节点与富集俱乐部

在网络分析中，人们经常自然地会问是否有些节点比其他节点更有影响力。在连接组（connectome）的背景下，这个问题相当于询问是否有些大脑区域在大脑功能中扮演更有影响力的角色。这个问题可以通过分析拓扑中心性来解决，拓扑中心性可以定义为一个节点通过其连接拓扑影响或被其他节点影响的能力[1-4]。中心性分析为理解不同网络节点的功能角色提供了一种强大的手段，尽管这些角色的具体解释非常依赖于网络中影响力的定义。

     中心性分析的一个流行应用是识别高度中心化的节点，有时被称为枢纽（hubs）。在许多现实世界的网络中都存在枢纽[5]，它们通常也与彼此紧密相连，形成一个富集俱乐部（rich club）[6,7]。枢纽和富集俱乐部是连接组拓扑的一个显著特性，并在支持整合的大脑功能中扮演着至关重要的角色[8]。这一章提供了对连接组数据中枢纽和富集俱乐部分析的介绍。首先，它总结了中心性分析的基本概念以及定义枢纽和富集俱乐部的不同方式，以及它们使用的一些限制。然后，它考虑了这些方法如何被应用于理解大脑网络组织，通过讨论关键发现，这些发现显示枢纽是功能上有价值的网络元素，支持整合的神经通信和复杂的大脑动态，并拥有独特的细胞和遗传基础。此外，将讨论枢纽区域受损与各种神经病学和精神疾病的关联。这一章以对这些拓扑属性未来研究方向的简要考虑来作为总结。本文发表在Connectome Analysis：Characterization, Methods, and Analysis一书中。（可添加微信号19962074063或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群)

关键词：枢纽，富集俱乐部，中心性，度，介数，接近性，连接组，网络

6.2 枢纽和富集俱乐部的网络理论原则 

6.2.1 通过中心性分析定义枢纽 

      大约一个世纪前，在社会网络分析的发展过程中，提出了一些网络拥有高度连接的枢纽的概念[9]，这可能涉及到图论在现实世界系统中的首次广泛应用。大约在1950年，Bavelas和Leavitt开发了中心性度量的概念[10-12]。20世纪剩余的时间里，中心性如何被理解和测量的方式有了显著增长[4,13]。Barabási和Albert[14]的开创性发现，即大多数现实世界网络在节点之间的连接分布是不均匀的，从而产生了高度连接的枢纽，这导致了对不同类型的中心性度量在各种非社会网络中的广泛应用。例如，对酿酒酵母（Saccharomyces cerevisiae）蛋白质相互作用网络的一项研究发现，移除高度中心化的枢纽蛋白质对生物体是致命的，从而表明拓扑重要性能预测网络的功能[15]。这一发现突显了拓扑中心性在塑造复杂系统功能中的重要性。

枢纽通常是通过在中心性度量上的高分数来确定的。中心性度量有许多不同的形式。最简单的是度（如图6.1A所示），它指的是连接到一个节点的连接数[4]。因此，对于一个有N个节点的网络，以及一个二进制的N×N邻接矩阵A，其中如果节点i和j相连则Aij=1，否则Aij=0，每个节点的度ki被定义为：

图6.1 不同类别的中心性度量。

（A）度中心性识别出中心节点（这里是节点A和D）为那些具有许多连接的节点。

（B）接近中心性度量每个节点到其他每个节点的平均最短路径。

（C）介数中心性度量通过一个给定节点的所有节点对之间最短路径的比例。在（B）中，尽管度较低，节点B和C具有高接近中心性。节点E尽管度和介数较低，也显示出高接近中心性，因为它位于网络的拓扑中心附近（即，它位于多个网络模块之间最短路径的汇合点附近）。在（C）中，节点A和D具有最高的介数值。尽管度较低，节点B和C也得分较高，因为它们位于两个主要节点群之间的最短路径路径上。

     尽管这个度量标准简单吸引人，但它假设所有连接都是相等的。在大脑网络中，连接的权重可以变化在五个数量级之间[16,17]。为了考虑到这些权重的变化，同样的度量可以在一个加权网络表示中计算，W，以获得加权度（有时称为节点强度）。在这种情况下，定义为节点上所有连接的权重之和是：

      其中Wij是节点i和j之间的边权重。在有向网络中，无论是加权还是二进制变体的总和都可以分别在连接矩阵的行和列上估计，给出了入度（指向一个节点的传入连接数）和出度（一个节点的传出连接数）的度量，这取决于在连接矩阵中如何表示方向性。

