기능적 통합(신경생물학)

Functional integration (neurobiology)

기능 통합은 뇌 영역이 정보를 처리하고 효과 반응을 하기 위해 어떻게 함께 작용하는지에 대한 연구다.기능적 통합은 종종 뇌 영역 사이의 연결에 대한 해부학적 지식에 의존하지만, 중요한 것은 수천 또는 수백만 개의 뉴런들이 다양한 자극 하에서 얼마나 큰 규모로 함께 발화하느냐에 있다.그러한 뇌 기능의 전체적인 그림에 필요한 대규모 데이터 집합은 동적 인과적 모델링과 통계적 선형 파라메트릭 매핑과 같은 상호의존성의 통계적 분석을 위한 몇 가지 새로운 방법과 일반적인 방법의 개발에 동기를 부여했다.이러한 데이터 집합은 일반적으로 EEG/MEG, fMRI 또는 PET와 같은 비침습적 방법에 의해 인간 피사체에 수집된다.그 결과는 정신 질환의 책임이 있는 지역을 식별하는 것은 물론, 다른 활동이나 생활 방식이 뇌의 기능에 어떤 영향을 미치는지 평가하는 데 도움을 줌으로써 임상적으로 가치가 있을 수 있다.

이미징 기법

주요 기사:신경영상화

영상 촬영 모달리티의 연구는 원하는 공간 및 시간 분해능에 따라 결정된다. fMRI와 PET는 복셀 치수가 몇 밀리미터인 비교적 높은 공간 분해능을 제공하지만,[1] 비교적 낮은 샘플링 속도는 뇌의 먼 영역 사이의 빠른 및 일시적인 상호작용의 관찰을 방해한다.이러한 시간적 제한은 MEG에 의해 극복되지만, 훨씬 더 큰 뉴런 군집으로부터의 신호만 감지하는 비용으로 극복된다.[2]

fMRI

주요 기사:기능성 자기공명영상

기능자기공명영상(fMRI)은 뇌의 다른 부분으로 가는 혈류를 평가하기 위해 옥시와 디옥시헤모글로빈의 자기력 차이를 이용하는데 가장 많이 사용되는 MRI의 일종이다.fMRI 영상의 일반적인 샘플링 속도는 10분의 1초다.[3]

MEG

주요기사 : 자력뇌술

자석뇌파(MEG)는 뇌의 뉴런을 통해 흐르는 이온전류에서 발생하는 자기장을 측정하기 위해 매우 민감한 자석계를 사용하는 영상모달리티다.고품질 MEG 기계는 밀리초 미만의 샘플링 속도를 허용한다.[2]

펫

주요 기사:양전자 방출 단층 촬영

PET는 방사선으로 된 생물학적으로 활성 분자를 도입하여 작동한다.분자의 선택은 시각화된 것을 지시한다: 예를 들어, 포도당의 방사선으로 된 아날로그를 사용함으로써, 강도의 분포가 대사 활동을 나타내는 이미지를 얻을 수 있다.PET 스캐너는 10분의 1초의 샘플링 속도를 제공한다.[4]

멀티모달 이미징

주요 기사:멀티모달 이미징

다모달 영상촬영은 종종 EEG나 MEG와 같은 전기생리학적 측정 기법과 fMRI나 PET와 같은 혈류역학적 측정 기법의 결합으로 이루어진다.각각의 장점과 한계를 이용해 상대방을 보완하려는 의도지만, 현재의 접근법은 실험적인 한계에 시달린다.[5]이전의 일부 연구에서는 EEG/MEG 신호의 (공간) 원점을 결정하기 위해 fMRI의 높은 공간 분해능을 이용하여 향후 연구에서 이 공간 정보를 단일한 EEG/MEG 신호에서 추출할 수 있도록 하는 데 초점을 맞추었다.일부 연구에서는 양식과 몇 밀리미터 이내 사이의 신호 원점을 상호 연관시키는 데 성공했지만 결과는 한결같이 긍정적이지는 않았다.또 다른 전류 한계치는 실제 실험 설정이다. 즉, 두 촬영장비를 사용하여 동시에 측정하면 열등한 신호가 발생하지만, 각 촬영장비를 별도로 측정하는 대안은 시행 간 변동성에 의해 혼동된다.[5]

