[論文レビュー] Brain Network Architecture: Implications for Human Learning

Marcelo G. Mattar, Danielle S. Bassett|arXiv (Cornell University)|Sep 7, 2016

Functional Brain Connectivity Studies参考文献 7被引用数 6

ひとこと要約

この論文は、グラフ理論と複雑系理論に基づくネットワーク神経科学が、神経的・領域的・行動的レベルのすべてにおいて人間の学習を統合的に扱う定量的・多スケールの枠組みを提供すると提唱している。脳ネットワークが1つのレベル（例：シナプス可塑性）での介入が階層的構造を通じてどのように伝播し、行動を変化させるかをモデル化できることを主張し、神経生理学と認知の間の機械的橋渡しを可能にする。

ABSTRACT

Human learning is a complex phenomenon that requires adaptive processes across a range of temporal and spacial scales. While our understanding of those processes at single scales has increased exponentially over the last few years, a mechanistic understanding of the entire phenomenon has remained elusive. We propose that progress has been stymied by the lack of a quantitative framework that can account for the full range of neurophysiological and behavioral dynamics both across scales in the systems and also across different types of learning. We posit that network neuroscience offers promise in meeting this challenge. Built on the mathematical fields of complex systems science and graph theory, network neuroscience embraces the interconnected and hierarchical nature of human learning, offering insights into the emergent properties of adaptability. In this review, we discuss the utility of network neuroscience as a tool to build a quantitative framework in which to study human learning, which seeks to explain the full chain of events in the brain from sensory input to motor output, being both biologically plausible and able to make predictions about how an intervention at a single level of the chain may cause alterations in another level of the chain. We close by laying out important remaining challenges in network neuroscience in explicitly bridging spatial scales at which neurophysiological processes occur, and underscore the utility of such a quantitative framework for education and therapy.

研究の動機と目的

• 人間の学習における神経生理的プロセスと行動的アウトカムを網羅する統一的で定量的な枠組みの欠如に応えること。
• 学習プロセスにおける空間的・時間的スケールを統合することで、単一スケールモデルの限界を克服すること。
• ネットワーク神経科学を、階層的脳組織における発現的適応行動を記述できる包括的言語として確立すること。
• 詳細な神経生理学的メカニズムと大規模脳ネットワークダイナミクスの間のギャップを埋めること。
• あるレベル（例：シナプス）での介入が別のレベル（例：行動）に与える影響を、ネットワークレベルのダイナミクスを通じて予測可能なモデルを可能にすること。

提案手法

• 脳領域をノード、機能的または構造的結合をエッジとするネットワークとして、グラフ理論と複雑系科学を用いて脳ネットワークをモデル化すること。
• 多スケールネットワーク表現を用いて、ミクロスケール（ニューロン）プロセスとメソスケール（領域）およびマクロスケール（行動）ダイナミクスを結びつけること。
• 神経画像法、電気生理学、行動研究からの実証データを、1つのネットワーキング理論的枠組みに統合すること。
• 動的ネットワークモデルや階層的ネットワーク分解などの数学的ツールを用いて、スケールを越えた発現的性質を捉えること。
• 可塑性がスケールを越えて接続性パターンを変化させることで、ネットワーク構造が動的に再構成される学習としてモデル化すること。
• 中心性、モジュラリティ、経路長などのネットワーク指標を用いて、異なる学習タイプ（教師あり、強化学習、教師なし）におけるネットワーク組織の変化を定量化すること。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク神経科学は、感覚入力から運動出力に至る人間の学習の全過程を統一的で定量的な枠組みとしてどのようにモデル化できるか？
• RQ2 教師あり、強化学習、教師なしの異なるタイプの学習において、神経生理的可塑性が生じる中で、どのような発現的ネットワークレベルの性質が現れるか？
• RQ3 ネットワークモデルは、ミクロスケールの神経メカニズムとマクロスケールの行動的アウトカムの間のギャップをどのように埋めることができるか？
• RQ4 ネットワークアーキテクチャは、1つのレベル（例：シナプス）での介入が別のレベル（例：行動）に与える影響を、どのような方法で予測できるか？
• RQ5 現在のネットワーク神経科学的手法には、脳の階層的かつ多スケール組織を学習において適切に表現する点でどのような限界があるか？

主な発見

• ネットワーク神経科学は、人間の学習における神経生理的ダイナミクスと行動的ダイナミクスを、複数の空間的・時間的スケールにわたって統合する有望な定量的枠組みを提供する。
• 脳ネットワークの階層的かつ相互接続的な性質により、学習中に接続性パターンが動的に再構成されることで、適応的行動が生じる。
• 教師あり、強化学習、教師なしの異なる学習タイプは、モジュラリティ、中心性、経路長の変化といった明確なネットワークレベルの特徴によって区別できる。
• 多スケールネットワークモデリングにより、1つのレベル（例：シナプス可塑性）での摂動がネットワーク全体を通じて伝播し、システムレベルの行動を変化させる予測が可能になる。
• 進展は見られるものの、現在のネットワークモデルはノード定義の単純化とエッジ表現の単方向的性質に起因する限界を抱えており、より洗練され生物学的に根拠のあるネットワーク抽象化の必要性が浮き彫りになっている。
• 神経生理学的データとネットワークモデルの統合により、細胞レベルの可塑性と大規模脳ネットワークダイナミクスの間のギャップを埋めることができ、学習のより包括的な理論の構築が可能になる。