一个原则框架来评估大脑功能子电路的信息理论适应性

科学领域:

• 系统和网络神经科学系统和网络神经科学
• 计算神经科学是一种神经科学.
• 神经成像分析分析 神经成像分析

背景情况:

• 大脑连接组分析的常见实践,如绘制功能网络 (FN) 和值功能连接组 (FC),往往缺乏严格的信息理论证明.
• 预定义的网络分区和选择的值对于分析单个FC的适当性仍未得到充分研究.

研究的目的:

• 正式定义和量化预先确定的功能网络 (FN) 的信息理论适应性,当它们被映射到单个功能连接组 (FC) 上时.
• 开发一个框架,以优化FC颗粒度,FN分区和值策略的选择,以保持人类大脑连接体的拓特征.
• 评估连接学分析中常见实践的信息理论有效性.

主要方法:

• 利用近期随机块模型 (SBM) 的理论进展来量化FC上的FN分区的信息理论适应性 (突出性).
• 将框架应用于人类连接组项目数据,使用多个细分级别的Schaefer分片.
• 评估各种组合的FC细粒度,FN分区和值策略.

主要成果:

• 开发的框架正式评估了在不同fMRI任务条件下将FN映射到单个FC的信息理论适当性.
• 证明0.25的共同值是对集团平均FC理论上有效的信息,解决了之前缺乏理由的问题.
• 确定了FC颗粒度,FN分区和值的最佳选择,以保持关键的拓特征.

结论:

• 该研究提供了一种严格的信息理论方法,以验证和优化大脑连接组分析的实践,包括使用功能网络和值方法.
• 结果支持FN和值的正确应用,为未来的研究提供了基础,特别是在开发个性化地块方面.
• 该框架可用于评估和优化连接组分析选择,以更好地保护大脑网络拓.