Узлы для сетей: Узлы для вязания рыболовных сетей

В кабельных системах узлы приобрели более широкий контекст и обычно связаны с оптоволоконным кабелем, который соединяется с предприятиями или домами, обслуживаемыми обычным оптоволоконным приемником в пределах географической области. В кабельных системах оптоволоконный узел описывает количество переданных домов или предприятий, которые могут обслуживаться конкретным оптоволоконным узлом.

Понимание влияния всех узлов в сети

Что такое узел? — Определение из Техопедии

Что означает узел?

Узел — это точка пересечения / соединения в сети передачи данных.В среде, где все устройства доступны через сеть, все эти устройства считаются узлами. Индивидуальное определение каждого узла зависит от типа сети, к которой он относится.

Например, в физической сети домашней домашней системы каждый бытовой прибор, способный передавать или принимать информацию по сети, составляет узел. Однако пассивная точка распространения, такая как коммутационная панель, не будет считаться узлом.

Узлы создают, принимают и передают информацию, а также хранят ее или передают другим узлам.Например, сканер в компьютерной сети создает изображения и отправляет их на компьютер, а маршрутизатор организует данные, полученные из Интернета, и распределяет их по отдельным устройствам в сети.

Концепция узлов работает на нескольких уровнях, но в представлении общей картины узлы определяются как основные центры, через которые обычно маршрутизируется интернет-трафик. Это использование несколько сбивает с толку, поскольку эти же интернет-узлы также называются интернет-концентраторами.

Techopedia объясняет узел

Идея узлов была популяризирована с принятием теории коммутации пакетов и концепции распределенных сетей. В этом контексте узлы были шлюзами, которые могли получать, хранить и отправлять информацию по различным маршрутам через распределенную сеть. Каждому узлу было предоставлено равное положение в сети, а это означало, что потеря любого из узлов не нанесет значительного ущерба сети. (См. Также: Топология сети)

Однако в применении к офисной или личной сети узел — это просто одно из устройств, выполняющих определенную функцию. Таким образом, потеря этого узла обычно означает потерю функции, например невозможность использования принтера.Соединения между узлами сети могут быть выполнены с помощью кабелей (проводная сеть) или с использованием других беспроводных технологий, таких как спутники связи, наземная микроволновая печь, Bluetooth или Wi-Fi.

Вот несколько примеров сетевых узлов:

Компьютерные сетевые узлы

В компьютерной сети, такой как локальная сеть LAN или глобальная сеть WAN, узлами могут быть персональные компьютеры, а также другое оконечное оборудование данных (DTE ) и оборудования передачи данных (DCE).Сюда может входить такое оборудование, как модемы, маршрутизаторы, серверы и рабочие станции. Каждый из этих узлов идентифицируется MAC-адресом, и его функция теряется, если он переходит в автономный режим. (См. Также: EndPoint)

Узлы сети Интернет

В сетях Интернета или интрасети каждый хост-компьютер представляет собой узел Интернета, идентифицируемый по IP-адресу. Другие устройства уровня канала передачи данных, которые не имеют IP-адреса хоста (например, мосты или коммутаторы), но имеют MAC-адрес, по-прежнему считаются физическими сетевыми узлами или узлами LAN, но не интернет-узлами.(См. Также: Уровень 2, Уровень Datalink)

Узлы распределенной системы

В одноранговых или других типах распределенных сетей узлы состоят из серверов, клиентов и / или одноранговых узлов. Сами одноранговые узлы могут действовать как серверы и клиенты, в то время как узлы, которые маршрутизируют данные для других устройств в сети, определены как «надузлы».

Узлы телефонной сети

В традиционных телекоммуникационных сетях, таких как телефонные сети, каждый отдельный телефон или смартфон является узлом вместе с другими базами данных и точками коммутации, такими как узел поддержки GPRS шлюза (GGSN) и домашний регистр местоположения.

