Expertise shifts predictive motor control from execution to error-corrective dynamics

技術要約：熟達は予測的運動制御を実行から誤差修正ダイナミクスへとシフトさせる

問題提起
運動スキルの獲得は、予測制御と誤差処理の最適化に依存しているが、努力を要する熟考から自動的かつ効率的なパフォーマンスへの移行を支える神経生物学的メカニズムについては、依然として十分に理解されていない。古典的なモデルは、適応的行動が強化された刺激反応ポリシーから生じると示唆しているが、現代的なフレームワークは、脳が予測を生成し誤差を修正するために内部モデルを利用する自己調節システムとして機能すると仮定している。解析において、持続的な予測制御（フィードフォワード実行）と一過性の誤差駆動型変調（フィードバック修正）の神経ダイナミクスを分離することには、分析上の大きな隔たりが存在する。さらに、熟達が、質的に異なる神経ネットワークの出現を伴うのか、あるいは既存のアーキテクチャのより高い効率化に向けた再構成を伴うのか、そしてこれらの機能的シフトがいかにして基礎となる微細構造の可塑性と結びついているのかについても不明である。

方法論
本研究では、41名の熟達した野球・ソフトボール選手（中央値24歳、競技経験10年以上超）と46名の非運動系コントロール群を含むマルチモーダル・ニューロイメージング・アプローチを用いた。参加者は、動くターゲットを捕捉するために予測的なボタン押しを行う予測的運動タイミング課題（「シューティング」）を行い、これと対照的な反応的制御課題（「クロス」）を実施した。

• 撮像プロトコル: データは3T Siemens Prismaスキャナーを用いて取得された。これには、高解像度T1/T2構造スキャン、構造コネクトーム再構成のための拡散強調画像（DWI）、およびタスクベースの機能的MRI（fMRI）が含まれる。小脳および基底核の高分子環境を調査するために、特殊な断熱T₁ρシーケンスが適用された。
• 微細構造解析: ニューライトの方向分散および密度を推定するために、NODDI（Neurite Orientation Dispersion and Density Imaging）が用いられ、NDI（Neurite Density Index）およびODI（Orientation Dispersion Index）が算出された。T₁ρ緩和時間は、高分子相互作用を評価するためにモデリングされた。
• 解析フレームワーク: 本研究では、構造コネクトームに基づいた階層的ベイズ・フレームワークを利用した。
  • 第1レベル: タスク関連のBOLD応答は、統合ネスト・ラプラス近似（INLA）を用いた空間的ベイズ一般線形モデル（GLM）を用いてモデリングされた。このアプローチでは、単純な距離ベースの平滑化ではなく、被験者固有の構造コネクトーム（iFOD2トラクトグラフィーおよびSIFT2重み付けにより導出）を用いて、パーセル間の空間的依存性を明示的にモデル化した。
  • 第2レベル: Stanで実装された階層的ベイズモデルにより、4つの対比（コントラスト）にわたってグループ間の差異（熟達者 vs コントロール）を共同推定した。(1) 予測的運動（shooting > cross）、(2) 誤差変調、(3) 予測の速度スケーリング、(4) 誤差の速度スケーリング。モデルは、パーセルレベルの偏差を許容しつつ安定性を向上させるために、解剖学的領域にパーセルをグループ化するクリークベースの正則化を組み込んだ。
• 品質管理: 過度な動きや多変量不安定性を伴うセッションを厳格な段階的QCによって除外し、最終分析には41名の熟達者と46名のコントロールを残した。