     节点度的度量只考虑了一个节点的直接邻居。中心性的一个重要决定因素可能不仅仅是节点连接的数量，还包括这些连接的质量；与连接到其他非中心节点的相同数量的边的节点相比，连接到其他中心节点的节点可以预期在网络中有更大的影响力。因此，有几种扩展度量也考虑了节点邻居的连接性，如流行的特征向量[18]和PageRank[19]中心性度量。这些不同的中心性度量共同构成了基于度的中心性度量的一个家族。另外两个主要的中心性度量家族是基于接近度和介数的概念[4]。

      基于接近度的中心性度量考虑了网络中信息流的路径，这样一个节点被认为是中心的，如果它可以更容易地将通信传播到网络中的所有节点。经典的例子是接近中心性，它测量一个索引节点与所有其他节点之间的平均最短路径（也称为测地线）[20]。一个节点如果与所有其他节点的平均最短路径较低，可能能够快速与网络的其余部分通信，在假设最短路径确实可访问的情况下，这在下面（图6.1B）更详细地考虑。形式上，接近度可以定义为：

    其中lij是节点i和j之间的最短路径长度。这个定义后来被推广为节点效率的度量[21,22]，定义为：

    在这种情况下，取平均逆路径长度可以适应碎片化的网络，这可能导致

，因为断开的节点子集之间的最短路径是未定义的。这些度量可以推广到有向和加权网络[3,23]。

     基于介数的中心性关注一个节点在促进其他节点之间的通信中所扮演的角色。如果许多最短路径通过一个给定的节点，那么它被认为代表了一个信息处理的关键交汇点，因此对网络功能至关重要。因此，介数中心性[13]被定义为"

      其中gpq是节点p和q之间最短路径（或测地路径）的数量，gpq(i)是通过节点i的节点p和q之间的最短路径的数量，而(N - 1)(N - 2)是不包括节点i的节点对的数量。重要的是，介数中心性可以识别出拓扑上中心的节点，即使它们的度很低（见图6.1C）。

      度、接近度和介数被认为是三种基本形式的中心性的典型度量[4]，然而已经提出了超过200种其他的中心性度量[24]。这些度量通常对网络上通信过程的展开方式有不同的假设，选择任何中心性度量时应仔细考虑这些假设。应选择一个中心性度量来捕捉某种感兴趣的通信过程（例如，局部通信、与所有节点通信的能力和识别通信瓶颈），并且度量的假设应与对网络中通信方式的理解相一致。例如，接近度和介数中心性假设信息沿着最短路径传播。这个假设可能不适用于大脑网络，因为它假设节点对网络的全局结构有某种“了解”，以便它们能够找到最短路径[23,25,26]。这些度量可能最好被视为大脑整合能力的上限[27]。

       更广泛地说，不同中心性度量捕捉的通信过程可以被认为是跨越了一个从随机扩散（对网络全局结构没有了解）到路由（对网络全局结构有完全了解）的策略谱系（参见[28]的综述）。基于最短路径的度量是路由策略的一个例子。在扩散模型中，信息从源头沿着多条路线传播到没有特定目的地，这与路由方法形成对比，在路由方法中，信息沿着一条路线从源头传播到目标[3]。一个流行的扩散度量的例子是可通性，它考虑了节点对之间所有可能的行走路径（从一个节点到另一个节点的路径，其中相同的边/节点可以被多次穿越）[29,30]。这样的度量可能提供了一个更现实的神经通信模型，但基于扩散的度量的一些限制是它们通常允许信号沿着它们来的相同路径传播回去[3]。有关可通性和其他基于扩散的路由策略的更多信息，请参见第9章。

6.2.2 识别枢纽时的策略和考虑因素 

      一旦在网络的所有节点上测量了中心性，通常会将最中心的节点识别为枢纽。由于许多中心性度量是连续的，枢纽和非枢纽节点之间的区别需要应用一个阈值。这个阈值通常是任意的。已经使用了各种启发式方法来定义枢纽阈值，包括将枢纽识别为那些（1）中心性得分高于平均得分一个标准差的节点[31,32]；（2）位于某个中心性度量顶分节点的固定百分比以上的节点[33,34]；或（3）中心性得分高于可比较的随机网络中的节点[35]。一般来说，一个假定的枢纽的影响力将与所考虑的中心性度量的分布是否为重尾分布相一致。一个延伸的尾部表明少数节点相对于其他节点拥有非常高的中心性得分。

