo.

1. Identificar um biomarcador potencial relacionado a eventos EEG induzidos pelo tratamento e definir hipóteses modelo

1. Colete ou identifique um conjunto de dados contendo sinais de EEG registrados experimentalmente de sujeitos de interesse (por exemplo, pré-tratamento e pós-tratamento no contexto de neuroterapias). Registre as medições de EEG durante a apresentação de um estímulo sensorial e registre os carimbos de tempo do estímulo sensorial simultaneamente com os dados do EEG para permitir a segmentação em ensaios. Certifique-se de que os dados do EEG sejam armazenados em um formato compatível com softwares de pré-processamento (por exemplo, .fif, .set ou .edf).
   NOTA: O repositório de código associado (https://github.com/ntolley/hnn_jove) fornece os arquivos de dados usados para gerar os resultados representativos. O repositório inclui um ERP MEG auditivo pré-processado de Kohl et al. (2022), que serve como ERP pré-tratamento (dados originais disponíveis em: https://github.com/kohl-carmen/HNN-AEF). A ERP hipotética pós-tratamento é gerada escalando a forma de onda pré-tratamento usando uma janela afunilada por Gauss. Os arquivos de dados correspondentes estão localizados no repositório em data/pre-treatment.txt e data/post-treatment.txt. Como os sinais MEG e EEG refletem geradores neurais subjacentes semelhantes, esse protocolo é aplicável a ambas as modalidades.
2. Identifique um conjunto de características candidatas de biomarcadores ERP que sejam hipotetizadas para distinguir efeitos relacionados ao tratamento (por exemplo, picos e magnitudes de ERP).
   NOTA: Neste protocolo de exemplo, as magnitudes de pico são usadas como biomarcador de interesse.
3. Pré-processar dados de EEG e extrair características de biomarcadores de interesse.
   NOTA: Vários pacotes de software suportam pré-processamento e análise ERP, incluindo MNE-Python⁵⁶, EEGLAB⁵⁹ e^{FieldTrip 60}. A localização da fonte é recomendada para modelagem de sinais ERP, mas não é obrigatória. Um fluxo de trabalho de exemplo está disponível em https://jonescompneurolab.github.io/hnn-core/stable/auto_examples/workflows/plot_simulate_somato.html. Vários trabalhos anteriores descrevem o pré-processamento e análise de sinais de EEG em detalhes completos; Os leitores são especialmente convidados a conferir^56,61 para um contexto mais completo.
   1. Realize a localização da fonte usando sinais em nível de sensor de todos os canais, ou selecione sensores EEG a serem analisados. Use dados localizados na fonte para comparação direta com a saída do modelo; Os dados em nível de sensor não terão correspondência de unidades.
      NOTA: A correspondência unitária um-para-um descrita abaixo não será válida para sinais em nível de sensor.
   2. Segmento registrou dados de EEG em ensaios usando carimbos de tempo do estímulo sensorial.
   3. Calcule as formas de onda ERP médias de ensaios para condições pré-e pós-tratamento.
   4. Extrair biomarcadores candidatos ERP a partir de formas de onda médias de testes (por exemplo, calcular os picos de magnitude N1). Defina critérios de detecção de picos (por exemplo, janela de tempo e polaridade) antes da extração.
4. Realize testes estatísticos para determinar quais características ERP são significativamente diferentes entre condições (por exemplo, pré-tratamento versus pós-tratamento). Selecione testes estatísticos apropriados com base no desenho do estudo e aplique correção por múltiplas comparações quando necessário (por exemplo, ANOVA de medidas repetidas seguida por testes pós-hoc Tukey HSD para múltiplas comparações).
   NOTA: Um exemplo codificado de teste estatístico está disponível em https://mne.tools/stable/auto_tutorials/stats-sensor-space/20_erp_stats.html.
5. Resultados específicos e estatisticamente significativos dos biomarcadores de EEG (por exemplo, diferenças nas magnitudes N1). Salve as saídas para uso nas etapas seguintes.
6. Defina hipóteses baseadas em literatura sobre mecanismos de medicamentos e parâmetros associados do modelo de interesse. Consulte a literatura anterior e dados experimentais para identificar propriedades biofísicas alteradas pelo neuroterapêutico que possam explicar diferenças de características.
7. Identifique quais parâmetros do modelo neural biofísico (HNN) estão diretamente representados ou indiretamente relacionados às propriedades biológicas identificadas no Passo 1.6. Defina esses parâmetros como de interesse. Mapear mecanismos biológicos para modelar parâmetros usando literatura anterior e documentação HNN.
8. Produza um conjunto identificado de parâmetros de modelo de interesse correspondentes a propriedades biofísicas hipotetizadas para gerar as diferenças identificadas nas características do EEG. Use o modelo padrão HNN (inicializado na Etapa 2) como ponto de partida para todos os valores dos parâmetros e salve as saídas para etapas subsequentes.

2. Inicializar o modelo padrão de HNN: instalar o software de modelagem e configurar a pasta do projeto

NOTA: As versões de software usadas neste estudo estão especificadas na Tabela de Materiais, juntamente com os requisitos mínimos do sistema. Múltiplas opções de instalação estão disponíveis (ou seja, pip, conda e instalação de código-fonte) para Linux, macOS e Windows.

1. Baixe e instale uma versão funcional do Anaconda Python. Crie e ative um novo ambiente Python para a instalação dos pacotes de software necessários.
2. Instale o software de modelagem neural biofísica HNN-core usando instruções de instalação específicas do sistema operacional disponíveis na https://jonescompneurolab.github.io/textbook/content/01_getting_started/installation.html.
   NOTA: Para instalar eficientemente as dependências de software usadas neste estudo, o repositório de código associado (https://github.com/ntolley/hnn_jove) utiliza pixi (https://pixi.prefix.dev/latest/). Siga as instruções no arquivo README do repositório para instalar o pixi e configurar uma versão local do repositório de código.
3. Verifique se a versão instalada do software de modelagem neural biofísica é 0.6.0 ou superior digitando o seguinte comando no terminal: pip show hnn_core
4. Certifique-se de que o ambiente Python esteja ativado e que a instalação seja concluída com sucesso. Inicie a interface gráfica (GUI) digitando hnn-gui no terminal e pressionando Enter.
5. Crie uma nova pasta de projeto no sistema de arquivos do computador para armazenar todos os arquivos de dados gerados nesse protocolo. Crie a pasta em um diretório acessível (por exemplo, diretório doméstico ou diretório de projeto funcional).

