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

Chad Giusti, Robert Ghrist+1 more|PubMed|Jan 7, 2016

Topological and Geometric Data Analysis参考文献 51被引用 36

一句话总结

本文提出单纯复形——图的推广形式——作为建模高阶神经相互作用（超越成对连接）的更优框架。通过利用代数拓扑，特别是神经数据过滤中的持久同调，作者展示了该方法如何揭示标准网络模型所忽略的隐藏多神经元动力学与结构组织，为理解脑功能与疾病提供了更严谨且富有信息量的替代方案。

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.

研究动机与目标

• 解决神经科学中网络模型的根本局限性，即假设成对相互作用为基本分析单元。
• 引入单纯复形作为数学上严谨且计算上可行的框架，用于建模多元素（多体）神经相互作用。
• 证明神经数据过滤中的持久同调可揭示传统图论方法无法察觉的结构与功能模式。
• 通过保留所有数据而不进行任意二值化处理的过滤方法，为加权神经网络的阈值化提供原则性替代方案。
• 将代数拓扑定位为解码跨尺度与跨物种神经系统高阶组织结构的变革性工具。

提出的方法

• 使用单纯复形建模神经系统的结构，其中单纯形代表协同激活的神经元或脑区群体，将图中的边推广至高阶相互作用。
• 通过在所有可能取值上对加权神经连接矩阵进行阈值化，构建过滤序列，形成嵌套的单纯复形序列，以保留所有原始数据。
• 应用持久同调追踪过滤过程中拓扑特征（如环路）的诞生与消亡，其持续时间编码于持久性图中。
• 利用同调类在过滤过程中的演化，量化结构复杂性，并检测神经活动中异常或功能相关的模式。
• 利用时间分辨的过滤方法，根据时间动态激活单纯形，实现对刺激响应与疾病进展（如痴呆中的跨神经元传播）的建模。
• 利用生成的持久性函数——作为过滤参数函数的拓扑特征度量——分析结构鲁棒性，并在无需依赖阈值的情况下检测不同神经系统间的细微差异。

实验结果

研究问题

• RQ1 单纯复形是否能比成对网络模型更好地捕捉多神经元协同放电模式？
• RQ2 持久同调等拓扑特征如何揭示在标准图论分析中被掩盖的神经数据隐藏组织原则？
• RQ3 神经数据的过滤在不进行任意阈值化的情况下，能在多大程度上保留并揭示结构信息？
• RQ4 时间分辨的过滤能否建模神经活动传播或神经退行性疾病中的病理扩散？
• RQ5 在神经数据中使用持久同调相比标准网络诊断方法，如何提升对统计异常多区域激活模式的检测能力？

主要发现

• 单纯复形能够区分在图模型中无法区分的神经活动模式，例如因共同刺激导致的三元神经元协同放电，与仅通过成对相互作用的‘起搏器’样电路。
• 在过滤中应用持久同调可检测出在固定阈值下被掩盖的神经网络结构差异，例如同质网络与模块化网络结构之间的区别。
• 基于时间激活序列的过滤方法可无需依赖任意阈值，实现对神经反应动力学与病理传播（如额颞叶痴呆）的合理建模。
• 持久性图提供了拓扑持续时间的图示化且信息丰富的表示，揭示了与有意义神经群组或功能模块相对应的环路诞生与消亡。
• 该方法成功识别出fMRI数据中统计异常的多区域激活模式，展示了其在临床与认知神经科学应用中的实用性。
• 该框架通过将拓扑度量视为过滤参数的函数，实现了对神经数据的稳健、无阈值依赖的分析，增强了对细微结构变异的敏感性。