[论文解读] The Energy Landscape of Neurophysiological Activity Implicit in Brain Network Structure

Shi Gu, Matthew Cieslak+5 more|arXiv (Cornell University)|Jul 7, 2016

Functional Brain Connectivity Studies参考文献 61被引用 17

一句话总结

本研究提出了一种基于白质结构连接性的最大熵脑活动模型，用于绘制神经生理活动的能量景观。该研究识别出能量较低的脑状态，其共激活模式与认知系统相似，预测与观测的静息态fMRI激活率之间存在显著相关性（r=0.17，p=0.0094），表明能量约束与结构约束共同塑造了功能脑组织。

ABSTRACT

A critical mystery in neuroscience lies in determining how anatomical structure impacts the complex functional dynamics of human thought. How does large-scale brain circuitry constrain states of neuronal activity and transitions between those states? We address these questions using a maximum entropy model of brain dynamics informed by white matter tractography. We demonstrate that the most probable brain states -- characterized by minimal energy -- display common activation profiles across brain areas: local spatially-contiguous sets of brain regions reminiscent of cognitive systems are co-activated frequently. The predicted activation rate of these systems is highly correlated with the observed activation rate measured in a separate resting state fMRI data set, validating the utility of the maximum entropy model in describing neurophysiologial dynamics. This approach also offers a formal notion of the energy of activity within a system, and the energy of activity shared between systems. We observe that within- and between-system energies cleanly separate cognitive systems into distinct categories, optimized for differential contributions to integrated v.s. segregated function. These results support the notion that energetic and structural constraints circumscribe brain dynamics, offering novel insights into the roles that cognitive systems play in driving whole-brain activation patterns.

研究动机与目标

• 理解结构脑连接性如何约束功能脑动力学与状态转换。
• 研究能量约束在塑造脑状态概率与稳定性中的作用。
• 建立一个将脑网络结构与神经生理活动通过能量最小化原理相联系的形式化框架。
• 利用独立的静息态fMRI数据集验证模型预测。
• 通过系统内与系统间能量度量，区分认知系统的整合与分离功能角色。

提出的方法

• 本研究利用实证的白质束成像数据作为结构约束，构建脑活动的最大熵模型。
• 通过在可能的脑状态中模拟随机游走，采样能量景观中的局部极小值，代表最可能的状态。
• 能量被定义为区域活动与结构连接性的函数，每个脑区的系统内与系统间能量分量均被计算。
• 基于低能量状态中区域的出现频率，模型计算脑区的激活率。
• 使用皮尔逊相关性将预测的激活率与另一组静息态fMRI数据中的观测激活率进行比较。
• 利用既定的脑区划分方案识别认知系统，并分析其能量特征以区分功能角色。

实验结果

研究问题

• RQ1 结构连接性如何塑造脑活动的最可能状态？
• RQ2 在结构连接性的基础上，能量约束在多大程度上可预测人类大脑的观测功能动力学？
• RQ3 能否利用脑状态的能量景观根据其功能角色区分认知系统？
• RQ4 系统内与系统间能量贡献如何反映脑在整合与分离之间的平衡？
• RQ5 脑区的预测激活率是否与静息状态下fMRI观测的激活率显著相关？

主要发现

• 对应于能量景观中局部极小值的最可能脑状态，表现出类似于已知认知系统的共激活模式。
• 最大熵模型预测的激活率与静息态fMRI数据中观测到的激活率之间存在显著正相关（r=0.17，p=0.0094）。
• 系统内与系统间能量度量可清晰地将认知系统划分为不同的功能类别，其对整合与分离脑功能的贡献各不相同。
• 该模型表明，能量约束为预测脑动力学提供了超越结构连接性本身的额外解释力。
• 区域激活率无法仅通过区域度数或能量单独良好预测，表明连接性与能量的相互作用对准确预测至关重要。
• 能量景观框架为理解脑在状态间转换的机制提供了形式化机制，对涉及异常状态转换的精神与神经系统疾病具有启示意义。