体外培养生物神经网络中反馈回路模体的辨识研究

Biological feedback loops are network motifs that are ubiquitously found in many biological networks and induce plenty of crucial regulatory and control functions. We shall propose a novel method, called MGTIM (Multi-step Granger causality test identification method), by which the feedback loops embedded in biological neural networks can be identified using the spike train data measured by MEA (Multi-electrode array) devices. The basic idea of MGTIM is to employ a modified Wald test for inferring the existence of multi-step Granger causality between a pair of network nodes. If significant bi-directional multi-step Granger causalities are found between two nodes, this implies the existence of a feedback loop between the two nodes. Because of avoiding the limitations of traditional two-variant analysis methods, MGTIM is free of network connective forms and is especially suitable for large-scale network analysis. Finally, the proposed identification method will be applied to in vitro cultured rat cortical neural networks for elucidating relationship between their specific network behaviors (for examples, synchronized bursting activities and hyper-excitable activities) and existence, property, and distribution of underlying feedback loops.

生物反馈回路是生物网络中广泛存在的"动态模体"，在众多生命过程中发挥着关键调控作用。本项目针对生物神经网络中反馈回路模体辨识问题，提出一种新的辨识方法-多步格兰特因果性检验辨识法，该方法能够仅利用多电极阵列获得的多通道电脉冲序列数据，辨识出网络中功能性反馈连接。其基本思想为：运用Wald检验，为反馈辨识提供一个便利准则，在统计分析下，若两网络节点间存在显著的双向多步格兰特因果性，则表明该对节点间具有反馈回路。由于借鉴了多变量时间序列分析法，该方法克服了以往生物反馈辨识法大都依赖于两变量分析的局限性，不再受具体支路连接形式的限制，特别适用于大规模生物网络分析。最后，将多步格兰特因果性检验辨识法应用于体外培养的大鼠脑皮质神经元网络产生的脉冲序列数据，辨识其中反馈回路模体的存在情况、性质与分布特点，从系统水平阐明生物神经网络中支配其特定网络行为（如，同步脉冲振荡和过激振荡等）的反馈连接结构特点。

在众多的生物网络中，生物反馈是诱导其中关键调控功能的典型网络动态主旨。课题发展了基于多变量自回归（Vector autoregressive, VAR）模型的多步格兰特因果性检验辨识方法（Multi-step Granger causality test identification method, MGTIM），以解决复杂生物系统内部反馈回路辨识问题。该方法针对多通道生物时间序列数据，采用多变量最小二乘法（Multivariate least squares method, MLSM）估计VAR模型参数；根据辨识后的参数，结合改进的Wald检验（为避免统计模型检验过程中矩阵降秩所带来的数值计算困难），推断出每对网络节点间的多步格兰特因果性。若一对节点间存在双向的多步格兰特因果性，则可判断这两个节点间具有反馈回路。. 该方法首先通过人工脉冲神经网络（Pulsed Neural Network，PNN）网络进行仿真验证，仿真结果表明：所提出的MGTIM能够准确地辨识2-3-6节点PNN中的反馈回路连接。课题组进一步将MGTIM应用于体外培养的大鼠神经元网络所产生的多电极阵列（Multi-electrode Array , MEA）数据分析，研究其中反馈回路的存在情况。数据分析结果表明：MGTIM能够辨识出体外培养大鼠神经元网络中的反馈回路，反馈回路数量与网络同步振荡行为具有显著地相关性。结合PNN仿真研究，可推断：反馈回路是生物神经元网络中重要的动态主旨，其存在是支配生物神经元网络形成同步振荡行为的生理基础。. MGTIM使用了一个噪声驱动的多变量线性模型作为基本数学框架，测量噪声被考虑成同内部调节不相关的外部噪声。这些噪声对辨识结果的影响可通过相关分析得到抑制，因此，该辨识方法非常适合于数据噪声环境下的生物网络反馈回路的辨识研究。另外，MGTIM仅要求通过实验手段获得网络节点的动态响应数据。目前，多种生物网络实验测量方法，如，实时PCR，免疫荧光法，微阵列，和多电极阵列均可用于获取这类网络动态响应数据。随着具有高时空分辨率的生物多通道时间序列数据的不断增长，MGTIM将极大地促进和加深对生物网络结构同网络动态行为间关系的认识和理解。