[논문 리뷰] Explicitly Linking Regional Activation and Function Connectivity: Community Structure of Weighted Networks with Continuous Annotation

Andrew C. Murphy, Shi Gu외 5명|arXiv (Cornell University)|2016. 11. 23.

Functional Brain Connectivity Studies참고 문헌 59인용 수 22

한 줄 요약

이 논문은 연속적인 노드 애너테이션을 갖는 가중치가 부여된 네트워크에서 공동체 탐지에 대한 생성적 확률 모델을 제안하며, 기능적 연결성과 영역 활성화의 통합 분석을 가능하게 한다. 연구 결과, 더 빠른 운동 학습은 기능적 연결성 패턴과 활성화 크기 변화 간의 이질성 증가와 상관관계가 있음을 보여주며, 이는 학습의 신경생리학적 차원으로서 이 둘은 별개이지만 상호보완적인 특성을 지닌다는 것을 시사한다.

ABSTRACT

A major challenge in neuroimaging is understanding the mapping of neurophysiological dynamics onto cognitive functions. Traditionally, these maps have been constructed by examining changes in the activity magnitude of regions related to task performance. Recently, network neuroscience has produced methods to map connectivity patterns among many regions to certain cognitive functions by drawing on tools from network science and graph theory. However, these two different views are rarely addressed simultaneously, largely because few tools exist that account for patterns between nodes while simultaneously considering activation of nodes. We address this gap by solving the problem of community detection on weighted networks with continuous (non-integer) annotations by deriving a generative probabilistic model. This model generates communities whose members connect densely to nodes within their own community, and whose members share similar annotation values. We demonstrate the utility of the model in the context of neuroimaging data gathered during a motor learning paradigm, where edges are task-based functional connectivity and annotations to each node are beta weights from a general linear model that encoded a linear decrease in blood-oxygen-level-dependent signal with practice. Interestingly, we observe that individuals who learn at a faster rate exhibit the greatest dissimilarity between functional connectivity and activation magnitudes, suggesting that activation and functional connectivity are distinct dimensions of neurophysiology that track behavioral change. More generally, the tool that we develop offers an explicit, mathematically principled link between functional activation and functional connectivity, and can readily be applied to a other similar problems in which one set of imaging data offers network data, and a second offers a regional attribute.

연구 동기 및 목표

• 뇌영상에서 상호 영역 간 연결성과 영역 활성화 크기를 동시에 모델링할 수 있는 도구의 부족을 해결하기 위해.
• 연속적인 노드 애너테이션을 갖는 가중치가 부여된 네트워크에서 공동체 탐지를 위한 수학적으로 타당한 방법을 개발하기 위해.
• 기능적 연결성과 영역 활성화의 통합이 행동 결과, 특히 운동 과제에서의 학습 속도와 어떻게 관련되어 있는지 조사하기 위해.
• 노드 특성과 네트워크 구조가 동시에 존재하는 다중모odal 뇌영상 및 기타 시스템에 일반화 가능한 프레임워크를 제공하기 위해.

제안 방법

• 연속적 애너테이션을 갖는 가중치가 부여된 네트워크에서 공동체 탐지를 위한 생성적 확률 모델을 수립한다.
• 공동체를 내부적으로 밀도 높게 연결된 노드 집합으로 모델링하며, 이들의 애너테이션 값도 유사하다고 가정한다.
• 관측된 네트워크 구조와 애너테이션 값의 확률을 최대화하는 방식으로 공동체를 식별하기 위해 가능도 기반 추론 기법을 사용한다.
• 기능적 연결성을 간선 가중치로, GLM에서의 베타 가중치를 노드 애너테이션으로 사용하여 운동 학습 과제의 fMRI 데이터에 모델을 적용한다.
• 관측된 애너테이션과 공동체 구조 간의 관계의 유의성을 검증하기 위해 순열 기반의 근사 모델을 도입한다.
• 애너테이션 값과 공동체 소속 간 상호정보량을 계산하여 애너테이션이 공동체 구조에 기여하는 정도를 정량화한다.

실험 결과

연구 질문

• RQ1 운동 학습 기간 동안 뇌 네트워크에서 기능적 연결성 패턴과 영역 활성화 크기 변화는 어느 정도 상관관계를 가지는가?
• RQ2 활성화 크기와 연결성 구조의 통합은 학습 성과에 어떻게 영향을 미치는가?
• RQ3 애너테이션이 공동체 구조에 미치는 영향 정도와 개인의 학습 속도 사이에 체계적인 관계가 존재하는가?
• RQ4 관찰된 활성화와 연결성 간의 관계는 학습과 관련된 특성인지, 아니면 무작위 네트워크 구조에 의해 설명될 수 있는가?

주요 결과

• 빠르게 학습하는 참가자에서는 활성화 크기의 공동체 구조 기여도와 학습 속도 사이에 유의미한 음의 상관관계를 보였다.
• 실제 데이터에서는 애너테이션 값과 공동체 소속 간 상호정보량이 순열 기반 근사 모델보다 유의미하게 높았다.
• 빠르게 학습하는 개인은 뇌 영역 간 기능적 연결성 패턴과 활성화 변화 크기 간 이질성이 더 크다는 것이 확인되었다.
• 결과는 기능적 연결성과 활성화 크기가 학습 과정에서 서로 다른, 중복되지 않는 신경생리학적 동역학 차원을 나타낸다는 것을 시사한다.
• 제안된 방법은 기능적으로 연결되어 있고 활성화 프로파일도 유사한 공동체를 성공적으로 식별하였으며, 순열 검증을 통해 통계적 유의성을 확인하였다.
• 이 프레임워크는 노드 특성과 네트워크 구조가 동시에 존재하는 다른 다중모달 뇌영상 문제에 일반화 가능하다.