主な結果

• 行動パフォーマンス: 熟達者は、コントロール群と比較して予測的シューティング課題において有意に高い正確性を示したが、反応的制御課題におけるパフォーマンスは両群間で同等であった。
• 機能的ダイナミクス（予測 vs 誤差）:
  • コントロール群: 予測的制御は、感覚運動、背側注意、視空間、および前頭頭頂ループを含む分散型ネットワークを動員した。決定的なことに、コントロール群における誤差変調は、これらと同じタスクポジティブネットワーク内での負の影響を特徴としており、偏差が生じた際に予測システムがダウンレギュレーションされることを示唆していた。
  • 熟達者: 熟達は、優れたパフォーマンスを示すにもかかわらず、予測的実行時における減衰した機能的応答（感覚運動および背側頭頂ネットワークにおけるBOLD信号強度の低下）と関連していた。逆に、熟達者は、特に誤差変調の際に前頭頭径および視空間ネットワークにおける強化された活性化を示した。
  • 速度スケーリング: コントロール群では、タスクの難易度（速度）の上昇に伴い、高次監督システム（時間、辺縁系、前頭前野）が動員された。熟達者においては、予測に対するスケーリングは減衰していたが、誤差処理に対するスケーリングは増幅されており、これはリソース配分が、一般的な努力のスケールアップから、予期せぬ偏差の管理へとシフトしていることを示している。
• 微細構造の再編成:
  • 皮質: 熟達者は、背側注意、感覚運動、および前頭頭頂制御ネットワークにおいて、一貫してやや高いNDIおよびODIを示した。これは、樹状突起の分岐複雑性の増加を示唆している。
  • 小脳: 乖離したプロファイルが観察された。熟達者は、特定の小葉（VI, VIII）および脚部において、高いNDI（ニューライト密度の高さを示す）と低いODI（繊維のコヒーレンスの高さを示す）、および速いT₁ρ緩和（高分子相互作用の強化を示唆）を示した。これは皮質のパターンとは対照的であり、迅速なアルゴリズム修正のための特化した構造的チューニングを暗示している。

主要な貢献

1. 制御モードの解離: 本研究は、持続的な予測制御と誤差駆動型変調を正常に解離させ、熟達が単に誤差信号を最小化するだけでなく、誤差修正ダイナミクスへと処理リソースを再配分することを実証した。
2. ネットワークの効率性: スキルの最適化が、分散した努力的な活性化から、より効率的で合理化された予測アーキテクチャへの移行を伴うことを示す証拠を提供した。ここでは、実行の「コスト」が軽減され、リソースは不確実性を扱うために確保される。
3. 微細構造の相関: これらの知見は、ニューライト密度や方向コヒーレンスを含む小脳における微細構造の変化と機能的効率性を結びつけ、経験依存的なシナプスおよび構造的リモデリングの仮説を支持している。
4. 方法論的進歩: 構造コネクトームに基づいた階層的ベイズ・モデルの適用により、従来の質量単変量アプローチでは隠蔽される可能性のある、分散した微小な効果を検出することが可能となった。これは、ネットワークダイナミクスの分析において、より生物学的に妥当なフレームワークを提供するものである。

意義および主張
本論文は、運動の熟達が、主に予測的なフィードフォワード・モードから、誤差修正型のレジームへのシフトを意味すると主張している。この移行により、脳は確立された経路における冗長性を減少させ、予期せぬ情報への処理能力を再配分することが可能となる。これは、効率的符号化理論と一致する。著者らは、この最適化が単一の支配的なノード（小脳のみなど）によって駆動されるのではなく、分散した皮質・皮質下ネットワークの相乗的かつ階層的な統合から生じると考えている。

本研究は、最適化された階層的制御の「特徴」は、この機能的ダイナミクスと微細構造の基礎（繊維コヒーレンス、ニューライト区画、および高分子環境）の協調的な再バランス化であると結論付けている。著者らは、横断的研究のデザインが、既成の素因と訓練による可塑性を区別する能力を制限していることを認め、因果推論については控えめな姿勢を保っている。また、本研究の結果はこれまでの単一モダリティの研究と一致しているが、マルチモーダルな統合が、脳が予測誤差に基づく修正を通じて更新される統合システムとして機能するという「スーパーラーニング」仮説に対して、より包括的な視点を提供するものであると述べている。これらの機能的および微細構造的変化の経時的な結合を明らかにするためには、将来的な縦断的研究が必要であると特定されている。