3. Estabelecer ajuste do modelo de pré-tratamento com ajuste manual

1. Comece com a simulação canônica do ERP HNN e seus parâmetros padrão. Ajuste manualmente o fator de escala e os parâmetros do drive exógeno para se ajustarem ao ERP pré-tratamento (por exemplo, ERP pré-tratamento).
   NOTA: A interface gráfica da HNN carrega automaticamente parâmetros do modelo ajustados a um ERP^{somatossensorial 40}, que por diversos estudos tem sido demonstrado ser um bom ponto de partida "ERP canônico". Este tutorial foca em modificar o fator de escala e os parâmetros de entrada exógenos a partir deste ponto de partida.
2. Carregue a forma de onda empírica ERP pré-tratamento do Passo 1 na interface gráfica da HNN (Figuras 4A–4F)
   1. Clique no botão Carregar dados na barra de menu localizada na parte inferior esquerda da janela da interface gráfica (Figura 4D).
      NOTA: A nomenclatura sobre a nomenclatura dos picos ERP varia amplamente na literatura; os rótulos P1/N1/P2 na Figura 4F são apenas para fins ilustrativos e podem não corresponder às convenções de nomenclatura usadas em outros estudos.
   2. Na janela do navegador de arquivos, selecione um arquivo .csv ou .txt contendo a forma de onda ERP a ser modelada (ou seja, a forma de onda alvo). Certifique-se de que o arquivo seja delimitado por vírgulas e formatado com duas colunas: a primeira coluna contém o tempo (ms), e a segunda coluna contém a forma de onda empírica de dipolo localizada na origem (nAm). A primeira linha é tratada como um cabeçalho e não deve conter valores de dados. Rótulos informativos de colunas (por exemplo, "Time (ms)" e "Dipolo (nAm)") podem ser incluídos opcionalmente.}
      NOTA: O arquivo de dados empíricos é nomeado pre-treatment.txt no repositório de código associado.
   3. Inspecione a forma de onda que é automaticamente plotada no painel de figuras (Figura 4F).
3. Execute a simulação padrão de um ERP canônico
   1. Defina os valores dos parâmetros tstop, dt, Trials, Backend e Núcleos no painel de Parâmetros de Simulação (Figura 4B) para os valores desejados. Use tstop para controlar o comprimento da simulação, dt para controlar o passo de tempo de integração e Trials para controlar o número de simulações repetidas executadas com os mesmos valores de parâmetros do modelo. Selecione o Backend como serial (Joblib) ou paralelo (MPI) e especifique o número de núcleos de computador.
      NOTA: A variabilidade entre os ensaios vem do desvio padrão do tempo de condução evocado exógeno descrito no Passo 3.5 abaixo.
   2. Clique no botão Executar (Figura 4D) para iniciar a simulação padrão de um ERP canônico.
4. Crie um gráfico que compare ERP simulado com ERP empírico
   1. Clique na aba Visualização no canto superior esquerdo da janela da interface gráfica (Figura 4A).
   2. Clique no menu suspenso rotulado Dados para comparar (não mostrado) e selecione a forma de onda alvo carregada a partir do Passo 3.2.
   3. Clique em Limpar eixo para resetar o gráfico.
   4. Clique em Adicionar gráfico para gerar um novo gráfico com a forma de onda ERP inicial simulada (azul) e a forma de onda alvo (laranja) sobrepostas, junto com texto indicando o coeficiente de correlação (Corr) calculado automaticamente e o erro quadrático médio (RMSE) da raiz entre as duas formas de onda (Figura 4F).
      NOTA: A HNN-GUI oferece a opção de calcular duas medidas de boa de ajuste: Corr e RMSE. Essas medidas são usadas para ajuste manual e otimização manual (Passo 4).
5. Modificar o fator de escala
   1. Modificar o fator de escala por ajuste manual manual para corresponder aproximadamente às magnitudes das formas de onda dipolo simuladas e empíricas. Defina o parâmetro padrão de escala Dipolo (Figura 4C) na aba Simulação (Figura 4A) para 3000.
      NOTA: O fator de escala corresponde a uma previsão do número estimado de neurônios subjacentes à geração do sinal EEG. O valor padrão de 3000 indica que 200 neurônios piramidais (tamanho do modelo HNN) × 3000 = 600.000 neurônios são necessários para gerar uma resposta evocada com a magnitude em nAm indicada no eixo y da Figura 4F.
6. Modificar o tempo de acionamentos exógenos
   1. Modificar a média e o desvio padrão dos acionamentos exógenos por ajuste manual para obter um ajuste mais próximo do tempo dos picos ERP pré-tratamento registrados empiricamente (ou seja, P1/N1/P2) (Figura 5A–5D).
      NOTA: Os parâmetros padrão de conectividade local e de célula distribuídos com a HNN foram ajustados para reproduzir padrões de atividade saudáveis em nível de célula única e rede. Embora os parâmetros da rede local possam ser ajustados, recomenda-se manter fixos inicialmente os parâmetros do modelo neocortical local HNN pré-ajustado e testar se um ajuste confiável pode ser alcançado ajustando apenas os motores exógenos.
   2. Identifique quais picos ERP simulados estão desalinhados no tempo com a forma de onda empírica ERP (Figura 4).
      NOTA: Este exemplo assume três picos iniciais no ERP empírico, como na simulação padrão canônica de ERP. Para adicionar picos, simule discos externos adicionais.
   3. Clique na aba Discos Externos no canto superior esquerdo da janela da interface gráfica (Figura 4A e Figura 5A).
      NOTA: Os parâmetros para três propulsões exógenas predefinidas são visíveis, representando a propulsão proximal feedforward (evprox1), distal de feedback (evdist1) e proximal feedforward reemergente (evprox2) que geram as simulações ERP canônicas padrão (veja Introdução para detalhes do modelo HNN e da estrutura do drive exógeno). Histogramas que representam os tempos e contagens dos picos são mostrados na Figura 4E.
   4. Clique no menu suspenso do drive exógeno cujo tempo médio está mais próximo do pico desalinhado.
   5. Modifique os valores nas caixas de texto para o tempo médio e o tempo de desenvolvimento padrão para melhor corresponder ao tempo e largura dos picos na forma de onda alvo (Figura 5B–5D). Ajuste o tempo médio para alterar o horário de pico e o tempo de desenvolvimento padrão para mudar a largura do pico.
      NOTA: O tempo médio e o tempo de desenvolvimento padrão controlam a média e a variância dos picos exógenos que ativam a rede local em padrões de projeção proximal ou distal (veja histogramas na Figura 4E). Esses parâmetros não determinam totalmente o pico ou a largura do ERP. O tempo exato e a largura dependem tanto dos drives exógenos quanto da atividade intrínseca da rede.
      1. Defina o tempo médio do drive externo evprox1 para 60 ms.
      2. Defina o tempo médio para o drive externo evdist1 para 100 ms.
      3. Defina o tempo médio para o drive externo evprox2 para 150 ms.
7. Modificar a magnitude dos propulsores exógenos
   1. Modificar os pesos sinápticos (condutância pós-sináptica) dos acionamentos exógenos por ajuste manual para obter um ajuste mais próximo da magnitude dos picos ERP registrados empiricamente (ou seja, P1/N1/P2) (Figura 6A e Figura 6B).
   2. Identifique quais picos ERP simulados estão desalinhados em magnitude com a forma de onda empírica ERP.
   3. Clique na aba Discos Externos no canto superior esquerdo da janela da interface gráfica (Figura 4A).
   4. Clique no menu suspenso do drive exógeno cujo tempo médio está mais próximo do pico desalinhado.
   5. Modifique os valores nas caixas de texto sob pesos AMPA e NMDA para ajustar condutâncias sinápticas. Aumentar a força do impulso proximal para os neurônios piramidais L5 e L2/3 geralmente produz picos mais positivos, enquanto aumentar a força do impulso distal geralmente produz picos mais negativos.
      NOTA: Semelhante ao tempo de propulsão exógeno, a magnitude máxima do ERP não é totalmente determinada pela força do drive. Dinâmicas de pico podem produzir efeitos não intuitivos. O teste muda ao longo de uma ordem de magnitude (por exemplo, AMPA L5_pyramidal de 0,014 para 0,14) e refina iterativamente. A Figura 6 mostra valores definidos como 10× menores que a simulação padrão.
      1. Defina os pesos AMPA do drive evdist1 para L5_pyramidal = 0,014243 e L2_pyramidal = 0,0000007.
      2. Defina os pesos NMDA do drive evdist1 para L5_pyramidal = 0,0080074 e L2_pyramidal = 0,0004317.
      3. Defina os pesos AMPA do drive evprox2 para L5_pyramidal = 0,0684013 e L2_pyramidal = 0,143884.
         NOTA: Um conjunto completo de parâmetros usados para gerar os resultados representativos está disponível no repositório de código associado (https://github.com/ntolley/hnn_jove; veja data/opt_baseline_config_correlation_best.json). Os usuários são incentivados a carregar esse arquivo de configuração junto com os arquivos de dados fornecidos (dados/pre-treatment.txt e dados/post-treatment.txt) e consultar os fluxos de trabalho exemplos nos notebooks/diretório para reproduzir as simulações relatadas.
8. Salve a configuração modificada da simulação.
   1. Após concluir as modificações nos Passos 3.5–3.7, clique na aba Simulação (Figura 4A) e insira "pré-treatment_handtuned" na caixa de texto Nome (Figura 4B).
9. Executar simulação modificada
   1. Clique no botão Executar para simular o conjunto de parâmetros modificado.
   2. Inspecione o gráfico gerado no painel de figuras (Figura 4F e Figura 7A–7D). Acesse gráficos anteriores usando as abas correspondentes de figuras (por exemplo, "Figura 1" e "Figura 2").
10. Ajuste manual iterado
    1. Continue o ajuste manual iterativo para melhorar o coeficiente de correlação.
    2. Repita o Passo 3.4 para recolocar a simulação com a forma de onda alvo e recalcular o coeficiente de correlação.
11. Salve as saídas finais do modelo.
    NOTA: O protocolo pode ser pausado após salvar as saídas da simulação. Retome carregando os arquivos de configuração salvos no software.
    1. Clique no botão Salvar Rede para salvar o conjunto de parâmetros mais adequado como um arquivo .json chamado "pre-treatment_handtuned.json".
    2. Clique no botão Salvar simulação para salvar um arquivo .txt chamado "pre-treatment_handtuned.txt", que contém a forma de onda dipolo simulada (Figura 4D).
    3. Mover ambos os arquivos para a pasta do projeto criada na Etapa 2.5. Certifique-se de que os nomes dos arquivos correspondam ao nome da simulação no menu suspenso.
       NOTA: Os arquivos são salvos no diretório padrão de download do navegador web usado para rodar a interface gráfica. Mova arquivos manualmente ou mude temporariamente o diretório de download do navegador.

