博文

BCI工具包：贝叶斯因果推断的开源Python包

已有 434 次阅读 2024-8-7 20:34 |个人分类:科普|系统分类:科普集锦

BCI工具包：贝叶斯因果推断的开源Python包

人脑的功能就像一台贝叶斯统计机，通过神经系统不断地处理来自不同形式的不确定感觉信息来推断感觉观察的原因。贝叶斯因果推理(Bayesian Causal Inference，BCI)模型是描述这一过程的规范贝叶斯框架，其中对因果结构(共同原因vs.独立原因)和感官输入的来源进行推理。在脑机接口模型中，这些推论是连贯统一的，涉及两个假设之间的竞争:是由共同原因产生的感觉信息还是由独立原因产生的感觉信息，以解释观察到的感觉测量。

在过去的二十年中，脑机接口模型被扩展并应用于各种知觉和感觉运动领域，包括时间数量判断、空间定位判断、尺寸-重量错觉范式、橡胶手错觉范式和头部感知。鉴于这一经验证据，脑机接口模型已被认为是神经科学中一个潜在的统一框架。同时，计算建模方法也为精神病学研究提供了一个新的视角，展示了这些模型如何加深我们对精神障碍背后的病理生理过程的理解，并为治疗干预提供信息。Noel及其同事强调了计算精神病学中因果推理的重要性。

受BCI模型的巨大潜力以及神经科学和心理学领域对贝叶斯数据分析日益增长的需求的启发，Zhu等人开发了贝叶斯因果推理工具箱(BCI工具箱，图1)，这是一个用Python编写的零编程软件包，作为理解和使用BCI模型的工具。BCI工具箱具有用于初级使用的图形用户界面(GUI，图2)和用于高级使用的精心研究的数学函数。为了方便使用BCI模型，GUI包含了用户友好的模型拟合和仿真功能。该软件可以从在线文档(https://bcitoolboxrmd.readthedocs.io/en/latest/index.html)、GitHub (https://github.com/evans1112/bcitoolbox)或通过PIP (https://pypi.org/project/bcitoolbox/)。

图1 BCI模型的总体结构和BCI工具箱的仿真结果

图2 BCI工具箱的GUI框架

BCI工具箱的一个显著限制是每个模型中变量的数量是固定的。因此，在需要灵活配置或自定义变量的情况下，用户可能会面临挑战，这可能会阻碍该工具对各种研究应用的适应性。此外，尽管BCI工具箱中使用了计算对数似然或误差平方和等当前方法来测量模型行为数据差异，但仍需要改进。大脑中的损失函数是由进化或经验塑造的，以最小化特定成本，这在个体和时间上是不同的。因此,需要继续探索其他可能的量化误差的方法，这些方法可能会产生更好的拟合。BCI工具箱及其文档的更新将在适当时候提供，以反映这些进展。

总之，脑机接口工具箱整合了过去十年中脑机接口模型可以解释的认知神经科学研究资源。它采用了最新的算法和参数优化方法，为潜在研究提供了方便、可靠、多样的数据处理工具。通过使用一流的数据集和前沿模型，BCI工具箱极大地丰富了认知神经科学的计算社区。BCI工具箱鼓励社区成员通过建议改进、报告错误、提供错误修复、新想法和创新修改来为其改进做出贡献。

参考文献

[1] Zhu H, Beierholm U, Shams L. BCI Toolbox: An open-source python package for the Bayesian causal inference model. PLoS Comput Biol. 2024;20(7):e1011791. doi:10.1371/journal.pcbi.1011791

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC