異質なノードを持つパーソナライズされた全脳Isingモデルは,脳領域間の違いを捉えます

科学分野:

• 計算神経科学とは
• 神経イメージング分析
• ネットワーク科学 ネットワーク科学

背景:

• Isingモデルは脳の動態を研究するために使用されていますが,個々の神経イメージングデータでは限界に直面しています.
• 既存のモデルは,脳の構造と機能の地域的な違いにもかかわらず,ノードの異質性をしばしば見過ごします.
• パーソナライズされたモデリングは,個々の脳ネットワークの組織を理解するために不可欠です.

研究 の 目的:

• 個々の被験者のための高解像度機能MRIデータにイジングモデルを合わせるための改善されたアプローチを開発し,検証する.
• データバイナライゼーションの値がモデルフィッティングとノード異質性の表現に与える影響を調査する.
• イージングモデルのパラメータと,骨髄形成や皮質の折りたたみなどの構造的なMRI特性の関係を探求する.

主な方法:

• グループデータの初期化,シミュレーション温度最適化,二段階のボルツマンの学習 (グループから個々のデータ) を含む多段階のフィッティングプロセスを開発しました.
• モデリングアプローチのコンピューティング要求を管理するためにGPU加速を使用しました.
• fMRIデータバイナライゼーションの値が適合性,外部フィールドの異質性,構造的なMRIメトリックとの相関性に与える影響を分析した.

主要な成果:

• より高いfMRIバイナライゼーションの値により,機能的な接続性の相関は低下したが,ノードの外部フィールドの異質性と構造的特徴との相関は増加した.
• 適性と固有の地域異質性をバランスする最適のバイナリ化値を特定しました.
• 洗練されたイジングモデルが,脳の異質なノードのネットワークをよりよく捉えていることを実証しました.

結論:

• 強化されたイージングモデルフィッティングアプローチは,脳全体の構造機能マッピングの個別化された,生体物理的に解釈可能なモデリングを可能にします.
• この方法は,脳ネットワークの組織における個々の差異の理解を前進させることができます.
• ネットワークと地域的な視点を統合することにより,コネクトミクスと翻訳神経科学の研究の間のギャップを埋める.