Emri, MiklósAranyi, Sándor Csaba2022-07-062022-07-062022http://hdl.handle.net/2437/335766Az agyi régiók közötti neuronális kölcsönhatások vizsgálatához több technikai és módszertani kihívással kell megküzdeni. Munkánk célja az volt, hogy létrehozzunk egy DCM alapú effektív konnektivitás számítására alkalmas munkafolyamatot, amely magában foglalja a funkcionális MRI felvételek egységesített és korszerű előfeldolgozását, a definiált régiórendszer automatizált és adatvezérelt térbeli adjusztálását, valamint nagy számosságú modellterek feltárásának lehetőségét az adatokra legjobban illeszkedő neurális modellek keresésére. Publikált munkáink során a következő eredményekre jutottunk. A kereső algoritmusok fejlesztésének fő akadálya a DCM magas számításigénye. Ennek kiküszöbölésére létrehoztuk a futási időre optimalizált ReDCM R csomagot, amellyel teljes modellterek kiértékelésére is lehetőségünk van. A szoftverrel jelenleg a determinisztikus modellek becslése érhető el, amelyet a későbbiekben szeretnénk kiegészíteni sztochasztikus modellekkel, valamint a spektrális sémával történő modell inverziós eljárással. A DCM-ben az adatokat legnagyobb valószínűséggel magyarázó modellek megtalálása nem triviális feladat. Vizsgáltuk a hálózatelméletből ismert kereső algoritmusok alkalmazásának lehetőségeit a DCM keretrendszerben, ahol a modelleket irányított ciklikus gráfnak tekintjük és a gráf topológiáját iteratívan változtatva keressük a legjobb modellt. Három modellkereső algoritmust adaptáltunk DCM-re. Megállapítottuk, hogy egyedi szinten végzett modellkeresés esetében a topológiai algoritmusok kis mértékben jobban teljesítenek a post-hoc modell optimalizálás módszerénél. Csoportszintű PEB modelleken belül azonban megmutatkoznak a gráfelméleti módszerek limitációi. Demonstráltuk, hogy a DCM alkalmazható preklinikai kutatások során kisállatokon végzett kísérletekben, különböző kondíciók alatt vizsgált effektív konnektivitás differenciáinak mérésére. Továbbá a fejlesztéseinket sikerrel alkalmaztuk a Debreceni Egyetemen történő kutatások, valamint külső intézetekkel való együttműködések során.Researching neuronal interactions between brain regions several technical and methodological challenges have to be overcome. Our aim was to create a workflow for DCM-based effective connectivity computations, that incorporates the unified and state-of-the-art preprocessing of functional MRI images, the automated and data-driven adjustment of regions defined in literature and the exploration of large DCM model-spaces to find the best fitting neuronal model. We can summarize our results based on our published work. The main obstacle for developing model search methods is the high computational demand of DCM. To relieve this problem we developed the ReDCM R package, that is optimized for running speed. With ReDCM we have to possibility to evaluate large model-spaces. At the moment, model inversion is available only for deterministic time-series models. Further developments aim to include stochastic models and the scheme to fit spectral densities. In DCM finding the models most likely explaining imaging data is not trivial. We examined the possibilities to apply search methods known from network science in the DCM framework, where we consider models to be directed acyclic graphs, and changing graph topology iteratively we look for the best model. We adapted three model search algorithms for DCM. Our research showed, that on the subject-level the topological methods slightly out-perform analytic post-hoc model optimization. However, searching through nested PEB models on the group-level the graph theoretical methods show their limitations. We demonstrated, that DCM can be applied on small animal data in preclinical studies, assessing differences in effective connectivity under different conditions. Furthermore, out developments have been successfully applied in research studies in the University of Debrecen, as well as during collaborations with other institutes.111hueffektív konnektivitáseffective connectivitydinamikus oksági modellezésdynamic causal modellingfunkcionális mágneses rezonanciás képalkotásfunctional magnetic resonance imagingfMRIBayes-i modellezésBayesian modellingstruktúra tanulásstructure learninggráfelméletgraph theorymodellkereső algoritmusokmodel search algorithmspreklinikapreclinical researchElméleti orvostudományokOrvostudományok