[論文レビュー] Community detection in network neuroscience

Richard F. Betzel|arXiv (Cornell University)|Nov 13, 2020

Neural dynamics and brain function被引用数 10

ひとこと要約

この論文は、ネットワーク神経科学におけるコミュニティ検出手法をレビューし、モジュラリティ最大化と、脳ネットワークのコミュニティを特定するための実用的ガイドラインに重点を置いている。本研究は、脳ネットワークが種やスケールにかかわらず強固なミクロスケール構造を示すことを示しており、構造的および機能的脳ネットワークにコミュニティ検出を適用する際の方法論的厳密性を保つためのツールと意思決定フレームワークを提供する。

ABSTRACT

Many real-world networks, including nervous systems, exhibit meso-scale structure. This means that their elements can be grouped into meaningful sub-networks. In general, these sub-networks are unknown ahead of time and must be "discovered" algorithmically using community detection methods. In this article, we review evidence that nervous systems exhibit meso-scale structure in the form of communities, clusters, and modules. We also provide a set of guidelines to assist users in applying community detection methods to their own network data. These guidelines focus on the method of modularity maximization but, in many cases, are general and applicable to other techniques.

研究の動機と目的

• 脳ネットワークが種、スケール、および画像モodalitiesにかかわらずミクロスケールコミュニティ構造を示すことを確立すること。
• 視覚的検査では見えない脳ネットワークにおけるコミュニティのアルゴリズム的検出の課題に対処すること。
• コミュニティ検出手法の選定と適用に役立つ実用的で実行可能なガイドラインを研究者に提供すること。
• コミュニティ構造の重要性が脳機能、疾患、バイオマーカー開発の理解においてどのように寄与するかを強調すること。
• 非重複と重複コミュニティ検出手法を比較・対比し、柔軟でユーザー主導のアプローチを提唱すること。

提案手法

• 主としてモジュラリティ最大化を用い、内部結合が密で外部結合が疎なコミュニティを特定するためのモジュラリティ関数 Q を最適化する。
• Brain Connectivity Toolbox および NetWiki を通じて Luvain アルゴリズムを導入し、カスタマイズ可能なノイズモデルと解像度パラメータを備えた効率的なコミュニティ検出を実現する。
• 複数回の実行や閾値設定に対して安定性と信頼性を向上させるために、コンセンサスクラスタリングを適用する。
• 共変動時間系列と類似度指標を用いてノード間ネットワークをエッジ間ネットワークに変換することで、エッジ中心のコミュニティ検出を検討する。
• ブロックモデリングとノードレベルの指標（参加係数、モジュール度数-zスコア）を用い、ノードがコミュニティ内での役割を特徴付ける。
• 一般化 Luvain アルゴリズム（genlouvain.m）を用いて、ユーザー定義のモジュラリティ関数を許容し、マルチレイヤーおよびマルチ解像度ネットワーク解析をサポートする。

Figure 1: Scales of network analysis. ( a ) Brain networks are usually defined as collections of neural elements (cells, populations, regions) linked to one another via structural or functional connections. ( b ) Analysis of brain networks can be carried out at the local and global scales, which foc

実験結果

リサーチクエスチョン

• RQ1 どのようにしてコミュニティ検出手法を脳ネットワークデータに体系的かつ的確に適用し、意味のあるミクロスケール組織を明らかにできるか？
• RQ2 脳ネットワークにおけるコミュニティ検出の結果に影響を与える主要な手法的意思決定は何か？
• RQ3 脳ネットワークがどの程度重複コミュニティ構造を示し、そのような構造はどのように検出され、解釈されるか？
• RQ4 神経科学的データに対して、異なるコミュニティ検出アルゴリズムは、正確性、安定性、解釈可能性の観点でどのように比較できるか？
• RQ5 構造的および機能的脳ネットワークにおけるコミュニティ構造の同定が、機能的および臨床的意味にどのように関連するか？

主な発見

• 線虫（C. elegans）からヒトまで、種を越えて脳ネットワークは一貫してミクロスケールコミュニティ構造を示しており、これは根本的な組織的原則を示している。
• コミュニティ検出は、異なるコミュニティを接続する接続ハブとして機能するノードが存在することを明らかにし、その機能的重要性を強調している。
• モジュラリティ最大化を用いた Luvain アルゴリズムは、大規模脳ネットワークにおけるコミュニティ検出に対して効率的でスケーラブルな手法である。
• 共変動時間系列を用いたエッジ中心のコミュニティ検出により、ノードの広範な重複が可能となり、ネットワーク役割の動的再構成を捉えることができる。
• 参加係数とモジュール度数-zスコアは、ノードの中心性とコミュニティへの所属関係を定量化する指標を提供し、機能的解釈を支援する。
• パラメータ選定、ノイズモデルの選択、解像度チューニングに関するガイドラインは、信頼性があり解釈可能なコミュニティ検出結果を得る上で不可欠である。

Figure 2: Schematic illustrating why community detection is necessary and what can be gained from it. ( a ) Community detection usually starts with a network’s connectivity matrix. Initially, no community labels are known and its rows and columns are in an arbitrary order, making it difficult to est