분석 방법

기능적 통합에서는 기능적 연결성과 효과적인 연결성 사이에 구분이 있다.비록 이것이 인과관계를 의미하지는 않지만, 두 뇌가 발사되는 시간 사이에 높은 상관관계가 있을 경우 두 뇌 영역이 기능적으로 연결되어 있다고 한다.반면에 효과적인 연결성은 다양한 뇌 부위들 사이의 인과 관계를 설명하는 것이다.[6]

다중 뇌 영역의 기능적 연결성에 대한 통계적 평가는 비교가 되지 않지만, 어떤 뇌 영역이 발포할 지에 영향을 미치는 인과관계를 결정하는 것은 훨씬 가시적이며, 잘못 배치된 최적화 문제에 대한 해결책이 필요하다.[7]

실험입력함수 u(t), 신경활동 x(t) 및 관찰된 혈류역학 또는 전기생리학적 반응 y(t) 사이의 관계를 보여주는 도표.

동적 인과 모델링

주요 기사:동적 인과 모델링

동적 인과 모델링(DCM)은 관측된 혈류역학(fMRI) 또는 전기생리학(EEG/MEG) 신호를 기반으로 신경계의 구조를 추론하는 베이시안 방법이다.첫 번째 단계는 관심 있는 뇌 영역 사이의 관계에 대해 예측을 하고, 많은 변수(및 관계)를 처음에는 알 수 없겠지만 그들 사이의 인과 관계를 기술하는 일반적인 미분 방정식의 체계를 만드는 것이다.신경 활동이 fMRI 또는 EEG 신호로 어떻게 해석되는지에 대한 이전의 결과를 이용하여 측정된 신호를 취하여 모델 파라미터가 특정한 값을 가질 가능성을 결정할 수 있다.[8]그런 다음 다른 조건에서 고려된 뇌 부위 사이의 관계를 예측하는 데 설명 모델을 사용할 수 있다.[9]DCM과 관련된 신경영상화 실험의 설계 시 고려해야 할 핵심 요소는 피험자에게 제시된 과제나 자극의 타이밍과 DCM의 뇌 영역 간의 기초 관계를 결정하는 능력 사이의 관계인데, 이는 사용 중인 영상 촬영장비의 시간적 분해능에 의해 부분적으로 결정된다.[10]

통계 매개변수 매핑

주요 기사:통계 매개변수 매핑

SPM(Statistical parametric mapping, SPM)은 특정 뇌 영역의 활성화가 실험 조건, 자극 또는 시간에 따라 변화하는지 여부를 판단하는 방법이다.본질적인 아이디어는 간단하며, 두 가지 주요 단계로 구성된다: 첫째, 각 실험 조건 사이의 각 개별 복셀에 대해 일변량 통계 시험을 수행한다.[11]둘째, 통계적으로 유의미한 차이를 보이는 복셀의 군집화를 분석하고, 다른 실험 조건에서 어떤 뇌 영역이 다른 활성화 수준을 보이는지 결정한다.

통계적 시험의 선택에는 큰 유연성이 있으며(따라서 실험이 답하도록 설계될 수 있는 문제) 일반적인 선택에는 학생의 t 검정 또는 선형 회귀 분석이 포함된다.그러나 SPM과의 중요한 고려사항은 비교 횟수가 많으면 보다 엄격한 유의 임계값을 사용하여 거짓 양성률을 제어해야 한다는 것이다.이는 특정 복셀이 유의미한 차이를 보이기가 더 어렵게(예: Bonferroni 보정)하도록 초기 통계적 시험을 수정하거나, 뇌 부위가 cer를 포함하는 경우에만 유의한 것으로 간주하여 두 번째 단계에서 군집 분석을 수정하여 수행할 수 있다.통계적 차이를 보이는 복셀의 수(임의장 이론 참조).[11]

fMRI는 경계선 성격장애가 있는 여성의 PTSD가 회백질 비율에 영향을 미치는지 여부를 검출하는 데 사용되었다.

복셀 기반 형태측정법

주요 기사: 복셀 기반 형태측정법

복셀 기반 형태측정법(VBM)은 피험자 간 뇌 조직 구성 차이를 측정할 수 있는 방법이다.그렇게 하려면 먼저 모든 영상을 기준 영상에 매핑하여 표준 좌표계에 등록해야 한다.이는 실험 영상과 기준 사이의 제곱합 강도 차이를 최소화하는 아핀 변환을 사용하여 수행된다.일단 이것이 이루어지면 복셀에서 회색 또는 흰색 물질의 비율은 강도에 의해 결정될 수 있다.이를 통해 피험자 간 해당 뇌 부위의 조직 구성을 비교할 수 있다.[12]

적용들

전뇌 활동을 시각화하는 능력은 다양한 종류의 업무나 기술 테스트 중 뇌 기능을 비교하는 데뿐만 아니라 다른 그룹 간의 뇌 구조와 기능을 비교하는 데 자주 사용된다.