      除了设定阈值之外，可用的众多中心性度量意味着枢纽可以以许多不同的方式定义。这些度量在多大程度上提供不同的信息？对包括大脑在内的多种网络的几项分析发现，中心性度量通常高度相关[36-45]。然而，最近的工作表明，这种相关性的强度取决于网络的整体结构；因此，给定中心性度量提供独特信息的程度可能因网络而异，对于大多数实际目的而言，简单的度量，如度，捕捉了中心性的大部分变异[42]。也可以开发多度量中心性概况[42]或使用多个度量的共识得分来定义枢纽[34]。有一些证据表明，大脑网络中不同的中心性度量能够识别出不同类型的枢纽[46]，但需要更多的研究。中心性度量的选择也取决于网络是如何构建的，基于相关性的网络需要特别考虑[47]，接下来将进行讨论。总之，即使中心性度量有不同的数学定义，它们也不总是提供独特的信息，中心性度量之间的相关性取决于所考虑网络的拓扑特性[42]。因此，不同中心性度量的协方差结构应该在具体情况下进行研究。

       在人类连接组学中的另一个考虑因素是数据处理策略对网络属性的影响。最近对240种扩散MRI处理流程的评估发现，枢纽的位置可能会根据数据处理方式的不同而有很大的变化，这表明处理流程的选择会影响哪些特定区域被认为是枢纽[48]。另一项研究发现，用于曲线追踪的播种方法的选择可能会影响枢纽的位置[49]，而其他研究更普遍地发现，大脑网络的拓扑结构受到不同处理选择的影响[50-52]。因此，在任何分析中都应仔细考虑这些影响。有关结构和功能数据处理阶段的概述，请参见第2章和第3章。

6.2.3 基于模块的方法定义枢纽 

      定义枢纽的另一种方式是参考网络的模块分解[53]。模块是一组节点，它们在自身之间高度相互连接，并且与该组外的节点弱连接。给定一个网络的模块分解，[54,55]提出了一种分类方案，用于使用两个度量来定义模块化网络中单个节点的角色，即模块内节点度和参与系数。模块内度量一个节点与同一模块内其他节点的连接程度，相对于这些节点，

      其中ki(mi)是节点i与同一模块mi中其他节点相连的边数，k'(mi)是模块mi中节点的平均模块内度，σk(mi)是模块mi中所有节点的ki(mi)的标准偏差。参与系数度量了一个节点的连接如何分布在网络模块之间，定义为：

     其中M是模块的数量，ki(m)是节点i与模块m中其他节点之间的边数。当Pi = 1时，一个节点的连接在所有模块中均匀分布；当Pi = 0时，一个节点的连接全部包含在单个模块内。已经为加权和有向网络提出了Pi和zi的变体[23]。

图6.2 复杂网络的功能地图。

(A) 节点角色。由参与系数和模块内度定义的空间可以被划分为不同的区域，其中在该区域得分的节点被分配一个特定的节点角色。

(B) 节点角色的网络投影。在(A)中测量的节点角色被投影到网络上。

     Guimera和Amaral[54,55]比较了这两个节点值在众多网络中的分布，并提出了以下不同的、普遍的节点类别（见图6.2）：

     • 极边缘节点（P ≤ 0.05; z < 2.5），一个非枢纽节点，几乎所有的连接都位于同一模块内；

     • 边缘节点（0.05 < P ≤ 0.62; z < 2.5），一个非枢纽节点，大部分连接位于同一模块内；

      • 非枢纽连接器（0.62 < P ≤ 0.80; z < 2.5），一个非枢纽节点，其中许多连接是到其他模块中的节点；

      • 非枢纽无关联节点（P > 0.80; z < 2.5），一个非枢纽节点，其大部分连接是到自己模块外的节点；

     • 地方枢纽（P ≤ 0.30; z ≥ 2.5），一个枢纽节点，其大部分连接位于同一模块内；

     • 连接枢纽（0.30 < P ≤ 0.75; z ≥ 2.5），一个枢纽节点，其中许多连接是到其他模块中的节点；

      以及 • 无关联枢纽（P > 0.75; z ≥ 2.5），一个枢纽节点，其连接分布在所有其他模块中。

      例如，具有高模块内度但低参与系数的节点是“地方”枢纽，在该特定模块的功能中扮演重要角色。具有高模块内度和高参与系数的节点是“连接”枢纽，在跨不同模块整合信息中扮演重要角色。

