[論文レビュー] Task-Based Core-Periphery Organisation of Human Brain Dynamics

Danielle S. Bassett, Nicholas F. Wymbs+4 more|arXiv (Cornell University)|Oct 12, 2012

Neural dynamics and brain function参考文献 2被引用数 84

ひとこと要約

本研究は、運動スキル習得中のヒト脳の動的挙動が、タスクに応じたコア・パーリフェリ（周縁）組織を示すことを明らかにした。ここでは、感覚運動および視覚領域の安定したコアが一貫した結合性を維持する一方、多様な関連領域からなる柔軟性のあるパーリフェリは頻繁に再構成される。コアとパーリフェリの間の分離度が大きい個々の被験者は、より成功した学習を示し、コア・パーリフェリ構造が学習能力を予測することを示している。

ABSTRACT

As a person learns a new skill, distinct synapses, brain regions, and circuits are engaged and change over time. In this paper, we develop methods to examine patterns of correlated activity across a large set of brain regions. Our goal is to identify properties that enable robust learning of a motor skill. We measure brain activity during motor sequencing and characterize network properties based on coherent activity between brain regions. Using recently developed algorithms to detect time-evolving communities, we find that the complex reconfiguration patterns of the brain's putative functional modules that control learning can be described parsimoniously by the combined presence of a relatively stiff temporal core that is composed primarily of sensorimotor and visual regions whose connectivity changes little in time and a flexible temporal periphery that is composed primarily of multimodal association regions whose connectivity changes frequently. The separation between temporal core and periphery changes over the course of training and, importantly, is a good predictor of individual differences in learning success. The core of dynamically stiff regions exhibits dense connectivity, which is consistent with notions of core-periphery organization established previously in social networks. Our results demonstrate that core-periphery organization provides an insightful way to understand how putative functional modules are linked. This, in turn, enables the prediction of fundamental human capacities, including the production of complex goal-directed behavior.

研究の動機と目的

• 新しい運動スキルの習得を支える大規模脳ネットワークの組織的特徴を理解すること。
• スキル習得過程における機能的脳ネットワークの動的再構成パターンを同定すること。
• コア・パーリフェリネットワーク構造が、個人差における学習成功を予測できるかどうかを特定すること。
• 多層ネットワーク解析を構築・適用し、fMRIデータにおける時間発展する機能的コミュニティを同定すること。

提案手法

• 20名の被験者が6週間にわたり運動系列タスクを実行したfMRI時系列データに、多層ネットワーク解析を適用した。
• 2分間の時間インターバルから構築された多層ネットワークに対して、Louvainに類似したアルゴリズムを用いて時間発展するコミュニティを同定した。
• ノードの柔軟性に基づいてコアおよびパーリフェリ領域を定義し、層間接続をランダム化して生成したノンモデルと比較した。
• パラメータα（鋭さ）およびβ（コアサイズ）を用いた連続的幾何的コア・パーリフェリ法を用い、各脳領域にコアスコアを割り当てた。
• 100回のノンモデル再接続と被験者間平均ノード柔軟性を用いて、統計的有意性の閾値（2.5百分位数および97.5百分位数）を確立した。
• 多層モジュラリティ最適化を用いて機能的コミュニティを同定し、訓練段階に応じたネットワーク構造を評価した。

実験結果

リサーチクエスチョン

• RQ1 運動スキル習得過程において、脳の機能的ネットワーク組織はどのように時間発展するか？
• RQ2 学習過程でどの脳領域が動的安定性（コア）を示し、どの領域が高い柔軟性（パーリフェリ）を示すか？
• RQ3 コアとパーリフェリの分離度が、個人差における学習成功にどの程度予測的か？
• RQ4 脳のコア・パーリフェリネットワーク構造は、複雑な目的指向行動の能力を予測するために利用できるか？

主な発見

• 主に感覚運動および視覚領域からなる時間的コアは、低いノード柔軟性と密な結合性を示し、動的安定性を示した。
• 主に多様な関連領域からなる時間的パーリフェリは、高いノード柔軟性と疎な結合性を示し、頻繁な再構成を示した。
• コアとパーリフェリの間の統計的分離度が大きい被験者は、分離度が小さい被験者よりも、その後の訓練セッションで顕著に優れた学習を示した。
• コア・パーリフェリ構造は学習成功を予測可能であり、強固なスキル習得を支援する機能的役割を果たしている可能性がある。
• 幾何的コア・パーリフェリ法により、脳領域全体にわたる連続的なコアの役割が的確に同定され、任意の二値分類を回避できた。
• ノンモデル比較により、観察されたコア・パーリフェリパターンが統計的に有意であり、ランダムなネットワークの揺らぎによるものではないことが確認された。