脳の連結性

Scholarpediaは株式会社ブレインが運営しています。

脳の連結性

http://www.scholarpedia.org/article/Brain_connectivity

Olaf Sporns (2007), Scholarpedia, 2(10):4695. doi:10.4249/scholarpedia.4695 revision #91084 [link to/cite this article].
出版後の活動

キュレーター オラフ・スポーンズ

オラフ・スポーンズ、インディアナ大学、ブルーミントン、インディアナ州

脳結合性とは、神経系内の異なるユニット間の解剖学的リンク（「解剖学的結合性」）、統計的依存関係（「機能的結合性」）、あるいは因果的相互作用（「有効結合性」）のパターンを指す。単位は個々のニューロン、ニューロン集団、または解剖学的に分離された脳領域に対応する。結合パターンは、シナプスや線維路のような構造的リンクによって形成されるか、相互相関、コヒーレンス、情報フローとして測定される統計的関係や因果関係を表す。神経活動、ひいては神経コードは結合性によって制約される。したがって、神経細胞や神経回路網がどのように情報を処理するかを解明するためには、脳の結合性は極めて重要である。

目次 [隠す］
1 脳の結合性のレベル
2 脳結合性のモード
3 脳結合性の分析
4 脳結合性のパターン
4.1 構造的脳内ネットワーク
4.2 機能的脳内ネットワークと効果的脳内ネットワーク
4.3 構造的脳結合、機能的脳結合、有効脳結合の相互関係
5 参考文献
6 外部リンク
7 関連項目
脳の結合レベル
神経系の複雑さの主要な側面は、その複雑な形態、特に神経細胞処理要素の相互結合性に関係している。神経結合パターンは長い間神経解剖学者の注目を集めており（Cajal, 1909; Brodmann, 1909; Swanson, 2003）、ニューロンやニューロン系の機能特性を決定する上で重要な役割を果たしている。より高度に進化した神経系では、脳の結合性はいくつかのレベルのスケールで記述することができる。これらのレベルには、ミクロスケールでは個々のニューロンをつなぐ個々のシナプス結合、メソスケールではニューロン集団をつなぐネットワーク、マクロスケールでは線維経路でつながった脳領域が含まれる。ミクロスケールでは、詳細な解剖学的・生理学的研究により、哺乳類の大脳皮質における微小回路の基本的な構成要素や相互接続の多くが明らかになっている。メソスケールでは、それらはカラムとミニカラムのネットワークに配置されている。マクロスケールでは、異なる脳領域を形成する非常に多くのニューロンやニューロン集団が、領域間経路によって相互接続され、大規模な解剖学的結合パターンを形成している。

あらゆるレベルのスケールにおける解剖学的結合は、特異的であると同時に変化に富んでいる。特異性は、形態学的・生理学的に異なるニューロンタイプ間の個々のシナプス結合の配置、軸索の空間的な広がりや分岐パターン、細胞核や脳領域などの神経構造間の長距離結合に見られる。多様性は、個々の神経細胞とその突起の形状、および大規模な構造のサイズ、配置、相互接続に見られる。多様性は、同じ種の個体の脳の対応する構造間で測定することができる。さらに、同じ個体内の神経構造は、成長、可塑性、修復の経験的・発達的プロセスの結果として、時間の経過とともに変化する。解剖学的変異は、神経動態や行動パフォーマンスに表れる機能的変異の主な原因の一つであると考えられる。

本稿の残りの部分では、大規模な脳結合、すなわち神経系の機能的に多様で構造的に広く分布する構成要素にまたがる結合パターンに焦点を当てる。このテーマについては、Jirsa and McIntosh (2007)やSporns (2010)で詳しく解説されている。

脳の結合様式
脳に適用される場合、結合性という用語は、脳組織のいくつかの異なる、相互に関連する側面を指す(Horwitz, 2003)。基本的な区別は、構造的結合、機能的結合、効果的結合である(Friston, 1994)。この区別はしばしば機能的ニューロイメージングの文脈で引用されるが、他のレベルの神経回路網にも同様に適用できる。例えば、in vitroにおける個々のニューロンの「機能的入力結合」のマッピング（Schubert et al.）

