[논문 리뷰] Multiscale modeling of brain network organization

Charley Presigny, Fabrizio De Vico Fallani|arXiv (Cornell University)|2021. 11. 26.

Neural dynamics and brain function참고 문헌 220인용 수 2

한 줄 요약

이 논문은 다층 네트워크 프레임워크를 제안하여 공간적 및 시간적 척도에서 다중 척도 뇌 조직을 모델링한다. 구조적, 기능적, 동적 수준을 통합함으로써 고급 네트워크 이론적 도구—다층 구조 분석, 생성 모델링, 기계학습—를 적용하여 미세 척도 연결성이 거시 척도 뇌 동역학을 어떻게 결정하는지 밝히고 알츠하이머병 및 정신신경질환에 대한 다중 모odal 네트워크 생물학적 지표를 규명한다.

ABSTRACT

A complete understanding of the brain requires an integrated description of the numerous scales of neural organization. It means studying the interplay of genes, synapses, and even whole brain regions which ultimately leads to different types of behavior, from perception to action, while asleep or awake. Yet, multiscale brain modeling is challenging, in part because of the difficulty to access simultaneously to information from multiple spatiotemporal scales. While some insights have been gained on the role of specific microcircuits (e.g., thalamocortical), a comprehensive characterization of how changes occurring at one scale can have an impact on other ones, remains poorly understood. Recent efforts to address this gap include the development of new analytical tools mostly adapted from network science and dynamical systems theory. These theoretical contributions provide a powerful framework to analyze and model interconnected complex systems exhibiting interactions within and between different scales, or layers. Here, we present recent advances for the characterization of the multiscale brain organization in terms of structure-function, oscillation frequencies and temporal evolution. Efforts are reviewed on the multilayer network properties underlying higher-order organization of neuronal assemblies, as well as on the identification of multimodal network-based biomarkers of brain pathologies, such as Alzheimer's disease. We conclude this Colloquium with a perspective discussion on how recent results from multilayer network theory, involving generative modeling, controllability and machine learning, could be adopted to address new questions in modern neuroscience.

연구 동기 및 목표

• 다양한 공간적, 시간적, 위상적 척도에서 뇌 조직을 통합 이론적 프레임워크로 모델링하기 위해 개발한다.
• fMRI, EEG, 유전체학 등 다양한 실험 모odal리티에서 유래한 이질적 데이터를 일관된 다중 척도 표현으로 통합하는 데 도전한다.
• 특정 척도(예: 시냅스 또는 유전적)에서 발생하는 교란이 뇌 네트워크를 통해 거시 척도 동역학과 행동에 영향을 미치는 방식을 규명한다.
• 다층 네트워크 분석을 통해 신경학적 및 정신신경질환에 대한 다중 모달 네트워크 기반 생물학적 지표를 발견한다.
• 생성 모델, 제어 이론, 기계학습이 다중 척도 뇌 모델링을 향상시키는 데 잠재력을 갖춘지를 탐색한다.

제안 방법

• 다양한 뇌 수준(미세, 중간, 거시)을 상호 연결된 층으로 표현하는 다층 네트워크 형식을 사용하며, 내부 및 간층 연결을 포함한다.
• 노드 및 층 중심성, 커뮤니티 탐지, 경로 통합과 같은 분석 도구를 적용하여 미세, 중간, 거시 척도의 위상학적 특성을 탐구한다.
• 실제 다중 척도 뇌 네트워크를 시뮬레이션하고 네트워크 조직 및 동역학에 대한 가설을 테스트하기 위해 생성 모델을 활용한다.
• 다중 척도 네트워크 데이터에 다중 노드2vec과 컨볼루션 신경망을 포함한 기계학습 기법을 적용하여 저차원 임bedding을 추출하고 질병 상태를 분류한다.
• 특정 노드나 층에서의 타겟팅 간섭이 전반적인 뇌 동역학에 미치는 영향을 평가하기 위해 제어 이론을 사용한다.
• 다중 모달 뇌 영상 및 전기생리학적 데이터를 융합하여 구조적, 기능적, 진동 특성을 반영하는 다층 뇌 네트워크를 구성한다.

실험 결과

연구 질문

• RQ1 미세 척도에서의 구조적 연결은 어떤 방식으로 거시 척도에서의 기능적 및 동적 패턴을 유도하는가?
• RQ2 인간 뇌에서 정보 분리와 통합을 뒷받침하는 다층 네트워크 특성은 무엇인가?
• RQ3 다층 네트워크 모델은 알츠하이머병 및 기타 뇌 병변의 조기 단계 생물학적 지표를 어떻게 탐지할 수 있는가?
• RQ4 다중 척도 뇌 네트워크의 생성 모델이 미세 척도 규칙에서 시스템 수준의 행동을 얼마나 잘 예측할 수 있는가?
• RQ5 다층 네트워크에서 학습된 기계학습 기법은 정신신경질환의 분류 성능을 향상시킬 수 있는가?

주요 결과

• 다층 네트워크 모델은 다양한 척도에서 뇌 조직을 이해하는 데 있어 구조적 연결성과 기능적 동역학 간의 상호작용이 필수적임을 드러낸다.
• 다중 노드2vec 알고리즘은 다층 뇌 네트워크를 저차원 공간에 매핑하여 뇌 영역의 시각화 및 군집화를 향상시키고, 건강한 사람과 조현병 환자 간의 구분을 가능하게 하였다.
• 다중 주파수 EEG 네트워크에 적용된 컨볼루션 신경망은 특징을 학습함으로써 주로 우울장애 환자와 건강한 대조군 간의 효과적인 분류를 달성하였다.
• 다중 척도 네트워크의 생성 모델은 미세 척도 연결 패턴이 거시 척도 기능적 조직을 형성할 수 있음을 보여주며, 뇌 동역학의 기계적 이해를 뒷받침한다.
• 다층 커뮤니티 탐지 방법은 건강한 상태와 병적 상태 간에 다르게 나타나는 안정적이고 생물학적으로 의미 있는 뇌 커뮤니티를 규명하였으며, 특히 알츠하이머병에서 두드러진 차이를 보였다.
• 다층 네트워크의 제어 가능성 분석은 중간 척도에서의 일부 허브 영역이 거시 척도 뇌 동역학을 조정하는 데 핵심적인 역할을 하며, 뇌 자극 치료의 잠재적 타겟을 제안한다.