Figura 4. Comparação da forma de onda canônica simulada de ERP HNN com ERP empírica pré-tratamento. (A) Categorias de parâmetros acessíveis por meio de abas de interface gráfica (GUI). (B) Parâmetros de simulação que controlam o comprimento e o número de tentativas da simulação. (C) Parâmetros de visualização controlando a exibição da forma de onda. (D) Painel de controle de simulação para carregar dados, rodar simulações e salvar resultados. (E) Histogramas de picos mostrando distribuições de entradas de drives exógenos na simulação ERP canônica. (F) Forma de onda dipolar da simulação canônica ERP (azul) sobreposta a um ERP auditivo empírico (laranja) de Kohl et ^al.43. A simulação inicial não se ajusta aos dados, com pico de tempo e magnitude desalinhados (Corr < 0,95). O paradigma experimental usado para gerar a ERP empírica é descrito em Kohl et ^al.43: tons (1 kHz, duração de 50 ms, 10 ms de fade-in/out) foram apresentados alternadamente para ouvidos esquerdo e direito, com intervalos entre estímulo de 0,8–1,2 s a 60 dB acima do nível subjetivo de audição. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 5. Modificação do tempo de drive exógeno para alinhar os picos ERP. (A) A aba "Discos externos" na interface gráfica, usada para configurar entradas evocadas para o modelo. (B–D) Ajuste dos parâmetros de tempo médio para impulsionamentos exógenos individuais para alinhar picos simulados de ERP com dados empíricos. Especificamente, (B) impulso proximal evprox1 alinhado a ~60 ms, (C) impulso distal evdist1 alinhado a ~100 ms, e (D) impulso proximal evprox2 alinhado a ~150 ms. Ajustar o parâmetro de tempo médio (destacado) desloca o tempo dos picos simulados e melhora a correspondência com a forma de onda empírica. Esses ajustes contribuem para um alinhamento aprimorado e uma maior correlação com o ERP alvo (ver Figura 7B). Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 6. Modificação da força do propulsor exógeno para ajustar as magnitudes de pico do ERP. (A e B) Os pesos sinápticos para os receptores de ácido α-amino-3-hidroxi-5-metil-4-isoxazolepropiônico (AMPA) e N-metil-D-aspartato (NMDA) são modificados através da aba "Discos externos" na interface gráfica (GUI). (A) Ajuste dos pesos sinápticos para o impulso distal (evdist1), incluindo condutâncias AMPA e NMDA direcionadas aos neurônios piramidais da camada 2/3 (L2/3) e da camada 5 (L5). (B) Ajuste dos pesos sinápticos para o impulso proximal (evprox2), afetando principalmente as condutâncias AMPA em neurônios piramidais. Neste exemplo, os pesos sinápticos são reduzidos por um fator de 10 em relação aos valores padrão, resultando em diminuição das magnitudes de pico ERP e melhor concordância com a forma de onda empírica (ver Figura 7C). Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 7. Ajuste manual e otimização para ajustar os parâmetros do modelo. Todas as simulações mostram 5 ensaios, com ERP médio (azul escuro) e testes individuais (azul claro). (A) Simulação canônica de ERP (azul) sobreposta com ERP pré-tratamento (laranja). (B) O ajuste do tempo de propulsão exógeno melhora o alinhamento máximo. (C) A redução dos pesos sinápticos diminui as magnitudes máximas. (D) A otimização automatizada produz um ajuste próximo à forma de onda empírica (Corr = 1,0), incluindo aumento da variabilidade no tempo de drive evocado. Por favor, clique aqui para ver uma versão ampliada desta figura.

4. Estabelecer o ajuste do modelo pré-tratamento com otimização de parâmetros

NOTA: O controle da seed aleatória para otimização não está disponível atualmente na interface gráfica. Para execuções de otimização reprodutível, use a API em Python. O repositório de código associado contém uma implementação de exemplo ( veja code/baseline_optimization.py), onde uma semente aleatória fixa pode ser definida ao passar um parâmetro semente para a função de otimização (por exemplo, optim.fit(..., seed=123)).

NOTA: Este exemplo mostra como otimizar parâmetros direcionados para estimar valores únicos que produzem um ajuste próximo à forma de onda usando CMA-ES (não confundir com SBI; ambos são abordagens para ajustar parâmetros do modelo, mas a saída principal do SBI é uma distribuição). Um exemplo de como estimar distribuições de parâmetros que podem levar em conta formas de onda é mostrado na seção de Resultados . Para ERPs pré-tratamento, comece otimizando os parâmetros do drive exógeno sob a suposição de que os parâmetros de conexão celular e de rede local no modelo neocortical padrão HNN são fixos. A previsão multiescala fornecida pela HNN descrita no Passo 7 fornece alvos para validação dessa suposição. À medida que novas informações se tornam disponíveis para restringir as previsões do modelo, a estrutura HNN permite a estimação de qualquer conjunto de parâmetros.

