[논문 리뷰] Great Than The Sum: Integrated Information In Large Brain Networks

Daniel Toker, Friedrich T. Sommer|arXiv (Cornell University)|2017. 08. 09.

Neural dynamics and brain function인용 수 2

한 줄 요약

이 논문은 대규모 뇌 네트워크에서 통합 정보를 근사하기 위해 스펙트럴 클러스터링 기반 방법을 제안하며, 계산 시간을 천체적 스케일에서 수분 단위로 단축시킨다. 연구는 영장류皮질이 정보 통합 기반으로 후측 감각 영역과 전측 연합 영역으로 분리됨을 보여주며, 높은 글로벌 효율성과 모듈러 구조가 정보 통합을 최적화한다는 가설을 지지한다.

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.

연구 동기 및 목표

• 대규모 순환 뇌 네트워크에서 통합 정보를 측정할 수 있는 확장 가능한 방법의 부족을 해결한다.
• 대규모 시스템에서 정보적 약점인 링크를 찾는 조합적 탐색의 계산 비가역성을 극복한다.
• 시간 시리즈 데이터로부터 네트워크 전반의 통합 정보를 추정하기 위한 강건한 근사 방법을 개발한다.
• 뇌 유사 온도계 시스템과 실제 마카크 전두엽 뇌전도도 측정 데이터에서 방법을 검증한다.
• 네트워크 구조, 글로벌 효율성, 그리고 정보 통합 능력 간의 관계를 조사한다.

제안 방법

• 시간 시리즈 데이터의 상관계수 행렬에 스펙트럴 클러스터링을 적용하여 정보량이 낮은 하위네트워크를 식별한다.
• 수득한 클러스터 구조를 활용해 전수 조합적 탐색을 피하고 네트워크의 정보적 약점인 링크를 근사한다.
• 스펙트럴 클러스터링 결과에서 유도된 최소 정보 분할을 사용해 통합 정보(Φ)를 추정한다.
• 클러스터의 계층적 구조를 활용해 최소 분할을 위한 탐색 공간을 축소한다.
• 작은 시스템에서 정확한 계산과 비교해 근사치의 타당성을 검증한다.
• 맥쿼크 원숭이의 고밀도 전기생리학적 기록에 이 방법을 적용하여 피질의 정보 통합 능력을 평가한다.

실험 결과

연구 질문

• RQ1 스펙트럴 클러스터링은 대규모 뇌 네트워크에서 정보적 약점인 링크를 계산적으로 실현 가능한 근사로 제공할 수 있는가?
• RQ2 예상되는 통합 정보는 영장류 피질의 기능적 영역 간에 어떻게 변화하는가?
• RQ3 네트워크의 모듈러성과 글로벌 효율성이 최대 정보 통합 능력과 어느 정도 상관관계가 있는가?
• RQ4 제안된 방법은 확장성을 보장하면서도 통합 정보의 이론적 타당성을 유지하는가?
• RQ5 이 방법은 정보 통합 기반으로 감각 영역과 연합 영역 간의 기능적 분리가 드러나게 하는가?

주요 결과

• 스펙트럴 클러스터링은 대규모 네트워크에서 통합 정보 추정의 계산 시간을 우주의 연령을 초과하는 기간에서 10분 이내로 단축시킨다.
• 이 방법은 정확한 계산 대비 높은 강건성과 정확도로 대규모 시스템에서 정보적 약점인 링크를 성공적으로 식별한다.
• 마카크 피질 데이터에서 정보 통합 능력은 전측 연합 영역에서 최대화되고 후측 감각 영역에서 최소화되어 기능적 분리가 나타난다.
• 피질은 정보 통합 프로파일에 기반해 후측 감각 영역과 전측 연합 영역으로 명확한 분리가 이루어져 있다.
• 높은 글로벌 효율성과 모듈러 아키텍처를 가진 네트워크는 정보 통합 능력이 향상되어 이론적 예측을 지지한다.
• 결과는 모듈러 네트워크 구조가 정보 분리를 촉진하면서도 높은 통합 능력을 유지함을 검증한다.