MQGA:使用多图形理论索引对大脑网络枢纽进行定量分析
Hongzhou Wu1, Zhenzhen Yang1, Qingquan Cao1
1The Clinical Hospital of Chengdu Brain Science Institute, MOE Key Laboratory for Neuroinformation, School of Life Science and Technology, University of Electronic Science and Technology of China, No.2006, Xiyuan Avenue, West Hi-Tech Zone, Chengdu, Sichuan 611731, China.
NeuroImage
|November 3, 2024
概括
这项研究引入了一种新的计算方法,即多标准定量图分析 (MQGA),以精确识别大脑网络中的连接器和省级枢纽. MQGA方法提供可靠和稳定的分析,对于理解认知功能和大脑疾病至关重要.
科学领域:
- 神经科学是一个神经科学.
- 网络科学 网络科学
- 计算生物学 计算生物学
背景情况:
- 连接器和省级枢纽对于认知任务至关重要,协调大脑模块内部和之间信息流.
- 目前用于识别这些中心的方法缺乏标准化的标准,限制了定量分析和可比性.
研究的目的:
- 开发和验证一种新的计算方法,多标准定量图形分析 (MQGA),用于对大脑网络中枢属性的定量分析.
- 提高识别连接器 (con) 和省级 (pro) 枢纽节点的准确性,可靠性和稳定性.
主要方法:
- 使用多图形理论指数计算,包括中间中心,中心度和参与系数.
- 引入了多标准定量图形分析 (MQGA) 方法来推导con和pro中心指数.
- 使用基准网络,模拟网络和来自ADHD和健康对照组的休息状态fMRI数据验证了该方法.
主要成果:
- 在识别枢纽节点方面,MQGA表现出了准确性,可靠性和稳定性.
- 网络稀疏度影响了枢纽指数:枢纽指数增加,枢纽指数下降,在4%稀疏度下进行最佳识别.
- 移除连接器节点比移除省级节点更大程度上影响了网络完整性.
- 与健康对照组相比,疾病组 (ADHD) 的Hub得分稳定性较低.
结论:
- MQGA方法提供了一个精确和可复制的方法来识别大脑网络枢纽.
- 这些发现有助于更好地理解枢纽节点在认知中的作用及其在脑疾病中的变化.
- 该方法的灵敏度和一致性对于未来的大脑网络研究和临床应用至关重要.