1. Configurações de otimização abertas
   1. Clique na aba Otimização no canto superior esquerdo da interface gráfica (Figura 8A).
   2. Configure as configurações da execução de otimização, incluindo o número de iterações, o solver e a função objetivo.
      NOTA: As configurações padrão de otimização (Função objetivo = "dipole_corr"; Solver = "cma") são apropriados para formas de onda ERP. Essa função objetivo maximiza o coeficiente de correlação entre formas de onda simuladas e empíricas. Aumente o número máximo de iterações se estiver otimizando muitos parâmetros. O coeficiente de correlação é uma medida sem escala; portanto, ao usar "dipole_corr", ajuste o fator de escala após a otimização (Passo 4.7.1). Alternativamente, use "dipole_rmse" para minimizar o RMSE, nesse caso o fator de escala permanece fixo.
   3. Clique na caixa de texto Max iterations e insira 100.
2. Parâmetros de seleção para otimização
   1. Clique no menu suspenso de um drive exógeno cujos parâmetros serão otimizados (Figura 8A e Figura 8B, círculo vermelho).
   2. Selecione os parâmetros do drive a serem otimizados clicando na caixa de seleção sob "Otimizado contra?" (Figura 8B).
3. Defina restrições de parâmetros
   1. Especifique a faixa de valores de parâmetros explorados pelo otimizador inserindo valores nas caixas de texto Min e Max sob Restrições (%) (Figura 8B).
      NOTA: Valores padrão de 20% são adequados para simulações que já possuem um alto coeficiente de correlação (Corr > 0,9). Por exemplo, aplicar um intervalo de 20% a um tempo médio de 65,53 ms produz limites de 52,42–78,64 ms. Para ajustes iniciais ruins, aumente as porcentagens Min e Max; no entanto, o número de simulações necessárias pode aumentar significativamente.
4. Otimização de corridas
   1. Clique no botão Executar Otimização (Figura 8A) para executar a rotina de otimização.
5. Resultados de otimização de salvamento
   1. Clique no botão Histórico de Otimização Salve (Figura 8A).
   2. Mova o arquivo salvo para a pasta do projeto criada na Etapa 2.5.
      NOTA: Os resultados de otimização podem ser armazenados e reutilizados. O protocolo pode ser pausado nessa etapa e retomado carregando o histórico de otimização salvo.
6. Avaliar a qualidade da otimização
   1. Avalie a qualidade da execução de otimização.
      NOTA: Ao usar o coeficiente de correlação como medida de boa do ajuste, recomenda-se um critério de parada de Corr > 0,95, pois geralmente reflete uma forma de onda simulada que reproduz picos e valles proeminentes do ERP alvo. A parada antecipada não é apoiada no momento, mas está em desenvolvimento. Aumente o número de iterações se o critério de parada não for atendido, mas a perda continuar diminuindo a cada 10 iterações.
7. Determine os próximos passos com base no resultado da otimização
   1. Se um bom ajuste ao ERP pré-tratamento for alcançado (ou seja, Corr > 0,95), reajuste o fator de escala para minimizar o RMSE e prossiga para o Passo 5.
      NOTA: Como descrito no Passo 4.1, quando "dipole_corr" for usado como função objetivo, reajuste o fator de escala após a otimização. Neste exemplo, o fator de escala foi reduzido do padrão de 3000× (Figura 7A–7C) para 1000× (Figura 7D).
   2. Se a otimização não conseguir um bom ajuste ao ERP de pré-tratamento, retorne ao Passo 4.2 e realize a solução de problemas aumentando o número máximo de iterações, melhorando o ponto de partida ajustado manualmente ou selecionando parâmetros alternativos para ajustar.
      NOTA: Consulte a seção "Solução de problemas ao ajustar parâmetros a características de dados" na Discussão para uma explicação detalhada das etapas de solução de problemas.

Figura 8. Otimização dos parâmetros do drive exógeno para melhorar o ajuste ao ERP pré-tratamento. (A) Aba de otimização na interface gráfica para configurar parâmetros de otimização. (B) Seleção de parâmetros e intervalos de restrições para otimização. (C) Exemplo de resultado de otimização mostrando ajuste aprimorado a dados empíricos de ERP de Kohl et ^al.43. (D) Curva de perda de otimização mostrando convergência após aproximadamente 80 iterações. Por favor, clique aqui para ver uma versão ampliada desta figura.

5. Estabelecer o ajuste do modelo pós-tratamento

1. Comece com a simulação otimizada do ERP pré-tratamento. Ajuste e otimize manualmente os parâmetros de interesse para se ajustar ao ERP pós-tratamento.
2. Forma de onda empírica ERP pós-tratamento de carga
   1. Carregue a forma de onda empírica ERP pós-tratamento do Passo 1 na interface gráfica (mesmo procedimento do Passo 3.2; Figura 9A).
3. Parâmetros pré-tratamento otimizados pela carga
   1. Carregue os parâmetros otimizados de ERP pré-tratamento dos Passos 1–4 como ponto de partida (Figura 9A).
4. Realizar ajustes e otimizações manuais
   1. Realize ajuste manual manual e otimização de parâmetros (mesmos procedimentos dos Passos 3.2–3.11 e Passo 4) nos parâmetros de interesse identificados no Passo 1.7.
   2. Continue ajustando e otimizando até que uma alta correlação (Corr > 0,95) entre ERP simulado e pós-tratamento seja alcançada.
      NOTA: Para fins ilustrativos, na Figura 9B, a sintonia manual foi aplicada a um parâmetro direcionado ao sinal (condutância máxima diminuída da rede local GABA_B ), que proporcionou um ajuste mais próximo aos dados pós-tratamento. Não foi realizada otimização para avaliar o quão bem essa mudança de parâmetro leva em conta os dados. A seção "Resultados Representativos" descreve como estimar distribuições de múltiplos parâmetros hipotetizados como parâmetros de interesse pós-tratamento usando SBI. O SBI (detalhado no Passo 6) é recomendado para investigações rigorosas porque estima distribuições de parâmetros que consideram uma forma de onda ERP, permitindo comparações robustas entre ajustes de parâmetros.
5. Salve a configuração do modelo e compare parâmetros
   1. Salve a configuração do modelo e compare valores otimizados para parâmetros de interesse entre condições pré-tratamento e pós-tratamento (dados não mostrados).
   2. Repita o Passo 3.11 para exportar um arquivo .json com parâmetros do modelo. Mova o arquivo para a pasta do projeto criada na Etapa 2.5.
   3. Visualize os parâmetros do drive exógeno clicando em Carregar discos externos (Figura 5A) e selecionando o arquivo de configuração de rede pré-tratamento ou pós-tratamento.
   4. Veja os parâmetros da rede local clicando em Carregar conectividade local da rede (Figura 9C) e selecionando o arquivo de configuração da rede pré-tratamento ou pós-tratamento.
   5. Identificar mudanças nos valores dos parâmetros entre configurações de redes pré-e pós-tratamento. Interprete essas mudanças como previsões baseadas em modelos dos mecanismos de biomarcadores pós-tratamento.

Figura 9. Avaliação da força sináptica do ácido gama-aminobutírico tipo B (GABA_B) como mecanismo de biomarcadores EEG pós-tratamento. (A) Simulação pré-tratamento otimizada (azul) sobreposta com ERP pós-tratamento (vermelho), mostrando magnitude máxima reduzida. (B) A redução da força sináptica do GABA_B diminui a amplitude N1, sugerindo um mecanismo de potencial. (C) Painel GUI mostrando onde a força sináptica local do GABA_B é modificada. Por favor, clique aqui para ver uma versão ampliada desta figura.

6. Realizar quantificação de incerteza com SBI e avaliar a separabilidade usando a interface de programação de aplicações HNN-Python

NOTA: SBI exige a instalação de um pacote Python^{separado 62}. Consulte o repositório associado (https://github.com/ntolley/hnn_jove) para um exemplo de código detalhando como executar inferência de parâmetros em HNN usando o pacote de software SBI. O código é organizado para seguir as etapas do protocolo subsequente. Uma discussão completa sobre a aplicação do SBI ao modelo HNN é fornecida no⁵⁵.

