Scikit-NeuroMSI：多感官整合建模的通用Python框架及其在时空因果推断中的应用

研究人员开发了开源Python框架Scikit-NeuroMSI，解决了多感官整合(MSI)领域缺乏统一计算工具的问题。该框架整合了贝叶斯因果推断(Kording et al., 2007)和神经网络模型(Cuppini et al., 2017)，首次实现跨层次分析时空因果推断，为精神疾病(如ASD、SCZ)的感官标记物研究提供新范式。

　　

在认知神经科学领域，多感官整合(Multisensory Integration, MSI)是大脑将不同模态(如视觉、听觉)信息融合的关键机制。然而，当前研究面临两大困境：一方面，现有计算模型如贝叶斯因果推断(Bayesian Causal Inference)和神经网络模型(Neural Network Models)长期处于割裂状态，缺乏跨层次分析的统一框架；另一方面，精神疾病如自闭症谱系障碍(ASD)和精神分裂症(SCZ)患者表现出的MSI异常，亟需通过计算建模揭示其神经机制。

针对这些挑战，秘鲁天主教大学心理学系(Pontifical Catholic University of Peru)的Renato Paredes团队开发了Scikit-NeuroMSI——首个专为MSI研究设计的Python开源框架。该成果发表于《Neuroinformatics》，通过标准化建模流程实现了从计算层面(如最大似然估计MLE)到神经实现层面(如Cuppini2017网络模型)的跨范式比较，特别聚焦时空因果推断这一核心认知功能。

研究采用三大关键技术：1) 基于抽象基类(ModelABC)的面向对象设计，支持音频-视觉/触觉-视觉等多模态配置；2) 五维数据架构(空间+时间+模态)处理能力；3) 参数扫描工具(ParameterSweep)实现跨模型行为拟合，如通过微分进化算法优化σ_a/σ_v等关键参数。

主要研究结果

1. 模型标准化验证：通过"腹语效应"(Ventriloquist Effect)范式验证，发现贝叶斯模型和Cuppini2017网络模型在±6°空间偏差下的听觉偏移(auditory bias)拟合度(R²>0.9)显著优于传统MLE模型(Alais & Burr, 2004)。

2. 时空因果推断比较：

   • 空间任务中，网络模型的交叉模态权重(W₀^av,va)与贝叶斯模型的感官精度(1/σ_v²)呈负相关(r=-0.82)
   • 时间任务中，多感官时空网络(Paredes2025)的反馈延迟(Δt_feed=95ms)能更好解释±100ms时间窗内的因果判断

3. 神经-计算关联：发现贝叶斯先验概率(p_common)可能对应神经层面的侧向兴奋连接(L_ex)，而感官可靠性规则(σ_v<4°)在神经网络中体现为交叉模态突触修剪阈值(pruning_threshold=0.15)

结论与意义
该研究首次实现了MSI模型从Marr计算层到神经实现层的桥接：1) 提出W₀^mc/p_common等参数映射关系，为ASD患者的E/I平衡异常理论(Noel & Angelaki, 2023)提供量化工具；2) 揭示时空维度因果推断的分离机制，解释SCZ患者时空整合窗扩大现象(Zvyagintsev et al., 2017)。框架的开源特性(BSD许可)将加速精神疾病生物标记物的计算建模研究。