网络神经科学依赖于以节点为中心的网络模型,其中细胞、细胞群和更大的区域通过解剖或功能连接相互沟通。然而这类模型不能解释连边之间的相互作用。在本研究中,我们开发了一个以连边为中心的网络模型,构造了“连边时间序列”和“连边功能连接”(eFC)。通过网络分析,本文的研究表明,在静息态时,eFC在数据集之间是一致的,并且在同一个体的多次扫描中是可复制的。本文的结果证明,对eFC的聚类可产生连边的“社区”(这里使用的k-means方法,是社区检测的常用方法,社区是一种直白的翻译,可以将其理解为一类具有相同特性的节点的集合),自然地将大脑分成重叠的社区,感觉运动和注意力网络中的区域表现出较大程度的重叠。本文证明了eFC是由感觉输入的变化系统地调节的。在未来的工作中,以连边为中心的方法可能有助于识别疾病的新的生物标志物,描述个体的变化,并映射高分辨率的神经网络的结构。本文发表在Nature neuroscience杂志。
研究背景:
网络科学为神经系统提供了一个很有前途的框架,从相互连接的细胞到神经元群体,再到大规模的大脑区域。网络分析有助于深入了解支配神经系统组织和塑造大脑功能的拓扑原则。其中包括小世界的构造、中心节点和富人俱乐部的出现、促进专门信息处理的模块化结构以及拓扑特征,网络效率和代谢成本之间的权衡。
在网络神经科学中,网络是大脑的一个简单表示,神经元素及其两两的相互作用分别被视为网络的节点和连边。这个标准模型基本上是以节点为中心的,因为它把神经元素(节点)看作是大脑结构和功能的不可约单位。对网络节点的这种强调通过对大脑网络进行的分析得到了进一步的加强,这些分析往往集中在节点或节点组的属性上-例如它们的中心性或社区从属关系。
以节点为中心的方法的一个限制是,它不能捕获连边之间的潜在联系。在其他科学领域,对网络连边进行优先排序为复杂系统的组织和功能提供了重要的洞见。例如,通过建模和分析连边-连边交互作用的图形。尽管如此,网络神经科学在很大程度上仍然集中在节点特征和分区上。另一方面,最近的几项研究已经开始从相互作用的连边的角度对大脑网络进行建模,包括一项基础研究,将图论度量应用于相互关联的白质束的白质连接图。虽然该研究非常新颖,但这种方法从未被广泛采用,因为它们的构造方法依赖于研究者对技术方法的理解和具体参数的阈值设定,无法得到大范围的重复和验证。在这里,我们提出了一个新的模型,以连边中心的角度研究功能性大脑网络数据。我们的方法可以被看作是Pearson相关方法在时间维度上的“展开”。该方法通常用于估计大脑区域对之间功能连接的强度,从而为每个表示其权重随时间波动的连边生成可解释的时间序列。重要的是,连边时间序列允许估计连边相关结构,我们称之为eFC。高幅eFC表示两条边在时间上的共波动具有很强的相似性,而低幅eFC表示基本独立的共波动模式。
从神经科学的角度来看,eFC可以被看作是大脑网络传统节点中心表示的延伸和补充。在以节点为中心的网络模型中,功能连接表示从空间不同区域记录的活动的时间相关性,通常被解释为区域间通信的度量。也就是说,更强的功能连接被认为反映了大脑区域之间“交流”的时间平均强度。而eFC更多的反映的大脑不同区域之间的通信是如何随着时间的推移而演变的,并可以用与皮尔逊相关法类似的计算过程来最终评估类似的模式是否同时发生在大脑中。
在这项研究中,作者们证明了eFC是高度可复制的,无论是在不同的数据集中,还是在个人的多次扫描中。并且使用聚类算法可以将eFC网络划分为不同的社区。每个社区可以通过将社区属性映射回单个节点来判断是否存在重叠较大的社区。研究者们发现,相比于传统的节点为中心的网络社区分割方法更容易发现互相的社区而言,eFC中发现了存在大量节点重合的社区组织。与其他大脑系统相比,与感觉运动和注意力网络相关的大脑区域参与了多个社区,存在大量重叠。但与其他大脑系统相比,这些相同的区域所参与的社区类型是相似的。最后,我们比较了在静息态时和被动观看电影时的eFC的组织,发现eFC被感官输入的变化一致和稳定地调节。
