ミスマッチ陰性電位（略称：MMN）は、脳波（EEG）記録から得られる事象関連電位の成分の一つです。能動的な注意を必要とする多くの誘発電位とは異なり、MMNは、繰り返される「標準」音の配列の中に、まれに「逸脱」音が現れてその規則性を破ったときに自動的に発生します。この自動的な性質により、被験者が検査中に協力的であるか、あるいは集中力を維持しているかという交絡変数（複雑に絡み合う要因）を排除できるため、臨床および研究ツールとして特に価値があります。
不一致陰性電位（MMN）とは何か？
不一致陰性電位（Mismatch negativity: MMN）は、事象関連電位（ERP）の一種であり、脳波（EEG）によって記録され、脳が音の変化を自動的かつ注意が向けられる前に検出するプロセスを反映しています。この自動的な反応は、通常、同一の標準刺激音の連続を提示した後に、周波数、持続時間、またはその他の音響的特徴が異なる、まれに発生する「逸脱刺激（デヴィアント）音」を提示することによって誘発されます。
脳はこの逸脱を検出し、変化後約100〜200ミリ秒でピークに達する負方向の電位変動を生成します。この特徴的な波形は、頭皮の前頭葉および中央電極上で最も顕著に記録され、不一致陰性電位の主な指標として機能します。
MMNを他の脳の反応と区別する2つの特性があります。
第一に、それは「自動的」であることです。人が本を読んでいたり、無声映画を見ていたり、あるいはその音を完全に無視していても、MMNは依然として出現します。
第二に、それは「注意の前段階（プレアテンティブ）」であることです。脳は、注意が向けられる前に、逸脱音と標準音の記憶痕跡との間で比較を行います。
これらの特性により、MMNは、個人間で障害されていたり変動したりする可能性のある高次認知プロセスとは無関係に、変化を検出する脳の基本的な能力の指標となります。
脳磁図（MEG）で記録されるMMNの磁気的対応物はMMNmと略され、根底にある同じ聴覚変化検出プロセスを表しています。MEGはEEGとは異なる空間感度を提供するため、両方の記録モダリティを組み合わせることで、研究者は異なる脳領域からの寄与を分離しやすくなります。MMNmは聴覚皮質およびその周辺の側頭葉構造に局在しており、この反応が高次の連合領域ではなく感覚処理領域で発生していることを裏付けています。
脳が不一致陰性電位を生成する仕組み
MMNの生成は、聴覚皮質における複雑で動的なニューロンメカニズムによって推進されており、研究者は高度なニューロコンピューショナルモデルを通じてこれを精力的に探求しています。逸脱音がこの反応をトリガーするときに正確に何が起こるかについて、細胞レベルで単一のコンセンサスはありませんが、数十年にわたる科学的探究を形作ってきた2つの主要な仮説があります。それが、順応仮説とモデル調整仮説です。
順応仮説は、聴覚皮質のニューロンが標準音の繰り返しに対して発火率を徐々に低下させる（刺激特異的順応と呼ばれるプロセス）ことで反応すると示唆しています。まれな逸脱音が導入されると、それは順応していない別の新鮮なニューロン群を活性化します。この見解では、MMNは本質的に、順応した神経集団と順応していない神経集団の間の差分反応です。
逆に、モデル調整仮説は、受動的な神経疲労ではなく、能動的な認知メカニズムを提案しています。これは、脳が聴覚環境の予測的な内部モデルを継続的に構築していると仮定します。標準音が繰り返されるとこの予測が強化され、逸脱音が発生するとその予測が裏切られ、脳は内部表現の更新を余儀なくされます。したがって、MMN波形はこの能動的なモデル更新プロセスを反映しています。
予測符号化フレームワークとスパイキングニューロンモデル
これら相反する説明を調和させるために、研究者は統一されたフレームワークとして予測符号化（プレディクティブコーディング）に注目することが増えています。予測符号化は、脳を情報をより効率的に処理するために感覚入力を予測する能動的な予測エンジンとして捉えます。
聴覚皮質は、先行する音から統計的な規則性を学習して予測を生成します。入ってくる刺激がこれらの予測と一致すると、処理はスムーズに進みます。音が逸脱すると、予測エラーが皮質階層を伝播します。結果として、MMNは予測エラー信号の電気生理学的署名（シグネチャー）となります。
