[논문 리뷰] Two's company, three (or more) is a simplex: Algebraic-topological tools for understanding higher-order structure in neural data

Chad Giusti, Robert Ghrist외 1명|PubMed|2016. 01. 07.

Topological and Geometric Data Analysis참고 문헌 51인용 수 36

한 줄 요약

이 논문은 쌍대 연결을 초월한 고차원 신경 상호작용을 모델링하기 위한 보다 우월한 프레임워크로 단순 복합체(simplicial complexes)—그래프의 일반화된 형태—를 제안한다. 대수적 위상수학, 특히 신경 데이터의 필터링에서의 지속 위상성(persistent homology)을 활용하여, 저자들은 기존의 네트워크 모델이 놓치는 숨겨진 다중 뉴런 역학과 구조적 조직을 드러내는 방법을 보여주며, 뇌 기능과 질병을 이해하는 데 더 원칙에 입각하고 정보가 풍부한 대안을 제공한다.

ABSTRACT

The language of graph theory, or network science, has proven to be an exceptional tool for addressing myriad problems in neuroscience. Yet, the use of networks is predicated on a critical simplifying assumption: that the quintessential unit of interest in a brain is a dyad - two nodes (neurons or brain regions) connected by an edge. While rarely mentioned, this fundamental assumption inherently limits the types of neural structure and function that graphs can be used to model. Here, we describe a generalization of graphs that overcomes these limitations, thereby offering a broad range of new possibilities in terms of modeling and measuring neural phenomena. Specifically, we explore the use of simplicial complexes: a structure developed in the field of mathematics known as algebraic topology, of increasing applicability to real data due to a rapidly growing computational toolset. We review the underlying mathematical formalism as well as the budding literature applying simplicial complexes to neural data, from electrophysiological recordings in animal models to hemodynamic fluctuations in humans. Based on the exceptional flexibility of the tools and recent ground-breaking insights into neural function, we posit that this framework has the potential to eclipse graph theory in unraveling the fundamental mysteries of cognition.

연구 동기 및 목표

• 신경과학에서 네트워크 모델의 근본적인 한계를 해결하기 위해, 이는 이원적 상호작용을 분석의 기본 단위로 가정하기 때문이다.
• 다양한 요소를 포함하는 뉴런 상호작용을 수학적으로 엄밀하고 계산적으로 실현 가능한 프레임워크로 단순 복합체를 도입하기 위해이다.
• 신경 데이터의 필터링에서 지속 위상성을 적용하면, 전통적인 그래프 이론적 방법으로는 드러나지 않는 구조적 및 기능적 패턴을 드러낼 수 있음을 입증하기 위해이다.
• 임계값을 설정하는 방식으로 가중치가 부여된 네트워크를 이분화하는 것에 대체로, 모든 데이터를 유지하는 필터링을 사용하여 가중치가 있는 네트워크의 임계값에 의존하지 않는 원칙적인 대안을 제공하기 위해이다.
• 다양한 척도와 종류의 뇌 시스템에서 고차원 조직의 구조를 해독하는 데에 대수적 위상수학을 변혁적인 도구로 위치시키기 위해이다.

제안 방법

• 단순 복합체를 사용하여 신경 시스템을 모델링하며, 단순체(simplex)는 함께 활성화되는 뉴런 또는 뇌 영역의 군집을 나타내며, 그래프의 간선을 고차원 상호작용으로 일반화한다.
• 모든 가능한 값에서 가중치가 부여된 신경 연결 행렬을 임계값 처리하여 필터링을 구축함으로써, 중첩된 단순 복합체의 시퀀스를 생성하여 원래 데이터를 모두 유지한다.
• 지속 위상성을 적용하여 필터링 전반에 걸쳐 위상적 특징(예: 사이클)의 탄생과 소멸을 추적하며, 이들의 수명을 지속 다이어그램에 인코딩한다.
• 필터링을 통해 호모로지 클래스의 변화를 이용하여 구조적 복잡성을 정량화하고, 신경 활동에서 이질적이거나 기능적으로 중요한 패턴을 탐지한다.
• 시간에 따라 변화하는 필터링을 활용하여, 단순체가 시간적 역학에 따라 활성화되도록 하여 자극 반응과 질병 진행(예: 치매에서의 전신 뉴런 전파)을 모델링할 수 있다.
• 결과적으로 도출된 지속 함수—필터링 파라미터에 따라 위상적 특징의 함수로 표현된 측정치—를 사용하여 구조적 강건성 분석과 임계값 의존성 없이 다양한 신경 시스템 간의 미세한 차이를 탐지할 수 있다.

실험 결과

연구 질문

• RQ1 쌍대 네트워크 모델에 비해 단순 복합체는 다중 뉴런 동시 활성화 패턴을 더 잘 포착할 수 있는가?
• RQ2 지속 위상성과 같은 위상적 특징은 기존의 그래프 기반 분석에서 가림을 입히는, 신경 데이터의 숨겨진 조직 원리들을 어떻게 드러내는가?
• RQ3 임계값을 임의로 설정하지 않고도, 신경 데이터의 필터링이 얼마나 잘 구조적 정보를 유지하고 드러내는가?
• RQ4 시간에 따라 변화하는 필터링은 신경 활동의 전파 또는 신경 퇠퇴성 질환에서의 병리적 전파를 모델링할 수 있는가?
• RQ5 지속 위상성을 신경 데이터에 적용할 경우, 기존의 네트워크 진단 방법에 비해 통계적으로 이질적인 다중 영역 활성화 패턴을 얼마나 더 잘 탐지할 수 있는가?

주요 결과

• 단순 복합체는 그래프 모델에서는 구분이 불가능한 뉴런 활동 패턴을 구분할 수 있다. 예를 들어, 공통 자극에 의해 삼중 뉴런이 동시에 활성화되는 경우와, 오직 이원적 상호작용만을 포함하는 패커메이커 유사 회로의 경우를 말한다.
• 필터링에서의 지속 위상성은 고정 임계값을 사용할 경우 가려지는, 구조적 차이를 탐지할 수 있다. 예를 들어, 균일한 네트워크와 모듈러 구조의 네트워크 간의 차이를 드러낸다.
• 시간적 활성화 순서에 기반한 필터링은 임계값을 임의로 설정하지 않고도, 뉴런 반응 역학과 병리적 전파를 원칙적으로 모델링할 수 있다. 예를 들어, 전두엽-측두엽 치매에서의 전파를 설명할 수 있다.
• 지속 다이어그램은 위상적 수명을 시각적으로 잘 드러내며, 의미 있는 뉴런 군집이나 기능적 모듈과 관련된 사이클의 탄생과 소멸을 드러낸다.
• 이 방법은 fMRI 데이터에서 통계적으로 이질적인 다중 영역 활성화 패턴을 성공적으로 식별하여, 임상 및 인지 신경과학 응용 분야에서의 유용성을 입증한다.
• 이 프레임워크는 위상 측정치를 필터링 파라미터의 함수로 간주함으로써, 임계값 의존성 없이 뉴런 데이터의 강건한 분석을 가능하게 하며, 미세한 구조적 변형에 대한 민감도를 향상시킨다.