解剖学的結合性とは、ニューロンやニューロンエレメントの集合をつなぐ物理的または構造的（シナプス）結合のネットワークと、シナプスの強さや有効性などのパラメータに包含される、それらに関連する構造的な生物物理学的属性を指す。解剖学的結合の物理的パターンは、短い時間スケール（数秒から数分）では比較的安定している。より長い時間スケール（数時間から数日）では、構造的な結合パターンは大きな形態学的変化と可塑性の影響を受ける可能性が高い。現在のところ、直接的な軸索結合を全会一致で証明できるのは侵襲的トレース研究だけであることに注意することが重要である。対照的に、DTIのような拡散強調画像法は、空間分解能は不十分であるが、線維路の時間的変化の全脳in vivoマーカーとして有用である。

対照的に、機能的結合性は基本的に統計的概念である。一般に、機能的結合性は、分布し、しばしば空間的に離れた神経細胞単位間の統計的独立性からの逸脱を捉える。統計的独立性は、相関や共分散、スペクトルコヒーレンスや位相同期を測定することで推定することができる。機能的結合は、システムのすべての要素間で計算されることが多いが、これらの要素が直接的な構造的リンクで接続されているかどうかは関係ない。構造的結合とは異なり、機能的結合は時間依存性が高い。ニューロン要素間の統計的パターンは複数の時間スケールで変動し、中には数十～数百ミリ秒という短いものもある。機能的結合は、特定の方向性効果や基礎となる構造モデルに対して明確な言及をしていないことに注意すべきである。

効果的結合は、ある神経要素が別の神経要素に及ぼす方向性効果のネットワークを記述するため、構造的結合と機能的結合の結合とみなすことができる。原理的には、システムの系統的な摂動によって、あるいは、原因が時間的に効果に先行しなければならないので、時系列分析によって、因果効果を推測することができる。有効結合を抽出する手法の中には、構造パラメータを含むモデルを指定する必要があるものもある。例えば、グレンジャー因果関係や伝達エントロピーのような時系列因果性尺度の適用を伴うものなどである。

形式的には、脳結合パターンはグラフまたは行列形式で表すことができる（図1）。構造的な脳結合は疎な有向グラフを形成する。このグラフは重み付けされ、重みが結合密度や結合効率を表すこともあれば、バイナリ要素で結合の有無を表すこともある。脳機能接続は完全な対称行列を形成し、各要素は2つのシステム要素（ニューロン、記録部位、ボクセル）間の統計的依存性や近接性を符号化する。このような行列は閾値を設定することで、スパース性の程度を制御する二項無向グラフを得ることができる。効果的な脳結合は完全な非対称行列を生成する。このような行列に閾値を適用すると、二値有向グラフが得られる。

図1：脳結合性のモード。上部のスケッチは、マカク大脳皮質の4つの脳領域間の構造的結合（線維経路）、機能的結合（相関）、有効結合（情報フロー）を示している。下部の行列は、二項構造結合（左）、対称的相互情報（中央）、非対称的伝達エントロピー（右）を示す。データは大脳皮質ダイナミクスの大規模シミュレーションから得られた（Honey et al., 2007参照）。
脳結合の解析
その多くは、細胞代謝、遺伝子制御、生態学など、他の生物学的ネットワークのマッピングや記述にも並行して応用されている。

グラフ理論、特に有向グラフの理論は、あらゆるレベルの構造的、機能的、効果的な脳の結合性に適用されるため、特に興味深い。グラフは頂点（ニューロンまたは脳領域に相当）と辺（シナプスまたは経路、あるいは神経要素間の統計的依存関係に相当）から構成される。最も単純な形では、グラフは、頂点のペア間の有向エッジの有無を表す2値要素を持つ接続行列または隣接行列によって記述することができる。頂点の相互作用は、直接接続を介して行われることもあれば、複数の辺からなる経路を介して間接的に行われることもある。これらの間接的相互作用の機能的有効性はパスの長さに依存する。2つの頂点間の距離は、その間の最短パスの長さに対応する。すべての距離の大域的平均は特性パス長とも呼ばれる。

脳内ネットワークのグラフは、頂点度や強さ、度数相関（同類性）、部分グラフ（モチーフ）、クラスタリング係数、パス長（距離）、頂点や辺の中心性など、グラフ理論の多くの尺度の中でも特に定量的に調べることができる（Brandes and Erlebach, 2005など）。多くの場合、これらの尺度を統計的に評価するためには、適切な帰無仮説を設計する必要があり、それには適切なランダムグラフモデルを選択する必要がある。このようなモデルは一意に定義されるものではなく、構造パラメータのさまざまなサブセットを保持する多数の異なるランダムモデルに対して統計的比較を行うことができるからである。現在、最も頻繁に使用されているランダムモデルの1つは、頂点の次数を保存する辺ランダム化技術である。クラスタリング技術も、あらゆるタイプの脳結合データセットに適用できる重要な技術である。主成分分析や多次元スケーリングに基づくものなど、多数のクラスタリングアルゴリズムが存在する。その他のアプローチでは、グラフの固有スペクトルを調べることによって、ネットワークのコミュニティやモジュールを検出することができる。