方法和结果
eFC的构建
许多研究在网络方法研究大脑是以节点和连边分别代表大脑区域和成对区域之间的相互作用的。在本文中,我们使用了一种更易于探索不同连边之间交互作用的方法来构建了以成对区域之间的连边为节点构造的边中心网络方法。
我们使用了一种非常适合功能脑网络数据的方法,它可以直接使用时间序列数据进行计算,并且与通常用于评估区域间功能连接强度的Pearson相关系数密切相关。我们将使用此过程获得的矩阵称为eFC。
从给定的区域时间序列开始,计算eFC可以分三步完成:
(1) 先计算获得每个大脑区域的时间序列的z-score,(图。1a,d,也就是对每个时间点的值做z变化,即标准化)。
(2)接下来,对于所有的大脑区域(在这里我们把大脑可划分为的区域表达为n),我们计算它们两两之间(计算两两之间就是算n*(n-1)次,因为自己和自己不计算,又由于是两两之间,因此不区分“你我”还是“我你”的方向性,因此总计就是计算了n*(n-1)/2次,那我们获得的新的连边数也即是后文所称的节点数的数量也是:n*(n-1)/2)的z-scoring时间序列的点积(图。1b,e)。在这样的计算下,我们可以形成一组新的时间序列,本文称为“连边时间序列”,其元素表示大脑区域对之间的瞬时共波动的幅度,它的整个时间序列的平均计算结果是完全等于Pearson相关系数的(图。1c,这也是为什么作者在前文称这种方法是皮尔逊相关方法在时间维度上的“展开”的原因)。当两个区域的活动在同一时刻向同一方向偏转时,共波动值为正,当活动在相反方向偏转时为负,当活动接近基线时为零。重要的是,这些连边时间序列的大小与扫描内的运动是无关的(具体见补充材料)。
(3)最后一步,对连边时间序列对之间进行和皮尔逊相关非常相似的计算就可以获得这两条连边时间序列的共变关系。当在所有对的边上重复时,结果就会是一个逐边矩阵,其元素被归一化到区间[-1,1](图1。1f和2a)。
图 1 推导eFC矩阵。根据来自四个节点(脑区)的fMRI BOLD活动时间序列计算eFC矩阵的每个元素。a.d 展示了来自区域i、j、u和v的四个具有代表性的时间序列.c、nFC通常是通过标准化(z-scoring)来计算每个时间序列,执行时间序列对的点积并计算乘积时间序列的平均值(实际上就是每个元素的和除以T-1,其中T是观测数)。为了计算eFC,我们保留了每对区域在逐个时间点上的乘积。b,e我们分别给出了对{i,j}和{u,v}的乘积时间序列。这些乘积时间序列的元素表示区域对(或nFC图中的边)之间的时间共波动的大小。我们可以通过计算时间序列的元素乘积和两个时间序列的平方根标准差来计算eFC的大小,确保eFC在区间[-1,1]上f将结果值存储在eFC矩阵中。
虽然eFC是一个新的结构,但我们注意到计算eFC的前两个步骤与用于计算节点功能连通性(nFC)的步骤相同;任何共波动时间序列的平均值只是Pearson相关系数。鉴于eFC在数学上与nFC有关,我们首先是否计算了是否有可能使用nFC的估计来近似eFC。虽然eFC的计算可以有效地实现,但在eFC矩阵上执行某些操作将在计算付出比较昂贵的代价(它是一个完全加权的[M×M]矩阵,其中,N是大脑划分的节点数,
;这样会出现的问题是当N较大的,对这个连边为中心的矩阵的计算的代价将是更大的)。但由于维数的差异,无法直接比较eFC和nFC。因此,我们使用了nFC的连边权重来近似eFC。最简单的方法是将区域对{i,j}和{u,v}之间的连边连接建模为这些区域之间可以形成的六条边的线性组合(也就是i、j、u和v这四个区域最大的配对组合数,共6种完全不同的,此处仍旧不区域连边方向)。虽然该模型表现不佳,但我们可以通过包括基于节点连通性的交互项来提高其性能,即nFCij×nFCuv。总的来说,这些观察表明,使用nFC的线性组合不能很好地近似eFC,但是,随着非线性变换以及相互作用项,nFC可以近似eFC。然而,这些变换是不直观的,近似仍然不能完全解释eFC中的方差。
