[論文レビュー] Great Than The Sum: Integrated Information In Large Brain Networks

Daniel Toker, Friedrich T. Sommer|arXiv (Cornell University)|Aug 9, 2017

Neural dynamics and brain function被引用数 2

ひとこと要約

本稿では、大規模脳ネットワークにおける統合情報の近似を可能にするスペクトルクラスタリングに基づく手法を提案し、計算時間を宇宙論的スケールから数分に短縮した。結果として、霊長類皮質が情報統合の観点から後方の感覚領域と前方の連合領域に分離していることが示され、高いグローバル効率とモジュラー構造が情報統合を最適化するという仮説を支持した。

ABSTRACT

An outstanding problem in neuroscience is to understand how information is across the many modules of the brain. While classic information-theoretic measures have transformed our understanding of feedforward information processing in the brain's sensory periphery, comparable measures for information flow in the massively recurrent networks of the rest of the brain have been lacking. To address this, recent work in information theory has produced a sound measure of network-wide integrated information, which can be estimated from time-series data. But, a computational hurdle has stymied attempts to measure large-scale information integration in real brains. Specifically, the measurement of information involves a combinatorial search for the informational of a network, a process whose computation time explodes super-exponentially with network size. Here, we show that spectral clustering, applied on the correlation matrix of time-series data, provides an approximate but robust solution to the search for the the informational weakest link of large networks. This reduces the computation time for information in large systems from longer than the lifespan of the universe to just minutes. We evaluate this solution in brain-like systems of coupled oscillators as well as in high-density electrocortigraphy data from two macaque monkeys, and show that the informational of the monkey cortex splits posterior sensory areas from anterior association areas. Finally, we use our solution to provide evidence in support of the long-standing hypothesis that information integration is maximized by networks with a high global efficiency, and that modular network structures promote the segregation of information.

研究の動機と目的

• 大規模で再帰的な脳ネットワークにおける統合情報のスケーラブルな測定法の欠如に対処すること。
• 大規模システムにおける情報的弱いリンクを特定するための組み合わせ的探索の計算不能性を克服すること。
• 時系列データからネットワーク全体の統合情報の推定に耐性があり近似的な手法を開発すること。
• 脳に類似したオシレーター系と実際のマカクの電皮脳図記録データを用いて、手法の妥当性を検証すること。
• ネットワーク構造、グローバル効率、および情報統合能力の関係を調査すること。

提案手法

• 時系列データの相関行列にスペクトルクラスタリングを適用し、情報量が少ない部分ネットワークを同定すること。
• 得られたクラスタ構造を用いて、全組み合わせ的探索を回避する形でネットワーク内の情報的弱いリンクを近似すること。
• スペクトルクラスタリングの結果から導かれる最小情報分割を用いて統合情報（Φ）を推定すること。
• クラスタの階層的構造を活用して、最小分割の探索空間を縮小すること。
• 小さなシステムにおける正確な計算と比較して、近似の妥当性を検証すること。
• マカクザルの高密度電気生理記録データにこの手法を適用し、皮質の情報統合を評価すること。

実験結果

リサーチクエスチョン

• RQ1 スペクトルクラスタリングは、大規模脳ネットワークにおける情報的弱いリンクを計算的に実行可能な近似で特定できるか？
• RQ2 推定された統合情報は、霊長類皮質の機能的領域ごとにどのように変動するか？
• RQ3 ネットワークのモジュラリティとグローバル効率は、最大の情報統合能力とどの程度相関するか？
• RQ4 提案手法は、スケーラビリティを実現しつつも、統合情報の理論的整合性を保持できるか？
• RQ5 この手法は、情報統合の観点から感覚領域と連合領域の間で機能的分離を明らかにできるか？

主な発見

• スペクトルクラスタリングにより、大規模ネットワークにおける統合情報推定の計算時間が、宇宙の年齢を上回る期間から10分未塔に短縮された。
• この手法は、正確な計算と比較して高い耐性と正確性を示し、大規模システムにおける情報的弱いリンクの特定に成功した。
• マカク皮質データでは、情報統合が前方連合領域で最大に、後方感覚領域で最小に抑えられ、機能的分離が示された。
• 皮質は、情報統合プロファイルに基づいて、後方感覚領域と前方連合領域に明確に分かれている。
• 高いグローバル効率とモジュラー構造を持つネットワークは、情報統合能力が向上しており、理論的予測を支持した。
• 結果は、モジュラーなネットワーク構造が情報分離を促進するとともに、高い統合能力を維持できることを裏付けた。