生物学的に妥当な聴覚皮質の詳細なスパイキングニューロンモデルが、このフレームワークを裏付けています。このモデルは、興奮性ニューロンと抑制性ニューロンを、明確な機能処理ユニットを含む層状の皮質構造に構成しています。
生の感覚データを受け取る入力ユニット。
学習された環境予測を表す予測ユニット。
入力と予測が競合したときに不一致をシグナルする予測エラーユニット。
NMDA受容体伝達に依存するシナプス学習規則を組み込むことにより、このネットワークは最近の音の遷移統計に基づいて予測を動的に調整します。
この計算モデルは、経験的に観察されているいくつかの重要なMMN特性をうまく説明しています。
周波数依存のスケーリング: MMNの振幅は、逸脱音が標準音とどれだけ異なるかに比例して増加します。
局所的なパターンへの感受性: このモデルは、交互シーケンスにおける予期しない繰り返しに対する反応を再現します（例：交互のABABABシーケンスが突然ABABAAに変化したときに予測エラーを記録する）。これは、グローバルな統計規則ではなく、ローカルな遷移確率への依存を反映しています。
省略反応: このモデルは、予期された音が完全に省略された場合でも予測エラーを生成します。
薬理学的感受性: このモデルはNMDA受容体拮抗薬に対して非常に敏感であり、これらの受容体を遮断するとMMN振幅が減少または消失することを示す臨床研究と一致しています。
さらに、補完的な脳磁図（MEG）実験によってこれらのモデルの主張が検証され、MMN反応が単純なシナプス慣れではなく能動的な皮質予測に起因することが示され、予測符号化の説明に対する強力な経験的裏付けが得られました。
聴覚処理における生成モデルとベイズ推論
もう一つの著名なニューロコンピューショナルモデルは、ベイズ推論の観点から聴覚皮質にアプローチしています。この神経科学的フレームワークは、脳が一般化ベイズフィルタリングを使用して、感覚世界の確率的生成表現を継続的に更新しているモデルとして表します。
このシステムにおいて、MMNは、予測エラーニューロンが階層的動的構造の隠れ状態に関する推論を実行する際に生成される、集合的な電気活動を表しています。このベイズ的アプローチは、経験的データをミラーリングした非常に現実的なMMN波形を生成し、逸脱確率と大きさがどのように反応を形成するかを正確に捉えます。
逸脱音の発生確率が高くなると、予測違反が減少し、MMNの振幅が低下します。
逸脱音と標準音の音響的な違いが少なくなると、MMN反応の潜時が長くなり、その振幅が低下します。
総合すると、予測符号化モデルとベイズモデルの両方が、同じ根本的な真実に収束します。すなわち、MMNは、脳がその聴覚環境を能動的に予測し、感覚的現実が内部の予測と矛盾したときにシグナルを送る電気的署名であるということです。
仮説 | メカニズム | 核心となる考え方 |
|---|---|---|
順応 | 音の繰り返しによりニューロンが疲労する | 順応した集団間の差分反応 |
モデル調整 | 脳が内部モデルを能動的に更新する | MMNは予測違反を反映する |
予測符号化 | 脳が次の感覚入力を予測する | MMNは予測エラーをシグナルする |
統合失調症におけるバイオマーカーとしてのMMN
1990年代初頭以来、健康な個人と比較して統合失調症患者においてMMN振幅が低下していることを示す研究が報告されてきました。この減衰は堅牢かつ系統的であり、研究所、記録プロトコル、患者集団を超えて見られます。
従来の聴覚オドボール課題は、統合失調症患者において、持続時間逸脱と周波数逸脱の両方のMMNに有意な欠損があることを明らかにしています。この障害は非常に信頼性が高いため、MMNは臨床的バイオマーカー（疾患の進行を指標化し、治療の有効性を検証できる客観的かつ生理学的な尺度）として広く提案されています。
異なる音響的逸脱は、病理の異なる側面を追跡します。
周波数逸脱MMN: 振幅の低下は病期の進行に伴って悪化し、病期期間、認知機能の低下、および社会生活機能の低下と密接に相関します。これにより、周波数逸脱MMNは病気の進行の貴重なマーカーとなります。