Узлы системы кабельного телевидения

В системах кабельного телевидения (CATV) узлы имеют более широкое значение, обычно связанное с волоконно-оптическими узлами. Каждый оптоволоконный узел представляет собой количество домов или предприятий, которые можно обслуживать с помощью кабелей, идущих от данного оптоволоконного приемника.

границ | Определение узлов в сложных мозговых сетях

Введение

Мозг — это сложная сеть, в основе которой лежит организационная структура. Эту организационную структуру можно исследовать методами сетевой науки.Изучение сложных мозговых сетей резко развилось и повзрослело за последнее десятилетие, став методом выбора для анализа данных функциональной визуализации мозга. Хотя сетевая наука открывает большие перспективы для расширения наших знаний о человеческом мозге в вопросах здоровья, болезней, развития и старения, быстрое распространение и рост популярности сетевой науки как парадигмы для анализа данных нейровизуализации создает риск того, что новые методы могут быть применены неправильно или неверно истолкованы, что приводит к неточным и вводящим в заблуждение результатам.

По сути, все сети состоят из двух основных компонентов: элементов системы и парных отношений между этими элементами. Формально графы представляют эти элементы как узлы, а попарные отношения между элементами как ребра / связи. Теория графов обеспечивает строгую, хорошо зарекомендовавшую себя основу для описания связи мозга, как локально, так и глобально, предоставляя первую надежную возможность обширно и неинвазивно исследовать весь человеческий мозг одновременно (Bullmore and Sporns, 2009; Rubinov and Sporns, 2010).В функциональных сетях мозга узлы представляют собой некоторую предопределенную совокупность тканей мозга, а края измеряют функциональную связь между парами узлов. Функциональная связность — это наблюдаемое явление, которое можно измерить количественно с помощью мер статистических зависимостей, таких как корреляции, когерентность или энтропия переноса (Friston, 1994, 2011). После того, как сеть мозга создана, стандартные методы сетевой науки могут пролить свет на множество различных характеристик, как локальных, так и глобальных, взаимодействий между областями мозга.

Чтобы сети могли адекватно моделировать физические системы, узлы должны точно и осмысленно представлять элементы системы (Butts, 2009). В большинстве социальных, биологических и технологических сетей, что составляет узел, а что составляет связь, более четко и разумно определено. Например, в исследованиях сетей дружбы, отдельные люди являются очевидным выбором для узлов, а примеры дружбы между людьми — очевидным выбором для ссылок; аналогично, в исследованиях генных сетей, гены — очевидный выбор для узлов, а регуляторные белки — разумный выбор для связей.В мозговых сетях каждый отдельный нейрон может быть представлен как узел, а границы между узлами могут быть представлены синапсами. Хотя это было успешно выполнено в значительно менее сложном C. Elegans (Sporns and Kötter, 2004; Towlson et al., 2013), в настоящее время невозможно визуализировать, записать или с помощью вычислений проанализировать приблизительно 100 миллиардов нейронов в человеческий мозг, каждый из которых имеет ~ 7000 синапсов (Drachman, 2005). Хотя проект Human Brain Project и инициатива BRAIN пытаются создать такую ​​модель, представление нейронов как узлов и синапсов как звеньев в человеческом мозге может быть нежелательной целью.Полномасштабная копия человеческого мозга вряд ли создаст понятную модель, учитывая, что она столь же сложна, как и реальная система. Современные технологии ограничивают функциональный анализ сети мозга узлами выше миллиметрового масштаба, что означает, что многие потенциально взаимодействующие нейроны и синапсы будут представлены как отдельные узлы в сетях человеческого мозга.

Отсутствие четкого, очевидного выбора того, что должно представлять узел в функциональной сети мозга, привело к анализу сетей мозга в широком диапазоне масштабов, начиная от 70 узлов (Wang et al., 2009) к сетям всего мозга из 140 000 узлов (Eguíluz et al., 2005) и с использованием различных схем разделения, зависящих от широкого диапазона критериев определения. Тем не менее, способ, которым узлы явно определены в сетях мозга, во многом определяет нейробиологическую интерпретацию топологии сети (Butts, 2009). В настоящее время не существует общепринятого узлового определения, что делает эту проблему одной из наиболее важных нерешенных проблем в сетевом анализе данных нейровизуализации.