6.2.3.1 使用参与系数识别枢纽时的考虑因素 

       有些人主张单独使用参与系数来定义枢纽，特别是在基于相关性的网络中[47]。这个结论是基于证据，即诸如模块内度或其他基于度的度量（如节点度和强度）可能在相关网络中存在偏差，因为相关系数的传递性（即，如果a与b相关，b与c相关，那么a通常与c相关），这使得高度节点难以显示与不同模块中的节点的相关活动。这对于结构连接网络不是问题，因为与一个节点的连接不必然限制与其他节点的连接。因此，诸如节点强度之类的度量往往对节点所属模块的大小敏感[47]。此外，在基于相关性的网络中，解释标准中心性度量很困难。例如，基于最短路径的度量是不适当的，因为在典型的功能连接性估计中捕获的区域时间序列之间的相关性捕获了直接和间接连接之间区域对的所有共享信息。然而，仅依赖参与系数可能会产生误导。例如，假设节点A在其自身模块内高度连接，但也包含几个连接到另一个模块，而节点B在其自身模块内有一个连接和另一个连接到不同的模块。节点A显然更为中心，但节点B将获得更高的参与系数，因为其总连接数中更高比例的连接均匀分布在各个模块中。其他工作表明，模块大小的变化会影响参与系数，并且也可能导致违反直觉的结论，尽管这种偏差可以通过适当的步骤来解决[56]。值得注意的是，参与系数与中心性度量之间的相关性远弱于中心性度量之间的相互关系，表明这一度量确实捕捉到了与传统中心性分析不同的节点拓扑方面[42]。

6.2.4 定义富集俱乐部 

     在他们对以自治服务器为单位定义的互联网的研究中，Zhou和Mondragón[7,57]观察到，网络中的高度枢纽也倾向于与其他高度节点连接。他们将这些相互连接的高度节点集合称为富集俱乐部，其思想是枢纽在其连接性方面是“富有的”，并因其相互连接而形成一个“俱乐部”。这个概念由Colizza等人[6]进一步发展，他们定义了一个相对于随机零模型的标准化富集俱乐部系数。这种标准化很重要，因为它解释了高度连接的节点更有可能彼此连接的一般趋势。实际上，虽然Zhou和Mondragón在互联网中发现了富集俱乐部组织的证据，但Colizza等人表明，适当的标准化消除了这种效应[6]。

     形式上，给定阈值k下枢纽之间的相互连接程度可以使用富集俱乐部系数φ来量化，它度量了具有度k的节点子图的连接密度（见图6.3A），

     其中

是子图中存在的边数，而

是子图中所有可能的（双向）边数。等式(6.8)是为无向网络定义的，因此分子乘以2（因为分母将边视为双向的，所以分子需要调整）。当φ(k) = 1时，子图中的所有节点都是最大程度地连接的（即，该子图中所有可能的连接都存在）；当φ(k) = 0时，子图中没有连接。在图6.3A所示的网络中，对于k > 3，有15个可能的连接（或30个双向连接；见图6.3B）。由于网络中只有8个连接存在，富集俱乐部系数计算为φ(3) = 0.53。

图6.3 定义富集俱乐部。

     （A）在不同的k阈值下定义的一个示例网络的富集俱乐部。富集俱乐部节点被标记为红色，而非富集俱乐部节点被标记为蓝色。连接根据其类型着色，其中富集连接（富集俱乐部节点之间的连接）为红色，馈送连接（富集俱乐部和非富集俱乐部节点之间的连接）为橙色，以及外围/局部连接（非富集俱乐部节点之间的连接）为蓝色。随着k的增加，定义富集俱乐部的标准变得更加严格，趋于网络的实际枢纽。

    （B）k > 3时，所有富集俱乐部节点之间可能存在的连接。富集俱乐部系数是网络中实际存在的这些连接的比例。

    （C）富集俱乐部曲线的示例。图（C）展示了描述富集俱乐部曲线及相关数据的常见方式。这个富集俱乐部是使用380个节点的结构连接网络的群体平均数据计算得出的[42]。群体网络的富集俱乐部系数是黑线，而从100个Maslov-Sneppen重排网络计算得出的空富集俱乐部系数的分布由阴影区域表示（深灰色是一个标准差，浅灰色是两个标准差）。标准化富集俱乐部系数是红线。图上方的直方图显示了网络的度分布。群体网络的标准化富集俱乐部系数显著高于空网络的阈值（FDR校正的p < 0.05）由红点标示。标准化曲线在度分布的尾部（Bk > 30）急剧上升，与网络枢纽之间的高度相互连接性一致。

      已经为加权网络提出了几种富集俱乐部系数的定义[58]。在神经科学中最广泛使用的方法是通过检查网络中最强边的比例，这些边包含在具有丰富度r的节点子图中[59]，其中丰富度可以使用二进制度、加权度或其他节点中心性度量来定义。形式上，

其中

是丰富度r以上的节点子图中边的权重之和，

是排名高于r的边的数量（即子图中的边数），

是整个网络中所有边权重的向量，从最大到最小排序。如果φw(r) = 1，则Er中权重最高的边都包含在子图中；而如果φw(r) = 0，则最高权重的边都不包含在子图中。