휴식 상태의 뇌 활성화 변화

이전의 많은 fMRI 연구는 어떤 종류의 자극이나 활동이 없어도 기능적으로 연결된 뇌 영역의 자발적 활성화가 휴식 상태에서 일어난다고 보았다.시각적 학습 과제가 제시된 인간 과목은 최대 24시간 동안 휴식 상태에서 기능 연결의 변화를 보여주며 동적 기능 연결 연구는 단일 스캔 동안 기능 연결의 변화까지 보여준다.다음날뿐만 아니라 학습 과제 전후의 과목에 대한 fMRI 스캔을 실시함으로써, 그 활동이 해마 활동에 휴식 상태의 변화를 일으켰음을 알 수 있었다.동적 인과관계 모델링을 통해 해마 역시 어떠한 시각적 영역에서도 학습과 관련된 변화는 없었지만 선조체와의 새로운 차원의 효과적인 연결성을 보여 주었다.[13]학습 과제를 수행하는 과목에 대해 fMRI를 DCM과 결합하면 암묵적이든 명시적이든 어떤 뇌 시스템이 다양한 학습에 관여하는지 기술할 수 있으며, 이러한 과제들은 오랫동안 문서화하면 휴식 상태의 뇌 활성화가 변화한다.

IQ 추정

뇌의 회색 물질 국산화 복셀 기반 형태측정학 측정은 IQ의 성분을 예측하는 데 사용될 수 있다.35명의 10대들이 아이큐 테스트를 받았고 3.5년 동안 fMRI 검사를 받았고, 그들의 아이큐는 그레이 물질 국산화 수준에 의해 예측되었다.이 연구는 잘 진행되었지만, 이러한 종류의 연구는 "이중 디핑"으로 인해 자주 어려움을 겪는데, 여기서 단일 데이터세트가 관심의 뇌 영역을 식별하고 예측 모델을 개발하는데 사용되어 모델의 과도한 훈련과 실제 예측력의 부재로 이어진다.[14]

연구 저자들은 다른 n-1 구성원의 데이터에 기초하여 표본의 n 구성원 각각에 대한 예측 모델을 구축하는 것을 포함하는 "leave-one-out" 방법론을 사용하여 더블딥을 피했다.이를 통해 모델은 IQ가 예측되고 있는 대상과 독립적이며, 언어 IQ 변화의 53%를 왼쪽 운동 피질의 회백질 함수로 설명할 수 있는 모델이 탄생했다.이 연구는 또한 이전에 보고된 현상도 관찰했는데, 대상자가 나이가 들면서 IQ에 의한 젊은 과목의 순위가 일정하게 유지되지 않고, 이것은 교육 프로그램의 효과에 대한 어떠한 측정도 혼란스럽게 한다.[14]

이러한 연구는 확인된 뇌 부위에서 병변이나 기타 손상이 있는 환자를 찾아 평가하고, 이들이 모집단에 비해 기능적 결손을 보이는지 여부를 조사함으로써 교차 검증할 수 있다.그러나 이 방법론은 "이전" 기준선 측정이 없기 때문에 방해될 수 있다.

음운 루프

음운론적 루프는 산만하지 않으면 무한정 유지할 수 있는 작은 단어 세트를 저장하는 작동 기억의 구성요소다.이 개념은 심리학자 앨런 배들리와 그레이엄 히치가 제안하여 구문이나 문장을 내면화하여 행동을 지시하는 데 사용할 수 있는 방법을 설명하였다.두 가지 다른 작업을 수행하는 참가자 사이의 뇌혈류 차이를 평가하기 위해 통계 파라메트릭 매핑을 사용함으로써, Paulescu et al.[15]는 초마름지기 교리처럼 음운학 루프의 저장소를 식별할 수 있었다.인간 피실험자들은 처음에는 통제 집단과 실험 집단으로 분리되었다.대조군에는 그들이 이해하지 못하는 언어로 된 글자와 비언어적 시각도표가 제시되었다.실험군은 두 가지 활동으로 임무를 맡았다: 첫 번째 활동은 일련의 글자를 기억하는 것이었고, 음운론적 루프의 모든 요소를 활성화시키는 것이었다.두 번째 활동은 참가자들에게 주어진 구절들이 운을 맞췄는지 여부를 평가하도록 요청했으며, 발성화에 관련된 특정 하위 시스템만을 활성화하기 위한 의도였을 뿐 특히 음운학적 저장소는 아니었다.

