[論文レビュー] Discovering the Computational Relevance of Brain Network Organization

Takuya Ito, Luke J. Hearne+3 more|arXiv (Cornell University)|Jul 8, 2019

Neural dynamics and brain function参考文献 59被引用数 6

ひとこと要約

本稿では、神経活動が構造的ネットワークを通過する様子をシミュレートすることで、脳の結合パターンと認知的計算を結びつけるネットワークコーディングモデルを提示する。このフレームワークは、実験的神経データをうまく予測しており、分散型の結合パターンが計算的に認知機能を符号化・復号化できることを示しており、認知における脳ネットワーク組織の機構的役割を支持する。

ABSTRACT

Understanding neurocognitive computations will require not just localizing cognitive information distributed throughout the brain but also determining how that information got there. We review recent advances in linking empirical and simulated brain network organization with cognitive information processing. Building on these advances, we offer a new framework for understanding the role of connectivity in cognition - network coding (encoding/decoding) models. These models utilize connectivity to specify the transfer of information via neural activity flow processes, successfully predicting the formation of cognitive representations in empirical neural data. The success of these models supports the possibility that localized neural functions mechanistically emerge (are computed) from distributed activity flow processes that are specified primarily by connectivity patterns.

研究の動機と目的

• 局所的な脳活動を超えて、分散型の脳ネットワーク組織が認知的計算をどのように支援するかを理解すること。
• 結合パターンを通じた情報の流れをモデル化することで、実験的脳ネットワークデータと認知処理を橋渡しすること。
• 認知的表象が結合によって規定される神経活動ダイナミクスにどのように生じるかを説明する計算フレームワークを構築すること。
• 結合性そのものだけで、神経データにおける認知的表象の形成を予測できるかどうかを検証すること。
• 活動の流れモデルを通じて、脳の構造と認知機能の間の機構的リンクを確立すること。

提案手法

• 結合行列を制約条件として用いて、構造的脳ネットワークを介した神経活動の流れをシミュレートするネットワークコーディングモデルを提唱する。
• 実験的構造的結合データ（例：拡散MRIから得られるもの）を用いて、活動伝播のためのネットワークトポロジーを定義する。
• 符号化および復号化モデルを適用して、fMRI や EEG データにおける活動パターンから神経的表象を予測する。
• 予測精度を評価するために、神経画像データセットを用いて交差検証を実施し、モデルを訓練および検証する。
• シミュレートされた活動の流れを認知的タスクデータと統合し、観察された神経応答と整合性があるかを検証する。
• 情報理論的指標を用いて、結合性が神経データにおける表象的コンテンツをどの程度よく予測できるかを定量化する。

実験結果

リサーチクエスチョン

• RQ1 脳ネットワークの結合パターンのみで、神経データにおける認知的表象の形成を予測できるか？
• RQ2 神経活動は構造的ネットワークをどのように通過し、分散型の認知的計算を生じさせるのか？
• RQ3 結合性に基づくモデルは、局所的な脳領域に依存するモデルよりもどの程度優れているのか？
• RQ4 ネットワークトポロジーは、神経活動の表象的コンテンツをどのように規定するのか？
• RQ5 結合性パターンからシミュレートされた活動の流れは、認知的タスク中に観察された実験的神経表象を再現できるか？

主な発見

• ネットワークコーディングモデルは、構造的結合性のみを入力として用いて、実験的神経データにおける認知的表象を成功裏に予測した。
• モデルは、結合性によって規定される分散型の活動の流れプロセスが、タスク関連の神経表象を生成できることを示した。
• モデルの予測精度は、局所的な脳領域に依存するベースラインモデルよりも顕著に高い。
• このフレームワークは、認知的機能が特定の領域に局在化しているのではなく、結合性によって規定されるダイナミクスから機械的に生じることを明らかにした。
• 結果は、脳ネットワーク組織が計算的に関連しているという仮説を支持しており、活動の流れを通じて認知が生じることを可能にする。
• このアプローチは、結合性駆動の計算を通じて、脳の構造、ダイナミクス、認知機能を統合的に結びつけるフレームワークを提供する。