Целью данной статьи является обсуждение концепций и вопросов, связанных с определением узлов при функциональном анализе сети мозга.Очень важно признать тот факт, что оптимальный метод определения узлов остается загадкой. В любой такой сложной системе, как человеческий мозг, границы, которые используются для определения элементов системы, являются абстрактными и обычно связаны с решаемой проблемой. На самом деле, покойный специалист по сложным системам Донелла Х. Мидоуз отметила, что все границы имеют человеческое происхождение:

«… границы созданы нами сами, и их можно и нужно пересматривать для каждой новой дискуссии, проблемы или цели.»(Медоуз и Райт, 2008 г.)

Тем не менее, при создании модели человеческого мозга с использованием функциональных мозговых сетей необходимо определить отдельные узлы, и границы таких узлов могут существенно повлиять на результаты исследования (Smith et al., 2011). Из обычно используемых доступных методов некоторые, безусловно, имеют преимущества перед другими, и выбор узла может меняться в зависимости от изучаемых вопросов. Выявляя мотивы и проблемы в каждом из часто используемых подходов, мы пытаемся прояснить обсуждение и продвинуть вперед изучение сложных мозговых сетей.Здесь, после завершения всестороннего метаанализа доступной литературы, мы представляем обзор наиболее популярных схем определения узлов, основанных на: индивидуальных вокселях, анатомических атласах и предшествующих исследованиях функциональной активации. Мы утверждаем, что подход с наименьшим количеством имеющихся в настоящее время проблем — это воксельный подход. Для тех типов знаний, к которым в настоящее время стремятся большинство нейробиологов, доступные альтернативы воксельному подходу имеют значительные ограничения.

В дебатах о наилучшем способе определения сетевых узлов различные доступные подходы можно свести к одному четкому различию: (1) априори определение узлов на основе атласов, предшествующей литературы или какой-либо другой функциональной визуализации техника; и (2) нет априорного определения узлов на основе (т.е.е., делая каждый воксель узлом). Поскольку нейробиология исследует организацию мозговых сетей, авторы этой рукописи полагают, что самые маленькие возможные подразделения (до некоторой степени, которая в настоящее время неизвестна) дадут наиболее объективные и информативные результаты. Однако, в соответствии с наблюдением доктора Медоуза, важно оставаться открытым для возможностей того, что разные определения границ подходят для разных вопросов. Если не будут найдены однозначные доказательства того, что одно определение границы лучше другого, жизненно важно, чтобы нейробиологи оставались открытыми для других, использующих различные определения узлов.Нельзя позволять догме вытеснять научные изыскания.

Короче говоря, мы предпочитаем воксельный подход к изучению мозга как сложной сети, в основном потому, что он не обременен предыдущими редукционистскими результатами исследований мозга. Ограничение сетевых научных исследований мозга, основанных на результатах предыдущих методов визуализации, ограничит нашу способность обнаруживать новые, неизвестные свойства, которые нельзя наблюдать с помощью прошлых методологий (Telesford et al., 2011). Одна из сильных сторон подхода сетевой науки заключается в том, что он основан на том факте, что все области мозга скорее зависимы, чем независимы.Это нельзя переоценить. Внедрение априорной информации ослабит обоснованность подхода. Мы признаем, что все доступные в настоящее время методы ошибочны, потому что любая схема определения узлов будет содержать сигнал многих нейронов. Неясно, какой уровень грануляции лучше всего, поэтому на этом этапе мы должны использовать метод с наименьшим количеством предварительных предположений и как можно большим количеством доступных данных.