      一般的预期是，当φ作为k（或r）的函数增加时，将会表现出富集俱乐部组织，这与最高连接节点之间的强烈相互连接性一致。为了建立这种趋势的空预期，观察到的值与适当的随机网络集合进行比较[6]。另见第5章，介绍了随机网络。然后可以将标准化的富集俱乐部系数表示为实证富集俱乐部系数与随机网络的平均富集俱乐部系数φrand(k)的比率，

     其中，大于1的值表明在阈值k的实证网络比随机网络具有更强的富集俱乐部组织（即，表现出超过偶然的富集俱乐部效应）。这个定义可以应用于无权和有权的富集俱乐部。虽然没有明确的指导说明计算φrand(k)所需的随机网络数量，但作为启发式方法，建议使用100次随机化，尽管如果网络特别大或密集，可能需要更多次数[3]。对于无权网络，随机网络通常是使用保留实证网络的大小、密度和度序列的重连程序创建的[60]。对于有权网络，选择合适的零模型稍微困难一些，这取决于人们希望解决的具体假设（详见[58]的详细讨论）。也可以使用推理程序来测试富集俱乐部组织是否具有统计学意义，前提是已经生成了足够数量的随机网络[61]。在这些情况下，随机集合可以用作每个度阈值k的实证零分布进行推断。

      需要注意的是，与枢纽一样，定义富集俱乐部的阈值在某种程度上是任意的，通常最好的做法是评估多个k值的φnorm(k)，如图6.3C所示。在高k值处φnorm值的急剧、统计显著增加与网络枢纽之间比偶然期望更强的连接性一致。以这种方式可视化数据可以完整地展示网络组织。

6.3 大脑网络中的枢纽和富集俱乐部 

      本节将聚焦于研究大脑网络中枢纽和富集俱乐部的不同属性。具体来说，将探讨研究枢纽和富集俱乐部的基本拓扑和空间属性、它们的细胞和分子属性、它们在疾病中的作用，以及它们对网络动态的影响。

6.3.1 神经枢纽和富集俱乐部的拓扑和空间属性 

      研究大脑枢纽拓扑属性的最早研究之一是由Sporns等人[31]进行的，他们关注的是通过整合已发表的示踪研究结果生成的猫和恒河猴的连接组。他们将度超过平均值一个标准差以上的节点识别为枢纽，并发现这些节点在接近度和介数中心性的度量上排名很高。这一结果与中心性度量往往高度相关，且度通常是节点枢纽性的合理近似的证据一致。他们还发现，枢纽更有可能位于重复出现的三节点开放三角形图案的顶点，充当连接两个未直接相连节点的桥梁。因此，枢纽的聚类系数往往低于非枢纽。在这项分析中，枢纽区域通常位于多模态联合区。

       在这些发现的基础上，van den Heuvel等人[34]研究了使用扩散MRI映射的人类大脑结构网络，根据节点是否属于度和介数最高的前20%、平均路径长度（与接近中心性成反比）和聚类最低的20%的节点，给节点分配一个枢纽分数。因此，满足所有这些标准的节点将被分配一个4分的分数。枢纽分数较高的节点位于联合区、边缘系统区和皮层下区域，包括尾状核、上额叶皮层、楔前叶、扣带皮层、丘脑和壳核。后续的研究通常在人类中复制了这些发现（见图6.4），表明枢纽区域通常位于多模态边缘系统和联合皮层[8,62]。在功能连接网络的研究中也获得了类似的发现[8,47,63-65]。枢纽位于多模态区域与它们在整合多样神经系统功能中的假定角色一致。

      首次对大脑网络中的富集俱乐部进行研究的是Zamora-López等人[66]对猫连接组的分析。除了猫之外，后续的工作还在秀丽隐杆线虫[67,68]和果蝇[69]的微观尺度连接组、恒河猴[70]、大鼠[71]、小鼠[25]的中观尺度连接组，以及人类[32,72]的宏观尺度连接组中观察到了富集俱乐部组织。

图6.4 人类大脑皮层中枢纽的空间分布。

      在这里，枢纽（红色区域）被定义为在至少一种中心性度量（度、节点效率或介数）上得分高于平均值一个标准差以上的节点。枢纽位于双侧的顶上叶、额上叶、楔前叶、岛叶、舌回和内侧眶额区域（双侧的壳核、丘脑、海马和壳核也是这个网络中的枢纽，但由于它们是皮层下区域，因此没有显示）。

