[論文レビュー] Selecting an exponential random graph model for complex brain networks

Sean L. Simpson, Satoru Hayasaka+1 more|arXiv (Cornell University)|Jul 19, 2010

Complex Network Analysis Techniques被引用数 3

ひとこと要約

本論文では、クラスタリングや次数分布などの複数の局所的ネットワーク特徴を同時に捉えながら、それらがグローバルなネットワーク構造に与える総合的影響を評価することにより、指数型ランダムグラフモデル（ERGMs）を用いて、複雑な全脳ネットワークを体系的にモデル化することを提案する。研究では、実際の脳ネットワークの構造的性質を再現する際、p値およびAICに基づく手法よりも、図的適合度（GOF）アプローチが優れていることを示している。

ABSTRACT

Exponential random graph models (ERGMs), also known as p* models, have been utilized extensively in the social science literature to study complex networks and how their global structure depends on underlying structural components. However, the literature on their use in biological networks (especially brain networks) has remained sparse. Descriptive models based on a specific feature of the graph (clustering coefficient, degree distribution, etc.) have dominated connectivity research in neuroscience. Corresponding generative models have been developed to reproduce one of these features. However, the complexity inherent in whole-brain network data necessitates the development and use of tools that allow the systematic exploration of several features simultaneously and how they interact to form the global network architecture. ERGMs provide a statistically principled approach to the assessment of how a set of interacting local brain network features gives rise to the global structure. We illustrate the utility of ERGMs for modeling, analyzing, and simulating complex whole-brain networks with network data from normal subjects. We also provide a foundation for the selection of important local features through the implementation and assessment of three selection approaches: a traditional p-value based backward selection approach, an information criterion approach (AIC), and a graphical goodness of fit (GOF) approach. The graphical GOF approach serves as the best method given the scientific interest in being able to capture and reproduce the structure of fitted brain networks.

研究の動機と目的

• 脳ネットワーク研究において、複数の局所的ネットワーク特徴を同時に分析できる生成モデル的手法の不足に応えること。
• ERGMsにおける3つのモデル選択戦略—p値に基づくバックワード選択、AIC、図的適合度（GOF）—を評価・比較すること。
• 局所的ネットワーク要因がどのように相互作用してグローバルな脳ネットワーク構造を形成するかをモデル化する統計的に妥当なフレームワークを確立すること。
• 観察された脳ネットワーク構造を的確に再現する、意味のある局所的特徴の選定基盤を提供すること。

提案手法

• 正常被験者の全脳機能的・構造的結合データに指数型ランダムグラフモデル（ERGMs）を適用し、複雑なネットワーク依存関係をモデル化すること。
• 非有意なネットワーク特徴を段階的に除外するためのp値に基づくバックワード選択法を実装すること。
• モデルの適合度と複雑さのバランスを取るために、アカイケ情報量基準（AIC）をモデル選択基準として用いること。
• 適合度の図的評価（GOF）を用いて、適合したERGM下でのシミュレートされたネットワークと実際のネットワークを視覚的・定量的に比較すること。
• 各モデルが次数分布やクラスタリングなどの主要なネットワーク特徴をどれほど正確に再現できたかを評価することで、3つの選択手法の性能を比較すること。
• シミュレーションに基づく検証を用いて、各選択モデルが実際の脳ネットワークの構造的特徴をどれほど正確に再現できるかを評価すること。

実験結果

リサーチクエスチョン

• RQ1 p値に基づくバックワード選択、AIC、図的GOFのうち、どのERGM選択アプローチが実際の全脳ネットワークの構造的特徴を最もよく捉えられるか？
• RQ2 エッジ、三角形、次数分布などの局所的ネットワーク特徴が、どのようにして脳ネットワークのグローバルなアーキテクチャを生み出すか？
• RQ3 ERGMは、人間の脳結合データに観察される複雑な構造的パターンを効果的に再現できるか？
• RQ4 個々のネットワーク特徴が、全脳ネットワークにおける観察されたネットワーク構造を説明するにあたり、それぞれが果たす相対的寄与度は何か？

主な発見

• 図的適合度（GOF）アプローチが、実際の脳ネットワークの構造的特徴を的確に再現できるERGMの選択において、最も効果的であることが判明した。
• ERGMは、クラスタリングや次数分布といった複数のネットワーク特徴を同時に捉えることに成功し、脳ネットワーク構造の包括的かつ包括的な理解を可能にした。
• p値に基づくバックワード選択法は、過剰適合または関連する特徴を除外する傾向があり、モデルの忠実性を低下させた。
• AICに基づくアプローチは、適合度と複雑さのバランスをうまく取ったが、図的GOF手法の予測精度には及ばなかった。
• 図的GOF評価により、研究者がモデル適合度を視覚的に診断し、系統的なずれを特定できるようになった。これにより、解釈可能性と科学的妥当性が向上した。
• 本研究では、ERGMが複雑な全脳ネットワークをモデリングするための実用的で統計的に妥当なツールであることが示された。これは、単なる記述的モデルとは対照的に、生成的代替手法を提供するものである。