《Journal of Computational Neuroscience》：Dynamic Bayesian networks for neural information flow: evaluation of continuous and discrete scoring metrics
编辑推荐：
神经信息流（NIF）描述了神经元或脑区之间活动的传递。实验方法的进步使得能够从单神经元到群体水平产生大量与神经元活动相关的观测数据。当前大多数分析这些数据的方法基于活动的成对比较，无法可靠地提取神经信息流网络结构。动态贝叶斯网络（DBN）可能克服其中一些局限性
神经信息流（NIF）描述了神经元或脑区之间活动的传递。实验方法的进步使得能够从单神经元到群体水平产生大量与神经元活动相关的观测数据。当前大多数分析这些数据的方法基于活动的成对比较，无法可靠地提取神经信息流网络结构。动态贝叶斯网络（DBN）可能克服其中一些局限性。在此，研究人员评估了一系列贝叶斯网络评分指标与多元格兰杰因果（MVGC）及LASSO回归在模拟单神经元和神经元群体数据中学习潜在连接性的表现。研究人员发现，离散动态贝叶斯网络（DBN）在单神经元数据上表现最佳，且在神经元群体数据上表现一致。连续动态贝叶斯网络（DBN）倾向于为两种数据类型学习过于密集的结构，但可能在单神经元数据的范围界定研究中具有实用性。多元格兰杰因果（MVGC）是学习神经元群体间神经信息流结构最稳健的方法，但在单神经元数据上表现不佳。多元格兰杰因果（MVGC）内的显著性检验在数据类型间产生可变结果。总体而言，这项工作强调了神经信息流分析如何因底层数据的类型和结构而异，并推广离散动态贝叶斯网络（DBN）作为神经信息流分析的有用且一致的工具。
## 论文解读：动态贝叶斯网络在神经信息流结构学习中的评估与比较
### 研究背景与问题
神经信息流（NIF）描述了神经元或脑区之间活动的传递方向，其结构在不同行为和认知状态下动态变化。理解NIF结构的变化有助于揭示神经回路的功能机制，例如在果蝇幼虫腹神经索中，不同网络活动模式与运动行为相关；在阿尔茨海默病患者中，功能连接的变化与病理相关。然而，结构连接并不能直接推断NIF网络结构，因为最强的结构连接不一定提供最强的信息流路径。目前，分析NIF的主流方法基于成对活动比较（如相关性分析、格兰杰因果等），但这类方法存在显著缺陷：无滞后方法无法推断方向；成对比较在间接连接、共同输入等情况下易产生虚假连接；且阈值选择具有主观性。此外，静态贝叶斯网络（BN）虽能描述条件独立性，但无法处理循环结构且方向推断存在等价性问题。动态贝叶斯网络（DBN）通过引入时间信息克服了这些局限性，已在多种神经数据模态（如fMRI、EEG、钙成像等）中用于研究NIF。然而，目前缺乏对DBN评分指标在不同数据类型（单神经元与神经元群体）下的系统比较，尤其是在连续与离散评分之间的性能差异尚不明确。本研究旨在评估多种DBN评分指标、多元格兰杰因果（MVGC）及LASSO回归在模拟数据中学习NIF结构的能力，为不同数据类型选择合适方法提供依据。
### 研究内容与结论
研究人员通过模拟生成两类数据集：100个10节点随机结构的单神经元网络（使用泄漏积分点火（LIF）模型）和100个随机结构的神经元群体网络（使用Wilson-Cowan振荡器模型）。每个数据集包含已知的真实连接结构。随后，对每种结构学习方法（包括离散和连续DBN的多种评分指标、MVGC以及LASSO回归）进行测试，评估其预测结构与真实结构的一致性，使用精确率（Precision）和召回率（Recall）作为评价指标，并通过超几何检验评估是否优于随机水平。研究发现，离散DBN在单神经元数据上表现最佳，在神经元群体数据上表现一致；连续DBN倾向于学习过于密集的网络，但可能在单神经元数据的探索性研究中有用；MVGC在神经元群体数据上最稳健，但在单神经元数据上表现差；LASSO回归在两种数据类型上均严重过拟合。该研究发表在《Journal of Computational Neuroscience》，强调了数据类型对NIF分析方法选择的重要性，并推荐离散DBN作为高度非线性数据的可靠工具，而带显著性检验的MVGC适用于线性特征更强的群体数据。
