[論文レビュー] Learning-Induced Autonomy of Sensorimotor Systems

Danielle S. Bassett, Muzhi Yang+2 more|arXiv (Cornell University)|Mar 24, 2014

Functional Brain Connectivity Studies参考文献 34被引用数 9

ひとこと要約

本研究では、fMRIデータの動的ネットワーク解析を用いて、運動スキル習得が感覚運動系における自律性を引き起こし、前頭前野およびcingulate制御ネットワークへの依存を減少させることを示した。主な発見は、非運動的・非視覚的領域間の統合の低下と、関連制御ハブの減少した活性化が、より速い学習を予測することであり、ネットワーク再構成の個人差が学習速度と強く関連していることである。

ABSTRACT

Distributed networks of brain areas interact with one another in a time-varying fashion to enable complex cognitive and sensorimotor functions. Here we use novel network analysis algorithms to test the recruitment and integration of large-scale functional neural circuitry during learning. Using functional magnetic resonance imaging (fMRI) data acquired from healthy human participants, from initial training through mastery of a simple motor skill, we investigate changes in the architecture of functional connectivity patterns that promote learning. Our results reveal that learning induces an autonomy of sensorimotor systems and that the release of cognitive control hubs in frontal and cingulate cortices predicts individual differences in the rate of learning on other days of practice. Our general statistical approach is applicable across other cognitive domains and provides a key to understanding time-resolved interactions between distributed neural circuits that enable task performance.

研究の動機と目的

• 運動スキル習得中に大規模な機能的脳ネットワークがどのように再構成されるかを理解すること。
• 行動的パフォーマンスと関連する機能的モジュールの動的変化を同定すること。
• 個人差としてのネットワーク構造が学習速度を予測するかどうかを調査すること。
• 認知制御ハブが学習効率をどのように媒介しているかを特定すること。

提案手法

• ハーバード・オックスフォードアトラスを用いて、112の皮質および辺縁領域に脳をパラセレートした。
• タスク実行中の2〜3分間の時間窓ごとに、領域対間の機能的結合を計算した。
• 時間に応じて変化するコミュニティ検出アルゴリズムを用いて、各時間窓における機能的モジュール（ネットワークコミュニティ）を同定した。
• 任意の2領域が時間と被験者全体にわたって同じコミュニティに所属する確率を測定するため、モジュール忠誠度行列を構築した。
• ネットワーク診断（例：統合、活性化）をトレーニングの深さ（試行回数）と関連付けるために、線形混合効果モデルを用いた。
• 予測ネットワークモデルを用いて、個人差としてのネットワーク調節と学習結果に相関する脳領域を同定した。

実験結果

リサーチクエスチョン

• RQ1 運動・視覚ネットワークのような特定の機能的モジュールが、運動スキル習得中に出現し、再構成されるか？
• RQ2 非運動的・非視覚的脳領域の統合と活性化は、トレーニングの期間および強度に応じてどのように変化するか？
• RQ3 前頭前野およびcingulate制御ネットワークの関与が、学習速度の個人差をどの程度予測できるか？
• RQ4 動的ネットワーク再構成パターンは、時間経過に伴う行動的パフォーマンスを予測できるか？

主な発見

• 運動および視覚機能的モジュールは学習全体を通して安定した忠誠度を示し、時間経過とともに凝集性が向上した。
• 運動モジュールと視覚モジュール間の統合は、トレーニングの期間および強度に伴い有意に低下し、機能的自律性を示した。
• 非運動的・非視覚的皮質領域の活性化は、トレーニングの深さに伴い減少し、関連制御システムへの依存が低下していることを示唆した。
• 前頭前野およびcingulate皮質の認知制御ハブの解放が、個人間の学習速度の向上を強く予測した（r = 0.59, p = 0.0062）。
• 1つの潜在変数（実施した試行回数）が、ネットワーク再構成の大部分の分散を説明しており、主要なネットワーク指標では相関係数rが0.8以上であった。
• 予測ネットワークは、補助運動野およびcuneus皮質を含む特定の脳領域を同定し、その個々のネットワーク強度が学習結果と相関していた。