[论文解读] 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 3

一句话总结

本文提出使用指数随机图模型（ERGMs）系统地建模复杂的全脑网络，通过同时捕捉多种局部网络特征（如聚类和度分布）来评估其对全局网络结构的综合影响。研究结果表明，图形化拟合优度（GOF）方法在再现真实脑网络结构特征方面优于基于p值和AIC的方法。

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.

研究动机与目标

• 为解决脑网络研究中缺乏能够同时分析多种局部网络特征的生成建模方法的问题。
• 评估并比较三种模型选择策略——基于p值的逐步后向选择、AIC以及图形化拟合优度——在脑网络ERGM中的表现。
• 建立一个统计上严谨的框架，用于建模局部网络组件如何相互作用以塑造全脑网络的整体架构。
• 为选择能共同再现观测到的脑网络结构的有意义局部特征提供基础。

提出的方法

• 将指数随机图模型（ERGMs）应用于正常受试者的全脑功能与结构连接数据，以建模复杂的网络依赖关系。
• 采用基于p值的逐步后向选择方法，迭代剔除ERGM中不显著的网络特征。
• 使用赤池信息准则（AIC）作为模型选择标准，以平衡模型拟合度与复杂性。
• 采用图形化拟合优度（GOF）评估方法，通过可视化和定量比较，将经验网络与拟合ERGM下生成的模拟网络进行对比。
• 通过评估每种方法在再现关键网络特征（如度分布和聚类）方面的表现，比较三种选择方法的性能。
• 通过基于模拟的验证，评估每种选定模型复制真实脑网络结构特征的能力。

实验结果

研究问题

• RQ1 在基于p值的逐步后向选择、AIC和图形化拟合优度这三种ERGM选择方法中，哪一种最能捕捉真实全脑网络的结构特征？
• RQ2 局部网络特征（如边、三角形和度分布）如何相互作用，从而形成脑网络的整体架构？
• RQ3 ERGM能否有效再现人类脑连接数据中观察到的复杂结构模式？
• RQ4 在全脑网络中，各个网络特征对解释观测到的网络结构的相对贡献是什么？

主要发现

• 图形化拟合优度（GOF）方法被发现是选择ERGM的最有效方法，能够准确再现真实脑网络的结构特征。
• ERGM能够同时捕捉多种网络特征（如聚类和度分布），从而实现对脑网络架构的更全面理解。
• 基于p值的逐步后向选择方法容易出现过拟合或排除相关特征，导致模型保真度下降。
• 基于AIC的方法在模型拟合度与复杂性之间提供了合理平衡，但其预测准确性无法与图形化GOF方法相比。
• 图形化GOF评估使研究人员能够通过可视化手段诊断模型拟合情况，并识别系统性偏差，从而提升模型的可解释性与科学相关性。
• 本研究证明，ERGM是一种可行且具有统计学基础的工具，可用于建模复杂的全脑网络，为纯粹描述性模型提供了一种生成性替代方案。