接下来,我们探讨了eFC的变化。我们发现eFC权重在三个独立获取的数据集之间是相似的,从我们的预处理过程中回归全局信号引起了eFC权重的一致向上移动,类似于它对nFC的影响。此外,我们发现,使用观测数据估计的连边时间序列计算的eFC的总体模式与使用相位随机的时间序列(也就是我们平时所说的构造零模型数据)估计的连边时间序列的eFC模式无关。
接下来,eFC是否表现出任何明显的空间依赖性。因为在以往研究中我们知道节点为中心的网络是表现出随着欧式距离增加而出现减弱的空间依赖性的。因此,我们评估了eFC连接与由大脑区域对的质心形成的四边形的表面积之间的关系。我们发现表面积与eFC之间存在微弱的负关系。这表明,与传统的nFC不同,它的连接权重更受大脑区域之间空间关系的影响,eFC不受大脑几何形状的限制。
最后,我们讨论了eFC是否具有nFC类似的社区的特点——其活动与自身社区成员高度相关,但与其他社区成员弱相关或反相关的大脑区域。为了解决这个问题,我们将nFC网络中的每一个连边按照它是在大脑系统内还是在大脑系统之间进行分类,从而在eFC图中产生了三种可能的连接组合:eFC可以连接两个都属于同一社区的连边、两个都位于社区之间的连边或一个位于社区内部的连边和一个位于社区之间的连边。总的来说,我们发现eFC对社区内连边的作用明显强于其他两类。有趣的是,我们发现eFC可以通过认知系统来进一步区分。
具体结果:
个体内的eFC是稳定的。
在本节中主要讨论eFC随扫描持续时间的鲁棒性——即在eFC稳定之前需要多少数据,以及eFC在同一个体的重复多次扫描中是否一致。为了解决这些问题,我们利用了MSC数据集的内部设计。对于每个参与者,我们在所有扫描中集合了他们的fMRI数据,并估计了一个单一的eFC矩阵。然后,我们采样了少量的时间连续数据,从而近似地保持了自相关结构,并估计了eFC,我们将其与聚合的eFC矩阵进行了比较(这个过程重复了25次)。与其他研究类似,我们发现,在少量数据的情况下,eFC是高度可变的。然而,我们观察到了相似性随时间的增加,因此,在30分钟的数据中,相似性要大得多。与传统的nFC一样,它意味着使用来自短扫描的数据的eFC可能无法提供个人连边网络组织的准确表示。我们注意到,当数据被随机和均匀地分采样时,这种关系得到了加强。
接下来,我们研究了eFC在同一个人的多次扫描下的稳定性。我们计算了所有MSC参与者和扫描之间的成对相似性。我们发现eFC在MSC数据集中是高度可靠的,而参与者之间的r=0.30±0.07(双样本t检验;(4,948)=62.98;P<10的负15次方;图3b,c)。事实上,我们发现,对于每个eFC矩阵,与它最相似的矩阵是属于同一个参与者的(100%的准确性)。此外,与nFC相比,eFC表现出了更大的差异识别能力,我们给出了将多维尺度应用于相似矩阵的结果。并且在HBN和HCP数据集中发现了类似的结果。
总的来说,这些发现表明,eFC可以表现出高度的参与者特异性,并捕捉到一个人的特质特征(只要eFC是在足够长的时间内估计的)。这一观察作为eFC的一个重要验证,并表明eFC可能在未来的应用中作为生物标志物生成和“生物指纹”的底物是有用的。
人大脑皮层重叠的群落结构。
虽然许多研究已经对大脑的社区结构进行了研究,但大多数研究都依赖于迫使每个大脑区域形成一个和唯一一个社区的方法。然而,将大脑区域划分为不重叠的社区与已知证据冲突,认知和行为需要来自跨越多个节点定义的社区和系统的区域的贡献。因此,需要一个社区的定义,更紧密地匹配大脑的多功能性质及其社区结构的普遍重叠。
