Higher-Order Interactions in Brain Connectomics: Implicit versus Explicit Modeling Approaches
University of Tehran(德黑兰大学);Institute for Research in Fundamental Sciences (IPM)(基础科学研究所);Henry Ford Health System(亨利福特医疗系统)
本文综述脑连接组学中高阶交互的隐式与显式建模方法,提出统一概念框架,并主张未来应整合两类互补范式以理解大脑多层次架构。
2025-11-10 q-bio.QM
Analyzing complex functional brain networks: fusing statistics and network science to understand the brain
在过去的八年里,复杂的功能性大脑网络分析已经爆炸式发展,由于其深刻的临床意义而获得了牵引力。网络科学(图论的一个跨学科分支)的应用促进了这些分析,并使研究大脑成为一个产生复杂行为的集成系统。虽然统计学领域在推进激活分析和功能神经成像研究中的一些连接性分析方面不可或缺,但它在复杂网络分析中尚未发挥相应的作用。将新的统计方法与基于网络的功能神经图像分析相结合,将产生强大的分析工具,有助于我们理解正常的大脑功能以及各种大脑疾病引起的变化。在这里,我们调查了广泛使用的统计和网络科学工具分析功能磁共振成像网络数据,并讨论了在填补一些剩余的方法差距所面临的挑战。当正确应用和解释时,网络科学和统计方法的融合有机会彻底改变对大脑功能的理解。
2013-10-22 q-bio.NC q-bio.QM stat.AP
An exponential random graph modeling approach to creating group-based representative whole-brain connectivity networks
基于群体的大脑连接网络对于有兴趣进一步了解复杂大脑功能及其在不同精神状态和疾病状况下如何变化的研究人员具有巨大的吸引力。准确地构建这些网络提出了一个艰巨的挑战,考虑到与会计学科间的拓扑变化的困难。可行的方法来完成这项任务,必须产生网络,捕捉组的主题的网络,它的目的是代表的构成拓扑特性。传统的方法是使用平均或中值相关网络(Achard等人,2006; Song等人,2009年,成立了一个网络。然而,在何种程度上,他们的拓扑性质符合那些他们声称代表的群体还有待探讨。在这里,我们研究这些平均值和中值相关网络的性能。我们还提出了一种基于指数随机图建模框架的替代方法,并将其性能与上述传统方法进行比较。Simpson等人(2010)说明了指数随机图模型(ERGM)用于创建捕获单个受试者大脑网络拓扑特征的大脑网络的实用性。然而,在产生一个“代表”一组大脑网络的大脑网络的背景下,它们的错误性还有待研究。在这里,我们表明,我们提出的ERGM方法优于传统的平均值和中位数相关的方法,并提供了一个准确和灵活的方法来构建基于组的代表性的大脑网络。
2011-11-16 q-bio.NC q-bio.QM stat.AP
Topological and Graph Theoretical Analysis of Dynamic Functional Connectivity for Autism Spectrum Disorder
本文利用图论与拓扑数据分析构建脑状态网络,发现ASD患者相比正常对照表现出更低的模块化、更高的冯·诺依曼熵及改变的Betti数,为ASD诊断提供了潜在生物标志物。
2024-11-08 q-bio.NC q-bio.QM
Network biomarkers of schizophrenia by graph theoretical investigations of Brain Functional Networks
脑功能网络(BFN),大脑活动数据的图论模型,提供了一个复杂的功能连接在大脑内的系统观点。已知神经系统疾病的基础是异常的功能活动,可以通过网络标记来捕获。精神分裂症是一种以脑功能状态改变为特征的病理状态。我们从fMRI数据开始创建了精神分裂症患者和健康受试者的加权和二进制BFN模型,以寻找该疾病的网络生物标志物。我们研究了45个BFN及其高阶组合(2到8)的拓扑特征。我们发现,体现模块性,介数,重复性和边缘密度的网络功能出现的精神分裂症的关键标志。此外,来自加权BFN的功能被观察到更有效的疾病分类相比,那些从二进制BFN。这些拓扑标记可能提供深入了解疾病表型的功能活动机制,并可进一步用于设计用于精神分裂症临床诊断及其早期检测的算法。
2016-08-27 physics.med-ph q-bio.QM
Statistical models of complex brain networks: a maximum entropy approach
本文聚焦指数随机图模型(ERGMs)这一最大熵方法,用于识别脑网络局部连接机制,并回顾其在解析人脑组织特性及发现中风等疾病预测性生物标志物中的应用。
2023-08-11 physics.bio-ph q-bio.NC q-bio.QM
Hodge-Decomposition of Brain Networks
University College London(伦敦大学学院);University of Wisconsin, Madison(威斯康星大学麦迪逊分校)
本文提出用霍奇分解将动态脑网络分解为三个正交分量并量化其强度,通过模拟和静息态fMRI数据验证了该方法能揭示传统方法难以捕捉的具有生物学意义的拓扑特征。
2026-10-26 q-bio.NC q-bio.QM
Extracting representations of cognition across neuroimaging studies improves brain decoding
Inria(法国国家信息与自动化研究所);CEA(法国原子能与替代能源委员会);Univ. Paris Saclay(巴黎萨克雷大学);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院)