ネットワークの位相的特徴の解析を可能にするグラフ理論やコミュニティ検出ツールに加え、他の解析アプローチでは、脳ネットワークの3次元（計量的に埋め込まれた）構造に焦点を当てている。これらのアプローチには、例えば配線の長さや体積を測定するような形態測定法が含まれる（例えばWen and Chklovskii, 2005）。

脳の機能的結合は、時間領域や周波数領域での相互相関、相互情報、スペクトルコヒーレンスなどの計算によって、さまざまな方法で推定することができる。有効結合度を計算することは、より困難である。上で定義したように、機能的結合性は統計的依存性のパターンを捉えるが、有効結合性は、ある神経要素が別の神経要素に及ぼす因果的影響のネットワークを抽出しようとするものである。有効結合性を抽出するためのさまざまな手法が追求されてきた。共分散構造方程式モデリング」と呼ばれる手法の1つは、与えられた課題で観察された共分散に最もよく一致する解剖学的経路に有効結合強度を割り当てるものである（McIntosh and Gonzalez-Lima, 1994）。このアプローチを一般化した「動的因果モデリング」（Friston et al. さらに、相互作用の強い脳領域とその方向性のある相互作用を同定するためのもう1つのアプローチとして、2つの脳領域や脳系が互いに因果的に影響しあう度合いを摂動的アプローチでとらえる指標である有効情報を用いる方法がある（Tononi and Sporns, 2003）。有効結合度は時系列分析に基づいて推定することもできる。これらの方法のいくつかは、グレンジャー因果性の概念の解釈や適応に基づいている。また、伝達エントロピー（Schreiber, 2000）と呼ばれる指標は、一方の要素の状態が他方の要素の状態遷移確率に与える影響を考慮することで、2つのシステム間の指向的な情報交換を検出するために考案された。時系列データからの因果関係の抽出は、サンプリングレート、ウィンドウパラメータ、状態空間の選択に敏感である。

脳結合のパターン
構造的脳ネットワーク
大脳皮質の大規模な結合行列など、脳の構造的な結合パターンの解析により、幅広いネットワークの特徴を定量化することができる（Sporns et al.） その結果、大脳皮質は大域的に相互結合している皮質領域のクラスターから構成されていることが明らかになった。これらの結合パターンは、完全な規則性でも完全なランダム性でもなく、両極端の構造的側面を併せ持っている。大規模な皮質ネットワークは、クラスタリング係数の高い値や短い特性パス長など、スモールワールドネットワークの特性をいくつか共有しており、特定の構造モチーフの集合で構成されている。個々の領域の構造的寄与を解析することで、ネットワークのハブを同定し、分類することができる。ハブとは、高度に接続され、高度に中心的な脳領域と定義され、頭頂皮質や前頭前皮質などの領域が含まれる。ヒトの大脳皮質の構造ネットワークは、まだ包括的にマッピングされていない（Sporns et al.） 非侵襲的な拡散画像法を用いることで、この重要な目標を達成するための新たな有望な道が開かれた。

機能的で効果的な脳内ネットワーク
皮質領域間の機能的結合（コヒーレンスまたは相関に基づく）のパターンに関する研究では、機能的脳ネットワークがスモールワールドの特性を示すことが実証されている（Achard et al. 脳の機能的結合をより詳細にグラフ理論的に解析することで、高度に結合し、情報の流れや統合の中心となっている機能的ハブを特定することができた。周波数領域における機能的結合の研究により、脳機能ネットワークのフラクタル組織化の証拠が得られている。

