[论文解读] Optimal Trajectories of Brain State Transitions

Shi Gu, Richard F. Betzel+5 more|arXiv (Cornell University)|Jul 6, 2016

Functional Brain Connectivity Studies参考文献 84被引用 5

一句话总结

本研究应用网络控制理论，模拟白质结构如何制约大脑状态转换，发现注意网络与执行控制网络能够实现多样化但易受损的转换。在轻度创伤性脑损伤中，这种多样化能力下降，表明控制特异性减弱且对噪声更敏感。

ABSTRACT

The complexity of neural dynamics stems in part from the complexity of the underlying anatomy. Yet how the organization of white matter architecture constrains how the brain transitions from one cognitive state to another remains unknown. Here we address this question from a computational perspective by defining a brain state as a pattern of activity across brain regions. Drawing on recent advances in network control theory, we model the underlying mechanisms of brain state transitions as elicited by the collective control of region sets. Specifically, we examine how the brain moves from a specified initial state (characterized by high activity in the default mode) to a specified target state (characterized by high activity in primary sensorimotor cortex) in finite time. Across all state transitions, we observe that the supramarginal gyrus and the inferior parietal lobule consistently acted as efficient, low energy control hubs, consistent with their strong anatomical connections to key input areas of sensorimotor cortex. Importantly, both these and other regions in the fronto-parietal, cingulo-opercular, and attention systems are poised to affect a broad array of state transitions that cannot easily be classified by traditional notions of control common in the engineering literature. This theoretical versatility comes with a vulnerability to injury. In patients with mild traumatic brain injury, we observe a loss of specificity in putative control processes, suggesting greater susceptibility to damage-induced noise in neurophysiological activity. These results offer fundamentally new insights into the mechanisms driving brain state transitions in healthy cognition and their alteration following injury.

研究动机与目标

• 理解白质结构如何制约认知大脑状态之间的转换。
• 探究特定脑网络（尤其是注意与执行控制系统）在实现多样化状态转换中的作用。
• 评估创伤性脑损伤如何改变大脑控制状态转换的能力，重点关注控制特异性丧失。
• 探讨健康与受损大脑中网络拓扑结构与动态控制能力之间的关系。
• 验证不同扩散成像协议和数据集下可控性特征的稳健性。

提出的方法

• 基于扩散谱成像（DSI）数据构建加权脑网络，使用234个脑区和纤维追踪技术估算结构连接性。
• 应用线性动力学模型，模拟从默认模式状态到目标状态（如视觉、运动、听觉皮层）的有限时间状态转换。
• 利用网络控制理论制定最优控制问题，识别跨多个脑区的最小控制能量输入。
• 基于网络的邻接矩阵和特征结构，计算可控性度量——模态可控性、平均可控性与边界可控性。
• 比较健康对照组与轻度创伤性脑损伤（mTBI）患者之间的可控性特征，评估控制能力的变化。
• 在多种扩散成像协议下验证结果，并利用现有的纤维追踪数据作为结构合理性的黄金标准。

实验结果

研究问题

• RQ1 白质连接的拓扑结构在多大程度上制约大脑在认知状态间转换的能力？
• RQ2 哪些脑网络在实现广泛状态转换中最具影响力，原因是什么？
• RQ3 轻度创伤性脑损伤如何改变大脑状态转换的特异性和效率？
• RQ4 可控性特征在不同扩散成像采集协议下的稳健性如何？
• RQ5 线性网络控制模型在预测与认知相关的非线性神经系统动态行为方面是否具有可预测性？

主要发现

• 注意网络与执行控制网络在实现多样化大脑状态转换方面具有高度灵活性，与它们在认知灵活性中的作用一致。
• 这些网络处于能够控制广泛状态转换的有利位置，但这种灵活性也使其对损伤更加脆弱。
• 在轻度创伤性脑损伤患者中，控制过程失去特异性，表明其对神经生理噪声的敏感性增加。
• 基于线性模型推导的可控性特征在不同扩散成像协议下表现出稳健的一致性，支持其可靠性。
• 线性模型的理论结果与非线性Wilson-Cowan振子模拟结果一致，表明其在真实神经动力学中具有更广泛的应用潜力。
• 具有高特征向量中心性的区域（即网络枢纽）在控制中起关键作用，其 dysfunc­tion 可能是神经疾病中认知缺陷的潜在原因。