认知脑成像正在积累关于许多不同心理过程的神经基质的数据集。然而,大多数研究基于少数受试者,统计功效较低。跨研究分析数据可以带来更大的统计功效;然而,目前的脑成像分析框架无法大规模使用,因为它需要将所有认知任务都纳入统一的理论框架。我们介绍了一种新的方法来分析大脑的反应,跨任务的心理过程没有一个联合模型。该方法通过将具有特定认知焦点的小型研究与探索较少焦点的心理过程的大型研究联合分析,提高了小型研究的统计功效。我们的方法提高了35个广泛不同的功能成像研究的80%的解码性能。它以数据驱动的方式,通过预测心理过程的共同大脑表征来发现任务之间的共性。这些大脑网络被调整到心理操纵。它们勾勒出了可解释的和合理的大脑结构。提取的网络已经可用;它们可以很容易地在新的神经成像研究中重复使用。我们提供了一个多学习解码工具,以适应新的数据。
2021-05-19 cs.CV cs.LG q-bio.QM
Topological Data Analysis of Task-Based fMRI Data from Experiments on Schizophrenia
我们使用计算代数拓扑学的方法来研究功能性脑网络,其中节点代表脑区域,加权边缘编码来自每个区域的fMRI时间序列的相似性。有了这些工具,它允许人们描述拓扑不变量,如高维数据中的循环,我们能够以一种补充基于成对相互作用的传统方法的方式来理解网络中的低维结构。在本文中,我们使用持续同源性分析网络,我们构建基于任务的功能磁共振成像数据从精神分裂症患者,健康对照组,精神分裂症患者的健康兄弟姐妹。因此,我们探索的持久性拓扑结构,如在这些网络中的不同尺度的循环。我们使用持久性景观和持久性图像创建输出摘要,从我们的持久性同源性计算,我们研究的持久性景观和图像使用$k$ -均值聚类和社区检测。基于我们对持久性景观的分析,我们发现兄弟队列的成员具有与其他两个队列不同的拓扑特征(特别是它们的一维循环)。从持久性图像中,我们能够区分所有三个受试者组,并确定环路中的大脑区域(具有四个或更多个边缘),使我们能够进行这些区分。
2020-08-25 cond-mat.dis-nn math.AT nlin.AO
The Length and the Width of the Human Brain Circuit Connections are Strongly Correlated
基于1064个脑图谱构建共识连接组,发现人脑连接的出现次数与纤维数正相关,纤维长度与纤维数及出现次数负相关,即频繁连接更宽更短。
2024-04-19 q-bio.NC q-bio.QM
A Two-Part Mixed-Effects Modeling Framework For Analyzing Whole-Brain Network Data
全脑网络分析仍然是神经影像学研究的先锋,在过去十年中变得突出。网络科学方法促进了这些分析,并允许将大脑作为一个集成系统进行检查。然而,建模和比较网络组的统计方法已经落后。将多变量统计方法与网络科学相融合是开发这些方法的最佳途径。为此,我们提出了一个两部分的混合效应建模框架,允许建模的概率连接(存在/不存在的边缘)和连接的强度,如果它存在。该框架内的模型能够量化结果(例如,疾病状态)和大脑中的连接模式,同时通过包括混杂协变量来减少虚假的相关性。它们还可以根据连接结构预测结果,反之亦然,模拟网络以更好地了解拓扑变化的正常范围,并利用组信息对网络进行阈值处理。因此,它们提供了一种全面的方法来研究系统水平的大脑特性,以进一步了解正常和异常的大脑功能。
2014-09-24 q-bio.NC q-bio.QM stat.AP
Brain Network Analysis: Separating Cost from Topology using Cost-integration
一个统计原则的方式进行加权网络分析仍然缺乏。不同群体的加权网络的比较是困难的,因为拓扑结构固有地依赖于布线成本,其中成本被定义为未加权图中的边的数量。在本文中,我们评估的好处和限制与使用成本集成拓扑度量。我们的重点是比较人口的加权无向图使用全局效率。我们评估不同的方法来比较加权网络,不同的平均关联权重。我们的关键结果表明,集成成本是等价于控制的加权图的重量集的任何单调变换。也就是说,当对成本进行积分时,我们消除了可能由于权重集的单调变换而导致的拓扑差异。我们的结果适用于任何未加权拓扑测度。因此,成本整合有助于将成本差异与拓扑结构差异分开。相比之下,我们表明,使用的加权版本的拓扑度量不构成一个有效的方法来解决这个问题。事实上,我们证明,在温和的条件下,使用加权版本的整体效率是等同于简单地比较加权成本。因此,我们建议报告(一)加权成本的差异和(二)成本综合拓扑测量的差异。我们展示了这些技术在功能磁共振工作记忆任务的重新分析中的应用。最后,我们讨论了集成拓扑成本的限制,这可能会造成问题时,一些权重为零,当多重性存在于权重的行列中,当人们期望微妙的成本依赖的拓扑差异,这可能会被掩盖的成本集成。
2011-06-09 q-bio.MN q-bio.NC q-bio.QM
Graphical Structural Learning of rs-fMRI data in Heavy Smokers
Columbia University(哥伦比亚大学)
针对重度吸烟者大脑拓扑连接变化不明的问题,采用带graphical lasso算法的高斯无向图分析rs-fMRI数据,发现估计图稳定性高且识别出多个受吸烟显著影响的脑区,为临床研究提供参考。
2024-09-16 cs.LG q-bio.QM stat.AP
Computing Scalable Multivariate Glocal Invariants of Large (Brain-) Graphs
Johns Hopkins University(约翰斯·霍普金斯大学);Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);University of New Mexico(新墨西哥大学);Duke University(杜克大学);Child Mind Institute(儿童思维研究所)
本文提出一种计算大规模脑图多变量全球不变量的方法,结合稀疏矩阵和高效近似技术,为神经科学提供工具,降低生物学家的使用门槛。
2013-12-16 cs.SY eess.SY q-bio.QM