[논문 리뷰] Community detection in network neuroscience

Richard F. Betzel|arXiv (Cornell University)|2020. 11. 13.

Neural dynamics and brain function인용 수 10

한 줄 요약

이 논문은 네트워크 신경과학 분야에서 공동체 탐지 방법을 검토하며, 모듈성 최적화와 뇌 네트워크 공동체를 식별하기 위한 실용적 지침을 강조한다. 뇌 네트워크가 다양한 종과 척도에서 견고한 중규모 구조를 보임을 입증하며, 구조적 및 기능적 뇌 네트워크에 대해 방법론적으로 엄밀한 공동체 탐지를 수행할 수 있도록 도구와 의사결정 프레임워크를 제공한다.

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.

연구 동기 및 목표

• 뇌 네트워크가 종, 척도, 영상 모달리티에 관계없이 중규모 공동체 구조를 보임을 입증하기 위해.
• 시각적 검토로는 확인할 수 없는 뇌 네트워크에서 알고리즘적으로 공동체를 탐지하는 데 도전하는 문제를 해결하기 위해.
• 공동체 탐지 방법을 선택하고 적용하기 위한 실용적이고 실행 가능한 지침을 연구자들에게 제공하기 위해.
• 뇌 기능, 질병, 생물마커 개발 이해에 있어 공동체 구조의 중요성을 부각하기 위해.
• 비중첩 및 중첩 공동체 탐지 방법을 비교·대조하고, 융통성 있고 사용자 가이드된 접근 방식을 홍보하기 위해.

제안 방법

• 주요 방법으로 모듈성 최적화를 사용하여, 내부 연결은 밀도가 높고 외부 연결은 흐리게 되는 공동체를 식별하기 위해 모듈성 함수 Q를 최적화한다.
• Brain Connectivity Toolbox와 NetWiki 를 통한 Louvain 알고리즘을 도입하여, 사용자 정의 가능한 null 모델과 해상도 파라미터를 갖춘 효율적인 공동체 탐지 방법을 제공한다.
• 다중 실행 또는 임계값 설정에 걸쳐 공동체 탐지 결과의 안정성과 신뢰성을 향상시키기 위해 공통 클러스터링을 적용한다.
• 노드 간 네트워크를 엣지 간 네트워크로 변환하여 공변동 시간 시리즈와 유사도 지표를 활용한 엣지 중심 공동체 탐지 방법을 탐색한다.
• 블록모델링과 참여 계수, 모듈-도수-z스코어와 같은 노드 수준의 지표를 활용하여 공동체 내에서의 노드 역할을 특성화한다.
• 일반화된 Louvain 알고리즘(genlouvain.m)을 활용하여 사용자 정의 모듈성 함수를 허용하고, 다층 및 다해상도 네트워크 분석을 지원한다.

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

실험 결과

연구 질문

• RQ1 뇌 네트워크 데이터에 공동체 탐지 방법을 체계적으로 적용하여 의미 있는 중규모 조직을 밝혀낼 수 있는가?
• RQ2 뇌 네트워크에서 공동체 탐지 결과에 영향을 미치는 주요 방법론적 결정은 무엇인가?
• RQ3 뇌 네트워크가 어느 정도의 중첩 공동체 구조를 보이며, 이러한 구조는 어떻게 탐지하고 해석할 수 있는가?
• RQ4 신경과학 데이터에 대해 다양한 공동체 탐지 알고리즘이 정확도, 안정성, 해석 가능성 측면에서 어떻게 비교되는가?
• RQ5 구조적 및 기능적 뇌 네트워크에서 공동체 구조를 식별하는 데 기능적 및 임상적 함의는 무엇인가?

주요 결과

• C. elegans에서 인간에 이르기까지 다양한 종의 뇌 네트워크는 일관되게 중규모 공동체 구조를 보이며, 이는 기본적인 조직 원칙임을 시사한다.
• 공동체 탐지 결과에 따르면, 노드는 서로 다른 공동체를 연결하는 연결 고리 허브로 기능할 수 있으며, 이는 기능적 중요성을 강조한다.
• 모듈성 최적화를 통한 Louvain 알고리즘은 대규모 뇌 네트워크에서 공동체를 효율적이고 확장 가능한 방식으로 탐지할 수 있는 방법을 제공한다.
• 공변동 시간 시리즈를 활용한 엣지 중심 공동체 탐지 방법은 광범위한 노드 중첩을 가능하게 하며, 네트워크 역할의 동적 재구성 가능성을 반영한다.
• 참여 계수와 모듈-도수-z스코어는 노드 중심성과 공동체 소속도를 정량적으로 측정하여 기능적 해석을 지원한다.
• 파rameter 선택, null 모델 선택, 해상도 조정에 대한 지침은 신뢰할 수 있고 해석 가능한 공동체 탐지 결과를 확보하는 데 필수적이다.

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