复杂脑网络中信息过滤的拓扑准则
神经元与认知
2017-02-14 v2
摘要
在许多生物系统中，元素间相互作用的网络只能从实验测量中推断。在神经科学中，非侵入性成像工具被广泛用于体内推导结构或功能脑网络。作为推断过程的结果，我们获得一个对应于不切实际的全连接加权网络的值矩阵。为了将其转变为有用的稀疏网络，通常采用阈值化来消除最弱连接中的一定百分比。所得网络的结构特性取决于最终保留的推断连接比例。然而，如何确定该阈值仍是一个开放问题。我们引入一个准则，即效率成本优化（ECO），基于网络效率与其布线成本之间权衡的优化来选择阈值。我们解析证明并通过数值模拟确认，最大化此权衡的连接密度强调了给定网络的内在特性，同时保持其稀疏性。此外，该密度阈值可先验确定，因为要过滤的连接数量仅根据幂律依赖于网络规模。我们在使用不同成像模态获得的从微观到宏观尺度的若干脑网络上验证了该结果。最后，我们测试了ECO相对于替代滤波方法在区分脑状态方面的潜力。ECO提升了以快速且基于原则的方式分析和比较从实验数据推断出的生物网络的能力。
引用
@article{arxiv.1603.08445,
title = {A topological criterion for filtering information in complex brain networks},
author = {Fabrizio De Vico Fallani and Vito Latora and Mario Chavez},
journal= {arXiv preprint arXiv:1603.08445},
year = {2017}
}