[논문 리뷰] Task-Based Core-Periphery Organisation of Human Brain Dynamics

Danielle S. Bassett, Nicholas F. Wymbs외 4명|arXiv (Cornell University)|2012. 10. 12.

Neural dynamics and brain function참고 문헌 2인용 수 84

한 줄 요약

이 연구는 운동 기술 학습 중 인간 뇌의 동적 특성이 과제 기반의 코어-퍼리페리 조직을 보이며, 안정적인 코어 영역(감각운동 및 시각 영역)이 일관된 연결성을 유지하는 반면, 다중모odal 연합 영역으로 구성된 영역은 빈번히 재구성되는 유연한 퍼리페리 영역을 형성함을 밝혀냈다. 코어와 퍼리페리 간의 분리가 더 큰 개인일수록 더 성공적으로 학습했으며, 이는 코어-퍼리페리 구조가 학습 능력을 예측할 수 있음을 시사한다.

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.

연구 동기 및 목표

• 새로운 운동 기술 습득을 뒷받침하는 대규모 뇌 네트워크 조직 방식을 이해하기 위해.
• 기능적 뇌 네트워크에서 기술 학습 중 동적 재구성 패턴을 규명하기 위해.
• 개인 간 학습 성공의 차이를 예측할 수 있는 코어-퍼리페리 네트워크 아키텍처가 있는지 확인하기 위해.
• 다층 네트워크 분석을 개발하고 적용하여 fMRI 데이터에서 시간에 따라 변화하는 기능적 커뮤니티를 탐지하기 위해.

제안 방법

• 6주 동안 운동 시퀀스 과제를 수행한 20명의 참가자로부터 확득한 fMRI 시간 시리즈 데이터에 다층 네트워크 분석을 적용하였다.
• 2분 간격으로 구성된 다층 네트워크에서 시간에 따라 변화하는 커뮤니티를 탐지하기 위해 Louvain 유사 알고리즘을 사용하였다.
• 노드의 융통성 기반으로 코어 및 퍼리페리 영역을 정의하였으며, 상호층 간 연결을 무작위화하여 생성한 노ulled 모델과의 비교를 통해 관측된 값을 평가하였다.
• 매개변수 α(예리함)와 β(코어 크기)를 사용한 연속적인 기하학적 코어-퍼리페리 방법을 통해 각 뇌 영역에 코어 점수를 할당하였다.
• 참가자 전반의 평균 노드 융통성과 100회에 걸친 노ulled 모델 재연결을 통해 통계적 유의성 기준(2.5번째 백분위수 및 97.5번째 백분위수)을 설정하였다.
• 다층 모듈라리티 최적화를 통해 기능적 커뮤니티를 식별하고 훈련 단계에 따른 네트워크 구조를 평가하였다.

실험 결과

연구 질문

• RQ1 운동 기술 학습 중 뇌의 기능적 네트워크 조직은 시간이 지남에 따라 어떻게 재구성되는가?
• RQ2 학습 과정에서 어떤 뇌 영역이 동적으로 안정적인(코어) 상태를 유지하고, 어떤 영역이 높은 융통성(퍼리페리)을 보이는가?
• RQ3 코어와 퍼리페리 간의 분리 정도가 개인 간 학습 성공의 차이를 어느 정도 예측할 수 있는가?
• RQ4 뇌의 코어-퍼리페리 네트워크 구조는 복잡한 목표 지향적 행동의 능력을 예측하는 데 사용될 수 있는가?

주요 결과

• 주로 감각운동 및 시각 영역로 구성된 시간적 코어는 낮은 노드 융통성과 고밀도 연결성을 보이며, 동적 안정성을 나타낸다.
• 주로 다중모달 연합 영역으로 구성된 시간적 퍼리페리는 높은 노드 융통성과 희박한 연결성을 보이며, 빈번한 재구성 상태를 나타낸다.
• 코어와 퍼리페리 간의 통계적 분리가 더 큰 개인일수록 이후 훈련 세션에서 유의미하게 더 잘 학습하였다.
• 코어-퍼리페리 구조는 학습 성공을 예측할 수 있었으며, 이는 강력한 기술 습득을 뒷받침하는 기능적 역할을 할 수 있음을 시사한다.
• 기하학적 코어-퍼리페리 방법은 뇌 영역 전반에 걸쳐 연속적인 코어 역할을 성공적으로 식별하였으며, 임의의 이元 분류를 피할 수 있었다.
• 노ulled 모델 비교를 통해 관측된 코어-퍼리페리 패턴이 통계적으로 유의미하며, 랜덤 네트워크 변동으로 인한 것이 아님을 확인하였다.