توصیف مشخصه حفظ وزن در شبکه های پیچیده کارکردی مغزی
چکیده
شبکه های پیچیده کارکردی مغزی شبکه هایی بزرگ از نواحی مغزی و اتصالات کارکردی مغزی می باشند. تعیین مشخصات آماری این شبکه ها با هدف تعیین خصوصیات سراسری و محلی فعالیت مغزی از طریق تعداد کمی از اندازه گیری های شبکه ای انجام می شود. برخی از مهمترین اندازه گیری های کارکردی شبکه عبارتند از اندازه گیری پیمانگی شبکه (اندازه گیری میزان بهینگی تقسیم شبکه به زیر گروه های کارکردی) و اندازه گیری مرکزیت (اندازه گیری اثر کارکردی نواحی انفرادی مغز). تعیین مشخصه های شبکه های کارکردی بیش از پیش محبوب شده اند اما با مشکلاتی در زمینه روش مواجه هستند. این مشکلات عبارتند از عدم توانایی در مشخص سازی شبکه های کارکردی با اتصالات متراکم و وزن دار، نادیده گرفتن قسمت هایی متمایز از شبکه که پیمانگی آنها بالا بوده و همچنین، نبود یک شبکه ی صفر (null) برای تست فرضیه ی ارتباط بین خصوصیات با اهمیت و مشاهده شده در شبکه و خصوصیات اتصال وزن دار. در این مطالعه، ما مجموعه ای از روش ها جهت غلبه بر این مشکلات را بررسی می کنیم. ما به طور خاص اندازه گیری پیمانگی و مرکزیت را به شبکه های پیچیده وزن دار با اتصال کامل تعمیم می دهیم، ردیابی قسمت های منحط با پیمانگی بالا در این شبکه ها را توصیف می کنیم و یک مدل صفر با اتصالات وزن دار را برای این شبکه ها معرفی می کنیم. ما روش خود را با نمایش قسمت های منحط با پیمانگی بالا و همبستگی های زیاد بین دو معیار مکمل مرکزیت در شبکه های کارکردی MRI از 1000 کانکتوم (Connectome) کارکردی که مخزنی از دیتاست های کارکردی MRI است، مطرح می نماییم. روش های ما منجر به تعیین منطقی و مطمئن مشخصات و مقایسه ی شبکه های کارکردی مغزی در شرایط و آزمودنی های مختلف می گردند.
مقدمه
شبکه های کارکردی مغزی با مقیاس وسیع شبکه هایی از نواحی مغزی و اتصالات کارکردی (همکشی یا همبستگی) بین هر زوج از این نواحی می باشند. شبکه های پیچیده کارکردی مغزی شبکه هایی بزرگ و وسیع از نواحی مرتبط مغزی بوده که اغلب به عنوان نقشه ی فعالیت مغزی از آنها استفاده می شوند (Bullmore and Sporns, 2009). تعاملات بین نواحی در شبکه های کارکردی پیچیده اندازه های بزرگ تا کوچک و علامت مثبت یا منفی دارند. بعکس، شبکه های کارکردی ساده و سنتی گروه های کوچکتری از نواحی همبسته می باشند که از انها به عنوان نقشه سیستم های کارکردی خاص استفاده می شود (Foxand Raichle, 2007). شبکه های کارکردی ساده پیمانه ها (مولفه ها یا زیر شبکه ها) ی به هم پیوسته ای را درون شبکه های کارکردی پیچیده شکل می دهند (Meunier et al., 2010).
Abstract
Complex functional brain networks are large networks of brain regions and functional brain connections. Statistical characterizations of these networks aim to quantify global and local properties of brain activity with a small number of network measures. Important functional network measures include measures of modularity (measures of the goodness with which a network is optimally partitioned into functional subgroups) and measures of centrality (measures of the functional influence of individual brain regions). Characterizations of functional networks are increasing in popularity, but are associated with several important methodological problems. These problems include the inability to characterize densely connected and weighted functional networks, the neglect of degenerate topologically distinct high-modularity partitions of these networks, and the absence of a network null model for testing hypotheses of association between observed nontrivial network properties and simple weighted connectivity properties. In this study we describe a set of methods to overcome these problems. Specifically, we generalize measures of modularity and centrality to fully connected and weighted complex networks, describe the detection of degenerate high-modularity partitions of these networks, and introduce a weighted-connectivity null model of these networks. We illustrate our methods by demonstrating degenerate high-modularity partitions and strong correlations between two complementary measures of centrality in resting-state functional magnetic resonance imaging (MRI) networks from the 1000 Functional Connectomes Project, an open-access repository of resting-state functional MRI datasets. Our methods may allow more sound and reliable characterizations and comparisons of functional brain networks across conditions and subjects.
Introduction
Large-scale functional brain networks are networks of brain regions and functional connections—coactivations or correlations— between pairs of these regions. Complex functional brain networks are large and extensive networks of nontrivially interacting brain regions that often serve as maps of global brain activity (Bullmore and Sporns, 2009). Interactions between regions in complex functional networks vary in magnitude from large to small, and vary in sign from positive to negative. In contrast, the more traditional “simple” functional networks are smaller groupings of strongly and mutually correlated regions that often serve as maps of specialized functional systems (Fox and Raichle, 2007). Simple functional networks form highly connected modules—components or subnetworks—within complex functional networks (Meunier et al., 2010).
چکیده
مقدمه
روش
ارزیابی پارتیشن های پیمانگی
سهم وزن های مثبت، سهم وزن های منفی، کل پیمانگی
ردیابی پارتیشن های منحنط با پیمانگی بالا
مدل صفر حفظ درجه، وزن و قدرت
نتایج
برازندگی پارتیشن هایی که پیمانگی بالایی دارند
انحطاط پیمانه هایی که پیمانگی آنها زیاد است
خصوصیات مرکزیت ناحیه ای
بحث
منابع
Abstract
Introduction
Methods
Measures of modularity in networks with positive and negative weights
An asymmetric measure of modularity in networks with positive and negative weights
Evaluation of the goodness of modularity partitions
Detection of degenerate high-modularity partitions
Measures of centrality in networks with positive and negative weights
Degree-, weight- and strength-preserving null model
Results
Goodness of high-modularity partitions
Degeneracy of high-modularity partitions
Properties of regional centrality
Discussion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه