基于随机矩阵理论揭示脑功能特征
神经元与认知
2019-07-29 v2 数据分析、统计与概率
摘要
大脑以模块化方式组织，服务于多种功能。这种多样性要求脑模块之间既存在正相互作用（如兴奋性、相位相干），也存在负相互作用（如抑制性、相位相反）。不幸的是，大多数从时间序列检测模块的方法要么忽略负相关，要么将其转换为正值。这可能导致大量依赖于符号的功能结构未被检测到。在此，我们提出一种基于随机矩阵理论的新方法，用于识别大脑中依赖于符号的模块。该方法滤除了局部（单元特异性）噪声和全局（系统范围）依赖性的联合效应，这些效应在经验上掩盖了此类结构。该方法保证能识别出对比度最优的功能“特征”，即划分为内部正相关而跨模块负相关的模块。该方法完全是数据驱动的，不使用任何任意阈值或网络投影，仅输出具有统计显著性的结构。在小鼠生物钟神经元基因表达的测量中，该方法系统地揭示了两个否则无法检测到的负相关模块，其相对大小和相互作用的强度被发现依赖于光周期。在这两个模块之间交替的神经元定义了昼夜节律调节的功能可塑性候选区域。
引用
@article{arxiv.1708.07046,
title = {Uncovering functional brain signature via random matrix theory},
author = {Assaf Almog and Ori Roethler and Renate Buijink and Stephan Michel and Johanna H Meijer and Jos H. T. Rohling and Diego Garlaschelli},
journal= {arXiv preprint arXiv:1708.07046},
year = {2019}
}