虽然在使用nFC时,获得大脑区域的重叠社区可能是困难的,但在eFC结构中,重叠是固有的(因为它毕竟是计算的节点对之间的连边和连边之间的关系,它的计算方法本身就在不同连边上至少同享一个节点的信息,因此重叠是自然的)。对eFC矩阵进行聚类可以将每个边分配给一个社区。每个连边都与两个大脑区域(它连接的节点)相关联)。因此,连边社区分配可以映射回单个大脑区域,并且由于每个区域都与N-1连边相关联,因此允许一个大脑区域同时保持多个社区分配。
在本节中,我们对eFC矩阵进行聚类,以发现人类大脑皮层中的重叠社区。更具体地说,我们使用修改后的k-means算法将eFC矩阵划分为不重叠的社区,并将连边分配映射回单个节点。
在图 4中,展示了用k=10获得的代表性社区。为了证明社区检测方法在我们的数据中捕获了有意义的方差,我们给出了连边共波动时间序列、eFC矩阵和社区共分配矩阵,并根据导出的社区进行了重新排序(图1。4a-c)。在这里,共分配矩阵的元素表示通过分区将两个边分配给同一个社区的概率(使用概率是因为作者们测试了从k=2到k=20的社区数量来保证方法的稳定性)。
图 2|eFC矩阵的组织。
a.eFC矩阵。这个图中的节点表示传统的nFC矩阵中的边。这里的节点是根据相应的连边是在认知系统内还是在认知系统之间上色的。系统内部连边被黑色包围。
b.eFC矩阵,其中行和列对应于大脑区域对。
c.二维直方图显示eFC与连边所属的nFC权重乘积之间的关系。
d.四个节点定义的四边形的面积与eFC之间关系的二维直方图。
e.在连边之间的平均eFC,其中两个连边落在系统之间(n=2.3×108),其中一个连边落在系统内部,另一个连边的落在系统之间(n=1.7×108),最后是d两个连边都落在系统内(n=8.1×105)。
f.在16个认知系统内的平均eFC(n=6.5×104)。
图 3|扫描过程中eFC的内部和参与者之间的相似性。
a.不同数据集的平均eFC矩阵在使用不同数据长度估计时的eFC的相关性的变化;平均值显示为黑线。
b.eFC在参与者内部和参与者之间的相似性。每个块对应来自单个参与者的数据;参与者也可以通过每个方块旁边的矩形的颜色来识别。
c.b中显示的矩阵中参与者内部和参与者之间相似值的小提琴图;参与者内和参与者间的相似的比较(双样本t检验;(4948) = 62.98)。
d.根据坐标绘制,通过对b中矩阵进行二维多维缩放(MDS)分析而产生。请注意,来自同一参与者的扫描(在这里以相同的颜色显示)位于彼此附近。此图中的所有面板数据都是使用MSC的数据生成的。
认知系统的群落重叠和功能多样性。
在上一节中,我们发现人类大脑皮层可以根据其连边相关结构划分为重叠群落。这一观察引出了一系列附加问题。例如,哪些大脑区域参与了许多社区?哪一个参与很少?如果我们改变了调查的规模-检测到的社区的数量-这些问题的答案会改变吗?答案取决于我们分析的数据集吗?在本节中,我们将详细探讨这些问题。
评估社区重叠的一种策略是简单地计算每个节点连边被分配到的不同社区的数量。描述连边社区分配分布的一个更细微的度量是归一化熵,它能衡量一个分布的均匀性。因此,我们计算了每个大脑区域的归一化熵,同时将群落数量从k=2变化到k=20。在本节中,我们将重点讨论k=10的结果。
我们发现,归一化社区熵在感觉运动和注意力系统中最大,在传统上与控制和默认网络相关的区域内最低(图5a-c)。值得注意的是,我们从MSC和HBN数据集获得了类似的结果,在个别参与者中,当我们改变簇的数量时,当使用不同的分割方案时,这些观察似乎与以前的报告相矛盾,其中功能重叠在控制网络中最大,在初级感觉系统中最低(图5d)是否有可能调和这些看似对立的观点?为了解决这个问题,我们计算了函数多样性的第二个度量。虽然归一化熵是根据他们参与的连边社区在单个大脑区域的水平上定义的,但第二种度量是在整个大脑系统的水平上定义的,并评估了系统区域之间连边社区分配的平均相似性(图6a、b和方法)。直观地说,功能多样的系统由多个大脑区域组成,其连边社区分配是独特的,并且彼此不同。我们发现,感觉运动网络中的区域,表现出最高水平的熵,表现出最大水平的系统内相似性(图6c)。相反,组成控制网络的子网络表现出最低水平的系统内相似性,而它们的组成节点在最低熵之间(图6c)。
