[論文レビュー] Small-World Propensity in Weighted, Real-World Networks

Sarah F. Muldoon, Eric Bridgeford+1 more|arXiv (Cornell University)|May 8, 2015

Functional Brain Connectivity Studies被引用数 7

ひとこと要約

本稿では、ネットワーク密度とエッジ重みを考慮した重み付き現実世界ネットワークにおける小世界構造を定量化する新しい指標である Small-World Propensity (SWP) を導入する。重み付き小世界ネットワークを標準化された方法で生成する手法を提案し、脳ネットワークにSWPを適用した結果、C. elegans神経ネットワークは他の脳ネットワークと比較して予想外に低いSWPを示し、それが標準的小世界例としての地位を疑問視するものとなった。

ABSTRACT

Quantitative descriptions of network structure in big data can provide fundamental insights into the function of interconnected complex systems. Small-world structure, commonly diagnosed by high local clustering yet short average path length between any two nodes, directly enables information flow in coupled systems, a key function that can differ across conditions or between groups. However, current techniques to quantify small-world structure are dependent on nuisance variables such as density and agnostic to critical variables such as the strengths of connections between nodes, thereby hampering accurate and comparable assessments of small-world structure in different networks. Here, we address both limitations with a novel metric called the Small-World Propensity (SWP). In its binary instantiation, the SWP provides an unbiased assessment of small-world structure in networks of varying densities. We extend this concept to the case of weighted networks by developing (i) a standardized procedure for generating weighted small-world networks, (ii) a weighted extension of the SWP, and (iii) a stringent and generalizable method for mapping real-world data onto the theoretical model. In applying these techniques to real world brain networks, we uncover the surprising fact that the canonical example of a biological small-world network, the C. elegans neuronal network, has strikingly low SWP in comparison to other examined brain networks. These metrics, models, and maps form a coherent toolbox for the assessment of architectural properties in real-world networks and their statistical comparison across conditions.

研究の動機と目的

• 従来の小世界指標がネットワーク密度に依存し、エッジ重みを無視するという限界を是正すること。
• 重み付き小世界ネットワークを生成するための標準化された手順を開発すること。
• Small-World Propensity (SWP) 指標を重み付きネットワークに拡張すること。
• 実世界データを理論的小世界モデルにマッピングする一般化可能な手法を構築すること。
• C. elegans のような代表的な生物学的ネットワークを、新しいSWPフレームワークで再評価すること。

提案手法

• 小世界構造を正規化され、バイアスのない指標として、観測されたクラスタリング係数と平均パス長を、ラティスネットワークとランダムネットワークのそれと比較する Small-World Propensity (SWP) を提案する。
• 重み付き距離測定法 $ d_{ij} = 1 / w_{ij} $ を用い、重み付きネットワークにSWPを適応させ、Onnela らの重み付きクラスタリング係数定義を適用する。
• 密度とエッジ重みを調整可能な階層的・モジュラーなネットワークモデルを用いて、重み付き小世界ネットワークを生成する標準化されたプロトコルを開発する。
• 一貫性のある解析を可能にするために、有向ネットワークの出力を対称化し、無向かつ対称的な重み付きネットワークに変換する。
• Brain Connectivity Toolbox を改変し、制御された特性を持つ合成ベンチマークネットワークを生成する。
• 観測されたネットワーク統計量と生成された小世界基準ネットワークの統計量を比較することで、実世界データを理論的モデルにマッピングする。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク密度が従来の小世界指標にどの程度バイアスを及ぼすか、そしてその是正法は何か？
• RQ2 エッジ強度が重要な重み付きネットワークにおいて、小世界構造を一貫して定量化する方法は何か？
• RQ3 C. elegans 神経ネットワークの真の小世界適合度（SWP）は、その代表的例としての地位を考慮してどの程度か？
• RQ4 実世界の脳ネットワークは、合成小世界モデルと比較してSWPでどの程度異なるか？
• RQ5 異なるネットワーク間の比較を可能にする、標準的かつ一般化可能な小世界評価フレームワークを構築できるか？

主な発見

• C. elegans 神経ネットワークは、他の調査された脳ネットワークと比較して顕著に低い Small-World Propensity (SWP) を示し、それが標準的小世界ネットワークとしての分類を疑問視するものとなった。
• 提案されたSWP指標は、密度に依存せず、さまざまな密度のネットワークにおいてもバイアスなく小世界構造を定量化できており、密度依存性の強い従来の指標を凌駆する。
• SWPの重み付き拡張は、エッジ重みが重要なネットワーク（例：脳結合ネットワーク）において小世界特性を効果的に捉えている。
• 階層的・モジュラー構造を制御可能な合成ベンチマークネットワークを成功裏に生成し、SWPフレームワークの妥当性を検証した。
• 本手法により、異なる条件やネットワークタイプ間で、ネットワーク構造の強固な統計的比較が可能となった。
• 本研究により、代表的な生物学的ネットワークが、より厳密な重みに配慮した指標で評価された場合、必ずしも強い小世界特性を示すとは限らないことが明らかになった。