在大脑连接组分析中,在不同地图上协调基于网络的统计数据

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 数据科学数据科学数据科学

背景情况:

• 神经成像研究面临着难以翻译的挑战,原因是不同的分析管道和大脑地图.
• 结合跨研究的总结统计数据对于提高连接学发现的概括性至关重要.
• 现有的方法通常需要原始数据,限制了公布总结统计数据的整合.

研究的目的:

• 推出TACOS (Transform brAin COnnectomes across atlaSes),这是一个新的计算工具.
• 为了使基于网络的统计数据在不同的大脑地图上翻译,而不需要单独的原始神经成像数据.
• 促进从各种研究和队列中取得的连接原子结果的协调.

主要方法:

• TACOS使用基于大脑分片和白质纤维数据的解剖信息的线性模型.
• 该工具执行基于网络的统计数据,特别是t统计数据的跨图书馆转换.
• 验证涉及对17个不同的大脑地图进行测试,使用人类连接组项目 (HCP) 替代统计数据和独立数据集.

主要成果:

• 在TACOS转换后的t统计数据显示,结构性 (r=0.32-0.95) 和功能性网络 (r=0.57-0.95) 之间与基本真相有很强的相关性.
• 这些相关性在不同的祖先中保持一致,显示出强度.
• 该工具有效地协调了多地点精神分裂症队列的连接组结果 (结构:r=0.57-0.94;功能:r=0.75-0.95).

结论:

• TACOS提供了一种可靠的方法,用于连接原子总结统计的跨地图表转换.
• 该工具显著提高了共享和结合多站点和多图谱神经成像数据的能力.
• 在神经科学中,TACOS具有很大的潜力,可以推进下游的连接原子分析和元分析.