人脑连接组中的粗粒化与临界性

面对人脑令人惊叹的复杂性，网络分析是一种极有用的工具，它通常通过将构成大脑的数十亿神经元近似为具有可行节点数的粗粒化图像，来极大简化问题。但即便是此类相对较小且粗糙的网络，例如具有100-1000个节点的人脑连接组，也可能对一些无法处理超过少数节点网络的计算密集型分析构成挑战。考虑到此类应用，我们着手通过基于模块度的方法进一步粗粒化人脑连接组，目标是生成节点数相对较少的模块网络。我们应用此方法研究大脑中的临界现象；我们基于粗粒化网络在Wilson-Cowan与Ising模型临界性背景下提出了一个假设，并使用原始网络验证了该假设——其将前者的一个转变值与该后者的临界温度相联系。我们发现粗粒化网络的定性行为反映了原始网络的行为，尽管程度较弱。这原则上允许通过分析较小的网络得出类似的定性结论，从而为在通常被视为计算难解的背景下（如整合信息理论与人脑量子模型）研究人脑连接组打开了大门。