Автореферат (Функциональная интеграция нейрональных популяций в мозге человека), страница 5

Так же,как и в моделях других авторов, в нашей модели присутствуют каузальные связи отбилатеральных областей LIPC/RIPC. Модель предполагает влияние структур LIPC/RIPCна зоны mPFC и PCC, но не в обратном направлении. Таким образом, можнопредположить, что билатеральные структуры имеют координирующую (модулируяактивность) роль в сети DMN, оказывая влияние на участки префронтальной и теменнойкоры. Области mPFC и PCC являются главными областями сети по умолчанию, они такженаиболее часто упоминаются в исследованиях DMN разными методами, такими каканализ независимых компонент, корреляционный анализ и другие.

Важно отметить, чтосвязи от mPFC к PCC и в обратном направлении по данным настоящего исследованияимеют практически одинаковую силу и апостериорную вероятность. Область PCCсчитается структурным ядром, соединяющим главные мозговые структуры между собой,тем самым осуществляя критически важные когнитивные функции [14]. Исследованияметодом причинности по Грейнджеру показали, что PCC является устойчивым «хабом»(узлом), получающим информацию практически от всех частей мозга [7]. Таким образом,PCC может быть специализированным «хабом», получающим информацию как отобластей DMN (согласно настоящей работе), так и от других удаленных областей мозга.20Высокая плотность связей между сетями состояния покоя может свидетельствовать оважной роли структуры PCC как связующего звена между сетью DMN и другими сетями.Добавление двух новых областей практически не изменило оценки ТЕ междубазовыми четырьмя областями за исключением связей от RIPC – все они сталинезначимы.

Как и в случае анализа четырех областей, паттерны связей, полученныеоценкой ТЕ схожи с паттернами, полученными моделированием. По данным ТЕ леваяпарагиппокампальная область LHIP сильно интегрирована в DMN, оказывая влияние навсе области кроме LIPC (взаимодействие с mPFC и RIPC оценивается по-разному в случаеанализа медианы и Т-теста с суррогатными данными). LHIP получает информациюпреимущественно от PCC и LIPC. В результате моделирования же оказалось, что LHIPвоздействует на все области без исключения и получает информацию только от LIPC, чтоочень близко к результатам оценки TE. Правая парагиппокампальная область RHIP поданным как ТЕ, так и DCM не оказывает влияние ни на одну из оставшихся зон, принимаяинформацию (по результатам ТЕ) от всех областей кроме RIPC, по результатаммоделирования – от областей LIPC/RIPC.

По результатам обоих методов, область RHIP неявляется активирующей областью или передатчиком информации, а лишь принимает ее отостальных областей DMN.В целом, несмотря на некоторые расхождения, результаты двух описанных вышеподходов – безмодельного и моделирования – сопоставимы. Стоит также принимать вовнимание, что расчет ТЕ не проясняет скрытую нейрональную динамику, а лишьуказывает на преимущественные направления потоков информации в пределах сети.Выводы о самих взаимодействиях и их параметрах можно делать, лишь построивустойчивую модель этих взаимодействий. Однако, методы теории информации (в томчисле ТЕ) могут быть хорошим подспорьем для первоначального анализа каузальныхсвязей в сложных системах, в особенности в отсутствие у исследователя априорныхгипотез.В рамках исследования эффективных связей при вызванном ответе на зрительныйстимул была проведена Байесова инверсия всех трех моделей для каждого из 22испытуемых.

Результат сравнения отражен на рисунке 11, где на логарифмической шкаледля всех испытуемых и всех рассматриваемых моделей показаны значения маргинальногоправдоподобия.В результате сравнения оказалось, что модель F лучше объясняет динамикуисточников для большинства испытуемых (14 из 22) и только для трех испытуемых (№ 8,9, 14) является худшей из всех сравниваемых между собой. В большинстве моделей F (19из 22) сила прямых связей увеличивалась при ответе на более редкий стимул, чтосогласуется с результатами работы [11] для слуховой оддбол-задачи.21Рисунок 11 - Байесов выбор модели из трех рассмотренных (F, B, null).

На графикеотражены значения логарифмов правдоподобий моделей для всех 22 испытуемых. Вскобках рядом с номер испытуемого указана лучшая для него модель.Подобное изменение сил эффективных связей ранее было показано для случаяслуховых ПСС на стандартные и редкие события, где все модели, допускающиеизменения сил связывания, были лучше нулевой модели [11].

В большинствеиндивидуальных моделей F (19 из 22) при ответе на более редкий стимул «+» сила прямыхсвязей увеличивается по сравнению с более частым «х», что может быть подтверждениемгипотезы о механизме адаптации [12]. Согласно этой гипотезе корковые структурыадаптируются к повторяющимся (не новым) стимулам и сильнее реагируют на болеередкий (новый) стимул. Эта реакция сопровождается усилением возбуждающих кортикокортикальных прямых или обратных эффективных связей, что и наблюдалось в настоящейработе.Для каждого из 22 испытуемых при помощи Байесовой инверсии найденыправдоподобия моделей F (только с прямыми связями между первичной зрительной коройV1 и областью ITG) и FB (с прямыми и обратными связями) на отрезках 0–150 мс, 0 – 160мс и так далее до 0–250 мс от предъявления стимула с шагом 10 мс (всего 11 отрезков, илилатентностей). Для каждого временного отрезка посчитана доля испытуемых, для которыхпо значению маргинального правдоподобия лучшей стала FB модель (Рис.