1. Instale o pacote SBI
   1. Instale o pacote SBI executando o seguinte comando em um terminal com o ambiente Python ativado: pip install sbi.
2. Defina intervalos de parâmetros a priori
   1. Identifique intervalos de parâmetros ao redor do subconjunto alvo dos parâmetros ERP pré-tratamento e pós-tratamento para criar uma distribuição previa limitada para quantificação da incerteza.
3. Gerar um conjunto de dados de treinamento.
   1. Defina uma função de atualização de parâmetros (mesma abordagem da otimização de parâmetros).
   2. Fixe a semente aleatória para gerar amostras a partir da distribuição anterior para garantir a reprodutibilidade. Se estiver usando NumPy para geração aleatória de amostras, crie uma instância geradora de números aleatórios no script Python (por exemplo, rng = np.random.default_rng(123)) e use esse gerador para amostragem.
      NOTA: O repositório de código associado (https://github.com/ntolley/hnn_jove) fornece um exemplo de uso de um gerador aleatório NumPy em código/generate_simulations.py.
   3. Amostre parâmetros da distribuição anterior.
      NOTA: 10.000 amostras foram usadas para gerar os resultados representativos.
   4. Gerar um conjunto de dados de ERPs simulados usando os valores dos parâmetros amostrados.
4. Estatísticas resumidas selecionadas.
   1. Escolha uma estatística resumida que caracterize a forma de onda do EEG.
      NOTA: Uma estatística resumida é qualquer quantidade que captura características-chave de uma forma de onda EEG. Escolhas comuns incluem o horário de pico e a magnitude. Neste manuscrito, a análise de componentes principais (PCA) é usada para extrair estatísticas resumidas (ou seja, as cargas dos quatro primeiros componentes principais). Veja⁵⁵ para uma discussão completa.
   2. Rede de trens SBI
      NOTA: Este tutorial usa os parâmetros padrão de treinamento (por exemplo, density_estimator="maf", training_batch_size=200, learning_rate=0,0005) distribuídos com o pacote SBI para o objeto estimador posterior neural. Os parâmetros de treinamento são descritos na documentação SBI (https://sbi.readthedocs.io/en/stable/api_reference/_autosummary/sbi.inference.NPE_B.html).
   3. Defina a semente aleatória global do PyTorch para garantir treinamento reproduzível incluindo torch.manual_seed(0) no script Python após importar o torch.
   4. Treine a rede SBI para mapear combinações de parâmetros para formas de onda ERP simuladas.
      NOTA: A rede SBI treinada é um objeto Python que aceita estatísticas resumidas de dados de EEG como entrada e produz uma distribuição de parâmetros (distribuição posterior). Se o treinamento for bem-sucedido, simular parâmetros a partir dessa distribuição no modelo HNN produz formas de onda EEG semelhantes aos dados empíricos (verificação preditiva posterior [PPC]).
   5. Gerar amostras posteriores e avaliar o ajuste
   6. Forneça a forma de onda experimental do EEG como uma entrada condicionante para a rede treinada.
   7. Retirar amostras de parâmetros da distribuição posterior condicionada à forma de onda experimental do EEG.
   8. Simule as amostras de parâmetros extraídas da distribuição posterior.
   9. Calcule a semelhança entre as formas de onda simuladas e a forma de onda experimental do EEG fornecida como entrada.
      NOTA: Este procedimento é chamado de PPC. Uma rede bem treinada produz simulações que correspondem de perto à forma de onda empírica (alta correlação ou baixo RMSE). Se o PPC não produzir simulações satisfatórias, existem duas possibilidades: (1) os mecanismos hipotetizados não levam em conta o biomarcador, exigindo novas hipóteses e distribuições anteriores atualizadas; ou (2) a rede SBI não foi treinada com sucesso. Nesse caso, aumente o orçamento de treinamento ou modifique as estatísticas resumidas.
   10. Se ERPs simulados das distribuições de parâmetros amostrados se ajustarem ao ERP pré-tratamento e pós-tratamento (PPC com Corr > 0,95), prossiga para o Passo 6.8. Caso contrário, prossiga para o Passo 6.7.
5. Solucionar problemas no treinamento de rede SBI
   NOTA: Um PPC falhado indica que os parâmetros de treinamento da rede SBI requerem modificação. Consulte a seção "Solução de problemas ao ajustar parâmetros a características de dados" na Discussão para uma explicação detalhada.
   1. Aumente o tamanho do conjunto de dados de treinamento.
   2. Modificar as características do resumo.
   3. Selecione uma arquitetura SBI diferente para o treinamento.
6. Visualize distribuições posteriores e avalie a separabilidade
   1. Passe o array de amostras de parâmetros do Passo 6.6.2 para a função pairplot e atribua cores distintas às distribuições correspondentes a cada condição ERP.
      NOTA: O repositório de código associado demonstra funcionalidade de plotamento para reproduzir a Figura 10.
   2. Inspecione os painéis diagonais do par plot gerado em busca de distribuições não sobrepostas. Avalie a separabilidade calculando o OVL (Figura 10A). Parâmetros com distribuições altamente separadas (OVL < 0,1) correspondem a mecanismos de ação previstos do neuroterapêutico que mudam após o tratamento em relação ao pré-tratamento.
      NOTA: OVL é uma métrica que quantifica a separabilidade da distribuição na faixa (0,1), onde OVL = 0,0 indica não sobreposição e OVL = 1,0 indica sobreposição^{completa 54,55}. O código para calcular o OVL é fornecido no repositório de código associado.

Figura 10. SBI para quantificação da incerteza dos parâmetros e identificação de mecanismos neuroterapêuticos. (A) Visualização par plot das distribuições de parâmetros estimadas usando SBI. Painéis diagonais (i–iv) apresentam distribuições univariadas para parâmetros individuais, incluindo (i) sincronia talamocortical, (ii) condutância dendrítica K_m , (iii) condutância GABA_B e (iv) força de feedback corticocortical. As unidades para (i) são expressas como um fator de escala multiplicativo do valor padrão do parâmetro (pré-tratamento). As unidades para (ii-iv) são expressas como um fator de escala multiplicativo do valor padrão do parâmetro (pré-tratamento) em uma escala logarítmica. Distribuições para condições pré-tratamento (azul) e pós-tratamento (vermelho) demonstram graus variados de separabilidade, com a sincronia talamocortical apresentando a menor sobreposição (valor de sobreposição, OVL = 0,07), indicando o efeito relacionado ao tratamento mais forte. Painéis fora da diagonal mostram relações bivariadas entre parâmetros. (B) Verificação preditiva posterior (PPC) para ERP pré-tratamento; Formas de onda simuladas (preto) correspondem de perto aos dados empíricos (azul). (C) PPC para ERP pós-tratamento; Formas de onda simuladas (preto) correspondem de perto aos dados empíricos (vermelho). Por favor, clique aqui para ver uma versão ampliada desta figura.

7. Realizar exame, validação e restrições adicionais do modelo

NOTA: Esta etapa fornece exemplos de como visualizar elementos de atividade simulada na interface gráfica. Esses detalhes multiescala fornecem alvos para validar e informar previsões derivadas do modelo em experimentos^{subsequentes 7,47}. Este protocolo não fornece orientações sobre a seleção de quais previsões são mais adequadas para experimentos de validação ou como os experimentos de validação devem ser realizados (ou seja, Passo 7.3).

1. Parâmetros do modelo de carga e execução de simulações
   1. Parâmetros do modelo de carga otimizados para condições pré-e pós-tratamento e rodar simulações.
      NOTA: Parâmetros da otimização nos Passos 4–5 podem ser carregados e examinados. Exemplos de como exportar parâmetros de rede produzidos pelo SBI no Passo 6 a partir da interface Python estão incluídos no repositório associado do GitHub.
2. Examine previsões multiescala
   1. Examine previsões multiescala a partir de saídas simuladas.
   2. Plote a atividade de picos em nível de célula
   3. Clique na aba Visualização (Figura 4A).
   4. Clique no menu suspenso rotulado Modelo de Layout e selecione Camadas Dipolo - Picos.
   5. No menu suspenso Conjunto de Dados, selecione os resultados da simulação a serem plotados.
   6. Clique em Criar figura para visualizar a atividade de picos que contribui para a forma de onda dipolo.
      NOTA: Certos recursos de microcircuito (por exemplo, LFP e CSD) só estão disponíveis através da interface de programação de aplicações HNN-Python (API). Tutoriais baseados em código para esses recursos estão disponíveis na página de exemplos de HNN (https://jonescompneurolab.github.io/hnn-core/stable/index.html).
3. Valide previsões de modelos com dados empíricos
   1. Identificar conjuntos de dados existentes e/ou coletar novos dados empíricos (por exemplo, eletrofisiologia invasiva, MEG/EEG laminar e espectroscopia de ressonância magnética) para testar previsões de modelos multiescala.
   2. Compare previsões de modelos multiescala com conjuntos de dados empíricos.
   3. Se as previsões multiescala corresponderem a conjuntos de dados empíricos, considere o modelo validado para a característica selecionada do microcircuito.
   4. Se as previsões multiescala não corresponderem aos conjuntos de dados empíricos, atualize a rede padrão HNN restringindo-a com novos dados empíricos e retorne ao Passo 3.

