[论文解读] Efficient Coding in the Economics of Human Brain Connectomics

Dale Zhou, Christopher W. Lynn+10 more|arXiv (Cornell University)|Jan 14, 2020

Functional Brain Connectivity Studies被引用 5

一句话总结

本研究提出，人类大脑的结构连接组通过有损压缩优化信息传输，利用随机游走动力学在代谢成本与保真度之间取得平衡。基于1,042名青少年的扩散MRI与脑血流数据，研究发现压缩效率——量化保真度与代谢成本权衡的指标——可超越传统网络指标预测认知表现。

ABSTRACT

In systems neuroscience, most models posit that brain regions communicate information under constraints of efficiency. Yet, evidence for efficient communication in structural brain networks characterized by hierarchical organization and highly connected hubs remains sparse. The principle of efficient coding proposes that the brain transmits maximal information in a metabolically economical or compressed form to improve future behavior. To determine how structural connectivity supports efficient coding, we develop a theory specifying minimum rates of message transmission between brain regions to achieve an expected fidelity, and we test five predictions from the theory based on random walk communication dynamics. In doing so, we introduce the metric of compression efficiency, which quantifies the trade-off between lossy compression and transmission fidelity in structural networks. In a large sample of youth (n = 1,042; age 8-23 years), we analyze structural networks derived from diffusion weighted imaging and metabolic expenditure operationalized using cerebral blood flow. We show that structural networks strike compression efficiency trade-offs consistent with theoretical predictions. We find that compression efficiency prioritizes fidelity with development, heightens when metabolic resources and myelination guide communication, explains advantages of hierarchical organization, links higher input fidelity to disproportionate areal expansion, and shows that hubs integrate information by lossy compression. Lastly, compression efficiency is predictive of behavior--beyond a conventional metric--for cognitive domains including executive function, memory, complex reasoning, and social cognition. Our findings elucidate how macroscale connectivity supports efficient coding, and serve to foreground communication processes that utilize random walk dynamics constrained by network connectivity.

研究动机与目标

• 探究结构脑网络如何在代谢约束下支持高效编码。
• 检验大脑的分层、枢纽密集型架构是否能实现信息保真度与代谢成本之间的最优权衡。
• 开发并验证一种新指标——压缩效率，用于量化宏观尺度脑网络中该权衡关系。
• 确定压缩效率是否可超越传统网络效率指标预测认知表现。
• 考察髓鞘化与代谢资源（通过脑血流衡量）在塑造高效通信动力学中的作用。

提出的方法

• 基于人类结构连接组构建消息传输的理论模型，利用随机游走动力学模拟脑区间通信。
• 将压缩效率定义为基于信息论的率失真权衡指标，用于量化结构网络在保真度与有损压缩之间平衡的优劣。
• 使用扩散加权成像（DWI）从大规模青少年队列（n = 1,042，年龄8–23岁）构建宏观尺度结构脑网络。
• 将脑血流（CBF）作为神经通信能量消耗的代理，操作化代谢成本。
• 应用空间约束零模型（SPIN）评估观察到的压缩效率的统计显著性，使用霍尔姆-博依特尼方法校正家族误差。
• 使用惩罚样条与多元回归建模压缩效率、年龄、性别与认知表现之间的非线性关系，校正运动与网络密度等混杂因素。

实验结果

研究问题

• RQ1 人类结构连接组是否通过有损压缩在信息保真度与代谢成本之间取得平衡，从而支持高效编码？
• RQ2 压缩效率如何随发育、髓鞘化与代谢资源可用性而变化？
• RQ3 压缩效率在多大程度上可预测执行功能、记忆、推理与社会认知方面的认知表现？
• RQ4 与非枢纽区域相比，丰富-俱乐部枢纽如何通过有损压缩促进信息整合？
• RQ5 与传统网络效率指标相比，压缩效率是否为行为表现提供更具信息量的预测？

主要发现

• 人类连接组中的压缩效率显著高于随机预期，表明结构网络在代谢约束下被优化以实现高效编码。
• 压缩效率随年龄增长而提高，反映出代谢效率与髓鞘化改善带来的信息保真度增强。
• 更高的压缩效率能强有力预测执行功能、记忆、复杂推理与社会认知方面的认知表现，即使在控制全局网络效率后依然显著。
• 丰富-俱乐部枢纽区域的压缩效率高于非枢纽区域，表明其通过有损压缩整合信息，以在保真度与代谢成本之间取得平衡。
• 代谢资源（CBF）与髓鞘化是压缩效率的关键驱动因素，将神经生物学因素与高效编码的信息论原则联系起来。
• 大脑的分层组织通过支持稳健且低成本的通信路径，使远距离连接的保真度得以保持，从而促进压缩效率。