Este artículo propone un método novedoso para reducir los costes de investigación mediante la generación de hipótesis en el campo de la neurociencia. Los métodos de aprendizaje automático existentes asumen relaciones causales invariantes en el tiempo, pero su aplicación se limita a sistemas con comportamientos dinámicos dependientes del estado, como el cerebro. En este artículo, presentamos un método novedoso que modela grafos dinámicos como una superposición de grafos estáticos con pesos condicionales. Cada grafo estático puede capturar relaciones no lineales, lo que nos permite detectar interacciones complejas que varían en el tiempo entre variables más allá de las restricciones lineales. Los resultados experimentales muestran que el método propuesto mejora la puntuación f1 de los patrones causales dinámicos predichos en un promedio del 22-28% con respecto a los métodos existentes, y en algunos casos en más del 60%. Estudios de caso con datos cerebrales reales revelan relaciones asociadas con estados conductuales específicos, lo que proporciona información valiosa sobre la dinámica neuronal.
