Trial-level Representational Similarity Analysis

人間の脳は、思考し、感じ、世界を知覚するにつれて絶えず変化し続ける、電気活動の広大で静かな風景である。数十年にわたり、科学者たちはこの活動をマッピングして心の仕組みを理解しようと試みてきた。そこでは、特定のニューロンの発火パターンが私たちの内的な経験を代弁するものとして、脳を複雑な機械のように扱ってきた。これらのパターンを理解するために、研究者たちは「表現類似性解析（representational similarity analysis）」と呼ばれる手法を開発した。群衆を見ているとき、彼らが何を話しているかを聞くのではなく、互いの顔がどれほど似ているかを測定することで、その関係性を理解しようとする場面を想像してほしい。脳において、科学者たちは同様のことを行っている。つまり、人が猫と犬、あるいは赤い円と青い正方形といった異なるものを見たときの脳活動が、どの程度似ているかを測定するのである。これらのパターンを比較することで、脳がどのように情報を整理しているのかという地図を構築することができ、脳が似たものをグループ化しているのか、それとも区別しているのかを明らかにできる。このアプローチは、人間の思考の構造を探求するための標準的なツールとなったが、その有用性にもかかわらず、従来の方法には、人間の経験の重要な詳細を見落としてしまう盲点が存在していた。

長年、標準的な手法は、一連の脳スキャンを単一の平均化されたデータの塊として扱ってきた。研究者がこの古典的な手法を用いたとき、彼らは多くの異なる項目間の全体的な類似性を一度に観察し、脳が世界をどのように表現しているかという大まかな全体像を描き出してきた。しかし、この方法には重大な限界があった。それは、個々の時間の寄与を重み付けすることができなかった点である。それはまるで、写真家が動いているシーンの写真を100枚撮り、それらすべてを平均して一枚のぼやけた画像を作り、その後で一人の人物の表情の詳細を分析しようとしているようなものだった。旧来の手法は、個々の試行間の差異を平滑化してしまうため、人による違いや、特定の刺激による違い、あるいは同一の実験内での瞬間ごとの違いといった自然な変動を説明することに苦慮した。これらの変動は単なるノイズではない。それらは、私たちの独自の歴史や、各瞬間の特定の文脈に影響される、私たちの脳が機能する仕組みそのものである。古典的なアプローチは、これらの個別の変動を無視することで、私たちの認知生活を駆動する微細だが実在する効果を見逃してしまうことが多かった。

これに対処するため、研究者たちは「試行レベル表現類似性解析（trial-level representational similarity analysis）」と呼ばれる新しいフレームワークを導入した。すべてを平均化する代わりに、この新しい手法は、個々の実験試行ごとの脳の表現の強さに着目する。これは、あらゆる単一のデータモーメントを、それ自体で重み付けし分析できる独立したイベントとして扱うものである。研究者たちはまず、この新しいデータの見方が、全試行にわたる表現の全体的な強さを測定する際に旧来の手法と一致することを確認し、この新しいツールが結果を捏造しているのではなく、精緻化していることを裏付けた。次に、彼らは単純なパターンから複雑でノイズの多い条件まで、起こりうる幅広いシナリオを模倣したシミュレーションデータを用いて、両方のアプローチをテストした。これらのシミュレーションにおいて、新手法は伝統的なアプローチよりも、真の効果に対して有意に高い感度を示した。新手法は、信号が存在する場合にそれをより的確に捉えることができ、実験が実際に行われる際の自然な階層構造を尊重するという、より理論的に妥当な方法で行われた。

研究者たちはシミュレーションにとどまらず、人間の参加者から収集された実際の機能的磁気共鳴画像法（fMRI）データにこの新手法を適用した。ここで、彼らは古典的なアプローチにおける、これまで気づかれなかったいくつかの問題点を明らかにした。伝統的な手法は、現実世界のデータが変動する特有の様態を扱うことができなかったため、誤った結論を導くことがあった。新しい試行レベルのフレームワークはより堅牢であり、ノイズを切り抜けて、旧来の手法が覆い隠していたパターンを明らかにした。最も重要なことは、この新しいアプローチによって、チームが以前のツールでは決して見ることができなかった斬新な洞察を得られたことである。彼らは、脳が情報を符号化する方法に関する具体的な詳細が、個々の試行のユニークな特性に依存していることを発見したが、これらの発見は平均化のぼやけの中に消えていたはずのものである。集団から個別の瞬間へと焦点を移すことで、この研究は、脳を理解するためのより精密で多才な方法を提示しており、「全体像を見るための鍵は、時に最小の細部にこそある」ということを証明している。