Определения узлов в литературе

Для нашего мета-анализа литературы исследования были сначала идентифицированы с использованием базы данных PubMed и включали статьи со следующими поисковыми терминами: «функциональный», «мозговой» и «сети».Поиск ограничивался статьями, посвященными исследованиям на людях, и статьями, опубликованными в период с 01.01.2005 по 31.01.2013. Этот первоначальный фильтр вернул в общей сложности 4847 исследовательских статей. Затем эти статьи были отфильтрованы, чтобы включить только оригинальные исследовательские публикации и исключить обзоры литературы и комментарии. Два разных исследователя независимо отфильтровали оставшиеся статьи, чтобы исключить исследования, описывающие функциональные сети, созданные с помощью электроэнцефалографии и магнитоэнцефалографии, а также структурные сети, созданные с помощью диффузно-взвешенной визуализации или морфометрии на основе вокселей.В окончательный список вошли 155 исследований, в которых принципы теории графов конкретно применялись к данным функциональной магнитно-резонансной томографии (фМРТ) (полный список см. В дополнительной информации). Для выявления связей между узлами в исследованиях использовались различные методологии.

Эти исследования были затем классифицированы по схеме разделения, каждое из которых использовалось для анализа данных. Категории включали анализы, основанные на уровне вокселей (32 статьи), установленных анатомических атласах (86 статей) и ранее опубликованных карт активации фМРТ (20 статей).В нескольких исследованиях представлены различные нетрадиционные схемы парцелляции (23 статьи), а в ограниченном количестве реализованы схемы множественной парцелляции (5 статей).

В исследованиях с использованием воксельного подхода количество узлов сильно варьировалось и составляло от менее 5000 до 140 000 узлов. В 2005 году Эгуилуз и его коллеги опубликовали то, что теперь известно как первое исследование, в котором анализ теории графов применялся к данным фМРТ мозга. Стоит отметить, что этот плодотворный вклад в исследования нейровизуализации был не только первым в своем роде, но и упоминался более 450 раз.В дополнение к традиционным воксельным методам наш поиск выявил новый вариант воксельной методологии. В этом подходе корреляционная матрица на основе вокселей была сгенерирована с использованием данных МРТ функциональной связности в состоянии покоя (rs-fcMRI). Затем воксели были сгруппированы в группы с использованием различных методов для определения границ, а не с использованием анатомических атласов (Thirion et al., 2006; Cohen et al., 2008; Mumford et al., 2010; Vejmelka and Palus, 2010; Craddock). et al., 2012; Blumensath et al., 2013). Эти границы в конечном итоге использовались для создания предполагаемых функциональных областей, которые, по сути, состоят из комбинаций исходных вокселей. Целью этого подхода является создание универсального функционального атласа человеческого мозга, который может быть стандартизирован и использован исследователями, интересующимися функциональной нейровизуализацией как в состоянии покоя, так и на основе задач.

Хотя первоначальное применение принципов теории графов к данным нейровизуализации мозга было основано на вокселях, разделение мозга для функционального сетевого анализа перешло в сторону использования анатомических атласов.Эти атласы строго определены с использованием анатомических особенностей мозга, таких как расположение общих извилин, и не полагаются на какую-либо функциональную информацию. Атласы обычно стандартизированы, легко доступны и чаще всего используются как для структурного, так и для функционального нейровизуализационного анализа. Общее количество и размер (то есть вокселей) областей, составляющих весь мозг, различаются в разных анатомических атласах. Для создания сетей с использованием подхода, основанного на атласе, сигнал, зависящий от уровня кислорода в крови (ЖИРНЫЙ) от всех вокселей, усредняется в пределах каждой области интереса.Средние временные ряды для всех ROI используются для генерации окончательной корреляционной матрицы.

Мы обнаружили, что атлас автоматической анатомической маркировки (AAL) был наиболее часто используемым, а вторым наиболее часто используемым атласом был вероятностный атлас Гарвард-Оксфорд с порогом от 25 до 30%. Следует отметить, что во многих исследованиях не использовались все области интереса, содержащиеся в определенном атласе. Вместо этого исследователи выбрали регионы, которые представляли интерес для авторов, или повторно взяли данные, чтобы создать ROI одинакового размера.

