Estimation and experimental verification of causal connectivity and network structure among brain regions and neurons
| Project/Area Number |
19K12212
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 62010:Life, health and medical informatics-related
|
|---|
| Research Institution | The Institute of Statistical Mathematics |
|---|
Principal Investigator |
三分一 史和 統計数理研究所, 学際統計数理研究系, 准教授 (30360647)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
尾家 慶彦 兵庫医科大学, 医学部, 助教 (50396470)
|
|---|
| Project Period (FY) |
2019-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2021: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2020: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2019: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
|
|---|
| Keywords | 動的因果推 / ブートストラップ法 / 非線形因果性 / セミパラメトリックモデル / 動的因果推定 / 吸息性ニューロン / ニューロンネットワーク / 因果解析 / 自励的同期現象 / 生体イメージングデータ |
|---|
| Outline of Research at the Start |
呼吸リズムを生成する脳領域間、ならびに、ニューロン間のネットワーク構造を調べるのは生理学的に重要な課題である。そのためには、脳領域間やニューロン間の因果的結合性を時空間解析により推定すれば良いのであるが、推定だけでは仮説の域を出ない。そこで、本研究では、薬剤の添加や物理的な方法で脳領域やニューロン間の結合を離断させる阻害実験を行う。そして、阻害実験を行う前と後のデータに適用した時系列モデルのパラメータを定量比較することにより、ネットワークの実在性の検証を目指す。本研究で得られる結果は、脳神経疾患や損傷に起因する症状の予測や、機能補完を目指した再生医療などの臨床応用への発展が期待される。
|
| Outline of Annual Research Achievements |
本研究では、時系列データの因果分析の重要性を評価するために、4つの異なるブートストラップ法の性能を比較した。これらの結果は、査読付きジャーナル Entropyに掲載された。多変量シミュレーションデータを用いて、以下の方法を調査した。無相関位相ランダム化ブートストラップ (uPRB)、タイムシフトブートストラップ (TSB)、定常ブートストラップ (SB)、およびARシーブブートストラップ (ARSB)である。uPRB法は変数間の相互作用を正確に識別するが、一部の変数の自己フィードバックを検出できない。TSB法はuPRBよりも性能が低く、特定の変数間のフィードバックを検出できない。SB法は一貫した因果関係の結果を示すが、平均ブロック幅が増加すると自己フィードバックの検出能力が低下する。ARSB法は優れた性能を示し、すべての変数間で自己フィードバックと因果関係を正確に検出する。インパルス応答関数 (IRF) の分析では、ARSB法のみがすべての変数で自己フィードバックと因果関係を検出し、接続図と一致している。他の方法は検出性能にばらつきがあり、偽陽性や自己フィードバックのみの検出が見られる。
さらに、非線形因果性の検出方法の開発も行った。具体的には、指数型AR (ExAR) モデルを多変量タイプのExVARモデルに拡張した。ExVARモデルでシミュレートしたデータをセミパラメトリックモデルで推定し、元のデータのパラメトリックな構造が未知でも非線形因果性を推定できる可能性を示した。このアプローチにより、複雑なデータ構造に対する柔軟な因果分析が可能となる。
|
Report
(5 results)
Research Products
(19 results)
