Relacja między połączeniami mózgowymi a inteligencją: nowe spojrzenie naukowców
W najnowszym badaniu opublikowanym w czasopiśmie PNAS Nexus, naukowcy zajmują się kwestią, jak połączenia mózgowe mogą wpływać na inteligencję. W szczególności skupiono się na interpretowalności modeli predykcyjnych, co otwiera drzwi do bliższego zrozumienia ludzkiego umysłu. Jest to krok w kierunku głębszej analizy mózgu, który łączy neurobiologię, sztuczną inteligencję i zaawansowane modele uczenia maszynowego.
Nowoczesne podejście do badań neurokognitywnych
Współczesne badania nad ludzką kognicją przechodzą transformację – od badań opartych na analizie pojedynczych zmiennych do wykorzystania technologii uczenia maszynowego. Dzięki temu można badać powiązania między zachowaniem a różnymi zmiennymi neurobiologicznymi, przewidując wyniki w zróżnicowanych populacjach. W szczególnym zakresie badań nad inteligencją, która jest jednym z kluczowych predyktorów życiowych – takich jak zdrowie i osiągnięcia akademickie – wykorzystanie dużych zbiorów danych pozwala na analizę wielu aspektów jednocześnie.
Inteligencja jest często opisywana w dwóch wymiarach: płynnym (zdolność do adaptacji i rozwiązywania nowych problemów) oraz skrystalizowanym (wiedza i doświadczenie). Nowoczesne metody oparte na uczeniu maszynowym umożliwiły bardziej precyzyjne prognozy inteligencji bazujące na danych dotyczących połączeń neuronowych (ang. functional connectivity, FC). Niemniej jednak dotychczasowe badania ograniczone były w zakresie wniosków koncepcyjnych i metodologii, co wskazuje na potrzebę bardziej pogłębionych analiz nad funkcjonalnością mózgu i jej związkiem z inteligencją.
Metodologia badań
Jednym z kluczowych elementów tego badania była jego rygorystyczna metodologia. Badacze zastosowali prerejestrację wszystkich założeń badawczych na platformie Open Science Framework, co gwarantuje przejrzystość i powtarzalność. Główne analizy oparto na wytycznych zapisanych przed rozpoczęciem badania, zaś dodatkowe analizy posłużyły do głębszego zrozumienia specyficznych połączeń mózgowych odpowiedzialnych za predykcję inteligencji.
Badani zostali wybrani spośród uczestników projektu The Human Connectome Project (HCP), obejmującego 1200 dorosłych w wieku od 22 do 37 lat. Po wyeliminowaniu osób z brakującymi danymi, wynikami świadczącymi o osłabieniu funkcji poznawczych (ocena Mini-Mental State Examination na poziomie 26 lub niższym) oraz tych, których ruchy głowy w urządzeniu fMRI przekraczały akceptowalne granice, ostateczna liczba uczestników wyniosła 806. Wykorzystano różne miary inteligencji, w tym inteligencję ogólną (g), płynną (gf) oraz skrystalizowaną (gc), aby pogłębić zrozumienie wyników.
Przetwarzanie danych i modele predykcyjne
Do analizy danych wykorzystano funkcjonalne obrazy rezonansu magnetycznego (fMRI), zarówno w stanie spoczynku, jak i podczas wykonywania siedmiu różnych zadań poznawczych. Dane te posłużyły do tworzenia indywidualnych macierzy connectivity mózgu. Dla poprawy jakości pomiarów wprowadzono dodatkowe kroki przetwarzania danych, takie jak usuwanie szumu globalnego i ewidencji aktywacji zadaniowej.
Modele predykcyjne wykorzystywały sieci neuronowe z optymalizacją hiperparametrów oraz pięciokrotną walidację krzyżową, zapewniając przy tym kontrolę zmiennych takich jak wiek, płeć i ruch głowy. Do interpretacji modeli wykorzystano metodologię propagacji istotności warstwowej (Layer-wise Relevance Propagation, LRP), co umożliwiło identyfikację kluczowych połączeń mózgowych odpowiedzialnych za predykcję wyników.
Replikacja wyników odbyła się na niezależnych zbiorach danych – Amsterdam Open MRI Collection (AOMIC), co zapewniło uniwersalność i ogólną wiarygodność wyników.
Najważniejsze wyniki
Badacze odkryli, że funkcjonalne połączenia mózgowe mogą w różnym stopniu przewidywać różne typy inteligencji. Najwyższa zgodność między faktycznymi wynikami a przewidywaniami zaobserwowana została dla inteligencji ogólnej (g), podczas gdy inteligencja płynna (gf) wypadła nieco gorzej. Również stan poznawczy, w którym znajdował się mózg (spoczynek vs wykonywanie zadań), wpłynął na dokładność predykcji.
Niektóre sieci mózgowe, takie jak sieć domyślna, kontrolna i uwagi, miały znacznie większy wkład w prognozowanie wyników niż inne, np. somatotroficzne lub limbiczne. Co ciekawe, usunięcie jednej z kluczowych sieci z modelu miało minimalny wpływ na ogólną wydajność – sugerując, że informacje związane z inteligencją są dystrybuowane w wielu sieciach mózgowych.
Najlepsze predykcje uzyskano przy wykorzystaniu około 1000 najistotniejszych połączeń neuronowych zidentyfikowanych za pomocą metody LRP. Te kluczowe obszary były szeroko rozproszone w różnych częściach mózgu i zmieniały się w zależności od stanu poznawczego.
Znaczenie i przyszłe kierunki
Wyniki badania podkreślają istotne różnice w neuronalnym podłożu poszczególnych aspektów inteligencji. Inteligencja ogólna (g) i skrystalizowana (gc) okazały się bardziej przewidywalne w porównaniu z płynną (gf), co może wskazywać na złożoność i zmienność neuronalnych podstaw tych kategorii.
Ciekawym aspektem były także różnice w efektywności modeli opartych na teorii inteligencji w porównaniu z modelami uwzględniającymi całość połączeń mózgowych. Chociaż modele teoretyczne dostarczają wartości poznawczej, pełne podejście sieciowe okazało się skuteczniejsze, co pokazuje siłę wykorzystania zaawansowanych technologii uczenia maszynowego w badaniach nad mózgiem.
Badanie to stanowi ważny krok w kierunku lepszego zrozumienia ludzkiej inteligencji z perspektywy nauk neurokognitywnych. Pomimo ograniczeń, takich jak zależność od pomiarów fMRI czy trudności w operacjonalizacji pojęcia inteligencji, autorzy zidentyfikowali najważniejsze połączenia mózgowe, które tworzą szeroko rozpowszechnioną sieć funkcjonalną, wpływającą na zdolności poznawcze człowieka.