持続時間逸脱MMN: この領域の欠損は異なる経過をたどり、遺伝的脆弱性により強く関連しており、時間の経過に対して比較的安定した状態マーカー（trait marker）として機能します。
さらに、MMNに寄与する明確な神経発生源は、統合失調症において異なって影響を受けます。
側頭葉の発生源: ここでの障害は、基本的な聴覚認知および識別の欠損に関連しており、幻聴のような陽性症状に寄与する可能性があります。
前頭葉の発生源: 前頭前野における活動の低下は注意切り替えの障害と結びついており、社会的引きこもりや感情の平板化などの陰性症状と相関しています。
統合失調症における神経順応 vs 逸脱検出
重要な疑問は、統合失調症におけるMMN欠損が感覚順応の失敗に起因するのか、それとも能動的な逸脱検出の失敗に起因するのかということです。標準的なオドボール課題では、逸脱音に対する脳の反応が、繰り返される標準音にどのように順応するか、および新しい変化をどのように検出するかの両方に依存するため、これら2つのプロセスが混在してしまいます。
これらのメカニズムを分離するために、Koshiyamaらは多標準コントロール課題（many-standards control paradigm）を利用しました。このデザインでは、様々な周波数の複数の音が等しい確率で提示されるため、単一の音が順応を引き起こすほど繰り返されることはありません。その後、逸脱音がこの多様な背景音と比較され、順応効果から逸脱検出が分離されます。
統合失調症患者を両方の課題を用いて評価したところ、結果は逸脱検出における選択的な障害を明らかにしました。反復音に対する彼らの神経順応は完全に維持されていた一方で、音響的変化を検出し、変化した環境に反応して予測エラーを生成する能力は大幅に損なわれていました。
不一致陰性電位を誘発するための方法論的ベストプラクティス
クリーンで解釈可能なMMNを記録するための核心的な原則は、聴覚の規則性（繰り返される標準音）を提示し、その規則性をまれに発生する逸脱音で時折違反することです。この違反がどのように構築されるかによって、神経処理のどの側面を評価できるかが決まります。
1. 核心的な原則：標準的なオドボール課題
標準的なオドボール課題は、得られるMMN反応を系統的に形成する3つの主要な刺激パラメータに依存しています。
逸脱の種類: 逸脱音は、周波数や持続時間など、さまざまな音響的次元で標準音と異なる場合があります。周波数と持続時間の両方の逸脱を含めることは、神経病理や病期の進行の異なる側面を反映するため、臨床研究においてしばしば必要とされます。
逸脱確率: 確率が低い逸脱音ほど、環境の規則性のより予期しない中断を表すため、より大きなMMN振幅を生成します。
逸脱の大きさ: 標準音と逸脱音の間の音響的な差が大きいほど、より大きなMMN振幅とより短い反応潜時が誘発されます。
2. プロセスの区別：オドボール課題 vs 多標準課題
単一の標準音を用いるオドボール課題は、反復する標準音への受動的な順応と、逸脱音の能動的な検出という2つの別個の神経プロセスを本質的に混在させてしまいます。
逸脱検出を分離するために、研究者は多標準課題を使用します。様々なトーン周波数を等しい確率で提示することにより、順応が刺激セット全体に均等に分散されます。
同一の実験内でオドボール課題と多標準課題を比較することは、研究者がMMNの異常が順応の障害、逸脱検出の障害、またはその両方の組み合わせのいずれに起因するのかを判断するのに役立ちます。
3. 能動的予測の検証：標準オドボールを超えて
予測符号化の説明を評価するには、単純な物理的特徴の変化を超えるデザインが必要です。
パターン違反: 繰り返されるパターン（例：ABABAB）を提示することは、交互の予測を確立します。予期しない繰り返し（例：ABABAA）はMMNをトリガーし、複雑な構造規則の検出を示します。
省略課題: リズミカルなシーケンスにおいて予測可能な音が完全に省略された場合でも、脳は依然として予測エラー信号を生成し、MMNが単なる感覚的な慣れではなく能動的な予測を反映していることを証明します。
4. 信源局在：EEG vs MEG
