研究:大脑中的因果关系

写的

新闻编辑

2021年8月16日

亚特兰大——谢尔盖刺美国国家科学基金会(National science Foundation)和美国国立卫生研究院(National Institutes of Health, NIH)联合开展的计算神经科学合作研究项目(Collaborative Research in Computational Neuroscience Program)为研究大脑中的因果联系提供了130万美元的资助。

这项为期四年的奖项由美国国家卫生研究院(NIH)资助,将支持跨学科研究,以建立因果学习模型,为大脑各区域如何相互作用绘制蓝图。

概述

科学中的一句格言是:“相关性不是因果关系。”换句话说,仅仅因为你观察到两个变量之间的关联,并不意味着它们之间存在因果关系。然而,从伦理上讲,大脑研究人员往往局限于收集观察数据,并使用相关性模式来推断因果关系模式。

“我们不能只是在大脑里闲逛,看看它是如何工作的,”普利斯说,他也是该大学的机器学习主任神经成像与数据科学转化研究中心(趋势)

关于大脑的观察数据有一个长期存在的问题:人脑连接的速度和测量方式的速度是不相等的。例如,Plis指出,人类神经元放电的速度比功能磁共振成像(fMRI)测量大脑活动的速度快得多。

“科学家利用这些数据得出的推论在统计上是合理的,但他们依赖于一个错误的假设——时间尺度是相同的,”Plis说。“因此,这些方法可能会产生关于大脑各区域如何相互影响的错误或不可靠的信息。”

其他类型的大脑成像,如脑磁图描记术(MEG)或脑电图描记术(EEG),可以比功能磁共振成像更快地测量过程,但它们产生的数据不太详细。科学家们缺乏在不同时间尺度的多种成像模式中整合因果信息的方法。

项目目标

该项目旨在开发新的理论和方法,使人们能够了解大脑的因果结构和连接性,即使大脑的速度和测量结果之间存在严重的不匹配。由此产生的一组算法将为神经影像学界提供一个更可靠、更可靠的大脑定向连接的理解。

Plis说:“我们将以不同的方式以不同的速度收集数据,并将其结合起来,进一步揭示大脑各区域如何相互影响。”。“例如,我们可以采用像功能磁共振成像(fMRI)这样的慢模式,以更快的神经尺度学习因果信息,然后将其与我们从脑磁图(MEG)或脑电图(EEG)中学到的信息融合。通过将它们结合起来,一个可以部分纠正另一个。”

除了为科学家提供一套新的方法论工具外,该项目还将促进有关疾病神经基础的科学知识。该团队计划将他们的模型应用于精神分裂症,这被认为是一种“断开连接”的紊乱。

Plis说:“我们知道这些患者大脑内部的连接出了问题,但关于到底发生了什么,还有不同的理论。”“利用我们的动态因果融合模型,我们将能够检验预测并验证这些理论。”

Plis补充说,这些计算模型也可以应用于处理各种复杂数据集的其他问题,比如与天气或气候有关的因果关系问题。

研究人员

刺的合作者包括文斯·卡尔霍恩特聘大学心理学教授、趋势中心主任;皮尔逊耶鲁大学医学院精神病学和神经科学教授;和大卫煤页岩他是加州大学圣地亚哥分校(University of California-San Diego)哲学和心理学教授。他们正在寻找更多的合作者加入这个项目。

该资助的摘要(1R01MH129047)可在NIH记者网站

特色研究

谢尔盖刺
副教授
计算机科学

Plis拥有工程、人工智能和计算机科学的背景,专注于开发能够从不同时间和空间尺度收集的观测多模态数据中提取知识的计算工具。

Baidu