[论文解读] Community detection in network neuroscience

Richard F. Betzel|arXiv (Cornell University)|Nov 13, 2020

Neural dynamics and brain function被引用 10

一句话总结

本文综述了神经网络科学中的社区检测方法，重点介绍了模块度最大化方法及识别脑网络社区的实用指南。研究证明，脑网络在不同物种和尺度下均表现出稳健的中尺度结构，并为研究人员提供了工具和决策框架，以方法论严谨的方式将社区检测应用于结构和功能脑网络。

ABSTRACT

Many real-world networks, including nervous systems, exhibit meso-scale structure. This means that their elements can be grouped into meaningful sub-networks. In general, these sub-networks are unknown ahead of time and must be "discovered" algorithmically using community detection methods. In this article, we review evidence that nervous systems exhibit meso-scale structure in the form of communities, clusters, and modules. We also provide a set of guidelines to assist users in applying community detection methods to their own network data. These guidelines focus on the method of modularity maximization but, in many cases, are general and applicable to other techniques.

研究动机与目标

• 确立脑网络在不同物种、尺度和成像模态下均表现出中尺度社区结构。
• 解决脑网络中社区算法检测的挑战，这些社区结构无法通过视觉检查识别。
• 为研究人员提供实用且可操作的指南，以选择和应用社区检测方法。
• 强调社区结构在理解脑功能、疾病及生物标志物开发中的重要性。
• 比较和对比非重叠与重叠社区检测方法，倡导采用灵活、用户引导的方法。

提出的方法

• 以模块度最大化为主要方法，通过优化模块度函数 Q 来识别内部连接紧密、外部连接稀疏的社区。
• 通过 Brain Connectivity Toolbox 和 NetWiki 引入 Louvain 算法，实现高效社区检测，并支持自定义零模型和分辨率参数。
• 应用一致性聚类以提高多次运行或不同阈值下社区检测结果的稳定性和可靠性。
• 通过将节点-节点网络转换为边-边网络，探索基于边的社区检测方法，利用共波动时间序列和相似性度量。
• 采用块模型化方法及节点层面指标（如参与系数和模块度-z 分数）来表征节点在社区中的角色。
• 使用广义 Louvain 算法（genlouvain.m）支持用户自定义模块度函数，并实现多层和多分辨率网络分析。

Figure 1: Scales of network analysis. ( a ) Brain networks are usually defined as collections of neural elements (cells, populations, regions) linked to one another via structural or functional connections. ( b ) Analysis of brain networks can be carried out at the local and global scales, which foc

实验结果

研究问题

• RQ1 如何系统性地将社区检测方法应用于脑网络数据，以揭示有意义的中尺度组织结构？
• RQ2 哪些关键的方法论决策会影响脑网络中社区检测结果的生成？
• RQ3 脑网络在多大程度上表现出重叠社区结构？此类结构如何被检测和解释？
• RQ4 不同社区检测算法在神经科学数据中，其准确性、稳定性和可解释性方面如何比较？
• RQ5 在结构和功能脑网络中识别社区结构，对功能和临床具有何种意义？

主要发现

• 从线虫（C. elegans）到人类，不同物种的脑网络一致表现出中尺度社区结构，表明其为一种基本组织原则。
• 社区检测揭示，某些节点可作为连接不同社区的连接枢纽，凸显其功能重要性。
• 采用模块度最大化的 Louvain 算法为大规模脑网络中的社区检测提供了高效且可扩展的方法。
• 基于共波动时间序列的边中心社区检测可实现广泛的节点重叠，捕捉网络角色的动态重组。
• 参与系数和模块度-z 分数为节点中心性和社区归属提供了定量度量，有助于功能解释。
• 参数选择、零模型选择和分辨率调节的指南对于获得可靠且可解释的社区检测结果至关重要。

Figure 2: Schematic illustrating why community detection is necessary and what can be gained from it. ( a ) Community detection usually starts with a network’s connectivity matrix. Initially, no community labels are known and its rows and columns are in an arbitrary order, making it difficult to est