一项发表在《先进科学》杂志上的新研究表明，大脑使用两个不同的大规模网络来识别记忆中的音乐序列。其中一个网络负责一般声音处理，而另一个网络则专门用于将传入信息与记忆进行比较并检测预测错误。这些发现提供了一个更全面的视角，展示了大脑如何通过广泛神经系统的协调活动来支持复杂的认知功能。
预测编码理论认为，大脑会不断对传入的感官信息生成预期。当现实与这些预期不符时，大脑会通过一个称为"预测错误"的过程来更新其预测。
过去关于这一主题的大部分研究都集中在小范围脑区或狭窄的频带。这些研究帮助识别了预测的一些基本组成部分，例如对意外声音的早期感官反应。但它们往往忽略了多个脑区如何作为网络进行合作，特别是在涉及记忆复杂序列（如音乐）的任务中。
在这项新研究中，一个研究团队试图解决我们对预测编码在全脑层面如何工作的理解缺口。该研究由奥胡斯大学音乐与大脑研究中心和牛津大学幸福与人类繁荣研究中心的副教授列奥纳多·博内蒂（Leonardo Bonetti）以及奥胡斯大学音乐与大脑研究中心和根特大学系统音乐学研究所的研究员马蒂亚·罗索（Mattia Rosso）领导。
"多年来，我们（列奥纳多·博内蒂和马蒂亚·罗索）一直对理解大脑在感知、记忆或预测声音时如何在不同区域组织其活动感兴趣。大多数现有的分析工具都集中在小范围的脑区或预定义的连接上，这意味着我们常常错过了更广泛的系统级画面。此外，一些方法依赖于相当强烈的假设或相当复杂的分析程序，这限制了研究结果的可解释性，"研究人员告诉PsyPost。
"我们希望通过创建一种新方法来克服这些局限性，这种方法能够捕捉大脑的全部动态活动，以及多个区域如何实时合作。这一动机促使我们开发了BROAD-NESS框架，它以一种简单、有效、快速且高度可解释的方式识别宽带脑网络。我们的目标是为研究人员提供一个既数学严谨又易于使用的工具，使他们能够在不对数据施加强假设的情况下绘制大规模脑部交互图。"
该研究涉及83名年龄在19至63岁之间的志愿者。参与者首先聆听并记忆了一段约翰·塞巴斯蒂安·巴赫的短音乐作品。在记忆阶段之后，使用脑磁图（MEG）记录他们的脑活动，这是一种以高时间精度测量大脑电活动产生的磁场的技术。
在记录过程中，参与者聆听了135个不同的五音符音乐片段。其中一些片段直接取自他们记忆的作品，而其他则是新的变体。对于每个片段，参与者必须指出它是否是原始音乐的一部分（"记忆的"）或新的变体（"新奇的"）。
分析的核心是名为BROAD-NESS的新方法，它是"BROadband brain Network Estimation via Source Separation"（通过源分离进行宽带脑网络估计）的缩写。研究人员首先使用MEG数据估计了大脑中3,559个点（或体素）上的神经活动位置。
然后，他们对这个庞大的数据集应用了称为主成分分析（PCA）的统计技术。该方法识别了所有脑体素之间同步活动的主要模式，每个主要模式代表一个独立的、同时运行的脑网络。分析还量化了每个网络解释的大脑总活动的比例。
这两个主要网络共同解释了任务期间记录的宽带、源重建MEG数据中约88%的方差。第一个网络解释了大部分活动（约72%），以听觉皮层和扣带中回为中心。
该网络的活动在所有条件下显示出较为一致的模式，在记忆和新奇序列之间的差异不太明显。这种模式表明其主要作用是在听到声音时进行基本的声音处理。
第二个网络解释了较小但显著的部分活动（约16%）。该网络也包括听觉皮层，但延伸至涉及记忆和高级处理的区域，如海马体、前扣带、岛叶和颞下区域。
与第一个网络不同，第二个网络的活动高度依赖于实验条件。它的动态似乎反映了将传入声音与存储记忆匹配并标记预测错误的过程，当声音偏离预期时。
"关键要点是，大脑作为一个动态网络工作，而不是作为孤立区域的集合，"博内蒂和罗索解释道。"当我们记住一个声音或预测接下来会发生什么时，许多大脑区域同时相互作用，这些相互作用的质量影响我们执行任务的效果。"
"使用BROAD-NESS，我们发现听觉皮层不仅仅一次只做一项工作。相反，它们参与了两个主要网络：一个专注于处理声音的感官细节，另一个支持记忆和预测过程，连接到海马体和前扣带皮层等更深层的脑结构。"