Третий наиболее распространенный подход к парцелляции был основан на результатах предыдущих исследований активации фМРТ. В исследованиях, реализующих этот подход, использовались значительные кластеры, обнаруженные в картах групповой активации, которые ранее были опубликованы самими авторами или другими лицами, опубликовавшими результаты, относящиеся к теме статьи. В дополнение к этому, другие выполнили метаанализ нескольких различных карт активации фМРТ состояния покоя или на основе задач, чтобы определить парцелляцию. Во всех этих исследованиях для создания областей интереса использовалось ядро ​​Гаусса с максимальной полушириной 3–10 мм с центром в координатах пика, и во всех случаях этот подход исключал большую часть мозга, доступного для анализа.

Воксельный подход

Подход, который мы предпочитаем для определения узлов в функциональных сетях мозга, рассматривает каждый отдельный воксель как узел. Воксельные сети строятся путем присвоения узла каждой области мозга одинакового размера (воксела), а затем измерения взаимосвязи в активности, вычисляемой из пар одновременно записанных временных рядов. Воксели основаны на сетке, помещенной на мозг во время визуализации, а затем преобразованы в стандартное пространство MNI (Монреальский неврологический институт) во время предварительной обработки изображения.Размещение произвольное, но воксели примерно выровнены по объектам во время процедуры деформации. Признано, что идеального согласования не достичь, но интерпретация результатов никогда не должна сводиться к одному вокселю.

Среди тех, кто использует воксельный подход, количество узлов сильно варьируется. Воксельные подходы варьируются от включения примерно 3400 узлов (Liu et al., 2011) до 140 000 узлов (Eguíluz et al., 2005) в сети мозга. Эта изменчивость связана с различиями в разрешающей способности захвата и тем, что исследователи решили ограничить свой анализ вокселами в определенных регионах.Такие различия в размере сети приведут к различиям в метриках сети, как и в случае всех трех основных подходов к определению узлов. Это сделает сравнение количественных переменных из воксельных сетей разного размера трудным для интерпретации. Однако, если задействован весь мозг и контролируется плотность соединений, тогда возможны сравнения между исследованиями с сетями разного размера. Размер сети не должен существенно мешать сравнениям расположения ключевых узлов в мозгу.

Обсуждение

Общая критика подхода, основанного на вокселях, заключается в том, что связь между соседними узлами является ложной и избыточной. Это связано с тем, что локальные пространственные корреляции из-за многих ненейронных факторов могут проявляться как края, даже если может не быть прямой функциональной связи (Power et al., 2011). Одна из возможных причин увеличения локальных корреляций — результат повторного разделения и размытия при обработке данных (Wig et al., 2011). Поскольку изменение границ и размытие являются неизбежными этапами стандартной обработки данных, можно лишь частично ослабить эффекты вокселей, совместно использующих небиологический сигнал.Другая возможная причина заключается в том, что сигнал фМРТ на самом деле связан с изменениями кровотока, а локальные воксели разделяют местный кровоток. Таким образом, изменения в региональном кровотоке могут увеличивать локальные корреляции, даже если нет сильных ассоциаций в нервной активности. Однако важно отметить, что нейробиология такова, что нейроны, по сути, в основном связаны с соседними нейронами. Вероятность подключения и количество подключений падают либо по гауссовскому, либо по экспоненциальному закону.Таким образом, вероятность соединения и количество контактов резко падает за пределы 0,5 мм от тела клетки нейрона (Liley and Wright, 1994; Hellwig, 2000). Спорнс и Цви (2004) далее продемонстрировали, что модель, содержащая преимущественно локальные связи с редкими удаленными связями, лучше всего отражает топологию маленького мира в анатомической сети мозга. Итак, даже при том, что кровоток может быть локально связан, настоящие нейроны тоже. Следовательно, трудно узнать, сколько артефактов фМРТ, а сколько реально, из-за того, что большинство соединений являются локальными.

Чтобы изучить потенциальные эффекты локальных корреляций на метрики сети, Хаясака и Лауриенти (2010) удалили локальные границы, соединяющие пространственно соседние воксели в воксельной сети в субъектах, а затем пересчитали метрики сети. Они исследовали сетевые метрики в сетях, которые были получены путем применения различных пороговых значений к корреляционной матрице, что позволило создать сети с разной плотностью границ. Они обнаружили уменьшение кластеризации и увеличение длины пути из-за удаления локальных краев.Вкратце, кластеризация — это мера соединений, которые существуют между соседями данного узла, тогда как длина пути — это мера количества шагов, необходимых для перехода от одного узла к другому (для более подробной информации см. Watts and Strogatz , 1998). Эффект был минимальным, когда плотность краев в сети была установлена ​​так, что более 98% вокселей оставались подключенными к сети. Значительные изменения в кластеризации и длине пути действительно происходили, когда существенные части сети становились фрагментированными.Распределение степеней кардинально не изменилось, несмотря на удаление локальных краев. Чтобы избежать добавления в сеть ложных локальных корреляций, насколько это возможно, данные не должны сглаживаться пространственно. Сглаживание вводит ложно высокие корреляции между соседними вокселями. Даже если в протоколе предварительной обработки не выполняется пространственное сглаживание, данные фМРТ по своей сути содержат некоторую степень пространственного сглаживания из-за процесса сбора данных. Например, сам процесс пространственной нормализации может ввести локальные корреляции, которые могут изменить структуру сети.Это случайное пространственное сглаживание может создавать кажущиеся соединения на коротком расстоянии, которые, в свою очередь, увеличивают показатели кластеризации в воксельных сетях с высоким разрешением (van den Heuvel et al., 2008). Следует отметить, что это не так важно для сетей с более низким разрешением, поскольку размер каждого узла значительно превышает пространственную протяженность диапазона сглаживания (Zalesky et al., 2012). Другая критика воксельного подхода заключается в том, что отношения между узлами на коротком расстоянии особенно чувствительны к ложному увеличению движением объекта (Power et al., 2011). Однако движение объекта не ограничивается только локальными вокселями, поскольку голова движется как твердое тело. Таким образом, большинство артефактов движения связаны с интерфейсом различных типов тканей мозга (например, серым веществом / белым веществом) (Field et al., 2000), а области через полушария могут быть коррелированы из-за движения (Bright and Murphy, 2013), что делает это проблемой для любой схемы распределения.

Другая критика подхода, основанного на вокселях, заключается в том, что существуют серьезные проблемы отношения сигнал-шум (SNR) и паразитные соединения из-за низкого уровня сигнала в маленьких вокселях.В частности, было высказано предположение, что чрезмерно высокое пространственное разрешение может быть связано с непропорциональной потерей отношения сигнал / шум (Fornito et al., 2010). Это приведет к увеличению случайных подключений в сети. По сути, это будет похоже на добавление случайных ссылок в настоящую сеть. Это приведет к уменьшению общей длины сетевого пути, но, вероятно, не повлияет на локальную кластеризацию (Watts and Strogatz, 1998). Основные противники воксельного подхода утверждают, что проблема заключается в увеличении кластеризации, а не в уменьшении длины пути (Power et al., 2011). Если бы отношение сигнал / шум воксельных данных было недостаточного качества, все традиционные исследования функциональной связности (например, Biswal et al., 1995, 1997), которые служат основой для сетевого анализа в мозге, были бы поставлены под сомнение. Кроме того, все традиционные исследования активации фМРТ проводятся на основе вокселей, и поэтому эти работы могут быть поставлены под сомнение.

