Correlazione tra stati comportamentali osservabili e stati neurali nascosti nella corteccia frontale del macaco rhesus durante comportamenti naturalistici e interazioni sociali: un approccio basato su Hidden Markov Models

Lo studio dell’elettrofisiologia del comportamento spontaneo pone nuove sfide metodologiche legate alla complessità del comportamento naturalistico, in cui l’attività corticale è modulata da variabili motorie, motivazionali e sociali. In questo lavoro è stato applicato un framework basato su Hidden Markov Model (HMM) a registrazioni di popolazioni neuronali ottenute da due macachi rhesus (Macaca mulatta), appartenenti a due diadi sociali differenti, liberi di interagire tra loro e muoversi nello spazio circostante. L’attività neurale è stata registrata tramite floating multielectrode arrays (FMA) impiantati nelle aree PMv (F5) e vlPFC (45a e 46v/12r), mentre il comportamento è stato annotato offline mediante BORIS sulla base di un etogramma di tredici categorie comportamentali. Per ogni sessione sono stati addestrati modelli HMM mediante l’algoritmo Expectation-Maximization e il modello ottimale è stato selezionato tramite Bayesian Information Criterion (BIC). Le sequenze degli stati latenti ottenute tramite l’algoritmo di Viterbi sono state confrontate con i comportamenti osservati mediante probabilità condizionata P(stato|comportamento). I risultati mostrano correlazioni interpretabili tra stati neurali e comportamentali: per esempio, nel soggetto M1, stati condivisi codificavano comportamenti motori simili come Eating e Mouthing, mentre nel soggetto M2 un singolo stato risultava associato a diversi comportamenti affiliativi sociali come Presenting, Lying e Received Grooming. Un’analisi di clustering ha inoltre evidenziato una corrispondenza tra organizzazione neurale e struttura comportamentale. I risultati mostrano che un HMM gaussiano addestrato esclusivamente su dati neurali è in grado di identificare stati latenti che riflettono aspetti del comportamento naturalistico e del contesto sociale. Questo studio rappresenta la prima applicazione di un framework HMM a registrazioni neurali di macachi in condizione di freely moving.