[논문 리뷰] Differentially Expressed Functional Connectivity Networks with K-partite Graph Topology

Shuo Chen, F. DuBois Bowman외 1명|arXiv (Cornell University)|2016. 03. 23.

Functional Brain Connectivity Studies참고 문헌 32인용 수 4

한 줄 요약

이 논문은 fMRI 데이터에서 차별적으로 발현된 기능적 연결망을 탐지하기 위해 새로운 통계적 방법을 제안하며, k-파트라이트 그래프 구조를 식별하여 통계적 검정력과 거짓 양성률을 향상시킨다. 이 방법은 자동화된 구조 탐지와 추론적 검정을 융합하여 파킨슨병 환자와 대조군 간에 k-파트라이트 네트워크 구조를 밝혀내며, 이는 높은 임상적 해석 가능성과 재현성을 갖춘 강력한 생물학적 표지자 후보로 기능한다.

ABSTRACT

Emerging brain network studies suggest that interactions between various distributed neuronal populations may be characterized by an organized complex topological structure. Many brain diseases are associated with altered topological patterns of brain connectivity. Therefore, a key inquiry of connectivity analysis is to identify network-level differentially expressed connections that have low false positive rates, sufficient statistical power, and high reproducibility. In this paper, we propose a novel statistical approach to fulfill this goal by leveraging the topological structure of differentially expressed functional connections or edges in a graphical representation. We propose a new algorithm to automatically detect the latent topology of a k-partite graph structure, and we also provide statistical inferential techniques to test the detected topology. We evaluate our new methods via extensive numerical studies. We also apply our new approach to resting state fMRI data (24 cases and 18 controls) for Parkinson's disease research. The detected connectivity network biomaker with the k-partite graph topological structure reveals underlying neural features distinguishing Parkinson's disease patients from healthy control subjects.

연구 동기 및 목표

• 높은 통계적 검정력, 낮은 거짓 양성률, 재현성을 확보하면서 차별적으로 발현된 기능적 연결망을 탐지하는 데 도전하는 것.
• 사전 정의된 네트워크 구조에 의존하지 않고, 차별적으로 발현된 뇌 연결망의 조직적이고 비랜덤한 구조적 패턴을 식별하는 것.
• 모든 엣지의 공간적 국소화를 유지하여 임상적 해석 가능성과 병리생리학적 통찰력을 향상시키는 방법을 개발하는 것.
• 특히 k-파트라이트 그래프와 같은 탐지된 구조적 구조에 대해 통계적 추론을 가능하게 하여 네트워크 수준의 생물학적 표지자를 검증하는 것.
• 기능적 및 구조적 연결 데이터에 적용 가능한 일반화 가능한 프레임워크를 제공하는 것.

제안 방법

• fMRI 데이터로부터 차별적으로 발현된 엣지와 그 초기 구조적 구조를 탐지하기 위해 Pard 알고리즘을 활용한다.
• 차별적으로 발현된 엣지의 부분네트워크에서 잠재적인 k-파트라이트 그래프 구조를 자동으로 탐지하기 위한 새로운 알고리즘을 적용한다.
• 탐지된 k-파트라이트 구조적 구조의 유의미성을 평가하기 위해 순열 기반 통계적 검정을 수행한다.
• 색상 코드로 표시된 엣지 방향성과 두께를 활용하여 엣지 수준의 연결 차이(예: 대조군 > 환자군)를 3차원 시각화에 통합한다.
• 24명의 파킨슨병 환자와 18명의 대조군의 휴식 상태 fMRI 데이터를 적용하여 네트워크 수준의 생물학적 표지자를 식별한다.
• 비방향 연결 매트릭스를 k-파트라이트 그래프로 모델링하기 위해 그래프 이론 기법을 활용하여 네트워크 수준의 변화에 대한 체계적 추론을 가능하게 한다.

실험 결과

연구 질문

• RQ1 fMRI 데이터에서 차별적으로 발현된 기능적 연결망에 대해 k-파트라이트 그래프 구조를 자동으로 탐지할 수 있는가?
• RQ2 k-파트라이트 구조적 구조를 식별함으로써 질병 관련 연결 변화를 탐지할 때 통계적 검정력이 향상되고 거짓 양성률이 감소하는가?
• RQ3 탐지된 k-파트라이트 네트워크 구조가 파킨슨병에 대해 신뢰성 있고 해석 가능한 생물학적 표지자로 기능할 수 있는가?
• RQ4 k-파트라이트 구조는 클리크와 같은 다른 네트워크 구조와 비교해 얼마나 더 유의미한 임상적 연결 패턴을 포착하는가?
• RQ5 차별적으로 발현된 엣지의 구조적 구조가 뇌 질환의 기저 신경병리학적 기전을 어느 정도 반영하는가?

주요 결과

• 제안된 방법은 파킨슨병 fMRI 데이터에서 차별적으로 발현된 기능적 연결망에 대해 k-파트라이트 그래프 구조를 성공적으로 탐지하였다.
• 탐지된 k-파트라이트 네트워크에서는 대조군에서 환자군에 비해 초연결성이 높은 것으로 나타났으며, 3차원 시각화에서 유의미한 엣지 차이가 명확히 드러났다.
• k-파트라이트 구조는 단순한 클리크 구조보다 더 유의미한 정보를 제공하였으며, 국소적 군집화가 아닌 장거리의 조직화된 연결 패턴을 시사하였다.
• 구조적 구조를 활용하여 엣지들이 상호 강도를 빌려쓰도록 함으로써 통계적 검정력 향상과 거짓 양성률 감소를 달성하였다.
• 탐지된 네트워크 생물학적 표지자는 공간적으로 국소화되어 있으며 해석 가능하였으며, 특정 뇌 영역과 연결이 파킨슨병 병리학과 관련된 것으로 밝혀졌다.
• 이 방법은 다양한 연결 지표와 데이터 유형(기능적 및 구조적 연결)에 걸쳐 재현성과 일반화 가능성을 입증하였다.