[论文解读] Brain Network Architecture: Implications for Human Learning

Marcelo G. Mattar, Danielle S. Bassett|arXiv (Cornell University)|Sep 7, 2016

Functional Brain Connectivity Studies参考文献 7被引用 6

一句话总结

本文提出，神经网络科学——基于图论与复杂系统——为统一研究人类学习在神经、区域和行为层面提供了定量的多尺度框架。它认为脑网络可以模拟在某一层次（例如突触可塑性）的干预如何通过分层结构传播，进而改变行为，从而在神经生理学与认知之间建立机制性桥梁。

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.

研究动机与目标

• 解决缺乏统一、定量的框架来涵盖人类学习中神经生理过程与行为结果的问题。
• 通过整合学习过程中跨空间与时间尺度的数据，克服单一尺度模型的局限性。
• 确立神经网络科学作为一种整体性语言，能够描述分层脑组织中涌现的适应性行为。
• 弥合详细神经生理机制与大规模脑网络动力学在学习中的差距。
• 实现对干预措施在某一层次（例如突触）如何通过网络层面动力学影响另一层次（例如行为）结果的预测建模。

提出的方法

• 应用图论与复杂系统科学，将脑网络建模为连接节点（脑区）与边（功能或结构连接）的网络。
• 使用多尺度网络表征，将微观（神经元）过程与中尺度（区域）及宏观（行为）动力学相联系。
• 将神经影像、脑电信号记录与行为研究的实证数据整合进单一网络理论框架。
• 采用动态网络模型与分层网络分解等数学工具，捕捉跨尺度的涌现特性。
• 将学习建模为网络结构的动态重构，其中可塑性改变跨尺度的连接模式。
• 利用网络度量（例如中心性、模块性、路径长度）量化不同类型学习（监督式、强化式、无监督式）过程中网络组织的变化。

实验结果

研究问题

• RQ1 神经网络科学如何提供一个统一的定量框架，以建模从感觉输入到运动输出的完整人类学习过程？
• RQ2 在不同学习类型（监督式、强化式、无监督式）中，神经生理可塑性如何引发涌现的网络层面特性？
• RQ3 网络模型如何弥合微观神经机制与宏观行为结果之间的差距？
• RQ4 网络结构在何种方式下可预测在某一层次（例如突触）的干预对另一层次（例如行为）的影响？
• RQ5 当前神经网络科学方法在表征大脑分层与多尺度组织方面存在哪些局限性？

主要发现

• 神经网络科学提供了一个有前景的定量框架，能够统一建模人类学习中跨多空间与时间尺度的神经生理与行为动力学。
• 脑网络的分层与互联特性，使得通过学习过程中连接模式的动态重构，能够实现适应性行为的涌现。
• 不同学习类型——监督式、强化式与无监督式——可通过独特的网络层面特征加以区分，例如模块性、中心性或路径长度的变化。
• 多尺度网络建模可预测在某一层次（例如突触可塑性）的扰动如何通过网络传播，进而改变系统层面的行为。
• 尽管已取得进展，当前网络模型仍受限于节点定义的过度简化与边表示的单维化，凸显了对更精细、更具生物学基础的网络抽象的迫切需求。
• 将神经生理数据与网络模型整合，可弥合细胞水平可塑性与大规模脑网络动力学之间的差距，从而推动形成更完整的理论学习模型。