Нет сомнений в том, что усреднение сигнала по локальным вокселям, как это выполняется с невоксельным подходом, снизит уровни шума в каждом сетевом узле.Фактически, мы оценили величину значений корреляции в сети на основе вокселей и атласа, усредненной по 10 молодым здоровым субъектам в состоянии покоя, используя недавно опубликованные данные (Peiffer et al., 2009; Hayasaka and Laurienti, 2010). Положительные значения корреляции были значительно выше ( p = 0,001, парный тест t ), когда временные курсы были усреднены по анатомическим областям интереса (в среднем r = 0,221, SD = 0,017), чем при использовании отдельных вокселей. (в среднем r = 0.159, SD = 0,011). Хотя верно то, что усреднение вокселей снижает шум, также верно и то, что реальные сигналы теряются, если усредняются воксели с очень разными истинными сигналами. Фактически это то, что мы обнаружили, когда исследовали значения корреляции сильных ассоциаций, которые обычно сохраняются после пороговой обработки функциональных сетей. Пороговые значения были установлены таким образом, чтобы плотность подключений была сопоставимой для разных типов сетей. Для сети на основе атласа оставшиеся ребра имели среднее значение r , равное 0.421 ( SD = 0,047). Для воксельной сети оставшиеся края были значительно выше ( p <0,001, парный t -тест) со средним значением r 0,55 ( SD = 0,039). Таким образом, процедура усреднения, используемая при объединении многих вокселей в один узел, действительно уменьшила общий шум, но также уменьшила сигнал в самом сильном из сетевых соединений.

Несмотря на некоторые потенциальные ограничения, воксельные сети обладают сильными сторонами, которые делают их идеальным выбором для новых открытий о функциях человеческого мозга.Представление узлов как вокселей одинакового размера позволяет использовать воксельный подход, чтобы избежать трех серьезных проблем, с которыми сталкиваются другие методы. Во-первых, воксельные сети не ограничиваются предположением, что вокселы из одних и тех же анатомических областей или функциональных областей достаточно похожи, чтобы их можно было усреднить для формирования более крупного узла. Во-вторых, поскольку каждый узел в воксельной сети имеет одинаковый размер, дисперсия сигнала не будет масштабироваться с количеством вокселей, которые вносят вклад в ее оценку, а это означает, что количественная оценка парных отношений не будет непропорционально более надежной для больших областей мозга ( Хаясака и Лауриенти, 2010).В-третьих, те ROI, состоящие из большего количества вокселов, чем другие ROI в региональных сетях, могут демонстрировать дифференциальную связность просто из-за того, что в сам ROI включено большее количество сигналов (Hayasaka and Laurienti, 2010). Поскольку каждый узел имеет одинаковый размер в воксельных сетях, не требуется разрабатывать механизм коррекции для учета различий в пространственной протяженности ROI.

Воксельный подход генерирует мозговые сети с высоким разрешением (мезоскопические), позволяя исследователям признать и учесть (с учетом текущих технологических ограничений) неоднородность областей, присутствующих в более крупных ROI, определенных другими методами парцелляции.Например, в недавнем исследовании сильно взаимосвязанный концентратор в задней поясной коре головного мозга (PCC), наблюдаемый в воксельной сети с высоким разрешением, был сосредоточен в середине трех различных областей интереса (узлов) в сети с узлами, определенными с помощью AAL. атлас (Hayasaka, Laurienti, 2010). Независимо от того, сохранялись ли три смежных ROI в сети на основе атласа отдельно или усреднялись вместе, было бы невозможно осмысленно захватить область высокой степени в середине трех анатомических ROI.Кроме того, несмотря на то, что как анатомический атлас, так и воксельный сетевой анализ последовательно идентифицировал PCC и близлежащее предклинье как узлы или узлы с высокой степенью связи (Hagmann et al., 2008; van den Heuvel et al., 2008; Buckner et al. ., 2009), только воксельные сети позволяют точно локализовать узловые узлы в этих анатомических областях (Hayasaka and Laurienti, 2010). Следует отметить, что (Tohka et al., 2012) сравнивали сеть на основе вокселей (40 962 узла) и анатомическую сеть на основе атласа (54 узла) с результатами, подтверждающими результаты Hayasaka и Laurienti (2010).Эта способность более точно определять пространственное расположение концентраторов в функциональных сетях мозга позволяет исследователям более точно определять количественно ассортативность сети, эффективность потока информации в сети, устойчивость сети к целевым и случайным атакам, а также характер распределения степеней сети (является ли распределение степеней действительно безмасштабным или вместо этого экспоненциально усеченным степенным распределением степеней). Обзор этих показателей см. В Bullmore and Sporns (2009), Rubinov and Sporns (2010) и Kaiser (2011).Кроме того, значительный объем исследований показал, что хабы радикально реорганизуются при различных неврологических расстройствах, включая болезнь Альцгеймера (Supekar et al., 2008), инсульт (Desmurget et al., 2007), шизофрению (Lynall et al., 2010) и нарушениями сознания (Achard et al., 2012). Это говорит о том, что способность точно и эффективно определять местоположение концентраторов может служить важной цели в клинических условиях.

