01
来自于Betzel组,用的HPC的数据。作者提出了基于edge的多模态网络整合方法。每个edge上不同模态的信息作为feature,计算几个模态之间的covariance。
在随后使用了聚类方法进行了进一步的分析。
a 不同模态的FC
b edge的特征矩阵,为了好看作者使用之后的cluster对其进行了排序。
c 基于b得到的协方差矩阵,同样使用cluster进行排序
d cluster的连接图,使用了force-directed的layout。印象中,做这个图还有spring layout或者circle的layout可以选择。如何选择cluster的个数(k=6)是值得借鉴的地方,他们用的指标是z-score Rand index
e 每个cluster在不同模态的值,所谓connectional fingreprints。
g 每个cluster的modularity
f和h没看原文还不知道是什么指标~
02
学业成就就反映的就是认知能力(比如智商)?亲身经历证明,智商不够,努力来凑!
GWAS学业成就:和学业成就相关的基因(n=1,131,881)
GWAS认知能力:和认知能力相关的基因 (n=257,841)
GWAS学业成就-GWAS认知能力=非认知能力相关基因
文章使用的是一个genetic版本的SEM,并提供了详细的教程。
设计比较巧妙,使用了非认知能力概括了所有无法不能被认知能力解释的部分。 后续的分析用了两种思路: 1. phenotypic annotation,看这部分非认知能力的基因和其他的特质比如寿命,决策偏好,社会/职业能力水平等的相关。2. enrichment,看这部分基因和那些组织结构,细胞类型,大脑结构相关,文章值得研读,分析代码已共享在github。
分享另外一家快递投递的内容,快递员效率很高~
03
Shrinkage三部曲的第一部,文章的highlight就是下图,1976年到2019年,超过100万个z值的分布,完美诠释publication bias/winner's curse/significance filter。
看完决定
我的人生目标
便是是填补
中间那一部分空白
04
fMRI+PET, 81个被试,使用了probabilistic map learning task研究纹状体对reward的反应,使用RAC标记D2/3受体研究DA release,为DA在基于奖赏学习中的作用提供了相对直接的证据。研究的思路和结果堪称neat~
A. 基线RAC BPnd
B. task-related DA release
Learner vs. Non-learners 有差异
C. BOLD response
Learner vs. Non-learners 无差异
表明:
This learning response was specific to the ventral striatum and was not present in fMRI BOLD reward response activation.
The dopaminergic function may support reward reactivity as well as reward learning as distinct processes.
有意思的是DA的release和计算模型中的learning rate相关!
05
2020年12月发表在Developmental Cognitive Neuroscience上的文章,用的是ABCD的9-10岁数据,使用了Rest/MID/SST/FACE的磁共振数据预测了substance use的易感性。文章使用了PCA对行为数据进行了降维,使用Rest/MID/SST/n-back的功能连接+CPM做预测。个人认为这个杂志IF要涨,值得关注。
Highlight:
PCA降维行为数据
使用了Rest/MID/SST/n-back 功能连接
CPM
ABCD N=9,437
文献若只如初见,整理泛读(extensive reading)的文章。希望读者可以通过2-3分钟的阅读了解一些新的进展。内容难以面面俱到,一切以原文为准。主要关注的领域有
addiction
adolescents
neural development
functional connectivity
genetics
那么
Intensive reading的标题会是什么?
可以留言你的idea
也许就采纳了呢
~
扫描二维码
获取更少精彩
懒麻蛇~