Leveraging a neurocomputational model in multiple sclerosis

Multiple Sclerosis, MS, is a chronic neurological disease, that entails cognitive impairment in 40% to 70% of cases, and one of the most affected cognitive domains is information processing speed, IPS. Mainly due to demyelination, a characteristic phenomenon of multiple sclerosis, a delay in the conduction velocity characterizing the communication between brain regions is introduced. This thesis implements a neurocomputational model, the time-delayed coupled oscillators, to assess the impairment of the conduction velocity, and hence IPS. Given a MEG dataset including 50 healthy and 100 MS subjects, the resting-state brain activity is evaluated by computing the Functional Connectivity, FC, matrix; in parallel, the simulated FC is inferred from brain resting-state activity simulated by the model when it is given in input the structural connectivity of the subject or group in analysis. Empirical and Simulated FC are correlated to elicit the optimal model parameter, τ time delay, that permits the model to emulate the brain resting-state dynamics at the best. This parameter represents a delay between brain regions network interactions, due to finite conduction velocity, and it is expected to vary in agreement with IPS impairment. The model’s performances are consistent with literature results when healthy subjects are investigated. Moreover, the optimal conduction delay τ shows some variations between the simulations of the healthy and the MS population, depicting the model ability to simulate the impairment in the conduction velocity. However, the variations detected at the group level are not elicited in the subject-specific simulations, where τ variations do not seem to correlate with CI features. The limitation can be related to the static perspective of the investigation, and future analyses might consider optimizing model parameters by matching the simulated and empirical dynamic properties of the brain’s functionality.

La sclerosi multipla è una malattia neurodegenerativa che colpisce il sistema nervoso, e comporta un deterioramento cognitivo nel 40-70% dei pazienti, colpendo particolarmente il dominio della velocità di elaborazione delle informazioni. A causa del fenomeno di demielinizzazione caratteristico della sclerosi multipla, è introdotto un ritardo nella velocità di comunicazione tra distinte regioni cerebrali. Questa tesi ha lo scopo di investigare il deterioramento della velocità di elaborazione attraverso l’implementazione di un modello computazionale di oscillatori accoppiati con ritardo temporale. Da un dataset di 150 soggetti, 50 sani e 100 pazienti con sclerosi multipla, l’attività cerebrale a risposo acquisita attraverso magnetoencegalografica è analizzata attraverso l’estrazione della matrice di connettività funzionale statica. Attraverso la correlazione della connettività funzionale sperimentale con quella simulata, estratta dalla attività cerebrale simulata dal modello, si identifica il parametro ottimale τ che permette al modello di emulare l’attività magnetoencegalografica. Questo parametro identifica il ritardo temporale nella comunicazione tra distinte aree cerebrali, e si ipotizza l’identificazione di un incremento di questo ritardo, e dunque del parametro τ, nella popolazione di pazienti con sclerosi multipla, data la compromissione della velocità di elaborazione delle informazioni. Le prestazioni del modello sono coerenti con i risultati della letteratura quando vengono studiati soggetti sani. Nel confronto delle prestazioni del modello quando sono considerate la popolazione sana e quella dei pazienti con sclerosi multipla, si rileva una variazione del parametro ottimale τ, e dunque il modello sembra simulare il ritardo di conduzione caratteristico della patologia. Invece, i parametri τ delle simulazioni sui singoli soggetti non sembrano riprodurre i risultati ottenuti nelle analisi a livello di popolazione. La principale limitazione riguarda la prospettiva statica dell'indagine e analisi future potrebbero prendere in considerazione l'ottimizzazione dei parametri del modello facendo corrispondere le proprietà dinamiche simulate ed empiriche dell’attività cerebrale.