[论文解读] Neurovascular coupling: insights from multi-modal dynamic causal modelling of fMRI and MEG

Amirhossein Jafarian, Vladimir Litvak+3 more|arXiv (Cornell University)|Mar 18, 2019

Functional Brain Connectivity Studies参考文献 32被引用 5

一句话总结

本文提出了一种多模态动态因果模型（DCM）框架，整合fMRI与MEG数据，以研究人脑中的神经血管耦合机制。通过使用fMRI定位神经元源，并将这些先验信息用于MEG DCM，该方法估计神经元驱动函数并建模其对BOLD信号的影响，结果表明BOLD信号由内在神经元动态即时介导，且神经血管耦合具有区域特异性。

ABSTRACT

This technical note presents a framework for investigating the underlying mechanisms of neurovascular coupling in the human brain using multi-modal magnetoencephalography (MEG) and functional magnetic resonance (fMRI) neuroimaging data. This amounts to estimating the evidence for several biologically informed models of neurovascular coupling using variational Bayesian methods and selecting the most plausible explanation using Bayesian model comparison. First, fMRI data is used to localise active neuronal sources. The coordinates of neuronal sources are then used as priors in the specification of a DCM for MEG, in order to estimate the underlying generators of the electrophysiological responses. The ensuing estimates of neuronal parameters are used to generate neuronal drive functions, which model the pre or post synaptic responses to each experimental condition in the fMRI paradigm. These functions form the input to a model of neurovascular coupling, the parameters of which are estimated from the fMRI data. This establishes a Bayesian fusion technique that characterises the BOLD response - asking, for example, whether instantaneous or delayed pre or post synaptic signals mediate haemodynamic responses. Bayesian model comparison is used to identify the most plausible hypotheses about the causes of the multimodal data. We illustrate this procedure by comparing a set of models of a single-subject auditory fMRI and MEG dataset. Our exemplar analysis suggests that the origin of the BOLD signal is mediated instantaneously by intrinsic neuronal dynamics and that neurovascular coupling mechanisms are region-specific. The code and example dataset associated with this technical note are available through the statistical parametric mapping (SPM) software package.

研究动机与目标

• 开发一种贝叶斯融合框架，整合fMRI与MEG数据以建模神经血管耦合。
• 识别驱动BOLD反应的神经信号——突触前或突触后。
• 确定神经血管耦合是对血流动力学反应产生即时影响还是延迟影响，且在不同脑区是否存在差异。
• 应用变分贝叶斯推断与贝叶斯模型比较，选择最合理的神经血管耦合模型。
• 提供一种可重复使用的方法，基于SPM软件包，配套开源代码与数据。

提出的方法

• 使用fMRI数据定位神经元源，为MEG DCM中的空间先验提供信息。
• MEG DCM利用fMRI推导的源坐标估计潜在的神经元生成器。
• 从MEG中获得的神经元参数用于生成代表实验条件下突触前或突触后活动的驱动函数。
• 这些驱动函数作为输入，用于从fMRI数据中估计的神经血管耦合模型。
• 使用变分贝叶斯推断估计模型参数，并通过贝叶斯模型比较选择最合理的模型。
• 该框架支持对BOLD反应起源的生物学合理假设进行检验。

实验结果

研究问题

• RQ1 在人脑中，哪种神经元信号——突触前或突触后——最合理地驱动BOLD反应？
• RQ2 神经血管耦合对血流动力学反应的影响是即时的还是延迟的？
• RQ3 神经血管耦合机制在不同脑区是否存在差异？
• RQ4 哪种神经血管耦合模型最能解释多模态fMRI与MEG数据？
• RQ5 fMRI与MEG数据的贝叶斯融合能否改善对神经元源及其血流动力学后果的识别？

主要发现

• BOLD信号最合理地由内在神经元动态的即时介导来解释。
• 神经血管耦合机制具有区域特异性，表明不同皮层区域的神经血管反应存在差异。
• 最支持的模型显示，突触前或突触后神经元活动是BOLD反应的主要驱动因素。
• 贝叶斯模型比较成功地从一组生物学上合理的假设中识别出最佳拟合模型。
• 该框架通过多模态数据融合，实现了对神经元驱动和血流动力学反应的精确估计。
• 该方法已通过SPM软件包实现，并提供开源代码与示例数据。