[論文レビュー] Morphological complex networks: Can individual morphology determine the general connectivity and dynamics of networks?

Luciano da Fontoura Costa|ArXiv.org|Mar 31, 2005

Morphological variations and asymmetry参考文献 56被引用数 17

ひとこと要約

本論文は、空間的制約や形状依存相互作用を通じて、基本的対象（特にニューロン）の個々の形態的特徴が、複雑なネットワークの結合性およびダイナミクスにどのように寄与するかを調査する。ニューロンに類似した分岐形状が、単純な幾何的形状よりもネットワークの透過性および記憶容量をより効果的に向上させることを示し、複雑ネットワーク指標を介して細胞形態と出現するネットワーク機能の直接的な関連を確立する。

ABSTRACT

This article discusses how the individual morphological properties of basic objects (e.g. neurons, molecules and aggregates), jointly with their particular spatial distribution, can determine the connectivity and dynamics of systems composed by those objects. This problem is characterized as a particular case of the more general shape and function paradigm, which emphasizes the interplay between shape and function in nature and evolution. Five key issues are addressed: (a) how to measure shapes; (b) how to obtain stochastic models of classes of shapes; (c) how to simulate morphologically realistic systems of multiple objects; (d) how to characterize the connectivity and topology of such systems in terms of complex network concepts and measurements; and (e) how the dynamics of such systems can be ultimately affected, and even determined, by the individual morphological features of the basic objects. Although emphasis is placed on neuromorphic systems, the presented concepts and methods are useful also for several other multiple object systems, such as protein-protein interaction, tissues, aggregates and polymers.

研究の動機と目的

• ニューロンのような対象の個々の形態的特性が、より大きなシステムの結合性およびダイナミクスにどのように影響するかを調査すること。
• 形態的多対象系（MMOS）における形状、空間的分布、ネットワークトポロジーの間の枠組みを確立すること。
• 記憶再現や透過ダイナミクスといったシステムレベルの機能に及ぼすニューロン形態の影響を定量化すること。
• 個々のニューロンのフラクタル次元と出現するスケールフリー・ネットワーク特性との関係を明らかにすること。
• 形態的現実性と複雑ネットワーク分析を統合するシミュレーションおよびモデリング手法の開発すること。

提案手法

• 面積、細長さ、プロセスの直線性といった形態的測定値に基づいて、形状のクラスを生成するための確率的モデルを用いる。
• 空間的制約および除外体積効果を考慮した、複数対象の形態的に現実的なシステムをシミュレートする。
• 次数分布、クラスタリング係数、経路長、透過性といった複雑ネットワーク概念を用いて、得られたネットワークトポロジーを特徴付ける。
• 強制的および自然的透過性を有する動的ネットワークモデルを用いて、時間経過に伴う結合性の進化を評価する。
• ホフスタット型ニューロンネットワークにおけるトレーニング済みパターンと回復パターンの重複度を測定することで、記憶可能性を定量化する。
• 隣接行列の固有値分布を分析し、形態的多様性を持つネットワークの安定性および再現効率を評価する。

実験結果

リサーチクエスチョン

• RQ1 個々のニューロン形態が神経ネットワーク全体の結合性にどの程度影響を及えるか。
• RQ2 分岐性や質量分布といった形状測定値がネットワーク透過性および臨界閾値にどのように影響を及えるか。
• RQ3 形態的複雑性がニューロンネットワークモデルにおける記憶容量を向上させ得るか。
• RQ4 個々のニューロンのフラクタル次元と、ネットワークの出現的スケールフリー特性との関係は何か。
• RQ5 空間的制約およびプロセス幾何が成長する形態的ネットワークのダイナミクスにどのように影響を及えるか。

主な発見

• 分岐性が強く、質量が広く分布しているようなより複雑なニューロン形状は、棒や十字のような単純な形状よりも、顕著にネットワーク透過性を向上させる。
• より高い形態的複雑性を持つニューロンは、シミュレーションにおいて臨界透過性に早く到達し、より速やかにネットワーク結合性が確立されることを示した。
• パターン回復の重複度で測定した記憶可能性は、ニューロンに類似した形状から構成されるネットワークにおいて、単純な幾何的形状からなるネットワークよりも顕著に高いことがわかった。
• ニューロンに類似した細胞から導出された隣接行列は、より退化しにくい固有値分布を示し、これはニューラルネットワークにおけるより優れた再現能力に関連している。
• 臨界透過密度および透過時間は、形状そのものだけでなく、ニューロンの細長さ、除外体積、プロセスの直線性といった複数の要因に依存することが判明した。
• 研究では、個々のニューロンのフラクタル次元と、得られるネットワークトポロジーの出現的スケールフリー特性との強い相関関係が示唆されたが、さらなる解析的作業が求められる。