为了更好地理解这些网络的时间和组织，研究人员使用了额外的分析技术。其中一种称为递归量化分析的方法，检查了网络活动随时间的稳定性和可预测性。
结果表明，当参与者聆听正确记忆的音乐序列时，两个网络的联合活动更加结构化和稳定。在所有参与者中，这种增加的稳定性与任务表现更好相关，包括更高的准确性和更快的反应时间。这提供了证据，证明有组织和递归的网络动态与成功的认知功能相关。
"有趣的是，那些在这些网络之间显示出更稳定和递归交互的参与者在记忆识别方面的表现也更好，"博内蒂和罗索说。"简单来说，当大脑网络以稳定和协调的方式协同工作时，认知变得更加高效。"
一项单独的分析聚焦于网络的空间组织。通过基于脑体素在两个网络中的参与度对它们进行聚类，研究人员发现了一个细致的参与模式。一些脑区，如听觉皮层的部分区域，在两个网络中都高度活跃，表明它们充当了对声音感知和基于记忆的预测都有贡献的枢纽。
其他区域则更加专业化，对一个网络贡献较大而对另一个网络贡献较小。例如，扣带中回主要参与第一个网络，而海马体是第二个网络的关键组成部分。
该研究还为大脑组织的"双通路"假说提供了新视角。最初为视觉描述的这一模型提出了处理物体"是什么"与"在哪里"的分离通路。本研究中确定的第二个网络与"是什么"通路（或腹侧通路）非常吻合，因为它涉及对识别和记忆至关重要的区域。
然而，第一个网络并不能清晰地映射到传统的"在哪里"通路上。相反，它似乎代表了一个参与持续听觉注意和处理的独特系统，表明听觉记忆的组织比以前认为的更为复杂。
"虽然我们期望看到听觉和记忆系统之间的联系，但真正突出的是听觉皮层同时参与了两个不同的大规模网络：一个用于感知，一个用于预测，"博内蒂和罗索告诉PsyPost。"这表明同一脑区可以根据上下文灵活地贡献于不同的计算角色。这种模式证实，大脑从根本上组织起来以支持并行处理，其中多个认知操作同时运行并在实时中相互影响。"
该研究存在一些局限性。虽然任务对研究有效，但相对简单，不涉及现实世界音乐聆听的复杂性。未来的研究可以使用BROAD-NESS方法来研究更自然体验期间的脑网络动态。
研究人员还计划将此框架应用于研究临床人群。研究这些大规模网络动态在影响记忆或预测处理的疾病（如阿尔茨海默病或精神分裂症）患者中如何不同，可能会为这些疾病的神经基础提供新见解。
"我们的下一步有两方面，"博内蒂和罗索说。"首先，我们希望继续完善BROAD-NESS框架，提高其可访问性和可扩展性，以便其他研究人员可以将其应用于自己的数据。其次，我们计划将其应用于各种数据集，包括健康个体和临床人群，以探索大规模脑网络在健康和疾病之间如何不同。"
"最终，我们希望这种方法不仅能帮助我们更好地理解大脑在一切正常时如何工作，还能了解在病理条件下发生的变化。从长远来看，这可能有助于开发基于全脑网络动态的新生物标志物或干预目标。"
"我们最看重BROAD-NESS的一点是它是完全数据驱动和透明的，"博内蒂和罗索补充道。"该流程旨在以易于解释的方式整合空间、时间和动态分析，使其不仅适合神经科学专家，也适合心理学、医学和计算科学领域的研究人员。"
"更广泛地说，这项工作与一项日益增长的努力相一致，即从研究大脑中事情发生的位置转向理解它们如何作为活的动态系统的一部分展开和相互作用。这是我们希望为之做出贡献的大局。"
这项题为"BROAD-NESS揭示听觉记忆网络中预测编码的双通路机制"的研究由列奥纳多·博内蒂、赫玛·费尔南德斯-鲁维奥（Gemma Fernández-Rubio）、马蒂亚斯·H·安德森（Mathias H. Andersen）、基亚拉·马尔瓦索（Chiara Malvaso）、弗朗切斯科·卡尔洛马尼奥（Francesco Carlomagno）、克劳迪娅·泰斯塔（Claudia Testa）、彼得·武斯特（Peter Vuust）、莫滕·L·克林格巴赫（Morten L. Kringelbach）和马蒂亚·罗索共同完成。
【全文结束】