      在对人类连接组的分析中，van den Heuvel和Sporns[32]发现，非富集俱乐部节点之间的66%的最短路径至少穿过了一个富集俱乐部边，这比随机预期的要高得多。这一结果表明，富集俱乐部边在人类连接组中具有很高的拓扑中心性。在后续研究[72]中，将人类连接组的所有边分为三种类型；非枢纽节点之间的连接（外围/局部）、枢纽和非枢纽之间的连接（馈送）以及枢纽节点之间的连接（富集）（见图6.3A）。他们发现，富集俱乐部连接比馈送或局部连接显著更长，网络中大多数长距离连接（超过90mm）是富集俱乐部连接，表明富集俱乐部连接承担了特别高的布线成本，假设长距离连接需要更多的细胞材料和代谢支持[73]。这种富集俱乐部连接的高中心性和成本已在不同物种和分辨率尺度上得到复制[25,67,68,70]。这些连接不仅可能支持网络中快速的功能整合，而且可能增强区域间连接的多样性和灵活性，从而促进复杂动态[74,75]。因此，富集俱乐部连接形成了一个拓扑上中心但成本高昂的大脑通信整合骨干。

      将富集俱乐部与大脑的模块化组织联系起来的研究强调了富集俱乐部连接在整合多样神经系统中的中心作用。对猫连接组的研究发现，枢纽区域分布在代表视觉、听觉、躯体感觉-运动和额叶-边缘系统的四个模块中[66]。在猫身上进行的后续研究使用了一种重叠模块分解技术，允许节点参与多个模块，并发现平均而言，枢纽属于的模块比非枢纽区域多[76]。在人类中，根据结构连接网络计算的富集俱乐部节点参与了大脑的11个不同的典型功能连接网络，并且更有可能是连接枢纽而非非富集俱乐部节点([77]；也见[62])。Gordon等人[78]在个体参与者的功能连接网络中识别了连接枢纽，并根据它们与其他节点的连接将它们聚类，以识别三个不同的类别——控制-默认、交叉控制和控制-处理枢纽——基于它们如何连接不同的功能网络。控制-默认枢纽主要连接前额-顶叶、默认模式和情境关联网络，交叉控制枢纽连接情境关联、背侧注意和前额-顶叶网络，而控制-处理枢纽连接感觉和运动网络以及情境关联和背侧注意网络。这些枢纽在一系列任务中也有不同的激活，并且对这些枢纽进行虚拟损伤模拟会以不同的方式破坏网络。这些发现指向了枢纽在管理不同认知状态下控制相关过程方面的更细致区分。

6.3.2 枢纽和富集俱乐部的细胞和分子属性 

      一些研究将连接组数据与区域细胞结构和基因表达信息联系起来，以了解枢纽和富集俱乐部在拓扑和功能上的独特角色是否在细胞和/或分子组织中有所体现。在对恒河猴大脑的一项研究中，Scholtens等人[79]检查了39个区域中18种细胞结构属性的变化。富集俱乐部节点的III层锥体神经元树突复杂性更高，脊柱计数更多，细胞体尺寸更大，与非枢纽区域相比。这些属性反映了更大的神经元处理和整合能力，因此指向了枢纽的整合处理能力的细胞相关性。另一项研究使用了BigBrain数据集[80]的数据，该数据集提供了人类大脑皮层层状结构的高分辨率轮廓，以了解细胞结构如何与结构连接网络中的节点中心性相关[81]。这是通过计算区域BigBrain轮廓来完成的，该轮廓指示该区域的层状结构与所有其他区域的平均相似性，并将此轮廓与节点强度相关联。作者发现这些属性呈正相关，表明具有更高细胞结构相似性的区域形成更多的连接（见图6.5）。由于细胞结构相似性被认为反映了共享的发育时序[82-87]，这意味着中心区域比非中心区域有更长的发育时间过程。有关大脑神经生物学的更多信息，请参阅第1章。

      其他研究人员使用体内正电子发射断层扫描来测量与连接组相关的葡萄糖代谢。一项研究[88]发现，与非富集俱乐部区域相比，富集俱乐部区域的有氧糖酵解测量值更高，这与网络枢纽更高的代谢需求一致。其他人也发现了中心性的不同度量与葡萄糖代谢或脑灌注之间的相关性[73,89-91]。这些发现与富集俱乐部连接的增加布线成本相一致，将富集俱乐部定义为连接组中最代谢昂贵的元素之一。

