Rich-club计算

我在上个博客内容中，有提到应用Gretna工具包计算rich-club，但是确定rich-club节点还需要再进行计算。下图是Gretna计算脑网络属性的结果文件夹和richclub文件。

 Gretna计算后RichClub文件夹内容如右图所示               

Gretna的manual给出的解释为：

phi_real_Thres001矩阵如下图所示。比如我有44个被试，246个ROI，计算得到的richclub系数为44*245，且其中有数字和NaN，此外每行（也就是每个人）的NaN出现的地方不一样。我第一次看根本不知道都代表啥意思，经过请教和资料查询，具体解释在下面给出。

richclub系数计算为度超过k的节点集合所定义的子网络的连接密度。当richclub系数越大，则rich-club间的连接越紧密。当系数=1，则子网络的所有节点两两之间都互相连接。
假设我要构建的脑网络有246个节点，节点与节点之间的degree最短就是1，即孤立的接收点，最长是245，即掌控所有的点。这就是为什么我的richclub系数矩阵为44*245。以上图第一行来解释，就是246个ROI中节点度大于28的所有节点构成的子网络的连接密度为0.9048，节点度大于31的所有节点构成的子网络的连接密度为1，也就是这些节点两两之间都相互连接。节点度大于37及之后值的richclub系数为NaN，代表该被试的richclub的节点度最高到36，后边就不用算了。

目前研究中Rich-club节点的计算主要有以下3种方式：

（1）使用组平均网络计算 rich club 节点。首先，对于正常个体二值结构网络中的每条连边，如果有超过 50%的人存在连接（或设定其他阈值），则保留这条边，得到健康被试的组平均网络。然后，选择适当的 k 值，那么组网络中度值大于 k 的脑区就是 rich club 节点。

（2）使用 rankscore 值计算 rich club 节点。首先，对于每个被试，将度值最大的脑区记为标号“1”，度值最小的脑区记为标号“246”（节点总数为 246 个）。然后，对该组中所有个体的同一个脑区的 rankscore 值求平均，选择前 n 个 rankscore 值最大的节点作为 rich-club 节点。

（3）使用高度值选取 rich club 节点。首先，计算每个被试度值的均值(mean) 和标准差(SD)，如果有节点的度值超过 mean + SD（或1.25SD），则该脑区是高度值节点，故保留。然后，选择该组中多数人共有的脑区作为 rich club 节点。

     按照划分后的 rich club 脑区节点，将连边划分为 3 个类别： rich club 两点之间的连边，称为“rich club ”连接；  rich club 节点和非 rich club 节点之间的连边，称为“ feeder ” 连接；非 rich club 两节点之间的连边，称为“ local ”连接。

方法1 对应文章如下 

 

方法2 对应文章如下

 方法3 对应文章如下

 这几种方法总结来看，richclub的计算都是需要依据节点的度来确定，也就是根据gretna计算得到的Degree Centrality文件去看每个节点的度大小来得到。

 以上是几种我了解到的计算richclub的方法，作为我的学习笔记，也供大家参考。