图 5|边连边社区熵和重叠。a,归一化熵的地形分布。在这种情况下,归一化熵度量节点在所有社区中的社区分配的一致性,并作为重叠的度量。一般来说,熵越大,重叠的程度就越大。b.与最高水平的归一化熵相关的大脑系统。这些系统包括视觉系统、注意力系统、躯体系统和颞顶系统。c.所有大脑系统的熵值;n= 200个大脑区域。d.这里我们强调一下代表躯体运动系统(红色)和视觉系统(蓝色)的社区。
图 6|连边社区的系统级相似性。
a,连边群体可以映射成一个[N×N]矩阵。的第i行第j列的元素边的社区矩阵表示边{i,j}的社区标签。
b,通过比较第i列和第j列的值,我们可以计算出涉及节点i和j的连边群落的相似度。这个矩阵描述了所有节点对的相似度。
c, 16个预先定义的大脑系统中的每个系统内相似值;
感觉输入的变化影响eFC。
在前面部分,我们证明了eFC是个体的可靠标记,通过聚类eFC,我们自然地获得了重叠的社区。我们利用这最后的观察来证明感觉运动和注意力系统参与的社区比关联皮层更多。与以往记录任务对节点FC的影响的研究类似,我们期望eFC也受到任务的调节。为了解决这个问题,我们分析了静息态的fMRI数据,并且这部分参与者还有被动观看电影的功能磁共振数据。我们分别估计了每部电影和休息扫描的分组平均eFC。
一般来说,我们发现电影观看期间的eFC与休息期间估计的eFC高度相关(图7a)。在六次电影扫描中,与静息eFC的平均相关性为r=0.55±0.02(所有P<10的负15次方;n=197,995,050边-边)。当我们比较所有电影观看与静息态的成对相似性时,我们发现在给定的任务中,eFC的相似性大于任务之间的相似性(P<10的负4次方,电影和静息态的均匀和随机排列;图7b)。为了更好地理解是什么驱动了这种效应,我们生成了具有代表性的静息态和电影条件矩阵,并计算了这些矩阵之间的差异。我们将这些差异与随机排列扫描标签后估计的差异进行了比较,发现8.63%的连边连接在条件之间表现出显著的变化(置换检验测试;P<10的负4次方,未校正)。虽然eFC差异很普遍,但最明显的影响与两个特定的社区有关(图7c)其中一种表现出其模块内eFC的下降,而两者相对地都降低了eFC。这些社区由与躯体运动和视觉系统相关的连边组成(图7d)。为了证实这些系统水平效应具有统计学意义,我们将系统内和系统间的平均eFC差异与约束空模型进行了比较,其中连边群落被随机排列(1000次重复)。正如预期的那样,涉及系统5和6的eFC从静息态到电影呈显著下降。
电影观看和静息态之间eFC连接权重的差异强烈地表明,社区重叠的位置也可能在条件之间有所不同。为了检验这一点,我们使用了前面描述的相同的聚类算法将节点对划分为不重叠的簇,并在这些簇的基础上计算每个簇的d节的点重叠作为归一化熵。我们发现,与静息态相比,电影观看过程中归一化熵增加,表明社区之间的重叠增加。我们在个别脑区水平上进行了类似的测试,发现28%的脑区通过了统计测试。我们进一步测试了这些差异是否表现出系统特定的影响,通过计算每个系统的熵的平均变化,并将其与随机和均匀排列的系统标签后的平均变化进行比较。我们发现,七个系统表现出这样的效果,增加集中在控制和突显/中央注意网络,减少了背侧注意、颞顶和视觉系统的归一化熵。
总的来说,这些结果表明,与nFC一样,eFC是可重构的,可以被感官输入所调节。观察到的eFC的变化涉及两个与躯体运动和视觉系统相关的社区,这与过去对被动电影观看的研究密切一致,这些研究记录了类似的脑区活动和nFC的变化。我们还发现与控制和默认网络相关的区域的重叠增加,这与整个这些区域的活动对电影叙事结构敏感的证据一致。未来研究的一个重要领域是系统地评估不同认知要求任务对eFC的影响。
