[論文レビュー] Community detection in weighted brain connectivity networks beyond the resolution limit

Carlo Nicolini, Cécile Bordier+1 more|arXiv (Cornell University)|Sep 14, 2016

Functional Brain Connectivity Studies参考文献 48被引用数 6

ひとこと要約

本稿では、重み付き脳機能的結合ネットワークにおけるコミュニティ検出に向け、Surprise関数の連続的拡張を用いた、解像度限界のない手法であるAsymptotical Surpriseを提案する。この手法は、ノイズの多いfMRIデータにおいて、小さな生物学的に妥当なモジュールを検出する点で、ニューマンのモジュラリティとInfomapを上回り、安静状態脳ネットワークにおける不均一で多スケールのモジュラー構造を明らかにする。

ABSTRACT

Graph theory provides a powerful framework to investigate brain functional connectivity networks and their modular organization. However, most graph-based methods suffer from a fundamental resolution limit that may have affected previous studies and prevented detection of modules, or communities, that are smaller than a specific scale. Surprise, a resolution-limit-free function rooted in discrete probability theory, has been recently introduced and applied to brain networks, revealing a wide size-distribution of functional modules, in contrast with many previous reports. However, the use of Surprise is limited to binary networks, while brain networks are intrinsically weighted, reflecting a continuous distribution of connectivity strengths between different brain regions. Here, we propose Asymptotical Surprise, a continuous version of Surprise, for the study of weighted brain connectivity networks, and validate this approach in synthetic networks endowed with a ground-truth modular structure. We compare Asymptotical Surprise with leading community detection methods currently in use and show its superior sensitivity in the detection of small modules even in the presence of noise and intersubject variability such as those observed in fMRI data. Finally, we apply our novel approach to functional connectivity networks from resting state fMRI experimenta, and demonstrate a heterogeneous modular organization, with a wide distribution of clusters spanning multiple scales.

研究の動機と目的

• 脳ネットワークにおける小さな機能的モジュールの検出を妨げるコミュニティ検出手法の解像度限界を解消すること。
• エッジ重みが本質的に連続的である重み付き脳結合ネットワークに、解像度限界のないSurprise関数を拡張すること。
• 大規模な重み付きネットワークにおけるAsymptotical Surpriseを最大化するための新規最適化アルゴリズムPACOを開発・検証すること。
• ノイズと変動性を含む合成および実fMRIネットワークにおいて、Asymptotical SurpriseをニューマンのモジュラリティとInfomapと比較すること。
• 解像度限界を超えて、安静状態機能的結合ネットワークの真のモジュラー構造を明らかにすること。

提案手法

• 離散的Surprise関数の連続的・大規模ネットワーク極限としてのAsymptotical Surpriseを提案し、重み付きネットワークへの適用を可能にする。
• 観測されたコミュニティ構造の有意性を評価するため、超幾何分布に基づく確率的ノイズモデルを用いる。
• 大規模な重み付きネットワークにおけるAsymptotical Surpriseの効率的最適化を実現するため、PACO（並列適応的クラスタリング最適化）を実装する。
• 真のモジュラー構造を有する合成LFRベンチマークネットワークを生成し、ノイズを注入してfMRIの変動性と信号対ノイズ比（SNR）を模擬する。
• 感度と特異度を評価するため、正規化相互情報量（NMI）を用い、ニューマンのモジュラリティとInfomapと比較する。
• 実安静状態fMRIデータにこの手法を適用し、コミュニティ構造を同定し、解剖学的および機能的妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 解像度限界のない手法は、重み付き脳結合ネットワークにおいて、より小さな生物学的に関連性のある機能的モジュールを検出できるか？
• RQ2 ノイズレベルと被験者間変動性が異なる条件下で、Asymptotical SurpriseはニューマンのモジュラリティとInfomapに比べ、埋め込まれたコミュニティ構造をどの程度正確に検出できるか？
• RQ3 Asymptotical Surpriseは、従来の手法よりも、実安静状態fMRIネットワークにおいて不均一で多スケールのモジュラー構造を明らかにできるか？
• RQ4 fMRIデータに一般的に見られるノイズと被験者間変動性に対して、この手法はどの程度頑健であるか？
• RQ5 標準的手法の解像度限界によって隠れてしまう、小さな解剖学的または機能的定義のモジュールを、この手法は検出できるか？

主な発見

• Asymptotical Surpriseは、合成ネットワークにおける埋め込みコミュニティ構造の検出において、信号対ノイズ比（SNR）が低い状況でも、ニューマンのモジュラリティとInfomapを上回る感度を示した。
• 既存手法と同等の特異度を達成しながら、感度を顕著に向上させたことから、ノイズの高い条件下でも真のモジュールを堅牢に検出できることを示している。
• 実安静状態fMRIデータにおいて、Asymptotical Surpriseは、複数スケールにわたるコミュニティを含む、不均一なモジュラー構造を明らかにした。特に、視床のような小さな解剖学的明確なモジュールも検出された。
• この手法は、従来の手法が解像度限界のため一貫して解明できなかった神経機能的に妥当なサブ構造（例：視床を独立したモジュールとして検出）を検出できた。
• 全体的なコミュニティ構造は複数回の最適化において一貫しており、頑健であったが、一部のモジュール境界（例：視床クラスタ）には変動が見られ、局所的ネットワーク構成への感受性を示唆した。
• 従来のコミュニティ検出手法の解像度限界のため、過去の研究では脳ネットワークモジュールの複雑さとスケール多様性が低く評価されていた可能性がある。