Меры энтропии как индикаторы путей связности в головном мозге человека

Введение в энтропийный анализ функциональной связности головного мозга

Изучение сложных процессов, протекающих в нейронных сетях головного мозга человека, требует применения современных математических и физических методов. Традиционные подходы к анализу данных функциональной магнитно-резонансной томографии (фМРТ) — метода нейровизуализации, фиксирующего изменения в кровотоке и уровне оксигенации крови, — часто опираются на гипотезу о линейности и стационарности сигналов. Однако реальная динамика головного мозга нелинейна, нестационарна и характеризуется перекрестными взаимодействиями на множестве функциональных уровней.

В данном научном исследовании представлен аналитический подход, основанный на концепциях теории информации и теории сложных систем. В качестве ключевых инструментов оценки активности и нейронной связности выступают показатели энтропии и алгоритмы определения сложности информационных последовательностей.

Теоретические основы: Энтропия, сложность и информационные меры

Для анализа фМРТ-сигналов, поступающих из различных областей головного мозга, временные ряды нейронной активности рассматриваются как информационные последовательности. Аналитическая база исследования строится на трех ключевых понятиях:

• Плотность энтропии (Entropy Density): показатель, характеризующий скорость производства информации во времени и степень неопределенности в динамике нейронных ансамблей.
• Эффективная сложность меры (Effective Measure Complexity): метрика, отражающая баланс между хаотичностью и упорядоченностью сигнала, что позволяет фиксировать избыточность паттернов нейронной активности.
• Информационное расстояние на основе сложности Лемпеля — Зива (Lempel-Ziv Complexity, LZ): алгоритмическая мера избыточности и сжимаемости данных, используемая для расчета метрического расстояния между временными рядами отдельных областей мозга.

Главным преимуществом представленного набора показателей является отсутствие предположений о линейности или стационарности обрабатываемых процессов. В результате как линейные, так и нелинейные составляющие динамики головного мозга вносят свой вклад в итоговые оценки.

Методология исследования и обработка фМРТ-данных

Преимущества подхода без генеративной модели (Model-Free Framework)

Предложенный методологический каркас выгодно отличается от классических способов обработки фМРТ-данных. Он не требует предварительного построения генеративной модели, составления так называемой «матрицы дизайна» (Design Matrix) и подгонки свободных параметров под экспериментальные данные. Все ключевые допущения сведены к нескольким фиксированным критериям:

• Порог бинаризации (Binarization threshold): критерий перевода непрерывного фМРТ-сигнала в бинарную последовательность состояний.
• Размер окрестности для активации (Neighborhood size): пространственно-временной параметр, определяющий локальные границы возбуждения нейронных структур.
• Пороговое расстояние графов связности (Distance threshold): значение, отсекающее слабые или случайные информационные связи при построении сетей.

Используемые данные: Проект «Коннектом человека» (Human Connectome Project, HCP)

Для проверки эффективности энтропийного подхода были использованы данные масштабируемого международного исследования Human Connectome Project (Проект «Коннектом человека», HCP). В анализ были включены записи фМРТ в условиях выполнения различных когнитивных и моторных задач, а также в состоянии покоя (Resting State fMRI):

• Моторные задачи (Motor tasks): выполнение движений различными частями тела.
• Рабочая память (Working memory tasks): задачи на удержание и обработку информации в краткосрочной памяти.
• Распознавание эмоций (Emotion recognition tasks): идентификация эмоциональных выражений лиц.
• Языковые задачи (Language tasks): восприятие и обработка речевых и текстовых стимулов.
• Состояние покоя (Resting state): фоновая активность мозга в отсутствие внешних раздражителей.

Картирование функциональной связности: Дендрограммы и графы

На основе рассчитанного расстояния Лемпеля — Зива между парами анатомических областей мозга были сконструированы матрицы расстояний, дендрограммы и графики связности. Полученные результаты позволили восстановить иерархическую и модульную структуру функциональных сетей мозга.

Карта сложности и энтропии точно идентифицирует локальное вовлечение зон мозга в соответствии с установленными наукой функциональными областями. Это обеспечивает надежный индикатор активации, не зависящий от априорных гипотез экспериментатора.

Функциональная специализация и «магистральный каркас» (Backbone Network)

В ходе исследования проявилась четкая дифференциация нейронных структур:

• Активные области: при выполнении конкретной задачи специфические функциональные зоны объединяются в специализированные кластеры.
• Неактивные области: зоны, не задействованные непосредственно в текущей задаче, формируют плотно взаимосвязанный базовый «магистральный каркас» (Backbone Network), который сохраняет свою структуру и передается между различными типами задач.

«Поскольку аналитический подход не зависит от априорных знаний и не предполагает линейности процессов, он идеально подходит для поисковых исследований и изучения функциональной связности мозга, где нелинейные взаимодействия происходят на множественных функциональных уровнях».

Перспективы применения в нейронауке и медицине

Разработанный информационно-теоретический подход открывает новые возможности для фундаментальной нейробиологии и клинической практики. Способность точно оценивать связность нейронных сетей без наложения искусственных ограничений на характер сигнала позволяет использовать энтропийный анализ для:

• Ранней диагностики нейродегенеративных заболеваний (болезнь Альцгеймера, болезнь Паркинсона).
• Изучения патофизиологии психических расстройств (шизофрения, клиническая депрессия).
• Анализа пластичности мозга в процессе реабилитации после инсультов и черепно-мозговых травм.
• Фундаментального исследования механизмов сознания, внимания и когнитивного контроля.

Информация об авторах, институциональной поддержке и этических стандартах

Благодарности и финансирование

Авторы выражают благодарность CITMA (Министерство науки, технологий и окружающей среды Кубы / Ministerio de Ciencia, Tecnología y Medio Ambiente) за финансовую поддержку в рамках проекта CARDENT (грант № PN223LH010053). Выражается признательность Карелю Гарсии (Kárel García), Роберто Берналю Аренсибии (Roberto Bernal Arencibia) и Ж. С. Арману Эйебе Фуда (JS Armand Eyebe Fouda) за ценные дискуссии при подготовке работы и создании графических материалов.

Компьютерные мощности и рабочая среда были предоставлены Гаванским университетом (University of Havana) и Институтом физики сложных систем им. Макса Планка (Max Planck Institute for the Physics of Complex Systems).

Сведения об авторах

• Ания Меса-Родригес (Ania Mesa-Rodríguez): Институт физики сложных систем им. Макса Планка (Дрезден, Германия), Гаванский университет (Гавана, Куба).
• Эрнесто Эстевес-Рамс (Ernesto Estevez-Rams): Физический и математический факультеты Гаванского университета (Гавана, Куба).
• Хольгер Канц (Holger Kantz): Институт физики сложных систем им. Макса Планка, группа нелинейной динамики и анализа временных рядов (Дрезден, Германия).

Этические декларации и авторские права

Авторы заявляют об отсутствии конфликта интересов. Статья опубликована в журнале Scientific Reports (издательство Springer Nature) на условиях открытого доступа под лицензией Creative Commons Attribution 4.0 International (CC BY 4.0), что допускает свободное распространение и адаптацию материалов с условием надлежащего указания авторства.