揭示帕金森病复杂神经网络动力学的贝叶斯方法

帕金森病（PD）属于影响中枢神经系统的神经退行性疾病。它通常被定义为黑质致密部多巴胺能神经元的逐渐丧失，这会导致运动和非运动症状。理解帕金森病背后的神经元过程对于开发成功的疗法至关重要。本研究结合了机器学习（ML）、随机建模和贝叶斯推断与连接组学数据，以分析帕金森病涉及的大脑网络。我们使用现代计算方法研究大规模神经网络，以识别与帕金森病发展相关的神经元活动模式。我们旨在通过将连接组学与随机噪声相结合，来定义帕金森病大脑中细微的结构和功能连接变化。随机建模方法反映了大脑动力学的内在变异性和不可预测性，揭示了帕金森病中致病事件的起源和传播。我们采用一种新颖的混合模型，利用人类连接组计划（HCP）的数据，评估随机噪声如何影响皮层-基底节-丘脑（CBGTH）网络。贝叶斯推断使我们能够量化模型参数的不确定性，从而提高我们预测的准确性。我们的研究结果表明，即使在深部脑刺激（DBS）下，随机扰动也会增加丘脑活动。贝叶斯分析表明，减少这些扰动可以增强健康的大脑状态，为潜在的治疗干预提供了见解。这种方法加深了对帕金森病动力学的理解，并为个性化治疗策略铺平了道路。这是我们在 ICCS-2024 会议上发表工作的扩展版本。