[论文解读] Task-Based Core-Periphery Organisation of Human Brain Dynamics

Danielle S. Bassett, Nicholas F. Wymbs+4 more|arXiv (Cornell University)|Oct 12, 2012

Neural dynamics and brain function参考文献 2被引用 84

一句话总结

本研究揭示，在运动技能学习过程中，人脑动态表现出基于任务的‘核心-外围’组织结构：一个由感觉运动和视觉区域组成的稳定核心维持着一致的连接性，而由多模态联合区域组成的灵活外围则频繁重组；核心与外围之间分离程度更高的个体学习成效更优，表明核心-外围结构可预测学习能力。

ABSTRACT

As a person learns a new skill, distinct synapses, brain regions, and circuits are engaged and change over time. In this paper, we develop methods to examine patterns of correlated activity across a large set of brain regions. Our goal is to identify properties that enable robust learning of a motor skill. We measure brain activity during motor sequencing and characterize network properties based on coherent activity between brain regions. Using recently developed algorithms to detect time-evolving communities, we find that the complex reconfiguration patterns of the brain's putative functional modules that control learning can be described parsimoniously by the combined presence of a relatively stiff temporal core that is composed primarily of sensorimotor and visual regions whose connectivity changes little in time and a flexible temporal periphery that is composed primarily of multimodal association regions whose connectivity changes frequently. The separation between temporal core and periphery changes over the course of training and, importantly, is a good predictor of individual differences in learning success. The core of dynamically stiff regions exhibits dense connectivity, which is consistent with notions of core-periphery organization established previously in social networks. Our results demonstrate that core-periphery organization provides an insightful way to understand how putative functional modules are linked. This, in turn, enables the prediction of fundamental human capacities, including the production of complex goal-directed behavior.

研究动机与目标

• 理解大规模脑网络组织如何支持新运动技能的习得。
• 识别在技能学习过程中功能脑网络的动态重组模式。
• 确定核心-外围网络架构是否可预测个体学习成效的差异。
• 开发并应用多层网络分析方法，以检测fMRI数据中随时间演化的功能社区。

提出的方法

• 将多层网络分析应用于20名参与者在6周内执行运动序列任务的fMRI时间序列数据。
• 采用类似Louvain的算法，基于2分钟时间区间构建的多层网络，检测随时间演化的社区结构。
• 根据节点灵活性定义核心与外围区域，并将观测值与通过随机化层间连接生成的零模型进行比较。
• 采用连续几何核心-外围方法，利用参数α（锐度）和β（核心大小）为每个脑区分配核心度。
• 计算参与者间及100次零模型重布线的节点灵活性均值，以建立统计显著性阈值（第2.5和第97.5百分位数）。
• 采用多层模块度优化方法识别功能社区，并评估各训练阶段的网络结构。

实验结果

研究问题

• RQ1 在运动技能学习过程中，大脑的功能网络组织如何随时间动态重组？
• RQ2 哪些脑区在学习过程中保持动态稳定（核心），哪些表现出高度灵活性（外围）？
• RQ3 核心与外围之间的分离程度在多大程度上可预测个体学习成效的差异？
• RQ4 大脑的核心-外围网络结构能否用于预测复杂目标导向行为的能力？

主要发现

• 由主要感觉运动和视觉区域组成的时序核心表现出较低的节点灵活性和密集连接，表明其具有动态稳定性。
• 由主要多模态联合区域组成的时序外围表现出较高的节点灵活性和稀疏连接，表明其频繁重组。
• 核心与外围之间统计分离程度更大的个体，在后续训练阶段的学习成效显著优于分离程度较小的个体。
• 核心-外围结构可有效预测学习成效，表明其在支持稳健技能习得中具有功能性作用。
• 几何核心-外围方法成功识别出脑区中连续的核心角色，避免了任意的二元分类。
• 零模型比较证实，观测到的核心-外围模式具有统计显著性，非由随机网络波动所致。