[论文解读] Multiscale modeling of brain network organization

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

Neural dynamics and brain function参考文献 220被引用 2

一句话总结

本文提出一种多层网络框架，用于建模跨空间和时间尺度的多尺度脑组织结构，整合了结构、功能和动态层面。通过应用先进的网络理论工具——如多层拓扑分析、生成建模和机器学习——揭示了微尺度连接如何塑造宏观尺度脑动态，并识别出阿尔茨海默病和神经精神疾病的相关多模态网络生物标志物。

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.

研究动机与目标

• 开发一个统一的理论框架，用于在多个空间、时间及拓扑尺度上建模脑组织结构。
• 解决将来自不同实验模态（如fMRI、EEG、遗传学）的异构数据整合为一致的多尺度表征的挑战。
• 阐明在某一尺度（如突触或遗传）的扰动如何通过脑网络传播，进而影响宏观尺度动态和行为。
• 利用多层网络分析发现神经和精神疾病相关的多模态网络生物标志物。
• 探索生成模型、可控制性理论和机器学习在推进多尺度脑建模中的潜力。

提出的方法

• 采用多层网络形式化方法，将不同的脑层次（微、中、宏）表示为具有层内与层间连接的互联层。
• 应用节点和层中心性、社区检测及路径积分等分析工具，探究微、中、宏尺度的拓扑结构。
• 采用生成模型模拟现实的多尺度脑网络，以检验关于网络组织与动态的假设。
• 在多尺度网络数据上应用机器学习技术——特别是多节点2vec和卷积神经网络——以提取低维嵌入并分类疾病状态。
• 利用可控制性理论评估在特定节点或层上进行靶向干预对全局脑动态的影响。
• 整合多模态神经影像和电生理数据，构建反映结构、功能和振荡特性的多层脑网络。

实验结果

研究问题

• RQ1 微尺度的结构连接如何产生宏观尺度的功能和动态模式？
• RQ2 支撑人类脑信息分离与整合的多层网络特性是什么？
• RQ3 多层网络模型在多大程度上能检测阿尔茨海默病及其他脑病理的早期生物标志物？
• RQ4 多尺度脑网络的生成模型在多大程度上能从微尺度规则预测系统级行为？
• RQ5 在多层网络上训练的机器学习技术能否提升神经精神疾病分类的准确性？

主要发现

• 多层网络模型表明，结构连接与功能动态之间的相互作用对于理解跨尺度的脑组织结构至关重要。
• 多节点2vec算法成功地将多层脑网络嵌入低维空间，改善了脑区的可视化与聚类效果，并实现了对健康与精神分裂症受试者的有效区分。
• 将卷积神经网络应用于多频段EEG网络，通过学习具有判别性的网络特征，实现了对重度抑郁症与健康对照组的有效分类。
• 多尺度网络的生成模型表明，微尺度连接模式能够塑造宏观尺度的功能组织，支持对脑动态的机制性理解。
• 多层社区检测方法识别出在健康与病理状态之间存在差异的稳定且具有生物学意义的脑社区，尤其在阿尔茨海默病中表现显著。
• 多层网络的可控制性分析表明，中尺度某些枢纽区域对引导大尺度脑动态具有关键作用，提示其可能成为神经调节的潜在靶点。