УДК 159.91
РЕКОНФИГУРАЦИИЯ СЕТЕЙ МОЗГА ПРИ ПЕРЕХОДЕ ОТ СОСТОЯНИЯ ПОКОЯ КАК ФАКТОР УСПЕШНОСТИ ВЫПОЛНЕНИЯ ЗАДАЧИ НА РАБОЧУЮ ПАМЯТЬ
DOI
Эрнстон И. М.1,Адамович Т. В.2
1 Московский государственный университет им. М. В. Ломоносова, Москва
2 Психологический институт РАО, Москва e-mail: ilya.ernston@gmail.com
Аннотация: В данном исследовании рассматривается изменение сетей между состоянием покоя и задачей Стернберга, как фактор успешности выполнения когнитивной задачи. Результаты показывают, что большее различие между состояниями в диапазоне нижняя-^ способствует большей успешности выполнения когнитивной задачи.
Ключевые слова: Когнитивная нейронаука, сетевая нейронаука, интеллект, сети мозга, функциональная связность.
Текст сообщения
Общий интеллект является одним из наиболее популярных объектов изучения в нейронауке. Множество исследований с применением методов нейровизуализации демонстрируют, что оценки по многим психометрическим тестам интеллектуальных способностей имеют устойчивые корреляты в структурных и функциональных характеристиках мозга.
С учетом сложной пространственно-временной динамики активности мозга одним из наиболее перспективных видится подход сетевой нейронауки, направленный на анализ характеристик структурных и функциональных сетей, связанных с исполнением тех или иных когнитивных функций. К сегодняшнему дню собрано достаточно данных, свидетельствующих о том, что изменения в функциях могут вызвать изменения в структуре нейронных сетей, благодаря чему возникает явление сетевой динамики, т. е. их реконфигурации и перенастройки.
К наиболее популярным теориям о связи уровня интеллекта и нейронального субстрата относится теория нейрональной эф-
фективности, согласно которой основой для организации нейронных сетей мозга является стремление системы к компромиссу между минимизацией энергетических затрат на поддержание деятельности мозга и возможностью появления адаптивно ценных топологических паттернов анатомических или функциональных связей между популяциями нейронов. Относительно связи топологии сетей мозга с уровнем интеллекта известно, что общей уровень интеллекта (g-фактора) связан с интегративными процессами, обеспечивающимися глобальными нейронными сетями, имеющими в среднем относительно высокую длину пути.
Развитием идеи о структуре и динамике нейронных сетей головного мозга как основных нейронных механизмах интеллекта является недавняя нейросетевая теория интеллекта, согласно которой индивидуальные различия в области интеллекта связаны с индивидуальными особенностями топологии функциональных сетей мозга и характеристиками их реконфигурации в процессе решения задачи, при этом общий фактор g является глобальным свойством функциональной организации мозга, основанной на балансе между глобальной и локальной переработкой информации. Ввиду этого, оптимальной с точки зрения соотношения эффективности обработки информации и затрат на ее передачу для сетей мозга является так называемая сетевая топология «тесного мира» (small-world topology), характеризующиеся низкой длиной пути и высокой кластеризацией. В настоящее время имеются убедительные доказательства того, что нейронные сети человеческого мозга, как правило, имеют топологию «тесного мира», обладая такими характеристиками как высокая кластеризация и высокая глобальная эффективность, высокая модулярность (modular community structure), что указывает на высокое количество хабов или узлов с множеством связей.
В данном исследовании были выдвинуты следующие гипотезы:
Более успешное решение когнитивных задач связан с более высоким уровнем интеграции в индивидуальной функциональной сети (функциональных сетях одного человека);
Большая вариабельность характеристик (больший уровень реконфигурации) функциональной сети во времени связана с более успешным выполнением когнитивных задач.
В исследовании участвовали 67 человек в возрасте 17—34 лет (M=21.7, SD=3.36), 20 из них — женщины, все правши, не имеющие в анамнезе травм и неврологических нарушений. Схема психофизиологического эксперимента предполагала записи 10 минут фо-
новой активности интервалами по 2 минуты с закрытыми глазами и с открытыми глазами, всего — 6 и 4 минуты записи двух видов фоновой активности соответственно, после этого — предъявление когнитивного задания (тест Стернберга), всего 129 стимулов. Мозговая активность регистрировалась с помощью 64х-канальной ЭЭГ- системы BrainVision ActiCHamp.