12).22Рисунок 12 - Результат Байесова сравнения моделей в группе. Доля испытуемых, длякоторых лучшей стала FB модель (по значению маргинального правдоподобия) длякаждого временного отрезка.Модель F превосходит модель FB на латентностях 150 и 160 мс, далее до 220 мсмодели находятся в паритете. На латентности 230 мс модель FB побеждает у почти 80%испытуемых, однако на самых поздних латентностях нельзя однозначно определитьлучшую модель. Дополнительно посчитан ранговый коэффициент корреляции Спирмена(rho) между числом побед FB модели и длиной временного отрезка. Для всейсовокупности временных интервалов rho = 0.874, p<0.001 (для первых девятилатентностей rho = 0.94, p<0.001). Это позволяет говорить о том, что число побед моделиFB монотонно возрастает при увеличении временного отрезка после предъявлениястимула, при этом на ранних латентностях (150 и 160 мс) модель F строго лучше в группе,на поздних латентностях модель FB строго лучше, а на промежуточных латентностяхнаблюдается паритет моделей (с тенденцией к росту побед FB по коэффициентуСпирмена).Результаты для каждого отдельного испытуемого и по группе в целом явноуказывают на тот факт, что на ранних стадиях ПСС обратные связи не нужны дляулучшения предсказания модели, (всего у 20% испытуемых модель FB лучше F) ихналичие лишь усложняет модель.

На латентностях более 220 мс простая модель F уже неспособна полностью описать экспериментально полученные ПСС, поэтому большимзначением правдоподобия обладает модель FB (у 60–80% испытуемых), несмотря наналичие дополнительных свободных параметров.Выводы Байесова сравнения означают, что только прямых кортико-кортикальныхсвязей (связей «снизу-вверх») достаточно для объяснения генерации ПСС на раннихлатентностях, но на более поздних латентностях обратные связи начинают играть важнуюроль. Время усиления обратных связей (начало возвращения возбуждения в зону V1) влучшей модели настоящей работы совпадает со времени возврата возбуждения взрительную кору в схеме А.М.

Иваницкого (170–180 мс).23Ранее другими авторами было показано, что слуховые ПСС генерируются петлямиобратных связей, а возвращение возбуждения в первичную слуховую кору A1 начинаетсяв среднем с 220 мс после стимула. Такое сходство может говорить о существованииобщих механизмов генерации ПСС (независимых от модальности), а именно, имеет местовозвращение возбуждения с более высоких иерархических уровней на более низкие.Основные результаты и выводы1. Разработан комплексный подход к оценке эффективных связей между активнымиобластями мозга человека по экспериментальным данным ЭЭГ и фМРТ.

Подходвключает в себя безмодельный анализ потоков информации между активнымиобластями на основе метрики теории информации – ТЕ, а также примененияметода динамического каузального моделирования для проверки гипотез онаправлениях связей и их параметров. Предложены способы оценки значимостирезультатов расчета ТЕ в группе испытуемых.2. На основании экспериментальных данных, полученных методом фМРТ, построеныстабильные во времени и воспроизводимые ориентированные графы («паттерны»)эффективных связей между четырьмя ключевыми областями нейронной сетисостояния покоя (DMN):a.

области LIPC/RIPC являются основными передатчиками информации впределах DMN, оказывая возбуждающее воздействие на другие областиb. область mPFC является основным приёмником информацииc. область PCC может являться крупным узлом («хабом»), получающиминформацию по данным моделирования и передающая информацию поданным безмодельного подходаd. метод динамического каузального моделирования не выявил измененияпаттерна эффективных связей не меняется во времениe. расчет TE показал незначительное изменение паттерна во времениf. Предложенная модель эффективных связей стабильна как при добавленииновой активной области, так и при исключении одной из базовых областей.3. На основании экспериментальных данных, полученных методом фМРТ, построеныпаттерны эффективного взаимодействия парагиппокампальных областей сбазовыми областями DMN: левая парагиппокампальная область LHIPпреимущественно влияет на остальные области DMN, на правую область RHIPпреимущественно оказывается влияние.4.

На основании данных ЭЭГ, полученных в экспериментах со зрительной оддболзадачей построены стабильные в группе паттерны эффективных связей междучетырьмя областями вентрального зрительного пути. Сила прямых кортикальныхсвязей между областями V1 и ITG возрастает при ответе на более редкий стимул посравнению с более частым.5. Анализ информационных потоков между частями зрительной системы человекапозволил подтвердить гипотезы информационного синтеза и предсказательногокодирования. Вызванный ответ мозга на зрительный стимул генерируется петлейобратной связи между первичной зрительной корой V1 и высшими центрамиобработки зрительной информации.24Публикации автора по теме диссертацииСтатьи1. Sharaev M.G., Zavyalova, V.V., Ushakov, V.L., Kartashov, S.I., Velichkovsky,B.M. Effective connectivity within the default mode network: dynamic causalmodeling of resting-state fMRI data.