2020 Fiscal Year Research-status Report
Reverse Engineering of Connectome: Elucidating Brain Information Processing Architecture by Network Analysis
| Project/Area Number |
20K12060
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
岡本 洋 東京大学, 大学院工学系研究科(工学部), 特任研究員 (00374067)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | コネクトーム / 複雑ネットワーク / 機能モジュール / コミュニティ / 重なり / 階層性 / べき分布 / 深層ニューラルネットワーク |
|---|
| Outline of Annual Research Achievements |
【本研究の目的】高解像コネクトームから脳情報処理様式を導出できることを示す。
【方法】コネクトームのリバースエンジニアリング：ネットワーク分析を用いてコネクトームの構造に潜在的に表現された脳情報処理の機能構成を推定する。
【令和2年度研究の成果】
「マルコフ連鎖モジュール分解（Modular decomposition of Markov chain, MDMC）」は本研究に先立って研究代表者が考案したネットワーク分析方法であり、コネクトームのリバースエンジニアリングを実行する上での核である。MDMCをコネクトームに適用することにより、以下が期待される：（１）コネクトームの機能モジュールを偏在的コミュニティ（明確な境界を持たない塊構造）として抽出できる；（2）コネクトームにおける機能モジュールの階層構造を明らかにできる。
項目（1）に関する成果：MDMCはEMアルゴリズムで記述される。しかしながら、当初のMDMCにはQ関数が単調増加しないことがあるという問題があった（Q関数は尤度関数に相当するものであり、EMアルゴリズムが正しく機能するためには単調増加しなければならない）。その原因がマルコフ連鎖の時間発展性にあることをつきとめた。そして、時間積分を用いた再定式化により、この問題を解決した。
項目（2）に関する成果：MDMCの唯一パラメータαの準静的変化に伴って間欠的に生起する不連続相転移を通じて、機能モジュールの階層構造を導出できることを見出した。さらに、偏在的コミュニティの階層構造における親子関係を確率の流れとして定式化することにも成功した。我々が知る限りこれは、偏在的構造にける階層構造とはどういうものであるかをはじめて明らかにした成果である。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
コロナ禍のため、令和2年度中に協力者との対面コミュニケーションを通じて高解像コネクトーム・データを入手することは断念した。そのかわりに、コネクトームのリバースエンジニアリングを方法論として構築・発展させることに注力した。
コネクトームの接続性における不均一構造を明らかにすることにより、脳情報処理機能解明のための重要な手掛かりが得られると期待される。研究代表者は、本研究とは別のプロジェクトにおいて、与えられた分布の統計性を、指数分布（均一なランダム構造）とべき分布（不均一なランダム構造）の間を外挿して評価する方法を発案した。さらにこれをコネクトームの接続性の統計性を評価する方法に拡張することを、本研究の一環に位置付けた。
|
| Strategy for Future Research Activity |
高解像コネクトーム・データについては、協力者との対面コミュニケーションを通じてこれを入手することが効率的・効果的である。コロナ禍終息後に速やかにデータを入手する。そろったデータを分析する方法については、これまでにほぼ構築を完了している。
|
| Causes of Carryover |
コロナ禍により、当初計画していた海外渡航を行わなかった。
|