첫 번째 실험 과제를 대조군뿐만 아니라 두 번째 실험 과제와 비교함으로써, 연구 저자들은 음운학적 저장이 필요한 과제에 의해 가장 크게 활성화된 뇌 영역이 초두뇌 계리(supramarginal gyrii)라는 것을 관찰했다.이 결과는 이 영역의 손상을 입은 환자의 기능적 결손에 대한 이전의 문헌 관찰에 의해 뒷받침되었다.

본 연구는 해부학적으로 특정 기능을 정밀하게 국소화할 수 있었고 기능 통합과 영상화 방법이 특정 정보처리 작업에 관여하는 뇌 영역을 결정하는데 큰 가치를 지녔지만, 이러한 현상을 일으키는 낮은 수준의 신경회로는 신비한 상태로 남아 있다.

정신 질환

정신분열증 환자와 조울증 환자에 대한 fMRI 연구는 이러한 질병에 의해 야기되는 효과적인 연결성의 변화에 대한 약간의 통찰력을 제공했지만, 발생되는 기능적 리모델링에 대한 포괄적인 이해는 아직 달성되지 않았다.[16]

몬태규 외 [17]연구진은 거의 "향정신성의약품의 비합리적인 효과"가 이 분야의 발전을 다소 방해하고 있으며, 정신과 환자들의 대규모 "컴퓨터적 표현"을 옹호하고 있다.이들 환자의 다수를 대상으로 한 신경영상 연구는 특정 정신질환에 대한 뇌 활성화 표지를 산출할 수 있으며, 치료법과 동물 모델 개발에도 도움이 될 수 있다.정신과 환자의 뇌 기능의 진정한 기준선은 거의 얻을 수 없지만, 기준값은 여전히 치료 전후 환자로부터 수집된 영상을 비교하여 측정할 수 있다.

