[论文解读] Discovering the Computational Relevance of Brain Network Organization

Takuya Ito, Luke J. Hearne+3 more|arXiv (Cornell University)|Jul 8, 2019

Neural dynamics and brain function参考文献 59被引用 6

一句话总结

本文提出了网络编码模型，通过模拟神经活动如何通过结构网络流动以形成认知表征，将脑连接模式与认知计算联系起来。该框架成功预测了经验性神经数据，表明分布式连接模式在计算上编码和解码认知功能，支持脑网络组织在认知中的机制性作用。

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.

研究动机与目标

• 理解分布式脑网络组织如何支持认知计算，而不仅仅是局部脑区活动。
• 通过建模信息在连接模式中的流动，弥合经验性脑网络数据与认知处理之间的鸿沟。
• 开发一个计算框架，解释认知表征如何由受连接性支配的神经活动动态产生。
• 检验仅凭连接性是否能够预测神经数据中认知表征的形成。
• 通过活动流模型建立脑结构与认知功能之间的机制性联系。

提出的方法

• 提出网络编码模型，利用连接矩阵作为约束，模拟神经活动在结构脑网络中的流动。
• 使用经验性结构连接数据（例如来自扩散MRI的数据）定义活动传播的网络拓扑。
• 应用编码与解码模型，从fMRI或EEG数据中的活动模式预测神经表征。
• 使用交叉验证在神经影像数据集上训练和验证模型，以评估预测准确性。
• 将模拟的活动流与认知任务数据整合，检验其与观察到的神经反应的一致性。
• 使用信息论度量量化连接性预测神经数据中表征内容的能力。

实验结果

研究问题

• RQ1 仅凭脑网络连接模式是否能够预测神经数据中认知表征的形成？
• RQ2 神经活动如何通过结构网络流动，从而产生分布式认知计算？
• RQ3 基于连接性的模型在多大程度上优于仅依赖局部脑区的模型？
• RQ4 网络拓扑在塑造神经活动表征内容方面起什么作用？
• RQ5 从连接模式模拟的活动流能否再现认知任务中观察到的经验性神经表征？

主要发现

• 网络编码模型仅使用结构连接作为输入，成功预测了经验性神经数据中的认知表征。
• 模型表明，由连接性指定的分布式活动流过程能够生成与任务相关的神经表征。
• 与依赖局部脑区的基线模型相比，该模型的预测准确性显著更高。
• 该框架揭示，认知功能是通过连接性指定的动力学机制性产生的，而非局限于特定脑区。
• 结果支持脑网络组织在计算上具有相关性的假设，表明认知通过活动流机制性涌现。
• 该方法提供了一个统一框架，通过连接性驱动的计算，将脑结构、动力学与认知功能联系起来。