      大脑全基因表达图谱的最近可用性使得将多样的网络属性与转录活动的空间变化联系起来成为可能[92,93]。Whitaker等人[94]发现，在青春期期间，基于MRI的髓鞘化估计的区域变化在结构（皮层厚度）协变网络中拓扑中心性更高的区域更大。这些变化还与富含与突触传递和髓鞘化相关基因的基因表达谱相关，表明青春期期间髓鞘化的变化集中在枢纽节点上，并具有潜在的转录基础。在对小鼠大脑的分析中，Fulcher和Fornito[25]检查了超过17,000个基因的区域间基因表达谱的相关性。他们发现，这种转录耦合通常随着区域间解剖距离的增加而下降，但连接的枢纽对显示出最高水平的耦合，尽管平均而言，它们被比其他区域对更长的距离分开（见图6.6A）。此外，这种效应主要由调节氧化代谢的基因驱动，指向枢纽高代谢需求的转录特征。在秀丽隐杆线虫[67]和人类大脑[62]中也报告了类似的结果，表明这种富集俱乐部的转录属性在物种间是保守的（见图6.6B）。对人类功能连接网络的另一项研究也发现，模块间度的区域变化与与能量代谢相关的基因表达组分的表达相关[95]。

     值得注意的是，最近来自人类双胞胎研究的证据表明，连接强度个体差异的遗传性对于富集连接最高，对于馈送连接中等，对于外围连接最低[62]，这表明对大脑连接性的遗传影响集中在代谢成本高且拓扑上中心的富集俱乐部连接上。有关遗传学与连接组分析的更多信息，请参阅第14章

图6.5 区域BigBrain轮廓相似性与节点强度之间的关系。

    （A）BigBrain轮廓相似性和节点强度的节点分布。BigBrain轮廓相似性是通过计算一个区域与所有其他区域的平均相似性来计算的。节点强度以两种不同的方式计算，第一种方法将强度计算为连接一对区域的NOS（流线数），而第二种方法使用SD（流线密度），通过将连接一对区域的NOS除以这两个区域的平均体积来获得。

    （B）节点强度与BigBrain轮廓相似性之间的相关性。节点强度和BigBrain轮廓相似性呈正相关，表明平均而言具有与其他区域相似的层状轮廓的区域具有更多的连接。

NOS，流线数；SD，流线密度。

图6.6 跨物种的富集俱乐部连接的转录轮廓。

    （A）小鼠不同连接类型的基因表达。顶部面板显示了小鼠区域间连接的度分布。底部面板显示了富集、馈送和外围连接的平均CGE（相关基因表达）。更高的CGE表示基因表达的相似性更大。虚线表示平均CGE，灰色阴影区域表示观察到显著的富集俱乐部连接（即，枢纽之间的相互连接性高于偶然预期）。每条线上的一个点表示在给定阈值下该连接类型显示出与至少一种其他连接类型相比显著不同的CGE增加。这项分析表明，在富集俱乐部范围内，富集连接具有更大的基因表达。

    （B）秀丽隐杆线虫中不同连接类型的基因表达。面板的解释与（A）相同，除了使用中位CGE（由于这些值的分布非正态）。这些结果表明，富集俱乐部显示出更大基因表达相似性的转录属性在物种间是保守的。CGE，相关基因表达。

6.3.3 疾病中的枢纽和富集俱乐部 

       有人提出，枢纽区域的高代谢需求可能使这些区域容易受到疾病的影响，因为它们可能容易受到任何可能中断正常功能的病理过程的影响，或将枢纽的活动水平推高至其高基线水平以上[73,96]。此外，由于枢纽具有短的平均路径长度，从大脑任何地方开始的病理过程将迅速找到枢纽。富集连接所跨越的长解剖距离也使它们更有可能受到白质病变的影响。在一篇开创性的论文中，Crossley等人将结构和功能网络中的枢纽位置与通过对超过20,000名受试者的元分析获得的灰质体积减少图进行了比较，这些受试者患有26种不同的精神病和神经疾病[97]。在这些疾病中，有9种疾病，从精神分裂症到阿尔茨海默病，由非常不同的病理生理过程引起，体积减少更有可能发生在连接组的枢纽中。在阿尔茨海默病的情况下，补充工作表明，显示最高水平淀粉样蛋白负担的区域对应于网络枢纽[64]。

      几项研究还报告说，精神分裂症与富集俱乐部连接的显著破坏有关。一项研究发现，精神分裂症患者的连接组的富集俱乐部系数低于健康对照组，表明富集俱乐部连接更弱[98]。在后续研究中，Collin等人[99]评估了精神分裂症患者、精神分裂症患者未受影响的兄弟姐妹和健康对照组网络中富集、馈送和外围连接的边权重差异，发现只有富集连接在三组中的权重不同，表明这些特定连接在精神分裂症中受到选择性影响。多动症[100]、自闭症[100,101]、双相情感障碍[102,103]和多发性硬化症[104]等疾病中也报告了富集俱乐部连接的异常。可能有不同的机制解释这些疾病中枢纽和富集俱乐部的涉及，但这些发现支持这样的假设，即最终，枢纽是大脑病理表达的特殊脆弱点，无论潜在的病因过程如何。

