脑网络的低维可控性
神经元与认知
2023-11-29 v3 定量方法
摘要
网络可控性是一种研究复杂系统中因果关系并识别用于将网络动力学导向期望状态的驱动节点的有力工具。然而，由于病态条件，当驱动节点数量相对于网络规模过小时，结果变得不可靠。这是一种非常常见的情况，特别是在现实世界应用中，同时访问多个节点的可能性受到技术约束的限制，例如人脑中。尽管针对较小的网络部分可能提高准确性，但在极度不平衡的情况下（例如只有一个驱动节点时）挑战可能依然存在。为解决此问题，我们开发了一个结合谱图论与现代网络科学概念的数学框架。我们旨在控制其低维嵌入到由网络拉普拉斯算子导出的拓扑空间，而非控制原始网络动力学。通过在合成网络上进行大量模拟，我们表明相对较少的投影分量足以提高整体控制精度，尤其是在驱动节点极少时。基于这些发现，我们引入了替代的低维可控性度量，并用它们来识别从 UK-biobank 队列中 N=6134 名健康个体获得的人脑连接组的主要驱动区域。结果揭示了相较于标准方法先前未被重视的有影响区域，能够在不同的专门化大规模脑系统之间绘制控制图，并产生了基于解剖学的半球功能偏侧化理解。总之，我们的结果为处理现实应用中的网络可控性提供了有理论依据的解决方案，并对人脑的因果交互提供了见解。
引用
@article{arxiv.2311.11132,
title = {Low-dimensional controllability of brain networks},
author = {Remy Ben Messaoud and Vincent Le Du and Brigitte Charlotte Kaufmann and Baptiste Couvy-Duchesne and Lara Migliaccio and Paolo Bartolomeo and Mario Chavez and Fabrizio De Vico Fallani},
journal= {arXiv preprint arXiv:2311.11132},
year = {2023}
}