Resultados

Esta seção apresenta um cenário em que um neuroterapêutico com mecanismo de ação desconhecido é investigado usando o software de modelagem HNN. O objetivo é usar sinais de EEG pré-e pós-tratamento para gerar previsões sobre como o neuroterapêutico altera os circuitos neurais. Os resultados são apresentados para fins de demonstração e ilustrar como a modelagem HNN pode ser aplicada para investigar mecanismos neuroterapêuticos.

Desenvolvimento de hipóteses mecanicistas subjacentes aos biomarcadores do EEG ERP (Passo 1)

Neste exemplo, um paradigma hipotético de ERP sensorial é usado para examinar como o neuroterapêutico altera o sinal (Passo 1). A Figura 1A mostra um ERP auditivo pré-tratamento (azul) ao lado de um ERP hipotético pós-tratamento (vermelho; veja também a Figura 9). O ERP auditivo pré-tratamento é registrado experimentalmente por dados localizados na fonte de Kohl et ^al.43, e o ERP pós-tratamento hipotético é gerado escalando a forma de onda pré-tratamento com uma janela afilada em Gauss. Como mostrado, o hipotético neuroterapêutico produz uma grande diminuição na magnitude dos componentes P1, N1 e P2 em relação à ERP pré-tratamento.

Note que, em Kohl et ^al.43, de onde os dados ERP pré-tratamento foram obtidos, as simulações HNN usaram um modelo no qual neurônios piramidais foram aprimorados com dinâmicas de canais de cálcio mais realistas do que no modelo padrão HNN. Como resultado, os resultados da simulação em Kohl et ^al.43 diferem ligeiramente dos mostrados aqui. O modelo Kohl et al. 2020 (e outros modelos HNN atualizados) pode ser acessado por meio da API Python (https://jonescompneurolab.github.io/hnn-core/stable/generated/hnn_core.calcium_model.html#hnn_core.calcium_model). O acesso a esses modelos expandidos por meio da interface gráfica está atualmente em desenvolvimento.

Em seguida, identifique parâmetros do modelo que representem efeitos relacionados ao tratamento (ou seja, parâmetros de interesse) que sejam hipotetizados para explicar como o neuroterapêutico reduz as magnitudes P1, N1 e P2 (Passos 1.6–1.8). Categorias amplas de mecanismos neurais candidatos (e parâmetros correspondentes do modelo) incluem o momento das entradas sinápticas exógenas, condutâncias locais dos canais iônicos neuronais, conectividade sináptica local e conectividade sináptica exógena (Figura 1B). Neste exemplo, mecanismos candidatos de cada categoria são avaliados usando HNN para analisar como as mudanças nesses parâmetros impactam a ERP simulada.

Parâmetros de interesse

1. Desvio padrão do primeiro impulso proximal (talamocortical) (ou seja, sincronia talamocortical), representando variabilidade na sincronização dos estímulos sensoriais iniciais de avanço.
2. Condutância do canal muscarínico do potássio (K_m) nos neurônios piramidais da camada 5 (L5), controlando a excitabilidade neuronal, de modo que a excitabilidade diminui à medida que a condutância aumenta.
3. Força local do receptor GABA_B , correspondente a uma sinapse inibitória lenta entregue por interneurônios a todas as células da rede local.
4. Força de condutância do impulso distal de realimentação (corticocortical), representando a intensidade da entrada de feedback sensorial evocada de ~100 ms para as sinapses AMPA e NMDA em camadas supragranulares.

Estabelecimento do ajuste do modelo ERP pré-tratamento (Etapas 3–4)

Simule o ERP pré-tratamento seguindo os Passos 3–4 (simulação final pré-tratamento mostrada na Figura 8C). Um resultado bem-sucedido é indicado por uma correspondência próxima entre formas de onda simuladas e empíricas, quantificada por um alto coeficiente de correlação e baixo RMSE.

Estabelecendo o ajuste do modelo ERP pós-tratamento (Passo 5)

Use o modelo ERP pré-tratamento como ponto de partida e aplique ajuste manual e otimização de parâmetros para determinar se os parâmetros de interesse podem reproduzir a ERP empírica pós-tratamento. Um ajuste bem-sucedido indica que os parâmetros hipotetizados são suficientes para explicar as mudanças relacionadas ao tratamento na forma de onda ERP.

Quantificação da incerteza com SBI (Etapa 6)

Devido à degenerescência dos parâmetros inerente aos modelos biofísicos, a quantificação da incerteza usando SBI (Passo 6) é essencial para fazer previsões sobre mudanças nos parâmetros antes e depois do tratamento. Um pré-requisito fundamental para o SBI é alcançar ajustes precisos aos ERPs pré-tratamento e pós-tratamento (Etapas 3–5). Se ajustes precisos não forem alcançados, amostras posteriores geradas pelo SBI podem não reproduzir as formas de onda empíricas, levando a previsões pouco confiáveis.

Se não houver um ajuste bem-sucedido nos Passos 3–5, revise a seleção dos parâmetros de interesse e seus intervalos anteriores antes de aplicar o SBI.

Neste exemplo, o SBI é aplicado apenas aos quatro parâmetros pós-tratamento de interesse, enquanto todos os outros parâmetros são mantidos fixos. Embora aplicar o SBI a um conjunto maior de parâmetros possa melhorar a robustez, ele aumenta substancialmente o custo computacional (veja Discussão).

O SBI é usado para estimar distribuições completas de parâmetros que geram ERPs simulados que correspondem de perto às formas de onda alvo. Resumidamente, SBI é uma abordagem de inferência bayesiana que treina uma rede neural para mapear as saídas do modelo para distribuições dos parâmetros 52,53,55. A rede treinada é então aplicada a formas de onda empíricas para inferir distribuições de parâmetros consistentes com os dados. Isso exige hipóteses prévias sobre intervalos de parâmetros.

Neste exemplo, uma distribuição a priori uniforme é definida sobre os quatro parâmetros de interesse: sincronia talamocortical, condutância dendrítica piramidal de neurônios Km, condutância local do GABAB e força de feedback corticocortical. Limites a priori são definidos como múltiplos escalares dos valores padrão: 0–5× para a sincronia talamocortical, e 10⁻¹–10¹× para os parâmetros restantes.

A Figura 10A mostra as distribuições de parâmetros resultantes para ERPs pré-tratamento e pós-tratamento, visualizadas usando um par plot. Painéis diagonais exibem distribuições univariadas, enquanto painéis fora da diagonal apresentam relações bivariadas. Previsões mecanicistas correspondem a parâmetros com distribuições fortemente separadas entre condições.

A inspeção das distribuições univariadas mostra que a sincronia talamocortical apresenta a maior separabilidade pré a pós-tratamento (menor OVL de 0,07) e aumenta após o tratamento (Figura 10A(iii), vermelho). Isso indica que o arcabouço HNN prevê a modulação da sincronia talamocortical como um possível mecanismo de ação.

Validação preditiva posterior

Valide distribuições de parâmetros inferidos usando um PPC. Gerar amostras independentes de parâmetros a partir da distribuição posterior e simular os ERP correspondentes. Um PPC bem-sucedido é indicado quando formas de onda simuladas correspondem de perto ao ERP empírico.

Como mostrado nas Figuras 10B e 10C, tanto as formas de onda pré-tratamento (Figura 10B, azul) quanto pós-tratamento (Figura 10C, vermelha) correspondem de perto às simulações geradas a partir de amostras posteriores (preto), com coeficientes de correlação de 0,99 e 0,96, respectivamente (média sobre 10 amostras independentes). Esses resultados confirmam que as distribuições de parâmetros inferidas produzem reconstruções precisas da forma de onda.

