Диссертация (Функциональная интеграция нейрональных популяций в мозге человека), страница 19

Авторыиспользовали символы «OOOOO» и «XXXXX» на черном фоне и пытались установить наличиеи модуляцию эффективных связей для компонентов P3a (250-280 мс после предъявлениястимула) и P3b (более 300 мс). В качестве активных областей для моделированияиспользовались области активации по данным фМРТ: ACC (передняя часть поясной извилины),PFC (префронтальная кора), IPS (интрапариетальная извилина). Лучшей стала модель,получающая входной сигнал на источник в ACC, связанный прямыми эффективными связями сPFC и IPS. Исходя из результатов настоящего исследования, можно предположить, что входнойсигнал на ACC поступает из левой и правой нижневисочных извилин.Настоящая работадополняет данное фМРТ исследование, описывая функциональную интеграцию на болееранних латентностях и позволяя проследить за возникновением эффективных связей вплоть допервичной зрительной коры V1.Сравнение моделей показало, что F модель, предполагающая изменения силы прямыхсвязей, была лучшей для большинства испытуемых.

Подобное изменение сил эффективныхсвязей ранее было показано для случая слуховых ВП на стандартные и редкие события, где всемодели, допускающие изменения сил связывания, были лучше нулевой модели [45]. Вбольшинстве индивидуальных F моделей (19 из 22) при ответе на более редкий стимул «+» силапрямых связей увеличивается по сравнению с более частым «х», что может бытьподтверждением гипотезы о механизме адаптации [58]. Согласно этой гипотезекорковые94структуры адаптируются 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.У четырех испытуемых из 22 B модель оказалась лучше F модели, что показательно, таккак обе эти модели имеют одинаковое число параметров, и вся разница в значении ихправдоподобий может быть объяснена только их способностью предсказать экспериментальнополученный ПСС.

Нулевая же модель (не допускающая изменений силы связей) можетоказаться лучше других в случае, когда изменения силы связывания не так сильны. Тогда этамодель выигрывает из-за своей относительной простоты, что тоже показательно – самаясложная модель не всегда оказывается самой лучшей. Эта вариабельность внутри группыиспытуемых может появляться в результате различий в уровне внимания. Например, посравнению с нулевой, модели F или B, скорее всего лучше опишут генерацию вызванногоответа более внимательного и мотивированного испытуемого, поскольку показано, что большиеразличия в ПСС наблюдаются у активных испытуемых, внимательно выполняющих задачу[92], логично предположить, что у таких испытуемых будут больше различия и в силахэффективных связей.Одним из подходов для объяснения различия в ранних компонентах ПСС в оддболзадаче является обучение сенсорных систем (перцептивное научение), основанное наиерархических Байесовых моделях [36].

В рамках этого подхода ПСС соответствуют ошибкепредсказания, которая возникает во время восприятия стимула благодаря самоорганизующейсянейронной динамике и подавляется (между стимулами) при помощи изменений синаптическойсилы в процессе обучения.В контексте настоящей работы изменения в синаптических связях во времяпредъявления более частых стимулов может вызвать подавление ошибки предсказания, котороеотразится на записанных ПСС.

С теоретической точки зрения различия в ПСС на более частыйи редкий стимул появляются вследствие изменений в эффективных связях междукортикальными структурами и, таким образом, могут быть отражением изменения сил внешних(между кортикальными источниками) и внутренних (в пределах одного источника) связей. Вэкспериментально полученных в настоящей работе ПСС различия между редкими и частымистимулами (p<0.05) были в компонентах с пиком около 220 мс в затылочной и 200 мс вцентральных областях, куда предположительно проецируется электрическая активность95источников рассмотренных моделей.

Модуляция прямых связей от V1 к ITG, по всейвидимости, лучше объясняет такие различия, что и нашло отражение в победе F модели.Во второй части исследования вызванного ответа был использован метод DCM дляпроверки гипотезы, что зрительные вызванные ответы отражают динамику мозговых процессов«снизу-вверх» и «сверху-вниз». За последние в свою очередь отвечают обратные кортикокортикальные связи с более высоких уровней на более низкие или возвращение возбуждения взрительную кору на латентностях около 200 мс и более. Также был оценен относительныйвклад процессов «снизу-вверх» и «сверху-вниз» в формирование ПСС на основе биологическоймодели нейронной массы [60].Различие между прямыми и обратными связями основано на понятии кортикальнойиерархии и специфичности слоев коры [9].

Обратных связей в коре гораздо больше и, в отличиеот топографически организованных прямых связей, они имеют большое количествоаксональных ветвлений и диффузную топографию, связывая различные иерархические уровни.С функциональной точки зрения обратные связи имеют большее разнообразие синаптическихэффектов: прямые связи передают возбуждение через быстрые AMPA и GABA-A рецепторы, аобратные задействуют также и медленные NMDA рецепторы, которые чувствительны кразности потенциалов и потому обладают нелинейной динамикой (или эффектом модуляции)[99, 102].

Многими авторами были сделаны предположения, что рекуррентные процессы иликортикальная петля обратной связи при обработке зрительной информации необходимы дляузнавания объектов [71, 93].В настоящей работе установлено, что обратные связи необходимы для описаниявызванного ответа на латентностях более 220 мс. В области 170-220 мс наблюдается паритетмоделей, как по среднему, так и по медианному значению разности правдоподобий. Это можетговорить о том, что приблизительно со 170-180 мс после предъявления стимула усиливаетсявозвращение возбуждения в первичную зрительную кору V1: это возбуждение слабо влияет навид кривых ПСС, в отличие от поздних латентностей.