### 主要关键技术方法
研究采用的主要技术方法包括：1）**模拟数据生成**：利用泄漏积分点火（LIF）模型模拟单神经元动态，以及Wilson-Cowan神经质量模型模拟神经元群体动态，各自生成100个随机10节点网络，节点间连接为伪随机生成（单神经元网络中每个神经元发送4个连接，3个为抑制性；群体网络中50%连接为抑制性）。2）**DBN结构学习**：使用基于爬山算法的得分搜索方法，评估多种评分指标，包括离散型（对数似然、AIC、BIC、eBIC、BDe）和连续型（对数似然、AIC、BIC、eBIC、BGe），最大马尔可夫滞后为1。3）**MVGC**：基于向量自回归模型，通过F检验进行显著性测试，模型阶数由AIC曲线肘点确定。4）**LASSO回归**：作为无滞后对比方法，通过交叉验证选择最优λ值。所有分析在R和Python中完成，无实际样本队列来源，全部为计算机模拟数据。
### 研究结果
**3.1 单神经元数据**
在LIF模拟数据上，所有离散DBN评分（除对数似然外）的平均精确率约为0.76，召回率约为0.46，表明存在欠拟合趋势；离散AIC评分表现最平衡（精确率0.66，召回率0.67），预测连接数最接近真实的40条。连续DBN评分则表现出过拟合，召回率较高（0.79-0.94）而精确率较低（0.47-0.52），且超几何检验显示部分结果接近随机水平。MVGC（显著性和非零两种阈值）和LASSO回归均表现不佳，精确率约0.47-0.49，召回率虽高但多为虚假连接，超几何检验概率较高。
**3.2 神经元群体数据**
在Wilson-Cowan模拟数据上，离散DBN评分（除对数似然外）同样倾向于欠拟合，其中离散AIC再次取得最佳平衡（精确率0.70，召回率0.73）。连续DBN评分严重过拟合，召回率接近1但精确率仅0.45-0.47，超几何检验平均概率高达0.25-0.54。MVGC在显著性检验下表现优异（精确率0.71，召回率0.99），非零MVGC召回率1但精确率降至0.59，超几何检验概率极低（p<0.0001）。LASSO回归仍表现差，精确率0.47，接近随机。
### 讨论与结论
**讨论部分**总结指出：1）评分指标的复杂度惩罚项（从eBIC到BIC到AIC）与网络密度呈正相关，离散AIC在两种数据类型上均取得最佳平衡，但实际应用需根据对假阳性与假阴性的容忍度选择。2）离散化有效减少了连续DBN的过拟合，因为连续数据中的微小噪声波动被离散标签忽略；连续DBN仅在单神经元数据的探索性研究中可能有用。3）数据类型影响方法相对性能：MVGC在更线性的群体数据中表现最佳，因其使用的模型阶数（7）高于DBN的最大滞后（1），而DBN在非线性强的单神经元数据上更具优势。4）显著性检验在MVGC中效果因数据类型而异：在群体数据中有效滤除假阳性，在单神经元数据中则损失过多真阳性。5）网络规模、噪声水平、连接密度、抑制比例和数据量等变量不影响方法相对性能的排序，离散DBN在多种条件下表现稳健。**结论部分**翻译如下：本工作表明，连续DBN在模拟单神经元和神经元群体数据上均存在过拟合，在后者中表现接近随机水平。离散DBN取得了更平衡的性能，尽管倾向于学习过于稀疏的网络。离散AIC评分在DBN评分中表现最佳，且在单神经元数据上整体最优。MVGC在单神经元数据上表现接近随机，但在对连接存在性进行显著性检验后，在神经元群体数据上获得高性能。同样的显著性检验降低了单神经元数据上的性能。综合来看，这些发现揭示了连续DBN在神经数据上比离散DBN学习更密集结构的趋势，选择结构学习方法时考虑数据类型的重要性，以及使用MVGC时正确统计检验措施的模糊性。总体而言，在高度非线性数据中学习NIF结构时应使用离散DBN，而在更线性的神经元群体数据中应使用带显著性检验的MVGC。未来工作可聚焦于优化离散DBN以用于神经数据，有望将其发展为跨神经数据类型的通用工具。