効果的な脳結合は様々な手法で研究されている。共分散モデリングは、異なる認知課題において推定されたときの脳領域間の有効結合の有意差を同定することを可能にし、その結果、これらのパターンの時間依存性および課題依存性が示された(McIntosh and Gonzalez-Lima, 1994)。Granger causalityは脳波やfMRIの時系列に適用され、行動や認知課題の過程における神経要素間の指示的相互作用に関する情報を提供してきた(Brovelli et al., 2004)。経頭蓋磁気刺激（TMS）と機能的ニューロイメージングを組み合わせることで、特定のタスクを遂行中の脳ネットワークの局所的な摂動を利用することができる。例えば、TMSと高密度脳波計を組み合わせることで、ノンレム睡眠中の皮質有効結合の程度が、覚醒時と比較して著しく低下することが明らかになった（Massimini et al.）

構造的結合、機能的結合、有効結合の相互関係
大脳皮質における解剖学的結合、機能的結合、および有効結合の関係は、今日の理論的神経科学にとって重要な課題である。これらの異なる脳結合様式を結びつける2つの潜在的な原理は、分離と統合である（Tononi et al.） 分離とは、専門化されたニューロンや脳領域が存在することであり、それらは異なるニューロン集団に組織され、グループ化されて分離した皮質領域を形成する。補完的な原理である統合は、分散した神経細胞集団の協調的な活性化をもたらし、首尾一貫した認知・行動状態の出現を可能にする。脳ネットワークにおける分離と統合の相互作用は、同時に高度に多様化し、高度に統合された情報を生成する。

ネットワーク解析技術を応用することで、構造的研究と機能的研究から得られた脳結合パターンを比較することができる。例えば、fMRI、EEG、MEG研究から得られた機能的結合パターンにスモールワールドの属性が発見されたことで、機能的結合が構造的結合にどの程度密接にマップされるのかという疑問が生じた。新たな見解として、構造的結合パターンは、機能的結合と有効結合によって捉えられる皮質回路やシステムのダイナミクスにとって、実に大きな制約であることが示唆されている。構造的結合の制約に加え、機能的結合や有効結合の急速な時間的変動は、生理学的変数や入力の変化を反映している可能性がある。構造的結合と機能的結合の間にこのような関連性があることを考えると、脳領域の少なくともいくつかの構造的特徴は、その機能的相互作用に反映されていると考えられる。例えば、構造的なハブ領域は、より多くの機能的関係を維持するはずである。大脳皮質の大規模構造の計算モデル（Honey et al., 2007）では、非常に短い時間スケール（数ミリ秒から数秒）でも、構造的ハブと機能的ハブが部分的に対応していることが示唆された。今後の研究では、ヒトの脳の構造的結合マップと、安静時や認知的活性化のさまざまな状態で記録された機能的結合や有効結合のパターンを並行して解析していくことになるだろう。

参考文献
Achard, S, Salvador, R, Whitcher, B, Suckling, J, Bullmore, E (2006) A resilient, low-frequency, small-world human brain functional network with highly connected association cortical hubs. J Neurosci 26, 63-72.
Brandes, U, Erlebach, T (2005) ネットワーク解析。Springer, Berlin.
Brodmann, K (1909) Vergleichende Lokalisationslehre der Grosshirnrinde inhren Prinzipien dargestellt a Grund of Zellenbaues. J.A. Barth, Leipzig.
このような、"曖昧さ "と "傲慢さ "は、"傲慢さ "と "傲慢さ "の間に、"傲慢さ "と "傲慢さ "があることを示唆している： その結果、運動神経系におけるβ発振は、運動神経系と運動神経系との間の相互作用に影響を及ぼすことが明らかになった。このような研究は、科学的根拠が乏しいと言わざるを得ない。
Cajal, SR (1909) Histologie du systéme nerveux de homme et des vertebras. Maloine, Paris.
Friston, KJ (1994) ニューロイメージングにおける機能的結合と有効結合： 統合。Hum Brain Mapping 2, 56-78.
Friston, KJ, Harrison, L, Penny, W (2003) 動的因果モデリング。Neuroimage 19, 1273-1302.
Friston, KJ (2005) ニューロイメージングにおける脳機能のモデル。Annu Rev Psychol 56, 57-87.
Honey, CJ, Kötter, R, Breakspear, M, Sporns, O (2007) 大脳皮質のネットワーク構造は、複数の時間スケールで機能的結合を形成する。Proc Natl. Acad Sci. USA 104: 10240-10245.
Horwitz B (2003) The elusive concept of brain connectivity. Neuroimage 19, 466-470.
Jirsa, VK, McIntosh, AR (Eds.) (2007) Handbook of Brain Connectivity. Springer.
睡眠中の皮質有効結合の破綻。サイエンス 309, 2228-2232
McIntosh, AR, Gonzalez-Lima, F (1994) 構造方程式モデリングと脳機能イメージングにおけるネットワーク解析への応用。Hum Brain Mapping 2, 2-22.
Schreiber, T (2000) 情報伝達の測定。Phys Rev Lett 85, 461-464.
脳機能イメージングによる脳内ネットワーク解析。Brain Structure and Function, in press.
脳神経細胞は、脳内神経回路と脳内神経回路との相互作用によって、脳内神経回路を構成している。Trends Cogn Sci 8, 418-425.
Sporns, O, Tononi, G, Kötter, R (2005) The human connectome： ヒトの脳の構造的記述。PLoS Comput. 1, 245-251.
Sporns, O (2010) Networks of the Brain. MIT Press.
Swanson, LW (2003) Brain Architecture. Oxford University Press, Oxford.
Tononi, G, Sporns, O (2003) Measuring information integration. BMC Neuroscience 4, 31.
Tononi, G, Sporns, O, Edelman, GM (1994) A measure for brain complexity: relating functional segregation and integration in the nervous system. Proc Natl Acad Sci USA 91, 5033-5037.
Wen, Q, Chklovskii, DB (2005) 脳の灰白質と白質への分離： 伝導遅延を最小化するデザイン。PLoS Comput Biol 1, e78.
参考文献