Модель FB имеет большее значениеправдоподобия лишь у половины испытуемых – она заметно сложнее модели F, а вызванныйответ все еще генерируется в основном прямыми связями. К тому же вследствиеиндивидуальной вариабельности обратные связи могут возникать у испытуемых на разных,хотя и близких друг к другу латентностях (интервал 180-220 мс).Выводы Байесова сравнения означают, что одних только прямых кортико-кортикальныхсвязей достаточно для объяснения генерации ПСС на ранних латентностях, но на более позднихлатентностях обратные связи начинают играть важную роль.

Такой результат не означает, что96обратные связи совсем неактивны на ранних латентностях, их эффект начинает проявляться вПСС позже, когда активность «возвращается» с более высоких уровней на более низкие.Выводы, сделанные на основе DCM, хорошо вписываются в гипотезу информационногосинтеза А.М. Иваницкого [1]. Особенно обращает на себя внимание совпадение времениусиления обратных связей (начала возвращения возбуждения в зону V1) в лучшей моделинастоящей работы и времени возврата возбуждения в зрительную кору в схеме А.М.Иваницкого (170-180 мс).Кроме того, полученные результаты для зрительных ответов схожи с результатамидругих авторов для моделей слуховых ПСС [44]. Авторы показали, что слуховые ПССгенерируются петлями обратных связей, а возвращение возбуждения в первичную слуховуюкору A1 начинается в среднем с 220 мс после стимула.

Такое сходство может говорить о том,что существуют общие механизмы генерации ПСС (независимые от модальности), а именно,имеет место возвращение возбуждения с более высоких иерархических уровней на болеенизкие.Результатынастоящейработыявляютсяещеоднимэкспериментальнымподтверждением теории предсказательного кодирования [36] и гипотезы информационногосинтеза [1].97ЗаключениеВ диссертационной работе исследована функциональная интеграция макроскопическихраспределенныхнейрональныхсетейвмозгездоровогочеловекаприразличныхэкспериментальных условиях: в состоянии покоя и при предъявлении испытуемому простыхзрительных стимулов. В качестве экспериментальных методов были выбраны следующиеподходы: функциональная магнитно-резонансная томография (фМРТ) для нахождениямедленноволновой метаболической активности мозга в состоянии покоя с характернымивременами в единицы секунд и электроэнцефалография (ЭЭГ) для детектирования вызваннойэлектрической активности, связанной с предъявлением стимула и характерными временами вдесятки миллисекунд.В первой части диссертационной работы исследованы эффективные связи междуосновными областями сети по умолчанию (DMN) в мозге человека [8] по данным фМРТэксперимента.

Исследование DMN важно для понимания биофизических механизмовфункционального объединения нейрональных сетей в мозге для формирования базового уровнясознания.Известно, что основные области DMN – это медиальная префронтальная кора(mPFC), задняя часть поясной извилины (PCC) и в нижнетеменную кору (IPC)обоихполушарий; также в сеть по умолчанию включаются билатеральные парагиппокампальныеобласти (LHIP/RHIP) [59]. Для первичного анализа потоков информации между активнымобластями предложен новый метод – расчет Трансферной Энтропии (ТЕ) [103] междуглавными компонентами фМРТ сигнала от всей рассматриваемой области.

Предложеныспособы статистической оценки значимости результатов в группе на основе сравнения ссуррогатными данными. Показано, что метод расчета Трансферной Энтропии может бытьхорошим способом оценить потоки информации между нейрональными популяциями безаприорных знаний о системе, которые практически всегда недоступны при неинвазивныхисследованиях.Проведено Байесово моделирование, то есть построение генерирующих данные моделейи нахождение их правдоподобий для описания полученных в эксперименте данных.Использовался метод спектрального динамического каузального моделирования (DCM) [41]для оценки эффективных связей между областями сети по умолчанию.

В отличие отпредыдущих работ [24, 98] впервые показана стабильность найденных связей во времени натрех временных отрезках – первой половине эксперимента, второй половине и на всем отрезке.Полученная в настоящей работе модель взаимодействия четырех областей является развитиемпредыдущих исследований и объединяет паттерны связей, найденные другими авторами.98Методом спектрального DCM в группе из 30 испытуемых было найдено сильное влияниебилатеральных областей LIPC/RIPC друг на друга и на остальные области сети по умолчанию.Также было достоверно найдено влияние областей mPFC и PCC друг на друга. Считается, чтообласть PCC является структурным ядром, соединяющим главные мозговые структуры междусобой тем самым осуществляя критически важные когнитивные функции.

Согласно настоящейработе PCC может быть специализированным хабом, получающим информацию как отобластей DMN, так и от других удаленных областей мозга. Включение в модельдополнительной области, как и исключение одной из базовых областей, не изменило паттернэффективных связей между оставшимися областями. Таким образом установлена стабильностьмодели относительно неполного выбора активных областей. Парагиппокампальные областивовлечены во взаимодействие с базовыми областями DMN, притом область LHIPпреимущественно передает информацию, а RHIP – получает из билатеральных областейLIPC/RIPC. Такая вовлеченность гиппокампа в работу сети по умолчанию вероятнее всегоотражает взаимодействие с рабочей памятью мозга в состоянии покоя. Сравнение моделисвязей между четырьмя базовыми областями DMN с расчетом Трансферной Энтропиипоказывает высокую степень сходства полученных результатов, несмотря на принципиальнуюразницу в методологии.