在复杂系统中定位隐藏因素的协同作用:休息大脑网络和HeLa基因表达特征作为案例研究
Marlis Ontivero-Ortega1,2, Gorana Mijatovic3, Luca Faes3,4
1INFN, Sezione di Bari, Dipartimento Interateneo di Fisica, Università degli Studi di Bari Aldo Moro, 70126 Bari, Italy.
Entropy (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了O信息来量化复杂系统中的协同因素影响. 应用于fMRI和细胞数据, 揭示了大脑网络和基因调节的协同作用.
科学领域:
- 统计数据
- 信息理论
- 系统生物学
- 神经科学
背景情况:
- 使用隐性因子观察到可变的因子分析模型.
- 隐藏的因素虽然独立,但可以产生联合和协同的影响.
- 这些高阶相互作用的量化对于理解复杂系统至关重要.
研究的目的:
- 提出一个新的框架来量化联合因素对观察到的变量的影响.
- 在因子分析中应用O信息,这是一种高阶依赖的指标.
- 通过神经科学和细胞生物学案例研究来证明这种方法的实用性.
主要方法:
- 根据它们的信息性质,共同分析潜在因素和观察到的变量.
- 使用O信息来测量高阶依赖性和协同作用.
- 将框架应用于静态fMRI数据和HeLa细胞基因表达数据.
主要成果:
- 在休息的fMRI数据中确定了默认模式网络 (DMN) 和前端-平行线 (FP) 网络之间的显著协同作用.
- 发现STK-12 (AURKB) 是HeLa细胞中最具协同性的基因,这表明它在细胞周期控制中的作用.
- 证明了该框架能够在多种复杂系统中捕捉协同作用.
结论:
- 提出的基于O信息的方法有效量化协同因素的影响.
- 这种方法将因子分析与高阶相互作用分析结合起来.
- 这种方法在各种科学领域具有广泛的应用潜力.