图 7|被动电影观看对eFC的影响。 a,静息态时和观看电影时估计的eFC的二维直方图。
b,静息态时的全脑eFC与观看电影时的相似度。注意,两种条件的条件内相似性更大。
c,社区平均eFC差异。平均来看,第5和第6社区的差异最大。
d、社区5和6的脑地形分布。注意,这些群体包括与视觉和身体运动系统相关的连边。
e,平均社区差异重叠(归一化熵);n= 200个大脑区域,其熵值在静息态和观看电影条件下进行比较。
f,在静止状态下估计的全脑归一化熵与观看电影的相似性。
g.显示归一化熵中系统特定差异的小提琴图。请注意,一些最大的熵增长集中在控制和默认网络;n= 200个大脑区域。
h,熵差的脑地形分布。 讨论 在本文中,我们提出了一个新的人类大脑皮层的网络模型,集中在连边-连边的相互作用。这些相互作用形成的网络,称之为eFC。我们发现它们的特性在数据集之间是相似的,在个体内部比在个体之间之间更相似。当聚类时,eFC提供了普遍重叠的社区结构的自然估计。我们发现,重叠的数量在不同皮层不同,但在感觉运动和注意力网络中达到峰值。我们发现,与感觉运动和注意力网络相关的大脑区域与其他大脑系统相比,参与了更多社区,但相对于彼此而言,这些相同的区域参与了类似的社区。最后,我们发现eFC和社区重叠在被动观看电影时系统地变化。
功能网络组织的连边中心视角。
以节点为中心的表示已经占据了网络神经科学领域的主导地位,并成为该领域几乎每一个发现的基础。以连边为中心的表示将焦点从节点激活之间的二进关系转移到连边之间的相互作用。虽然相关的模型已经在其他科学领域进行了探索,包括神经科学,它们最初被用于表示相互作用的白质束,但它们作为输入需要稀疏节点-节点连接矩阵,并且不适合于连续值时间序列数据。
在本研究中,我们开发了一种新的连边中心表示功能神经成像数据的方法。我们估计连边之间连接权重的方法可以看作是熟悉的Pearson相关性的时间“展开”-这是经常用于估计脑区对之间nFC的大小的度量。虽然Pearson相关系数计算节点对的时间平均的共波动幅度,但我们只需省略平均步骤,得到“连边时间序列”,它就可以表示两个节点在每一时刻的共波动幅度。这个简单的步骤使我们能够跟踪连边的跨时间波动,关键是允许可以估计连边之间的二进关系,创造一个连边中心的神经系统架构。如果我们将连边时间序列解释为nFC的时间展开,这可以认为是反映了神经元素之间通信过程的聚合效应,那么连边时间序列也就具有较高的时间分辨率。除此以外,相比于其他的类似方法,本文的方法不需要对数据的更多转换,因此更符合大脑中神经元素随着时间波动的自然状态。
重叠社区扩展了对系统级皮层组织的理解。
在这里,我们证明了使用社区检测方法对eFC进行聚类自然会导致当映射回大脑区域和节点级别时重叠的社区。过去对皮层组织的研究几乎完全集中在不重叠的社区上。以这种方式定义社区的决定部分是出于可解释性,但也是由于用于检测社区的方法的局限性,这些方法只将节点分配给一个社区。目前来看,这种对社区和节点的唯一对应的看法是非常成功的。它提供了对大脑的低维描述,可以用来定义节点和集中节点,可以同样成功地应用于解剖性和功能性网络。
社区主导的非重叠观点强烈地影响了我们如何看待大脑功能。由于功能社区表现出与任务诱发活动模式的可靠对应关系,我们已经开始将单个社区与特定的认知领域联系起来。例如,将一些社区称为主要处理视觉信息、实施认知控制或执行注意功能的社区并不少见。大脑功能对社区的这种定位,虽然可能是一个合理的一阶近似,但使大脑功能局部化的观点永久化,在这种观点中,大脑区域、系统和社区基本上是单一功能的。然而,这种观点与许多认知和行为方面超越这些传统社区标签的观察结果并不一致。 另一个观点是,重叠产生于社区结构的时变波动。也就是说,在任何给定的时刻,社区都是不重叠的,但由于节点随着时间的推移而改变了它们的社区稳定,所以显得不同社区之间出现了重叠,即出现了不同社区公用某些节点的情况。本文开发的方法与大脑区域和社区之间的关系是动态的,并表现出与高度动态的功能的观点密切一致的结果。其他研究通过研究共激活中的重叠或通过使用滑动窗口分析和多层模型来检测随着时间的推移改变其社区分配的柔性区域来研究重叠和动态社区。然而,我们的方法是不同的,强调了一种普遍重叠的状态,其中节点可以共同属于几个社区。这种检测获得的重叠是自然的。