Um exemplo de PPC malsucedido é fornecido na Figura Suplementar 1. O exemplo segue a mesma estrutura da Figura 10 e utiliza a mesma rede SBI treinada; no entanto, uma forma de onda alternativa pós-tratamento é usada que não está bem representada no conjunto de treinamento (por exemplo, formas de onda ERP com deflexão positiva na latência N1). A PPC falhada é indicada na Figura Suplementar 1C, onde o coeficiente de correlação é baixo (por exemplo, Corr < 0,95). Notavelmente, a distribuição posterior na Figura Suplementar 1A mostra distribuições de parâmetros altamente separadas. Sem a realização de uma PPC, esses resultados podem ser interpretados erroneamente como diferenças significativas entre condições pré-tratamento e pós-tratamento. Este exemplo destaca a importância de conduzir uma PPC junto com a interpretação posterior das distribuições, pois os resultados de uma PPC fracassada são pouco confiáveis e não devem ser analisados mais a fundo.

Exame e validação do modelo (Passo 7)

Usando o modelo HNN, é possível inspecionar e visualizar diretamente a atividade em nível de célula e circuito, como o spiking, subjacente a cada simulação ERP (Passo 7.2.2). As Figuras 11A e 11B mostram ERPs simulados amostrados das distribuições de parâmetros pré-tratamento e pós-tratamento, juntamente com a atividade de pico específica para células correspondentes (Figuras 11C e Figura 11D).

Figura 11. Atividade de pico em nível celular subjacente à geração de biomarcadores do EEG. (A) ERP pré-tratamento (azul) com uma simulação preditiva posterior única (preto). (B) ERP pós-tratamento (vermelho) com uma simulação preditiva posterior correspondente (preto). (C) Atividade simulada de picos subjacente à ERP pré-tratamento. (D) Atividade simulada de picos subjacente ao ERP pós-tratamento. Por favor, clique aqui para ver uma versão ampliada desta figura.

As formas de onda são visualizadas sem suavização para enfatizar a contribuição do tempo de pico para o dipolo de corrente. Em sinais experimentais de EEG, grandes populações neuronais produzem sinais espacialmente mediados que parecem mais suaves. Como a HNN simula uma população menor (200 neurônios piramidais), a suavização é usada para aproximar a atividade em maior escala (>100.000 neurônios).

Uma diferença notável entre as condições é a redução da atividade de pico nos neurônios piramidais L5 após o tratamento (Figura 11C e Figura 11D, ponto vermelho). Note que a Figura 11 mostra uma única amostra da distribuição posterior; Múltiplas amostras devem ser analisadas para gerar previsões robustas. Esses resultados demonstram que a neuroterapia hipotética altera a atividade dos circuitos multiescala, resultando em diminuição das amplitudes P1–N1–P2.

Previsões como essas podem ser testadas diretamente por meio de eletrofisiologia invasiva (por exemplo, registros de sonda laminar de alta densidade) ou outras modalidades de imagem (Passo 7.3). Dados recém-adquiridos podem então ser usados para restringir ainda mais as previsões do modelo. Embora esse protocolo foque no ajuste de dados de EEG em escala macro para inferir atividade de microcircuitos, a estrutura também pode ser aplicada ao contrário, ajustando dados de microcircuitos (por exemplo, spiking, LFP/CSD) para inferir sinais de EEG em escala macro.

Figura suplementar 1. Exemplo de uma verificação preditiva posterior falhada no fluxo de trabalho SBI. Os gráficos estão organizados de forma idêntica à Figura 10. Os dados pré-tratamento (azul) são idênticos à Figura 10. Os dados hipotéticos pós-tratamento foram gerados de forma idêntica como antes (forma de onda multiplicada por uma janela afunilada por Gauss), mas transformados para produzir um pico positivo que não está bem representado no conjunto de treinamento das simulações HNN. (A) Visualização par plot das distribuições de parâmetros estimadas usando SBI. Painéis diagonais (i–iv) apresentam distribuições univariadas para parâmetros individuais, incluindo (i) sincronia talamocortical, (ii) condutância dendrítica K_m , (iii) condutância GABA_B e (iv) força de feedback corticocortical. Distribuições para condições pré-tratamento (azul) e pós-tratamento (vermelho) demonstram alta separabilidade para todos os parâmetros (OVL < 0,1). Painéis fora da diagonal mostram relações bivariadas entre parâmetros. (B) Verificação preditiva posterior (PPC) para ERP pré-tratamento; Formas de onda simuladas (preto) correspondem de perto aos dados empíricos (azul). (C) PPC para ERP pós-tratamento; Formas de onda simuladas (preto) são altamente diferentes dos dados empíricos (vermelho), com Corr < 0,95 indicando uma falha no PPC. Por favor, clique aqui para baixar este arquivo.

Discussão

A modelagem neural computacional de biomarcadores EEG pode permitir uma compreensão mais profunda de como as terapias do SNC reconfiguram circuitos neurais e fornecem previsões sobre os processos biológicos subjacentes aos efeitos terapêuticos. O fluxo de trabalho apresentado aqui demonstra como um biomarcador de EEG comumente medido, ERPs auditivos, juntamente com modelagem biofísica usando o HNN, podem ser usados como uma janela para os mecanismos pelos quais um medicamento impacta a atividade neural. Ao vincular medições de EEG em escala macro a processos celulares e de circuito subjacentes, esse protocolo fornece uma estrutura estruturada e orientada por hipóteses para interpretação mecanicista. Importante destacar que a abordagem não se restringe aos ERPs e pode ser estendida para investigar outros sinais locais de EEG, incluindo oscilações neurais de baixa^{frequência 40,63} e eventos espectrais^{transitórios 7,47,64}, ampliando assim sua aplicabilidade entre biomarcadores eletrofisiológicos e paradigmas experimentais.

Comparado a outros frameworks para modelagem neural de EEG, o HNN oferece um equilíbrio entre complexidade do modelo e eficiência computacional que é particularmente vantajoso para testes iterativos de hipóteses. Por exemplo, o Cérebro Virtual possibilita a simulação de redes cerebrais em grande escala que geram sinais de EEG^{espaço-temporal 34,65}. No entanto, para alcançar a modelagem do cérebro inteiro, a atividade neural é representada por formulações matemáticas reduzidas, que eliminam características celulares detalhadas, como a morfologia piramidal dos neurônios, e limitam a capacidade de vincular diretamente parâmetros do modelo aos mecanismos celulares de ação dos medicamentos. Por outro lado, modelos morfologicamente e fisiologicamente detalhados em grande escala podem simular sinais de EEG com alto realismo biológico 66,67,68,69, mas a um custo computacional substancial, frequentemente exigindo várias horas de cálculo para simular apenas alguns segundos de atividade neural. Essa carga computacional pode limitar a acessibilidade e retardar o processo iterativo necessário para a geração e o teste de hipóteses. A HNN ocupa uma posição intermediária (Figura 2), permitindo a simulação de circuitos neocorticais localizados com detalhes biológicos suficientes para gerar previsões em nível celular e de circuito, mantendo a eficiência computacional (ou seja, simulações na ordem de segundos), tornando-a bem adequada para integração em fluxos de trabalho experimentais.

Apesar dessas vantagens, várias limitações devem ser consideradas ao aplicar o EEG e a modelagem neural biofísica para estudar doenças cerebrais e mecanismos de medicamentos. As propriedades biofísicas das células e circuitos que geram sinais de EEG não capturam todo o espectro de processos biológicos afetados por intervenções farmacológicas. Por exemplo, respostas sistêmicas ou imunológicas podem não influenciar diretamente os sinais de EEG e, portanto, podem não ser refletidas nos resultados modelados. Além disso, hipóteses mecanicistas são frequentemente derivadas de estudos com animais, que podem não se traduzir totalmente para a função cerebral humana, especialmente em transtornos neuropsiquiátricos, onde os resultados clínicos são baseados em avaliações comportamentais e^{cognitivas 70,71}. Outro desafio importante é distinguir entre efeitos farmacológicos agudos e crônicos. Embora as interações agudas entre fármacos e receptores sejam relativamente bem caracterizadas, as adaptações de longo prazo induzidas pela exposição sustentada a medicamentos são menos compreendidas e podem não ser totalmente capturadas nos atuais quadros de modelagem. Além disso, o modelo HNN representa uma única rede neocortical canônica localizada, enquanto neuroterapêuticas e doenças do SNC frequentemente exercem efeitos distribuídos em múltiplas regiões cerebrais. Embora influências de outras regiões possam ser aproximadas por meio de mudanças no tempo e na intensidade das entradas exógenas, a caracterização empírica direta desses circuitos a montante ou a jusante é frequentemente limitada, o que limita a interpretação do modelo.

