[논문 리뷰] Brain Network Architecture: Implications for Human Learning

Marcelo G. Mattar, Danielle S. Bassett|arXiv (Cornell University)|2016. 09. 07.

Functional Brain Connectivity Studies참고 문헌 7인용 수 6

한 줄 요약

이 논문은 네트워크 신경과학—그래프 이론과 복잡계 이론에 기반하여—인간 학습의 신경적, 지역적, 행동적 수준을 통합하는 정량적이고 다중 척도적 프레임워크를 제안한다. 뇌 네트워크가 한 수준에서의 간섭(예: 시냅스 가소성)이 계층적 구조를 통해 전파되어 행동을 변화시킬 수 있음을 모델링할 수 있음을 주장하며, 신경생리학과 인지 기능 사이의 기계적 다리를 제공한다.

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.

연구 동기 및 목표

• 인간 학습에서 신경생리학적 과정과 행동 결과를 아우르는 통합적이고 정량적인 프레임워크의 부재를 해결하기 위해.
• 학습 과정에서 공간적·시간적 척도를 아우르는 데이터 통합을 통해 단일 척도 모델의 한계를 극복하기 위해.
• 계층적 뇌 조직에서의 탄력적 행동의 기원을 묘사할 수 있는 통합적 언어로서 네트워크 신경과학을 확립하기 위해.
• 세부적인 신경생리학적 메커니즘과 대규모 뇌 네트워크 동역학 사이의 격차를 메우기 위해.
• 일부 수준에서의 간섭(예: 시냅스 수준)이 다른 수준(예: 행동 수준)의 결과에 미치는 영향을 네트워크 수준의 동역학을 통해 예측 모델링할 수 있도록 하기 위해.

제안 방법

• 뇌 영역을 노드로, 기능적 또는 구조적 연결을 엣지로 간주하는 연결된 노드들로 뇌 네트워크를 모델링하기 위해 그래프 이론과 복잡계 과학을 적용한다.
• 미세 척도(신경세포), 중간 척도(지역), 거시 척도(행동)의 동역학을 연결하기 위해 다중 척도 네트워크 표현을 사용한다.
• 뇌 영상, 전기생리학, 행동 연구에서의 실증 데이터를 하나의 네트워크 이론적 프레임워크에 통합한다.
• 동적 네트워크 모델과 계층적 네트워크 분해와 같은 수학적 도구를 사용하여 다양한 척도에서의 기원적 성질을 포착한다.
• 가소성이 다양한 척도에서 연결 패턴을 변화시킴으로써 네트워크 아키텍처의 동적 재구성으로서 학습을 모델링한다.
• 중심성, 모듈성, 경로 길이 등의 네트워크 지표를 사용하여 다양한 학습 유형(지도 학습, 강화 학습, 비지도 학습) 동안 네트워크 조직의 변화를 정량화한다.

실험 결과

연구 질문

• RQ1 네트워크 신경과학은 감각 자극에서 운동 반응에 이르는 인간 학습의 전 과정을 통합적이고 정량적으로 모델링할 수 있는가?
• RQ2 다양한 학습 유형(지도 학습, 강화 학습, 비지도 학습)에서 신경생리학적 가소성이 유도하는 네트워크 수준의 기원적 성질은 무엇인가?
• RQ3 네트워크 모델은 미세 척도의 신경 기제와 거시 척도의 행동 결과 사이의 격차를 어떻게 메울 수 있는가?
• RQ4 네트워크 아키텍처는 어떤 방식으로 한 수준에서의 간섭(예: 시냅스 수준)이 다른 수준의 행동에 미치는 영향을 예측할 수 있는가?
• RQ5 현재의 네트워크 신경과학 접근법은 뇌의 계층적이고 다중 척도적 조직을 학습 과정에서 어떻게 표현하는 데 한계를 가진다?

주요 결과

• 네트워크 신경과학은 인간 학습에서 다중 공간적·시간적 척도에 걸쳐 신경생리학적 동역학과 행동 동역학을 통합하는 유망한 정량적 프레임워크를 제공한다.
• 뇌 네트워크의 계층적이고 상호연결된 성질은 학습 동안 연결 패턴의 동적 재구성 덕분에 적응적 행동의 기원을 가능하게 한다.
• 지도 학습, 강화 학습, 비지도 학습과 같은 다양한 학습 유형은 모듈성, 중심성, 경로 길이 등의 변화와 같은 고유한 네트워크 수준의 특징으로 구분될 수 있다.
• 다중 척도 네트워크 모델링은 한 수준에서의 교란(예: 시냅스 가소성)이 네트워크 전반에 걸쳐 전파되어 시스템 수준의 행동을 변화시킬 수 있음을 예측할 수 있게 한다.
• 진전이 있었음에도 불구하고, 현재의 네트워크 모델은 노드 정의의 과도한 단순화와 단일 차원의 엣지 표현으로 인해 한계를 가진다. 이는 더 세밀하고 생물학적으로 기반을 둔 네트워크 추상화의 필요성을 드러낸다.
• 신경생리학적 데이터와 네트워크 모델의 통합은 세포 수준의 가소성과 대규모 뇌 네트워크 동역학 사이의 격차를 메우며, 보다 완전한 학습 이론의 구현을 가능하게 한다.