Один из проектов, с которых начиналась лично моя работа в лаборатории, казался мне очень интересным, с хорошей командой и продуманной научной темой. К сожалению, в процессе работы над этим проектом мы с коллегами постепенно понимали, что и выдвинутые нами гипотезы не подтверждаются, и эксперимент спланирован не так тщательно, как нам казалось. По мере сбора данных (а мы хотели собрать данные об активности мозга во время решения определённых задач более чем у ста человек – это достаточно большая выборка, особенно если на одного человека уходит более двух часов) руки опускались всё больше и больше. Мы чувствовали себя как герои популярной среди научного сообщества пародии на одну из песен Леди Гаги.
К счастью, наука движется очень даже нелинейно. В основном эксперименте задачей участников было решать несложные арифметические и алгебраические задачки, в то время как мы во время решения анализировали ЭЭГ – суммарную биоэлектрическую активность (другие подробности пока не важны). Как и во многих других современных нейрофизиологических экспериментах, мы не только смотрели основные эффекты, но и учитывали большое количество дополнительных факторов. Дополнительные факторы – это те, которые напрямую не влияют на проверку поставленных гипотез, но позволяют сделать измерения эффектов более точными. В нашем случае, кроме самого решения задач, мы выбрали в качестве дополнительных переменных, во-первых, индивидуальные различия в общем интеллекте (логично ведь, что решать задачи люди с разным уровнем интеллекта могут по-разному), а во-вторых, фоновый уровень мозговой активности, когда человек в течение нескольких минут просто сидит и смотрит перед собой, стараясь расслабиться и ни о чем не думать (чтобы потом этот «фон» сравнивать с экспериментальным заданием).
Итак, сидим мы в лаборатории и в очередной раз грустим, что ничего из того, что было запланировано, не получается. Во-первых, в формулировках некоторых задач, которые мы предлагали участникам эксперимента, мы нашли ошибки. Во-вторых, остальные задачи оказались слишком лёгкими, люди решали их слишком хорошо (в психометрике это называется эффектом потолка). А это значит, что нам будет гораздо сложнее увидеть различия между людьми, в которых мы хотели разобраться. Тем временем на глаза нам попадается любопытная статья по одной из близких нам тем: нейрофизиологической основе интеллекта. В этой статье авторы пытаются проверить одну из классических теорий интеллекта – теорию нейрональной эффективности. Согласно ей, высокий интеллект связан с более эффективной переработкой информации: уже существует много данных о том, что люди с более высокими баллами в специализированных тестах интеллекта при решении задач демонстрируют более низкие затраты глюкозы и кислорода – источников энергии в мозге. Однако какие именно характеристики мозга позволяют так экономить энергию, до сих пор до конца не ясно. И вот в статье, которая нам попалась, авторы пытаются связать механизм экономии энергии с некоторыми характеристиками связей между разными участками в мозге. Причём если обычно смотрят на характеристики активности мозга в момент решения задач, в этой статье пытаются связать различия в интеллекте с так называемой естественной, или внутренней (intrinsic – у этого термина нет пока в данном контексте удачного перевода на русский язык), активностью. А измеряют эту «естественную» активность как раз в тот момент, когда человек сидит и ничего не делает. Другими словами, в наших терминах, измеряют фоновую активность, которая есть и у нас в исследовании, притом как раз вместе с замерами интеллекта.
Дальше мы читаем статью внимательнее и понимаем, что подход авторов кажется нам небезынтересным, но недостаточно продуманным. В статье авторы предлагают рассмотреть в качестве механизма экономии энергии «мозговую связанность» (brain connectivity). Для её оценки в статье предложен специальный индекс, который учитывает степень похожести в активности соседних областей мозга. И вот, глядя на этот индекс, мы понимаем, что есть целый раздел математики, теория графов, который позволяет анализировать сходства не только в каком-то небольшом количестве соседних областей, а во всем мозге сразу.
Теория графов – это раздел дискретной математики, который изучает множества точек (вершин) и связей между ними (рёбер) в виде сетевых структур – графов. Графы имеют как локальные характеристики (например, количество связей одной вершины со всеми остальными), так и глобальные характеристики (например, среднюю «длину пути» между всеми вершинами – среднее количество «шагов», которые нужно сделать, чтобы перейти от одной вершины к другой). Современная теория графов лежит в основе алгоритмов поиска в интернете, криптографии, геоинформационных систем и многого другого.
Несмотря на то что теория графов – это давно существующий раздел математики, до недавнего времени она мало применялась для анализа активности мозга. Поэтому, как это часто бывает, от идеи того, что нужно анализировать графы, до конкретной реализации и анализа наших данных прошло совсем немало времени (в некоторых технических особенностях анализа мы продолжаем разбираться до сих пор). Но в итоге нам повезло и наша гипотеза о связи графовых метрик мозговой активности оправдалась: мы показали, что характеристики длин путей внутри и «глобальная эффективность» графа коррелировали с индивидуальными различиями в интеллекте участников нашего исследования (позже мы даже показали это на другой выборке и с другими способами измерения интеллекта). Таким образом, неудачный проект, пусть и не в своей основной части, принёс наконец какие-то интересные результаты. А рождённый в процессе подход даже стал целым небольшим отдельным направлением в работе лаборатории. Но это уже другая история.
Развивать и дополнять образовательный трек можно также с помощью онлайн-курсов от Росатома. Научиться управлять проектом и строить эффективные коммуникации, освоить блокчейн и технологии искусственного интеллекта, спланировать коммерческий успех и прокачать soft-скиллс можно онлайн и прямо сейчас!
Иллюстрация: Елена Рюмина