ヴァレンティーノ・ブライテンベルク（2007）Brain. Scholarpedia, 2(11):2918.
Olaf Sporns (2007) Complexity. Scholarpedia, 2(10):1623.
オラフ・スポーンズ (2010) コネクトーム. Scholarpedia, 5(2):5584.
Steven L Bressler (2008), 神経認知ネットワーク. Scholarpedia, 3(2):1567.
ジェームズ・マイス (2007) 力学系. Scholarpedia, 2(2):1629.
ポール・L・ヌニェス、ラメシュ・スリニヴァサン (2007) 脳波脳波. Scholarpedia, 2(2):1348.
ウィリアム・D・ペニー、カール・J・フリストン (2007) 機能的イメージング. Scholarpedia, 2(5):1478.
小川誠司、Yul-Wan Sung (2007) 機能的磁気共鳴画像法. Scholarpedia、2(10):3105。
アニル・K・セス (2007) グレンジャー因果性. Scholarpedia, 2(7):1667.
Philip Holmes and Eric T. Shea-Brown (2006) 安定性。Scholarpedia, 1(10):1838.
アンソニー・T・バーカー、イアン・フリーストン (2007) 経頭蓋磁気刺激. Scholarpedia, 2(10):2936.
外部リンク
著者のホームページ
カール・フリストンのホームページ
ランディ・マッキントッシュのホームページ
Rolf Kötterのホームページ
Marcus Kaiserによるツールとデータセットのサイト。
脳ネットワーク解析のためのツールボックス
脳結合ワークショップシリーズ
マカク脳の結合性データの照合
カハールの経歴
NIHコネクトームプロジェクト
ワシントン大学を中心としたヒト・コネクトーム・プロジェクト
こちらも参照
脳, 複雑性, 計算神経解剖学, コネクトーム, 拡散テンソルイメージング, 機能的磁気共鳴画像法, グレンジャー因果, グラフ理論, 大規模脳モデル, ニューロイメージング, 大脳新皮質, 神経解剖学, 神経認知ネットワーク, スケールフリーネットワーク, スモールワールドネットワーク, 視床皮質回路

スポンサー ユージン・M・イジケビッチ、査読付きオープンアクセス百科事典『Scholarpedia』編集長
査読者 ランディ・マッキントッシュ博士、トロント大学、カナダ
査読者 ロルフ・ケッター博士、ナイメーヘン大学、オランダ
受理日時: 2007-10-27 19:56:51 GMT
カテゴリー 計算神経科学ネットワークダイナミクス脳モデル
ログインソースを読む履歴を見る
検索
検索
メインページについて新しい記事の提案著者への指示ランダム記事FAQヘルプ
重点分野
天体物理学
天体力学
計算神経科学
計算知能
力学系
物理学
タッチ
その他のトピック
活動
Powered by MediaWiki Powered by MathJax クリエイティブ・コモンズ・ライセンス
"Brain connectivity" by Olaf Sporns is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported License. このライセンスの範囲を超える許可については、利用規約プライバシーポリシーScholarpediaについて免責事項に記載されています。