6.3.4 枢纽和富集俱乐部组织的动态后果 

     理解单个网络元素功能角色的一种方法是使用虚拟损伤范式[33]。在这种分析中，从网络中选择性地移除富集俱乐部或枢纽连接，并评估网络拓扑的变化。在描述人类大脑富集俱乐部的初始论文中，van den Heuvel和Sporns[32]通过减少随机连接的连接强度或特别针对“枢纽”连接（即枢纽和非枢纽之间的连接，也称为馈送连接）或富集俱乐部连接来虚拟损伤连接组。他们发现，富集俱乐部攻击显著降低了网络的全局效率（与网络的平均最短路径长度成反比，用作网络拓扑整合能力的指标），与其他两种类型的攻击（对随机和馈送连接）相比，表明富集俱乐部损伤对网络完整性有不成比例的影响。后续工作也复制了这一发现[33,72]。有关连接组损伤研究的更详细概述，请参阅第17章。

      另一种方法涉及直接模拟大脑活动模式，并观察枢纽和富集俱乐部如何影响这些动态。在这项工作中，每个大脑区域的活动根据特定的动态模型进行模拟，并根据实证派生的连接组耦合区域动态[105,106]。产生的动态可以再现许多实证观察数据的属性[107]。例如，在一项分析中，模拟了区域BOLD（血氧水平依赖性）信号的波动，并在节点从网络中损伤前后计算功能连接性[96]。高度中心区域的损伤导致功能连接性的广泛和复杂变化（见图6.7A），而非中心区域的损伤只产生小的和局部的变化（见图6.7B），表明对枢纽的损伤显著改变了大脑动态。更广泛地说，这些计算模拟研究表明，枢纽和富集俱乐部促进了复杂的动态、拓扑外围大脑区域活动的同步，并支持灵活、适应性的功能[66,75,108-113]。

6.4 未来方向 

      鉴于网络枢纽被赋予的功能重要角色，自然会问它们是如何在大脑发育中出现的[114]。初步证据表明，它们很早就出现了。

      一项对早产婴儿的研究发现，富集俱乐部连接在胎龄30周时就已建立，而直到足月时期，大部分连接发展都发生在外围区域[115]。在秀丽隐杆线虫中，所有枢纽神经元都在动物孵化之前形成[68,116]，而灵长类动物的枢纽区域有较低的神经元密度[79,83]，这是神经发生早期终止的标志[117-119]。这些发现表明，枢纽和富集俱乐部在发育早期形成，建立了一个初始框架，其余网络可以从中发展[120]，尽管需要进一步的工作来验证这一假设。

      对枢纽和富集俱乐部出现的进一步洞见来自生成网络模型。这些模型根据控制节点间连接形成的布线规则来生成网络。通过评估这些模型产生的网络，可以检查它们在复制实证大脑网络的拓扑属性方面的相似程度[121]。这些研究表明，受简单规则约束的随机过程——即在布线成本和拓扑价值之间进行权衡，具体来说，对形成远程连接的惩罚和对形成能够增强功能的某些拓扑属性的连接的偏好——可以成功地再现实证数据的多样拓扑属性[122,123]，尽管它们在再现网络枢纽的解剖位置方面有限的能力[62,124,125]。换句话说，与实际连接组相比，模型网络具有相似的拓扑，但空间嵌入非常不同。遗传或其他约束，如连接形成的区域时间差异，对模型拟合的改进程度是正在进行的研究课题[62,86,114,126]。

      另一个有趣的进一步研究方向是探索拓扑属性在多大程度上可以提供临床相关信息。计算研究表明，对中心区域的虚拟损伤对网络动态的影响比对非中心区域的损伤更大[127,128]。对局灶性损伤患者的研究发现，损伤连接枢纽后，认知障碍的模式更普遍和广泛，涉及多个功能领域[129]。因此，有人提出，原则上，如果知道损伤部位的中心性和其他拓扑属性，应该可以预测患者的损伤程度和预期恢复情况[96]。这些预测需要直接的实验支持。

6.5 结论 

      在本章中，关于拓扑中心性的关键概念、网络枢纽的定义以及富集俱乐部组织的量化已经进行了总结。此外，本章还概述了在分析枢纽和富集俱乐部时需要考虑的一些关键限制。讨论了这些属性如何被用于理解大脑网络中枢纽和富集俱乐部的功能，并确定了进一步工作的领域。持续改进测量技术和分析工具对于更好地理解枢纽和富集俱乐部至关重要，这些枢纽和富集俱乐部在促进整合的大脑功能中发挥着关键作用。