[论文解读] Great Than The Sum: Integrated Information In Large Brain Networks

Daniel Toker, Friedrich T. Sommer|arXiv (Cornell University)|Aug 9, 2017

Neural dynamics and brain function被引用 2

一句话总结

本文提出一种基于谱聚类的方法，以近似计算大规模脑网络中的整合信息，将计算时间从宇宙尺度缩短至数分钟。结果表明，灵长类皮层在信息整合方面表现出后部感觉区与前部联合区的分离，支持了高全局效率与模块化结构可优化信息整合的假设。

ABSTRACT

An outstanding problem in neuroscience is to understand how information is across the many modules of the brain. While classic information-theoretic measures have transformed our understanding of feedforward information processing in the brain's sensory periphery, comparable measures for information flow in the massively recurrent networks of the rest of the brain have been lacking. To address this, recent work in information theory has produced a sound measure of network-wide integrated information, which can be estimated from time-series data. But, a computational hurdle has stymied attempts to measure large-scale information integration in real brains. Specifically, the measurement of information involves a combinatorial search for the informational of a network, a process whose computation time explodes super-exponentially with network size. Here, we show that spectral clustering, applied on the correlation matrix of time-series data, provides an approximate but robust solution to the search for the the informational weakest link of large networks. This reduces the computation time for information in large systems from longer than the lifespan of the universe to just minutes. We evaluate this solution in brain-like systems of coupled oscillators as well as in high-density electrocortigraphy data from two macaque monkeys, and show that the informational of the monkey cortex splits posterior sensory areas from anterior association areas. Finally, we use our solution to provide evidence in support of the long-standing hypothesis that information integration is maximized by networks with a high global efficiency, and that modular network structures promote the segregation of information.

研究动机与目标

• 解决大规模循环脑网络中整合信息可扩展度量的缺乏问题。
• 克服在大规模系统中寻找信息最弱连接的组合搜索计算不可行性。
• 开发一种稳健的近似方法，从时间序列数据中估计全网络整合信息。
• 在类脑振子系统和真实猕猴皮层脑电图数据中验证该方法。
• 研究网络结构、全局效率与信息整合能力之间的关系。

提出的方法

• 对时间序列数据的相关矩阵应用谱聚类，以识别低信息子网络。
• 利用所得聚类结构近似网络中的信息最弱连接，避免穷举的组合搜索。
• 基于谱聚类结果导出的最小信息分割来估计整合信息（Φ）。
• 利用聚类的层次结构缩小最小分割的搜索空间。
• 在小系统中将近似结果与精确计算对比，并与已知网络特性比较。
• 将该方法应用于猕猴的高密度电生理记录数据，以评估皮层的信息整合。

实验结果

研究问题

• RQ1 谱聚类能否为大规模脑网络中信息最弱连接的识别提供计算上可行的近似？
• RQ2 估计的整合信息在灵长类皮层的功能区域中如何变化？
• RQ3 网络模块化与全局效率在多大程度上与最大信息整合能力相关？
• RQ4 所提出的方法是否在实现可扩展性的同时保持了整合信息理论上的严谨性？
• RQ5 该方法能否基于信息整合能力揭示感觉区与联合皮层区域之间的功能分离？

主要发现

• 谱聚类将大规模网络中整合信息估计的计算时间从超过宇宙年龄缩短至十分钟以内。
• 该方法在大规模系统中以高鲁棒性与准确性成功识别出信息最弱连接，与精确计算相比表现优异。
• 在猕猴皮层数据中，信息整合在前部联合区域达到最大值，后部感觉区域最小，表明存在功能分离。
• 基于信息整合特征，皮层在后部感觉区与前部联合区之间表现出清晰的分离。
• 具有高全局效率与模块化结构的网络表现出更强的信息整合能力，支持理论预测。
• 结果验证了模块化网络结构促进信息分离，同时保持高整合能力。