Были построены матрицы функциональной связности с применением методов оценки синхронизации сигналов (Weighted Phase Lag Index (wPLI)). На основе матрицы синхронизации между отдельными электродами был построен граф, содержащий 30 % наиболее сильных связей в матрице, который затем был проанализирован с применением топологических метрик, которые отражают уровень интеграции и сегрегации в сети. Анализ производится в 3 частотных диапазонах: от 8 до 13 Гц (а-ритм), от 13 до 20 Гц (нижний в-ритм) и от 20 до 30 Гц (верхний в-ритм). Оценивалась связь между успешность выполнения когнитивной задачи и метриками топологии графа, включающими в себя среднюю длину пути (APL), характеристическую длину пути (CPL), коэффициент кластеризации (CC), модулярность сети и коэффициент партиципации (PC). Уровень интеграции сети повышается при уменьшении значений APL, CPL, CC и модулярности и повышении значения PC; обратная динамика является индикатором повышения уровня сегрегации. Оценка реконфигурации производилась с помощью метода Cosine distance между сетями в состояниях покоя и задачи. Большая дистанция рассматривается как свидетельство большего уровня реконфигурации.
Для анализа связей между переменными был рассчитан коэффициент корреляции Спирмена с поправкой Холма-Бонферрони. Были отобраны корреляции, имеющие уровень значимости p <.05.
Наиболее существенную связь удалось обнаружить между величиной PC при решении задачи (r = -.32), а также величиной изменения PC (r =.4) и количеством правильных ответов в диапазоне частот верхнего в-ритма. Можно проследить тенденцию созависи-мости этих метрик и успешности и в частотном диапазоне а-ритма (r = -0.36 и r = -0.3 соответственно), а также наличие корреляции с количеством ответов связанной с PC метрикой модулярности (r =.15 и r = -.16 в а- и верхнем в-диапазонах соответственно). Вместе с этим прослеживается корреляция величины изменения модулярности с успешностью решения когнитивной задачи (r =.11 и r = -.28 в а и верхнем в-диапазонах соответственно). Эта взаимообратная модальность корреляции модулярности и CP свидетельствует
в пользу достоверности обнаруженных свойств сети. Помимо этого, была обнаружена связь степени реконфигурации сетей сетями между состояниями покоя и решения когнитивной задачи (г =.18 и г =.15 в нижнем ^-диапазоне для состояния покоя с открытыми и закрытыми глазами соответственно).
Данные свидетельствуют, в первую очередь, о существовании связи рабочей памяти со структурой и топологией функциональных сетей в состоянии решения когнитивных задач и в покое, который отражается на уровне сегрегации/интеграции сети, для которых была установлена связь с количеством успешно выполненных задач в когнитивном тесте. Положительная корреляция этого параметра с коэффициентом партиципации (РС) и отрицательная — модулярностью в нижнем ^-диапазоне свидетельствуют о том, что большая интеграция функциональных сетей головного мозга связана с более высоким уровнем успешности выполнения когнитивных задач. Интересно, что в диапазоне частот а-ритма характер корреляции этих метрик обратный, то есть более высокий интеллект оказывается связан с более сегрегированной сетью.
Помимо этого, данные о дистанциях между сетями свидетельствуют в защиту положений нейросетевой теории интеллекта о связи реконфигурации сетей с уровнем интеллекта. Однако, следует сказать, что корреляции были обнаружены только в частотном диапазоне нижнего в-ритма, и для объяснения такого характера зависимости характеристик функциональных сетей от частоты регистрации требуются дальнейшие электрофизиологические исследования, которые должны пролить свет на роль ритмической активности в исполнении когнитивных функций, в частности, интеллекта.
Такие результаты свидетельствуют в пользу концепции нейро-нальной эффективности, а также дополняют последние исследования, которые указывают на связь высокого уровня интеллекта с меньшей реконфигурацией сетей на фоне их большей интеграции при решении различных видов когнитивных задач, в первую очередь, требующих исполнения когнитивных функций флюидного интеллекта. В совокупности по результатам исследования можно сделать следующие выводы:
Данные о характеристиках сетей головного мозга указывают на то, что уровень интеграции функциональных сетей связан с успешностью выполнения задачи: чем выше уровень интеграции, тем выше уровень поведенческих показателей;
В исследовании была показана ограниченная положительная связь реконфигурации сетей головного мозга с уровнем интеллекта. В дальнейших исследованиях планируется расширение набора когнитивных задач для дальнейшего подтверждения выводов текущего исследования.
Список литературы:
1. R. M. Hutchison и др., «Dynamic functional connectivity: Promise, issues, and interpretations», Neurolmage, т. 80, сс. 360—378, окт. 2013, doi: 10.1016/j.neuroimage.2013.05.079.
2. C. Conaco и др., «Functionalization of a protosynaptic gene expression network», Proc. Natl. Acad. Sci., т. 109, вып. supplement_1, сс. 10612—10618, июн. 2012, doi: 10.1073/pnas.1201890109.