標準的なEEGは堅牢な頭皮記録を提供しますが、MMNの特定の神経発生源を正確に特定するにはMEGが必要になることがよくあります。MEGは磁気的対応物（MMNm）を記録し、優れた空間解像度を提供して、側頭葉の発生源（感覚識別）と前頭葉の発生源（注意切り替え）からの寄与を解きほぐします。
結論
不一致陰性電位（MMN）は、聴覚変化に対する自動的かつ注意前の脳の反応です。これは、先行する刺激によって確立された規則性を音が裏切ったときに出現し、脳の感覚記憶と知覚の正確性の能力を指標化します。数十年にわたる研究により、十分に特徴づけられた特性を持つ信頼性の高い電気生理学的現象として確立されています。
MMNの背景にある神経メカニズムを説明するために、2つの主要な仮説が競合してきました。順応仮説はそれを差分的な神経疲労に起因するとし、モデル調整仮説は内部表現の能動的な更新を仮定しています。予測符号化は、広範な経験的特徴を説明する統一されたフレームワークとして浮上しています。予測符号化の原則に基づいて構築された詳細な計算モデルは、逸脱確率、逸脱の大きさ、予期しない繰り返し、音の省略、およびNMDA受容体拮抗薬に対するMMNの感受性を再現します。MEG実験もまた、MMNが受動的な慣れではなく能動的な皮質予測を反映しているという核心的な主張を支持しています。
統合失調症において、MMN振幅の低下は強固で系統的な知見です。周波数逸脱MMNは病気の進行と認知機能の低下を追跡し、持続時間逸脱MMNは遺伝的脆弱性を指標化する可能性があります。この欠損は逸脱検出に特異的であるようであり、神経順応は維持されています。この特異性は、治療開発の明確なターゲットを特定することを目的としており、MMNの異種間翻訳可能性（トランスレーショナリティ）は、それを前臨床薬物動態試験の実用的なバイオマーカーにすることを目指しています。
意味のあるMMNデータを記録するには、慎重な方法論が必要です。逸脱の種類、確率、および大きさは、反応を支配する計算原理を意図的に参照して選択されなければなりません。順応と逸脱検出を分離する必要がある場合は、従来のオドボール課題に多標準課題を併用すべきです。予期しない繰り返しや音の省略を使用する非典型的なデザインは、予測符号化フレームワークの特定の予測を検証することができます。信源局在が重要な場合、MMNmのMEG記録はEEGを補完します。これらの方法論的な考慮事項により、MMNが基礎神経科学と臨床翻訳の両方のための正確なツールとして機能し続けることが保証されます。
参考文献
Garrido, M. I., Kilner, J. M., Stephan, K. E., & Friston, K. J. (2009). The mismatch negativity: a review of underlying mechanisms. Clinical neurophysiology, 120(3), 453-463. https://doi.org/10.1016/j.clinph.2008.11.029
Wacongne, C., Changeux, J. P., & Dehaene, S. (2012). A neuronal model of predictive coding accounting for the mismatch negativity. The Journal of neuroscience, 32(11), 3665-3678. https://doi.org/10.1523/JNEUROSCI.5003-11.2012
Lieder, F., Stephan, K. E., Daunizeau, J., Garrido, M. I., & Friston, K. J. (2013). A neurocomputational model of the mismatch negativity. PLoS computational biology, 9(11), e1003288. https://doi.org/10.1371/journal.pcbi.1003288