참조

  1. ^ Luca, M.; Beckmann, CF; De Stefano, N; Matthews, PM; Smith, SM (2006). "fMRI resting state networks define distinct modes of long-distance interactions in the human brain". NeuroImage. 29 (4): 1359–67. doi:10.1016/j.neuroimage.2005.08.035. PMID 16260155. S2CID 16193549.
  2. ^ a b Hamalainen, M.; Hari, Riitta; Ilmoniemi, Risto J.; Knuutila, Jukka; Lounasmaa, Olli V. (1993). "Magnetoencephalography-theory, instrumentation, and applications to noninvasive studies of the working human brain" (PDF). Rev. Mod. Phys. 65 (2): 413–97. Bibcode:1993RvMP...65..413H. doi:10.1103/RevModPhys.65.413.
  3. ^ Logothetis, N. K. (2008). "What we can do and what we cannot do with fMRI" (PDF). Nature. 453 (7197): 869–78. Bibcode:2008Natur.453..869L. doi:10.1038/nature06976. PMID 18548064. S2CID 4403097.
  4. ^ Bailey, DL (2005). Bailey, Dale L; Townsend, David W; Valk, Peter E; Maisey, Michael N (eds.). Positron Emission Tomography: Basic Sciences. Elsevier. doi:10.1007/b136169. ISBN 978-1-84628-007-8. OCLC 209853466.
  5. ^ a b Rosa, MJ; Daunizeau, J; Friston, KJ (2010). "EEG-fMRI integration: a critical review of biophysical modeling and data analysis approaches". Journal of Integrative Neuroscience. 9 (4): 453–76. doi:10.1142/S0219635210002512. PMID 21213414.
  6. ^ Friston, K. (2002). "Functional integration and inference in the brain". Progress in Neurobiology. 68 (2): 113–43. CiteSeerX 10.1.1.318.4536. doi:10.1016/s0301-0082(02)00076-x. PMID 12450490. S2CID 7203119.
  7. ^ Friston, K.; Harrison, L; Penny, W (2003). "Dynamic causal modelling". NeuroImage. 19 (4): 1273–302. doi:10.1016/S1053-8119(03)00202-7. PMID 12948688. S2CID 2176588.
  8. ^ Buxton, RB; Wong, EC; Frank, LR (1998). "Dynamics of blood flow and oxygenation changes during brain activation: the balloon model". Magnetic Resonance in Medicine. 39 (6): 855–64. doi:10.1002/mrm.1910390602. PMID 9621908. S2CID 2002497.
  9. ^ Stephan, KE; Penny, WD; Moran, RJ; Den Ouden, HE; Daunizeau, J; Friston, KJ (2010). "Ten simple rules for dynamic causal modeling". NeuroImage. 49 (4): 3099–109. doi:10.1016/j.neuroimage.2009.11.015. PMC 2825373. PMID 19914382.
  10. ^ Daunizeau, J.; Preuschoff, K; Friston, K; Stephan, K (2011). Sporns, Olaf (ed.). "Optimizing experimental design for comparing models of brain function". PLOS Computational Biology. 7 (11): e1002280. Bibcode:2011PLSCB...7E2280D. doi:10.1371/journal.pcbi.1002280. PMC 3219623. PMID 22125485.
  11. ^ a b Friston, K.; Holmes, A. P.; Worsley, K. J.; Poline, J.-P.; Frith, C. D.; Frackowiak, R. S. J. (1995). "Statistical parametric maps in functional imaging: a general linear approach" (PDF). Human Brain Mapping. 2 (4): 189–210. doi:10.1002/hbm.460020402. S2CID 9898609.
  12. ^ Ashburner, J.; Friston, KJ (2000). "Voxel-Based Morphometry-The Methods". NeuroImage. 11 (6): 805–21. CiteSeerX 10.1.1.114.9512. doi:10.1006/nimg.2000.0582. PMID 10860804. S2CID 16777465.
  13. ^ Urner, M.; Schwarzkopf, DS; Friston, K; Rees, G (2013). "Early visual learning induces long-lasting connectivity changes during rest in the human brain". NeuroImage. 77 (100): 148–56. doi:10.1016/j.neuroimage.2013.03.050. PMC 3682182. PMID 23558105.
  14. ^ a b Price, CJ; Ramsden, S; Hope, TM; Friston, KJ; Seghier, ML (2013). "Predicting IQ change from brain structure: a cross-validation study". Developmental Cognitive Neuroscience. 5 (100): 172–84. doi:10.1016/j.dcn.2013.03.001. PMC 3682176. PMID 23567505.
  15. ^ Paulesu E, Frith CD, Frackowiak RS (March 1993). "The neural correlates of the verbal component of working memory". Nature. 362 (6418): 342–5. Bibcode:1993Natur.362..342P. doi:10.1038/362342a0. PMID 8455719. S2CID 4347206.
  16. ^ Calhoun, V.; Sui, J; Kiehl, K; Turner, J; Allen, E; Pearlson, G (2011). "Exploring the psychosis functional connectome: aberrant intrinsic networks in schizophrenia and bipolar disorder". Frontiers in Psychiatry. 2 (75): 75. doi:10.3389/fpsyt.2011.00075. PMC 3254121. PMID 22291663.
  17. ^ Montague, P.; Dolan, RJ; Friston, KJ; Dayan, P (2012). "Computational psychiatry". Trends in Cognitive Sciences. 16 (1): 72–80. doi:10.1016/j.tics.2011.11.018. PMC 3556822. PMID 22177032.

추가 읽기

  • Büchel, C. (2003). Virginia Ng; Gareth J. Barker; Talma Hendler (eds.). The Importance of Connectivity for Brain Function. Psychiatric neuroimaging. Proceedings of the NATO Advanced Research Workshop on Psychiatric Neuroimaging, 29 September-1 October 2002, Chiavari, Italy --T.p. verso. Amsterdam; Washington, DC: IOS Press. pp. 55–59. ISBN 9781586033446. OCLC 52820961.
  • Friston, Karl J. (2004). Kenneth Hugdahl; Richard J Davidson (eds.). Characterizing Functional Asymmetries with Brain Mapping. The asymmetrical brain. Bradford Books Series. Cambridge, Mass: MIT Press. pp. 161–186. ISBN 9780262083096. OCLC 645171270.
  • Friston, K. J. (Karl J.) (2007). Statistical parametric mapping : the analysis of functional brain image. Amsterdam; Boston: Elsevier/Academic Press. ISBN 978-0-12-372560-8. OCLC 254457654.

외부 링크