Understanding pain using neural data, computational models, and theories in physics

국문 초록 (Abstract)

통증은 단순히 감각 입력에 의해서만이 아니라, 인지와 정서의 상호작용에 의해 구성되는 복잡하고 주관적인 경험이다. 기존의 통증 연구들은 이러한 복잡성을 이해하기 위해 통증을 별개의 심리학적 및 생물학적 요소로 나누고, 이들이 뇌의 어느 영역과 관련 있는지에 대해 연구해 왔다. 이러한 프레임워크는 통증 처리가 어디서 일어나는지에 대한 공간적 정보는 제공했지만, 1) 이러한 요소들이 어떻게 통합되는지에 대한 설명이 부족하고, 2) 이렇게 환원된 요소들이 통증의 다면적인 측면을 설명하기에 충분한지에 대해서는 한계가 있었다. 본 학위논문은 신경 데이터, 계산 모델링, 그리고 물리학 이론을 통합함으로써 이러한 한계점들을 해결하고자 한다. 제1장에서는 통증의 정의와 통증 연구의 역사를 소개한다. 제2장에서는 뇌가 통증 구성 요소들에 대한 정보를 어떻게 통합하는지 조사한다. 우리는 통증에 대한 기대감과 감각 입력에 초점을 맞추었으며, 이러한 정보 유형들이 어떻게 보존되고 통합되는지를 규명하였다. 통증의 특정 구성 요소들에 대한 분석이 우리의 통증에 대한 이해를 특정 개념에 국한시킨다는 점을 인식하여, 제3장에서는 통증을 일반적인 물리 원칙의 한 사례인 ‘이력 현상(hysteresis)’으로 재정립한다. 이력 현상이란 시스템의 출력이 현재의 입력뿐만 아니라 이전 상태의 역사(이력)에 의존하는 현상을 말한다. fMRI 실험과 계산 모델(즉, 순환 신경망[RNN])을 사용하여, 우리는 이력 현상을 지배하는 구조적 원리를 규명한다. 마지막으로 제4장에서는 본 연구의 시사점과 향후 연구 방향을 논의한다. 종합적으로, 본 학위논문은 통증을 특정 뇌 영역과 연관시키는 것에서 나아가 어떻게 통증이 만들어지는지에 대한 기전적 설명을 제공하며, 뇌가 주관적인 경험을 어떻게 구성하는지를 이해하기 위한, 다양한 범주의 행동에 적용 가능한 물리 기반의 신경계산연구의 프레임워크를 제안한다.

다국어 초록 (Multilingual Abstract)

Pain is a complex, subjective experience constructed not merely by sensory inputs but by a dynamic interplay of cognitions and bodily states. Previous pain studies have sought to understand this complexity by reducing pain into distinct psychological and biological components and localizing them to specific brain regions. While this framework has provided spatial information of where pain processing occurs, it is limited in that 1) it lacks an explanation of how these components are integrated, and 2) whether these reduced components are sufficient to explain the multifaceted aspects of pain. This dissertation addresses these limitations by integrating neural data, computational modeling, and theories in physics. In Chapter 1, we introduce the definition of pain and review the history of pain studies. Chapter 2 investigates how the brain integrates information about pain components. We focused on expectations and sensory inputs for pain, and demonstrated how these information types are preserved and integrated. Recognizing that analyzing pre-defined components restricts our understanding to specific constructs, Chapter 3 reframes pain as an instance of general physical principles—hysteresis, a phenomenon wherein a system's output depends on both its current input and its history of prior states. By using fMRI experiments and computational models (i.e., recurrent neural networks), we identify the structural principles governing the hysteresis. Finally in Chapter 4, we discuss implications and future directions. Overall, this dissertation provides mechanistic explanations beyond spatial localizations of pain, and suggests a generalizable physics-informed neurocomputational framework for understanding how the brain constructs subjective experiences.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1. Nature and definition of pain 1
• 1.2. Previous studies of pain in the brain 2
• 1.3. Overview of the dissertation 4
• Chapter 2. A computational mechanism of cue-stimulus integration for pain in the brain 6
• 2.1 Introduction 6
• 2.1.1 Motivations 6
• 2.1.2 Overview 7
• 2.2 Materials and methods 9
• 2.2.1 Participants 9
• 2.2.2 Thermal stimulation 9
• 2.2.3 Semicircular rating scale 10
• 2.2.4 Experimental procedure 13
• 2.2.5 fMRI data acquisition and preprocessing 15
• 2.2.6 Multilevel general linear model (GLM) analysis 16
• 2.2.7 Cue and stimulus subspaces 19
• 2.2.8 Encoding performances in subspaces 24
• 2.2.9 Reconstructing ratings from inter-trajectory distance 25
• 2.3 Results 27
• 2.3.1 Behavioral evidence for cue-stimulus integration in pain 27
• 2.3.2 Computational and organizational hypotheses about pain integration 27
• 2.3.3 Preservation of pain components in unimodal brain networks 34
• 2.3.4 Preservation of pain components in transmodal brain networks 38
• 2.3.5 Neural evidence for cue-stimulus integration in the limbic and default mode networks 44
• 2.4 Discussion 51
• 2.4.1 Summary and Implications 51
• 2.4.2 Limitations and future directions 53
• 2.4.3 Conclusion 56
• Chapter 3. A Neurocomputational Basis for Hysteresis in Pain 57
• 3.1 Introduction 57
• 3.1.1 Motivations 57
• 3.1.2 Overview 58
• 3.2 Materials and methods 59
• 3.2.1 Participants 60
• 3.2.2 Thermal stimulation 60
• 3.2.3 Experimental procedure 61
• 3.2.4 fMRI data acquisition and preprocessing 62
• 3.2.5 Training RNN models 63
• 3.2.6 Targeted dimensionality reduction 64
• 3.2.7 Modulating the degree of hysteresis 67
• 3.2.8 Calculating autocorrelation and variance 67
• 3.3 Results 68
• 3.3.1 Continuous and discrete forms of hysteresis in pain perception 68
• 3.3.2 Both continuous and discrete perception in pain exhibit hysteresis 70
• 3.3.3 Trained RNNs also exhibit hysteresis 76
• 3.3.4 Similar dynamics between RNNs and fMRI activity 81
• 3.3.5 Self-recurrent and lateral weights complementarily drive hysteresis in RNN 86
• 3.3.6 Similar activity patterns between RNN and fMRI activity 90
• 3.4 Discussion 92
• 3.4.1 Summary and implications 92
• 3.4.2 Limitations and future directions 94
• 3.4.3 Conclusions 95
• Chapter 4. Conclusion 96
• 4.1. Summary 96
• 4.2. Future directions 96
• 4.2.1. Hysteresis as a general principle of behavior 96
• 4.2.2. Bifurcations 97
• 4.2.3. Biological targets 98
• 4.2.4. Toward a general framework: promises and limitations 99
• 4.3. Closing remarks 101
• References 103
• Korean abstract 115