[논문 리뷰] Community detection in weighted brain connectivity networks beyond the resolution limit

Carlo Nicolini, Cécile Bordier외 1명|arXiv (Cornell University)|2016. 09. 14.

Functional Brain Connectivity Studies참고 문헌 48인용 수 6

한 줄 요약

이 논문은 가중치가 부여된 뇌 기능적 연결망에서 커뮤니티를 탐지하기 위해 연속적 확장된 Surprise 함수를 사용하는 해상도 한계가 없는 방법인 Asymptotical Surprise를 제안한다. 이 방법은 노이즈가 많은 fMRI 데이터에서 작은 생물학적으로 타당한 모듈을 탐지하는 데 Newn의 Modularity와 Infomap보다 뛰어나며, 휴식 상태 뇌 네트워크에서 이질적이고 다중 척도의 모듈 구조를 드러낸다.

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.

연구 동기 및 목표

• 뇌 네트워크에서 작은 기능적 모듈을 탐지하지 못하게 하는 커뮤니티 탐지 방법의 해상도 한계를 해결하기 위해.
• 가중치가 부여된 뇌 연결망(모든 간선 가중치가 본질적으로 연속적임)에 해상도 한계가 없는 Surprise 함수를 확장하기 위해.
• 대규모 가중치가 부여된 네트워크에서 Asymptotical Surprise를 최대화하기 위한 새로운 최적화 알고리즘인 PACO를 개발하고 검증하기 위해.
• 노이즈와 변동성이 있는 상황에서 합성 및 실제 fMRI 네트워크에서 Asymptotical Surprise를 뉴먼의 Modularity와 Infomap와 비교하기 위해.
• 기존의 해상도 한계를 초월하여 휴식 상태 기능적 연결망의 진정한 모듈 구조를 드러내기 위해.

제안 방법

• 이산적 Surprise 함수의 연속적이고 대규모 네트워크 근사값으로 Asymptotical Surprise를 제안하여 가중치가 부여된 네트워크에 적용 가능하게 한다.
• 관측된 커뮤니티 구조의 유의미성을 평가하기 위해 초기확률 모델로 초기기하분포를 기반으로 한 가설 모델을 사용한다.
• 대규모 가중치가 부여된 네트워크에서 Asymptotical Surprise를 효율적으로 최적화하기 위해 PACO(병렬 적응형 클러스터링 최적화)를 구현한다.
• 기본 모듈 구조가 알려진 LFR 기준 합성 네트워크를 생성하고 노이즈를 주입하여 fMRI의 변동성과 신호 대 잡음비(SNR)를 시뮬레이션한다.
• 정규화된 상호정보량(NMI)을 사용하여 민감도와 특이도를 평가하고, 뉴먼의 Modularity와 Infomap와 비교한다.
• 실제 휴식 상태 fMRI 데이터에 이 방법을 적용하여 커뮤니티 구조를 식별하고 해부학적 및 기능적 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 해상도 한계가 없는 방법은 가중치가 부여된 뇌 연결망에서 더 작은 생물학적으로 관련성이 있는 기능적 모듈을 탐지할 수 있는가?
• RQ2 노이즈 수준과 피험자 간 변동성이 다양한 조건에서 Asymptotical Surprise는 뉴먼의 Modularity와 Infomap보다 식별된 커뮤니티 구조를 얼마나 잘 탐지하는가?
• RQ3 Asymptotical Surprise는 기존 방법보다 실제 휴식 상태 fMRI 네트워크에서 더 이질적이고 다중 척도의 모듈 구조를 드러내는가?
• RQ4 fMRI 데이터에서 일반적인 노이즈와 피험자 간 변동성에 대해 이 방법은 어느 정도 강건한가?
• RQ5 기존 방법에서 해상도 한계로 인해 가려졌던 작은 해부학적 또는 기능적 정의된 모듈을 이 방법은 탐지할 수 있는가?

주요 결과

• Asymptotical Surprise는 특히 낮은 신호 대 잡음비(SNR) 조건에서 합성 네트워크의 식별된 커뮤니티 구조 탐지에 있어 뉴먼의 Modularity와 Infomap보다 민감도가 뛰어나게 성능을 발휘했다.
• 기존 방법과 유사한 특이도를 확보하면서도 민감도를 크게 향상시켜 노이즈 조건에서도 진짜 모듈을 강건하게 탐지할 수 있음을 시사한다.
• 실제 휴식 상태 fMRI 데이터에서는 Asymptotical Surprise가 다양한 척도를 포함하는 이질적인 모듈 구조를 드러내었으며, 척추신경핵과 같은 작은 해부학적으로 명확한 모듈도 포함되었다.
• 이 방법은 기존 방법에서 해상도 한계로 인해 일관되게 분리되지 않거나 융합되었던 신경기능적으로 타당한 하위 구조—예를 들어 척추신경핵을 별개의 모듈로 탐지했다.
• 전반적인 커뮤니티 구조는 여러 최적화 과정에서 강건했지만, 일부 모듈 경계(예: 척추신경핵 클러스터)는 변동성이 있었으며, 이는 국소 네트워크 구성에 민감할 수 있음을 시사한다.
• 이 결과들은 기존 연구들이 전통적인 커뮤니티 탐지 방법의 해상도 한계로 인해 뇌 네트워크 모듈의 복잡성과 척도 다양성을 과소평가했을 가능성이 있음을 시사한다.