Näätänen, R., & Kähkönen, S. (2009). Central auditory dysfunction in schizophrenia as revealed by the mismatch negativity (MMN) and its magnetic equivalent MMNm: a review. International Journal of Neuropsychopharmacology, 12(1), 125-135. https://doi.org/10.1017/S1461145708009322
Koshiyama, D., Kirihara, K., Tada, M., Nagai, T., Fujioka, M., Usui, K., ... & Kasai, K. (2020). Reduced auditory mismatch negativity reflects impaired deviance detection in schizophrenia. Schizophrenia bulletin, 46(4), 937-946. https://doi.org/10.1093/schbul/sbaa006
よくある質問
不一致陰性電位（MMN）とは何ですか？
不一致陰性電位（MMN）とは、EEGで記録される脳の電気信号であり、まれに発生する「逸脱」音が、繰り返される「標準」音のパターンを破ったときに発生します。これは、変化を検出する脳の自動的な能力を反映しており、人がその音に注意を払っていないときでも生成されます。
なぜMMNは自動的かつ注意前のものと考えられているのですか？
MMNは、読書中、映画鑑賞中、あるいは能動的に音を無視しているときでも出現するため自動的です。また、意識的な注意が向けられる前に、脳が逸脱音と標準音の記憶痕跡とを比較するため、注意前の段階のものとされます。
脳がMMNを生成する仕組みに関する2つの主要な仮説は何ですか？
順応仮説は、繰り返される標準音によってニューロンの発火率が低下するため、まれな逸脱音がより大きな反応を生み出す「新鮮な」ニューロンを活性化すると提案しています。モデル調整仮説は、脳が聴覚環境の内部モデルを能動的に構築しており、MMNは逸脱が予測に違反したときにそのモデルを更新するプロセスを反映していると提案しています。
予測符号化はMMNをどのように説明しますか？
予測符号化は、学習された規則性に基づいて脳が次の音を能動的に予測していると捉える統一的なフレームワークです。実際の入力が予測から外れると、予測エラー信号が生成され、MMNはその予測エラーの電気生理学的な現れとして理解されます。
多標準課題とは何ですか、またなぜ使用されるのですか？
多標準課題は、神経順応を引き起こすほど単一の音が繰り返されないように、多くの異なる音を等しい確率で提示します。これにより、研究者は従来のオドボール課題で混在してしまう順応効果から、逸脱検出を分離することができます。
MMNmとは何ですか、またMMNとどのように異なりますか？
MMNmはMMNの磁気的対応物であり、EEGの代わりに脳磁図（MEG）を用いて記録されます。側頭葉や前頭葉の発生源など、異なる脳領域からの寄与を分離するためのより優れた空間解像度を提供します。
MMN実験をデザインする際、どのような要因を考慮すべきですか？
これらのパラメータがMMN反応を系統的に形成するため、研究者は逸脱の種類、確率、および大きさを意図的に選択する必要があります。低確率で大きな変動の逸脱はより大きな振幅を生み出し、周波数と持続時間の両方の逸脱を使用することは臨床研究に不可欠です。順応と逸脱検出の分離が必要な場合は、従来のオドボール課題に多標準課題を併用すべきです。
Emotivは、アクセスしやすいEEGおよび脳データツールを通じて神経科学研究の進展を支援するニューロテクノロジー分野のリーダーです。
免責事項：当ウェブサイトで提供される情報は教育および情報提供のみを目的としており、医師の診断や健康のアドバイスを意図したものではありません。このコンテンツには誤りが含まれている可能性があり、人生を左右するような健康、医療、またはライフスタイルに関する選択を行う際の根拠とすべきではありません。病状や治療に関する疑問については、常に医師またはその他の資格を有する医療提供者の助言を求めてください。
クリスティアン・ブルゴス