A degenerescência dos parâmetros representa um desafio fundamental em todos os modelos neurais biofísicos, já que múltiplas configurações de parâmetros podem produzir resultados semelhantes nos modelos. Neste protocolo, o SBI é usado para resolver essa questão estimando distribuições de parâmetros que geram formas de onda ERP consistentes com dados empíricos (Figura 10). Essa abordagem permite a quantificação da incerteza nos parâmetros do modelo, fornecendo uma estrutura mais robusta para interpretação mecanicista do que as estimativas de ponto único. No entanto, para tratabilidade computacional, o SBI é aplicado a um subconjunto limitado de parâmetros correspondentes a mecanismos hipotéticos de medicamentos, e suposições sobre parâmetros não estimados podem influenciar a dinâmica resultante da rede. A expansão da inferência para espaços de parâmetros maiores pode ser alcançada usando abordagens como a estimativa neural posterior sequencial, que refina iterativamente as estimativas de parâmetros e permite a exploração de distribuições de parâmetros de dimensões^{superiores 52} (>10). Além da inferência probabilística, incorporar restrições experimentais independentes pode reduzir ainda mais a incerteza dos parâmetros e melhorar a especificidade das previsões do modelo. Como os sinais de EEG refletem principalmente a atividade coordenada entre camadas corticais, técnicas complementares como a eletrofisiologia laminar invasiva — incluindo medições de picos celulares, LFP e CSD — fornecem informações valiosas para restringir soluções de modelos e refinar hipóteses mecanicistas.

A aplicação bem-sucedida desse protocolo depende da execução cuidadosa de várias etapas críticas. Após identificar um biomarcador ERP e instalar a estrutura de modelagem (Etapas 1–2), o requisito principal é alcançar resultados bem-sucedidos em cada etapa do fluxo de trabalho (Figura 3). Nos Passos 3–5, isso envolve selecionar e refinar parâmetros hipotéticos que podem ser ajustados ou otimizados manualmente para alcançar um ajuste próximo entre os ERPs simulados e empíricos pré-tratamento e pós-tratamento. Se não houver um ajuste satisfatório, parâmetros alternativos devem ser explorados e testados iterativamente. Embora falhas repetidas sejam improváveis, dado que demonstrações prévias da capacidade da HNN de reproduzir recursos ERP, falhas persistentes podem indicar a necessidade de modificar o modelo padrão de rede ou incorporar detalhes biofísicos adicionais. O Passo 6 exige uma configuração cuidadosa do SBI, incluindo a seleção adequada dos intervalos de parâmetros, estatísticas resumidas e parâmetros de treinamento para garantir estimativas precisas das distribuições de parâmetros. Após a conclusão bem-sucedida do Passo 6, o protocolo gera tanto previsões baseadas em modelos quanto estimativas de incerteza associadas. O Passo 7 é fundamental para validar essas previsões, embora as estratégias específicas de validação dependam das modalidades experimentais disponíveis. Abordagens potenciais de validação incluem registros eletrofisiológicos laminares para avaliar a atividade de pico específica de camadas e células e sinais LFP/^{CSD 7}, medições de MEG/EEG resolvidas em camadas, espectroscopia de ressonância magnética ou tomografia por emissão de pósitrons para avaliação de sistemas de neurotransmissores, e imagem de tensor de difusão para avaliação de conectividade estrutural, como vias talamocorticais.

A resolução de problemas e a personalização são essenciais para adaptar o protocolo a diferentes conjuntos de dados e contextos experimentais, especialmente nos Passos 3–6, onde os parâmetros do modelo são ajustados a dados empíricos. A otimização de parâmetros (Passos 4–5) pode falhar em convergir para uma alta correlação (Corr > 0,95), caso em que vários ajustes podem ser feitos. Esses incluem modificar hiperparâmetros do otimizador (por exemplo, aumentar o tamanho da população no solucionador CMA-ES para melhorar a robustez, com custo computacional aumentado), refinar parâmetros de escalonamento e suavizamento (por exemplo, testar valores de suavização entre 5 e 60 ms) e expandir a gama de parâmetros de drive exógenos ou introduzir drives adicionais para melhor capturar características da forma de onda. Em alguns casos, simulações otimizadas podem alcançar alta correlação sem conseguir capturar características ERP de menor amplitude, como o componente P1; Isso pode ser resolvido aplicando limiares de perda mais rigorosos ou ponderando janelas de tempo específicas para enfatizar essas características durante a otimização. Para o SBI (Passo 6), a falha dos PPCs indica que as formas de onda simuladas não reproduzem adequadamente os dados empíricos (Figura Suplementar 1). Nesses casos, as distribuições de parâmetros a priori devem ser revisadas expandindo os intervalos de parâmetros ou incluindo parâmetros adicionais, e o tamanho do conjunto de dados de treinamento pode precisar ser aumentado. Melhorias adicionais podem ser alcançadas modificando estatísticas resumidas ou selecionando arquiteturas alternativas de SBI. Por fim, quando a validação no Passo 7 falha, a rede HNN padrão pode exigir modificação para incluir elementos de circuito adicionais ou alternativos. O design modular da HNN suporta tais extensões, permitindo a modificação da conectividade sináptica e das propriedades celulares através da interface gráfica, e mudanças estruturais mais avançadas pela interface Python. Por exemplo, trabalhos anteriores modificaram o modelo padrão para incorporar conectividade interneurônica mais detalhada no córtex^{frontal 46}, resultando em novas previsões testáveis. A estrutura aberta da HNN facilita o compartilhamento e a reutilização de modelos expandidos, apoiando o refinamento e validação contínuos em contextos experimentais.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Anaconda Python	Anaconda, Inc.	N.A.	Distribuição Python; Versão Python ≥3.9 e <3.14
Estação de trabalho de computador	N.A.	N.A.	Sistema operacional: Windows ≥10, Linux ou macOS. Hardware mínimo recomendado: ≥16 GB RAM, ≥8 núcleos de CPU
EEGLAB	EEGLAB Developers	N.A.	Caixa de ferramentas opcional baseada em MATLAB para pré-processamento de EEG e análise de ERP
FieldTrip	Donders Institute for Brain, Cognition and Behaviour, Radboud University	N.A.	Caixa de ferramentas opcional baseada em MATLAB para análise de EEG/MEG
Human Neocortical Neurosolver (HNN-core)	HNN Developers	N.A.	Software de modelagem neural biofísica; versão ≥0.6.0 usada neste estudo
MATLAB	MathWorks	N.A.	Necessário para executar EEGLAB e FieldTrip (se usado)
MNE-Python	MNE Developers	N.A.	Usado para pré-processamento de EEG e localização de fontes
NumPy	NumPy Developers	N.A.	Usado para cálculos numéricos e geração de números aleatórios
Pixi (gerenciador de pacotes/ambiente)	Prefix.dev	N.A.	Usado para gerenciar dependências no repositório de código associado
PyTorch	PyTorch Developers	N.A.	Usado para treinar redes neurais SBI e definir sementes aleatórias
Pacote SBI (Inferência Baseada em Simulação)	SBI Developers	N.A.	Pacote Python para inferência de parâmetros e quantificação de incerteza
Windows Subsystem for Linux (WSL2)	Microsoft Corporation	N.A.	Necessário apenas para instalações baseadas em Windows