Intracraniaal onderzoek naar neurale circuits die ten grondslag liggen aan de menselijke stemming

Depressie is een van de meest voorkomende aandoeningen van de geestelijke gezondheid, treft 7-8% van de bevolking en veroorzaakt enorme invaliditeit bij getroffen individuen en economische last voor de samenleving. Om bestaande behandelingen te optimaliseren en verbeterde te ontwikkelen, hebben de onderzoekers een beter begrip nodig van de mechanistische basis van deze complexe aandoening. Eerder werk op dit gebied heeft belangrijke vooruitgang geboekt, maar heeft twee belangrijke beperkingen. (1) De meeste onderzoeken hebben niet-invasieve en daarom onnauwkeurige metingen van hersenactiviteit gebruikt. (2) Black box-modellering die wordt gebruikt om neurale activiteit aan gedrag te koppelen, blijft moeilijk te interpreteren, en hoewel het soms succesvol is in het beschrijven van activiteit binnen bepaalde contexten, is het mogelijk dat deze niet generaliseert naar nieuwe situaties, mechanistisch inzicht verschaft of therapeutische interventies efficiënt begeleidt. Om deze uitdagingen het hoofd te bieden, combineren de onderzoekers nauwkeurige intracraniale neurale opnames bij mensen met een reeks nieuwe eXplainable Artificial Intelligence (XAI)-benaderingen. De onderzoekers hebben een team samengesteld van experimentatoren en computationele experts met gecombineerde ervaring die voldoende is voor deze taak. Onze unieke dataset bestaat uit twee groepen proefpersonen: het epilepsiecohort bestaat uit patiënten met refractaire epilepsie die monitoring van intracraniële aanvallen ondergaan, en het depressiecohort bestaat uit proefpersonen in een door NIH/BRAIN gefinancierd onderzoek naar diepe hersenstimulatie voor behandelingsresistente depressie (TRD). ). Als geheel biedt deze dataset nauwkeurige, spatiotemporeel opgeloste menselijke intracraniale opname- en stimulatiegegevens over een breed dynamisch bereik van depressie-ernst. Onze doelen passen een progressieve benadering toe op het modelleren en manipuleren van relaties tussen hersenen en gedrag. Doel 1 is gericht op het identificeren van kenmerken van neurale activiteit die verband houden met gemoedstoestanden. Beginnend met de huidige state-of-the-art AI-modellen en gebruikt vervolgens een "ladder"-benadering om een ​​brug te slaan naar modellen met toenemende expressiviteit terwijl een mechanistisch verklaarbare structuur wordt opgelegd. Terwijl doel 1 zich richt op zelfgerapporteerd stemmingsniveau als de gedragsindex van interesse, gebruikt doel 2 een alternatieve benadering door zich te concentreren op meetbare neurobiologische kenmerken, geïnspireerd door de Research Domain Criteria (RDoC). Deze kenmerken, zoals beloningsgevoeligheid, afkeer van verlies, aandacht van de uitvoerende macht, enz., worden geëxtraheerd uit gedragstaakprestaties met behulp van een nieuwe XAI-benadering van "omgekeerde rationele controle".

Het relateren van deze maatregelen aan neurale activiteitspatronen levert extra mechanistisch en normatief begrip op van de neurobiologie van depressie. Doel 3 gebruikt terugkerende neurale netwerken om de gevolgen van rijk gevarieerde patronen van multi-site intracraniale stimulatie op neurale activiteit te modelleren. Gebruik vervolgens een innovatieve "inception loop" XAI-benadering om stimulatiestrategieën af te leiden voor open- en closed-loop controle die het neurale systeem naar een gewenste, gezondere toestand kan leiden. Indien succesvol, zou dit project ons begrip van de pathofysiologie van depressie vergroten en neuromodulerende behandelstrategieën verbeteren. Dit kan ook worden toegepast op tal van andere neurologische en psychiatrische aandoeningen, waarmee een belangrijke stap wordt gezet in de richting van XAI-geleide precisie-neurowetenschap.