[논문 리뷰] Discovering the Computational Relevance of Brain Network Organization

Takuya Ito, Luke J. Hearne외 3명|arXiv (Cornell University)|2019. 07. 08.

Neural dynamics and brain function참고 문헌 59인용 수 6

한 줄 요약

이 논문은 구조적 뇌 네트워크를 통해 신경 활동이 어떻게 흐르며 인지적 표현을 형성하는지를 시뮬레이션함으로써 뇌 연결 패턴과 인지적 계산을 연결하는 네트워크 코딩 모델을 제안한다. 이 프레임워크는 경험적 신경 데이터를 성공적으로 예측하여, 분산된 연결 패턴이 계산적으로 인지 기능을 인코딩하고 디코딩함을 보여주며, 뇌 네트워크 조직이 인지 기능에 기계적 역할을 한다는 것을 뒷받침한다.

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.

연구 동기 및 목표

• 국소적인 뇌 활동을 초월하여 분산된 뇌 네트워크 조직이 어떻게 인지적 계산을 지원하는지 이해하기.
• 정보 흐름을 연결 패턴을 통해 모델링하여 경험적 뇌 네트워크 데이터와 인지 처리를 연결하기.
• 연결성에 의해 지배되는 신경 활동 역학의 결과로 인지 표현이 어떻게 발생하는지 설명하는 계산 프레임워크 개발하기.
• 연결성만으로도 신경 데이터에서 인지 표현의 형성이 예측 가능한지 테스트하기.
• 활동 흐름 모델을 통해 뇌 구조와 인지 기능 사이에 기계적 연결을 수립하기.

제안 방법

• 연결 행렬을 제약 조건으로 사용하여 구조적 뇌 네트워크를 통해 신경 활동 흐름을 시뮬레이션하는 네트워크 코딩 모델 제안.
• 확실한 구조적 연결 데이터(예: 확산 MRI에서의 데이터)를 사용하여 활동 전파를 위한 네트워크 구조 정의.
• fMRI 또는 EEG 데이터에서의 활동 패턴으로부터 신경 표현을 예측하기 위해 인코딩 및 디코딩 모델 적용.
• 신경영상 데이터셋에서 교차 검증을 사용하여 모델을 훈련하고 검증하여 예측 정확도 평가.
• 모의 활동 흐름을 인지 작업 데이터와 통합하여 관측된 신경 반응과의 일치성 테스트.
• 정보 이론적 측정을 사용하여 연결성이 신경 데이터의 표현적 내용을 얼마나 잘 예측하는지 정량화.

실험 결과

연구 질문

• RQ1 뇌 네트워크 연결 패턴만으로도 신경 데이터에서 인지 표현의 형성이 예측 가능한가?
• RQ2 신경 활동이 구조적 네트워크를 통해 어떻게 흐르며 분산된 인지적 계산을 만들어내는가?
• RQ3 연결성 기반 모델이 국소적인 뇌 영역에 의존하는 모델보다 얼마나 뛰어난가?
• RQ4 네트워크 구조가 신경 활동의 표현적 내용을 어떻게 형성하는가?
• RQ5 연결 패턴에서 유도된 모의 활동 흐름이 인지 작업 중 관찰된 경험적 신경 표현을 재현할 수 있는가?

주요 결과

• 네트워크 코딩 모델은 구조적 연결성만을 입력으로 사용하여 경험적 신경 데이터에서 인지 표현을 성공적으로 예측한다.
• 모델들은 연결성이 지정한 분산된 활동 흐름 과정이 임무 관련 신경 표현을 생성할 수 있음을 보여준다.
• 모델의 예측 정확도는 국소적인 뇌 영역에 의존하는 기준 모델보다 유의미하게 높다.
• 이 프레임워크는 인지 기능이 특정 영역에 국한되지 않고 연결성에 의해 지정된 역학적 과정에서 기계적으로 유래됨을 드러낸다.
• 결과는 뇌 네트워크 조직이 계산적으로 관련이 있으며, 활동 흐름을 통해 인지 기능이 유도됨을 뒷받침하는 가정을 지지한다.
• 이 접근법은 연결성 기반 계산을 통해 뇌 구조, 역학, 인지 기능을 통합하는 프레임워크를 제공한다.