[論文レビュー] Explicitly Linking Regional Activation and Function Connectivity: Community Structure of Weighted Networks with Continuous Annotation

Andrew C. Murphy, Shi Gu+5 more|arXiv (Cornell University)|Nov 23, 2016

Functional Brain Connectivity Studies参考文献 59被引用数 22

ひとこと要約

本稿では、連続的なノードアノテーションを伴う重み付きネットワークにおけるコミュニティ検出のための生成確率モデルを提案し、機能的結合と領域活性化の両方を統合的に分析可能にする。その結果、より速い運動学習は、機能的結合パターンと活性化強度変化の間の相違性が大きいことに相関していることが示され、これらが学習の別個のが、補完的な神経生理的次元であることを示している。

ABSTRACT

A major challenge in neuroimaging is understanding the mapping of neurophysiological dynamics onto cognitive functions. Traditionally, these maps have been constructed by examining changes in the activity magnitude of regions related to task performance. Recently, network neuroscience has produced methods to map connectivity patterns among many regions to certain cognitive functions by drawing on tools from network science and graph theory. However, these two different views are rarely addressed simultaneously, largely because few tools exist that account for patterns between nodes while simultaneously considering activation of nodes. We address this gap by solving the problem of community detection on weighted networks with continuous (non-integer) annotations by deriving a generative probabilistic model. This model generates communities whose members connect densely to nodes within their own community, and whose members share similar annotation values. We demonstrate the utility of the model in the context of neuroimaging data gathered during a motor learning paradigm, where edges are task-based functional connectivity and annotations to each node are beta weights from a general linear model that encoded a linear decrease in blood-oxygen-level-dependent signal with practice. Interestingly, we observe that individuals who learn at a faster rate exhibit the greatest dissimilarity between functional connectivity and activation magnitudes, suggesting that activation and functional connectivity are distinct dimensions of neurophysiology that track behavioral change. More generally, the tool that we develop offers an explicit, mathematically principled link between functional activation and functional connectivity, and can readily be applied to a other similar problems in which one set of imaging data offers network data, and a second offers a regional attribute.

研究の動機と目的

• 神経画像法において、領域間結合と領域活性化強度の両方を同時にモデル化するツールの不足に応えること。
• 連続的なノードアノテーションを伴う重み付きネットワークにおけるコミュニティ検出のための数学的に整合性のある手法を開発すること。
• 機能的結合と領域活性化の統合が行動的アウトカム、特に運動タスクにおける学習速度にどのように関係するかを調査すること。
• ノード属性とネットワーク構造が共存する状況に一般化可能なフレームワークを提供すること。

提案手法

• 連続的なアノテーションを伴う重み付きネットワークにおけるコミュニティ検出のための生成確率モデルを定式化すること。
• コミュニティを、内部的に密に接続されており、類似したアノテーション値を持つノードのグループとしてモデル化すること。
• ネットワーク構造とアノテーション値の両方の観測確率を最大化するコミュニティを同定するため、尤度に基づく推論手法を用いること。
• 機能的結合をエッジ重み、GLMからのベータ重みをノードアノテーションとして用い、運動学習タスクのfMRIデータにモデルを適用すること。
• アノテーションとコミュニティ構造の関係の有意性を検証するために、パーミュテーションに基づくノードモデルを用いること。
• アノテーションがコミュニティ構造に与える寄与度を、アノテーション値とコミュニティ所属の相互情報量を用いて定量化すること。

実験結果

リサーチクエスチョン

• RQ1 運動学習中に、脳ネットワークにおける機能的結合パターンと領域活性化強度はどの程度共変するか？
• RQ2 活性化強度と結合構造の統合が、学習パフォーマンスにどのように影響するか？
• RQ3 アノテーションがコミュニティ構造に与える影響の度合いと、個々の学習速度との間に体系的な関係があるか？
• RQ4 活性化と結合の間の観察された関係は、学習に特有のものであるか、それともランダムなネットワーク構造で説明可能か？

主な発見

• より速い学習を行う被験者では、活性化強度がコミュニティ構造に与える寄与度と学習速度の間に有意な負の相関が認められた。
• 実データにおけるアノテーション値とコミュニティ所属の相互情報量は、パーミュテーションベースのノードモデルよりも有意に高い値を示した。
• 速く学習する被験者では、脳領域間で機能的結合パターンと活性化変化の大きさの相違性が顕著に大きかった。
• 結果から、機能的結合と活性化強度は、学習中の神経生理的ダイナミクスにおいて、別個で非冗長な次元を表していることが示唆された。
• 提案手法は、機能的に結合されており、類似した活性化プロファイルを共有するコミュニティを有意に特定でき、パーミュテーション検定により統計的有意性が確認された。
• 本フレームワークは、ネットワーク構造と領域的属性を併存させる他のマルチモodal神経画像解析問題へ一般化可能である。