キューによるリコール時の再活性化強度は認知マップ内のグラフ距離によって調節される
認知マップにおけるグラフ間距離による回想再活性化の強度の調節
研究背景
記憶の形成と想起は神経科学の重要な研究分野の1つである。古典的な記憶理論によれば、記憶はエンコード、固定化、想起という3つの異なる段階に依存するとされる。新しいエピソード記憶はエンコードによって形成され、海馬と新皮質ネットワーク内の特定の時空的な神経発火パターンに変換され、固定化される。これらの発火パターンはその後の休息や睡眠中に再活性化され、このプロセスが記憶の固定化に関与していると考えられている。同様に、想起プロセスにおける神経活動パターンも再現され、この再活性化は想起の成功を予測できる。しかし、人間においてこのようなシーケンスの再現や一般的なネットワークの再活性化の測定と解釈は難しく、この点が関連する記憶の蓄積と想起プロセスの研究を大いに制約している。
本研究の焦点は、特に複雑なグラフ構造内での記憶再活性化における具体的なメカニズムを探ることである。この論文では、個々人が想起のヒント段階においてどのようにして以前に学習したグラフ構造情報を再現するのかを探り、異なる記憶のパフォーマンスにおける再活性化パターンとグラフ間距離との関係を分析した。
論文出典
この研究はSimon Kernおよびそのチームによって行われ、研究チームのメンバーはハイデルベルク大学医学心理学科、計算精神医学センター、医学心理学および行動神経生物学研究所など複数の機関に所属している。論文は2023年5月29日に《eLife》誌に発表され、レビュー編集者はAnna C Schapiroである。
研究フロー
研究方法とフロー
この研究では、グラフ学習課題と機械学習技術を組み合わせて記憶想起に関連する神経イベントを研究した。先行研究では、脳磁図（MEG）と機械学習技術を組み合わせて、記憶、計画、推論など複数の環境においてシーケンス再生を行う人間の活動を明らかにした。本研究では、10個のノードと12本のエッジで構成される有向循環グラフを学習させた後、8分間の休息を経てヒントによる想起課題を行うというグラフベースの学習課題を設計した。
具体的な手順
局所測定課題（Localizer Task）： 参加者はMEGスキャナーで局所測定課題を行い、それぞれのグラフの10個の項目を擬似ランダム順に50回提示し、聴覚と視覚刺激を組み合わせて多感覚活動パターンを抽出する。
グラフ学習課題（Graph Learning）： 学習段階では、参加者は試行錯誤を通じてグラフ内の項目シーケンスをマスターすることが求められる。各グラフのノードには直接的な次任者と前任者が1つずつあるが、枢要となる2つのノードではそれぞれ直接的な前任者と次任者が2つある。学習課題終了時には、少なくとも80%の正確率に達するか、最大で6つの学習ブロックを完了することが必要である。
休息状態（Resting State）： 学習課題の後、参加者は8分間目を閉じて休息をする。この段階の記録データは本研究では報告されていない。
想起課題（Retrieval Task）： 想起課題は学習課題と同じであるが、フィードバックは提供されない。参加者はヒントとして提示される各試行で3つの選択肢から正しい次任者を選ぶ必要がある。
デコード及びデータ処理
研究チームは、MEG記録から抽出された神経活動パターンを解析し、Pythonの機械学習ライブラリScikit-learnを使用してlasso正則化ロジスティック回帰を行い、交差検証によりデコードの正確性を確定させた。デコーダーは各被験者および各種刺激に独立しており、訓練済みのデコーダーを用いてヒント想起試験における現在の画像ヒント確率を推定した。
主な結果
行動結果： ほとんどの参加者は、有向グラフに埋め込まれた10個の画像シーケンスを成功裏に学習した。8分間の休息後、想起のパフォーマンスはわずかに向上しただけであり、短時間での記憶の固定化プロセスは限定的である可能性がある。
デコーダーの正確性： 局所測定課題におけるデコーダーの平均ピークデコード正確性はおよそ42%であった。デコーダーはヒント想起時において現在のヒント画像を効果的にデコードでき、その正確性はランダムレベルを有意に上回った。
シーケンス再生分析： 時間遅延線形モデル（TDLM）手法を用いた結果、低パフォーマンス参加者の前向きシーケンス再生が強く、高パフォーマンス参加者は同時（クラスター）再活性化に傾向があることが確認された。これは、海馬の再生は記憶痕跡の安定性に依存する可能性を示唆している。
クラスター再活性化： 高パフォーマンス参加者はヒント画像提示後の220-260ミリ秒内に著しいクラスター再活性化を示し、この再活性化の強度はグラフ構造の距離に関連しており、近距離項目の再活性化強度は遠距離項目よりも高かった。
タスクパフォーマンスと脳ネットワークの再活性化の関係： 研究は再活性化の強度がグラフ構造の距離に関連し、正しい想起の試験においてのみ顕著であることを示した。この発見は、効果的な再活性化がタスクパフォーマンスにとって重要であることを浮き彫りにしている。
研究結論
本研究は、記憶想起における異なるパフォーマンスの被験者間で顕著な差異を発見した。低パフォーマンスは以前学習した内容の前向きシーケンス再生に依存し、高パフォーマンスは同時的なクラスター再活性化に傾向があった。このメカニズムの存在は、記憶の固定化進行に伴って再活性化戦略の動的変化を示唆している。
クラスター再活性化の強度は、グラフ構造内のノード距離を反映しており、認知マップ研究に新たな証拠を提供している。この発見は、高記憶パフォーマーが情報を想起する際、段階的なシーケンス検索ではなく、長期的に固定化された記憶マップに依存していることを示唆している。
研究のハイライト
本研究は、行動実験と脳磁図技術を組み合わせることで、人間の記憶再活性化における新たなメカニズムを明らかにし、特に複雑なグラフ構造内の記憶想起プロセスを解明した。研究は想起戦略の違いと記憶パフォーマンスとの関係を発見し、脳内の記憶ネットワークの理解に新たな視角を提供している。
制限と展望
試験数と設計の制限： 研究の試験数は比較的少なく、特に誤答の分析においては限られている。このことが結果の普遍性と統計の頑強性に影響する可能性がある。
学習ブロック数の違い： 条件に基づく学習を使用したため、参加者は学習ブロック数に大きな違いがあり、学習進行の比較が難しくなっている。
今後の研究では、想起練習の操作、保持期間の延長、およびより複雑なグラフタスクの導入を通じて、異なる記憶再活性化メカニズムを体系的に探索することができるかもしれない。これらの研究は、異なる学習経験や記憶の固定化条件における再生と再活性化戦略の動的変換プロセスの解明に役立つ可能性がある。