3. А. Т. Валерьевич, «ИНТЕГРАЦИЯ И СЕГРЕГАЦИЯ В ФУНКЦИОНАЛЬНЫХ СЕТЯХ ГОЛОВНОГО МОЗГА», Теоретическая И Экспериментальная Психология, т. 13, вып. 3, Art. вып. 3, 2020.
4. E. Bullmore и O. Sporns, «The economy of brain network organization», Nat. Rev. Neurosci., т. 13, вып. 5, сс. 336—349, май 2012, doi: 10.1038/nrn3214.
5. M. P. van den Heuvel, C. J. Stam, R. S. Kahn, и H. E. Hulshoff Pol, «Efficiency of Functional Brain Networks and Intellectual Performance», J. Neurosci., т. 29, вып. 23, сс. 7619—7624, июн. 2009, doi: 10.1523/JNEUR0SCI.1443—09.2009.
6. R. J. Haier, R. E. Jung, R. A. Yeo, K. Head, и M. T. Alkire, «Structural brain variation and general intelligence», NeuroImage, т. 23, вып. 1, сс. 425—433, сен. 2004, doi: 10.1016/j.neuroimage.2004.04.025.
7. A. K. Barbey, «Network Neuroscience Theory of Human Intelligence», Trends Cogn. Sci., т. 22, вып. 1, сс. 8—20, янв. 2018, doi: 10.1016/j.tics.2017.10.001.
8. S. Achard и E. Bullmore, «Efficiency and Cost of Economical Brain Functional Networks», PLoS Comput. Biol., т. 3, вып. 2, с. e17, фев. 2007, doi: 10.1371/journal.pcbi.0030017.
9. Y. He и др., «Uncovering Intrinsic Modular Organization of Spontaneous Brain Activity in Humans», PLoS ONE, т. 4, вып. 4, с. e5226, апр. 2009, doi: 10.1371/journal.pone.0005226.
10. O. Sporns, C. J. Honey, и R. Kotter, «Identification and Classification of Hubs in Brain Networks», PLoS ONE, т. 2, вып. 10, с. e1049, окт. 2007, doi: 10.1371/journal.pone.0001049.
11. R. Bruña, F. Maestú, и E. Pereda, «Phase locking value revisited: teaching new tricks to an old dog», J. Neural Eng., т. 15, вып. 5, с. 056011, окт. 2018, doi: 10.1088/1741—2552/aacfe4.
12. J. Saramaki, M. Kivela, J.-P. Onnela, K. Kaski, и J. Kertész, «Generalizations of the clustering coefficient to weighted complex networks», Phys. Rev. E, т. 75, вып. 2, с. 027105, фев. 2007, doi: 10.1103/Phys-RevE.75.027105.
13. A. Clauset, M. E. J. Newman, и C. Moore, «Finding community structure in very large networks», Phys. Rev. E, т. 70, вып. 6, с. 066111, дек. 2004, doi: 10.1103/PhysRevE.70.066111.
14. W. Thompson, G. Kastrati, K. Finc, J. Wright, J. Shine, и R. Poldrack, Time-varying nodal measures with temporal community structure: a cautionary note to avoid misquantification. 2019. doi: 10.1101/659508.
15. G. Facchetti, G. Iacono, и C. Altafini, «Computing global structural balance in large-scale signed social networks», Proc. Natl. Acad. Sci., т. 108, вып. 52, сс. 20953—20958, дек. 2011, doi: 10.1073/ pnas.1109521108.
16. J. A. Thiele, J. Faskowitz, O. Sporns, и K. Hilger, «Multitask Brain Network Reconfiguration Is Inversely Associated with Human Intelligence», Cereb. Cortex, с. bhab473, фев. 2022, doi: 10.1093/cercor/ bhab473.
17. R. E. Jung и R. J. Haier, «The Parieto-Frontal Integration Theory (P-FIT) of intelligence: Converging neuroimaging evidence», Be-hav. Brain Sci., т. 30, вып. 2, сс. 135—154, апр. 2007, doi: 10.1017/ S0140525X07001185.
RECONFIGURATION OF BRAIN NETWORKS IN THE TRANSITION FROM A RESTING STATE AS A FACTOR OF ACCURACY IN A WORKING MEMORY TASK
Ernston I. M.1, Adamovich T. V.2
1 Moscow State University M. V. Lomonosov, Moscow, Russia
2 Psychological Institute of the Russian Academy of Education, Moscow, Russia e-mail: ilya.ernston@gmail.com
Abstract: In the study the effect of reconfiguration of brain networks on the accuracy in Sternberg Working Memory Task is considered. The results suggest that a greater reconfiguration between resting state and task networks in the lower-^ range contributes to greater performance on a cognitive task.
Key words: Cognitive neuroscience, network neuroscience, intelligence, brain networks, functional connectivity.