限制
最重要的限制之一是从功能成像数据中估计连边时间序列。为了计算连边时间序列,我们首先计算了区域时间序列。这里,只有当时间序列具有时间不变均值和sd时,z-scored才是合适的。如果活动持续增加或减少-例如,Block任务的影响-那么z-scored过程可能导致有偏差的平均值和sd,从而导致对活动波动的不良估计。在今后的工作中,可以用已经常见的预处理步骤来研究任务诱发的eFC变化-例如,构造任务回归因子以消除任务对活动的一阶效应。
另一个限制涉及eFC的可扩展性。计算被分成N个区域的大脑的eFC来得到一个维数
的eFC矩阵。这意味着模块数量的增加会导致eFC维数的平方增加。如果划分的数量很大,这可能导致大量的、完全加权的矩阵,需要大量的内存来存储和操作。然而,在将来,可能有必要探索降维方法来为给定的任务或一组行为保留最相关的子图。
今后的方向
虽然eFC描述了边而不是节点之间的相互作用,但它仍然可以使用以前应用于nFC的相同方法进行分析。我们可以使用图论来检测它的枢纽和社区,估计连边梯度,并比较个体和条件之间的eFC连接权重。另一方面,eFC提供了许多新的机会,从用于估计eFC的连边时间序列开始。本质上,连边时间序列提供了一个矩到矩的评估,两个节点(大脑区域)之间有多强的协同波动,提供了一个时变的nFC的估计,而不需要我们指定一个窗口。这克服了滑动窗口估计时变nFC的主要限制之一,即使用窗口会导致跨时间事件的“模糊”。我们还注意到,由于eFC的推导是基于Pearson相关性的,所以基于滞后和部分关系来估计eFC的类似物是很简单的。
在神经影像学数据的机器学习和分类中,eFC可能是有用的。其中eFC矩阵的维数远大于典型的nFC矩阵的维数。我们推测,一些附加的维度可能有助于研究大脑-行为关系。另一方面,eFC的维度增加需要特别考虑,因为它带来了统计和解释方面的挑战。
此外,未来的研究应该研究eFC的适当空模型。像nFC一样,eFC是基于相关的,而且边到边连接的权值不是彼此独立的。这意味着基于重新布线的空模型(将连接视为独立的)是不合适的。应该考虑其他类型的空模型,包括基于时间序列的空模型。在未来的研究中,适当的空模型的比较可能有助于阐明大脑与行为的关系。
总结:
总而言之,本文提出的研究节点对间相互作用的框架,可以推广到更多节点间相互作用的研究中。在某些方面,这种扩展类似于最近的代数拓扑学应用,它可以揭示网络中的高阶关系。在本文的应用中,作者们使用这种eFC的方法有效的发现了大脑中重叠的社区分布,并验证了这种方法在被试内的一致性和跨数据集的稳定性。这种方法可以在未来的应用中轻松地和现有的节点为中心的方法结合起来,产生更多的有意义的应用性研究,比如图论方法,复杂网络方法和动态方法(但需要更长的时间序列数据才有可能)等等。 但作者也指出,尽管生成高阶时间序列很简单,但它必然伴随着维度的增加,这可能会使该方法在计算上难以用于全脑网络。另一方面,高阶时间序列(及其对应的eFC类似物)可能有助于研究由相对较少的大脑区域或由皮下组织组成的局部网络组织的关系。
如需原文及补充材料请添加思影科技微信:siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。觉得对您的研究有帮助,请给个转发支持以及右下角点击一下在看,是对思影科技莫大的支持,感谢!