Несколько расширений воксельного подхода были разработаны с использованием корреляций rs-fcMRI путем попытки сгруппировать вместе воксели с похожими свойствами.Каждая группа вокселей или функциональная «единица» потенциально может представлять узел для дальнейшего анализа сети. Полный набор представляющих интерес фундаментальных единиц теоретически можно описать с помощью надежной мозговой карты, подобной карте стран мира, где каждая страна аналогична отдельной функциональной единице (Wig et al., 2011). Методы, используемые для идентификации функциональных единиц (узлов) с использованием данных rs-fcMRI, можно разделить на 3 категории: обнаружение резких переходов в паттернах rs-fcMRI (Cohen et al., 2008; Barnes et al., 2010, 2012; Nelson et al., 2010), идентифицируя функционально похожие кластеры (Thirion et al., 2006; Mumford et al., 2010; Vejmelka, Palus, 2010; Craddock et al., 2012), и методы выращивания регионов (Blumensath et al. , 2013).

Некоторые, кто выступал за эти подходы rs-fcMRI и против подхода, основанного на вокселях, утверждают, что, хотя опрос вокселей подходит для статистического анализа данных нейровизуализации, когда целью является идентификация групп вокселей со схожими свойствами, рассматривая воксель как узел в сети явно подразумевает, что он моделируется как отдельная единица обработки информации (Wig et al., 2011). Подразумевается, что, поскольку воксели не являются отдельными единицами обработки информации, воксели не должны представлять узлы для сетевого анализа. Мы утверждаем, что такой аргумент является циркулярным. Методы, разработанные с использованием данных rs-fcMRI, основаны на том, что по сути является воксельным сетевым анализом. Фактически, (Barnes et al., 2010), которые реализуют алгоритм для обнаружения переходов в шаблонах связности для формирования границ между узлами, признают, что каждый воксель рассматривается как узел, и мера сходства (т.е., η ² ) между узлами рассматривается как ребро, чтобы затем находить резкие переходы в связности. Точно так же методы кластеризации и наращивания области изначально требуют обнаружения корреляций между соседними вокселями, чтобы затем определить, должны ли эти воксели быть сгруппированы вместе. Группы вокселей, идентифицированные каждым соответствующим подходом, переопределяются как единый узел, так что исследователи могут вернуться к исходным данным и выполнить новый сетевой анализ, используя определения узлов, основанные на воксельном сетевом анализе.Если у кого-то есть проблемы с анализом по вокселям, то неразумно использовать анализ по вокселям для определения узлового набора в попытке избежать анализа по вокселям. Необходимо представить каждый воксел как единицу обработки информации при идентификации предполагаемых функциональных единиц, которые затем становятся новыми единицами обработки информации. Важно отметить, что поскольку каждый подход основан на воксельном сетевом анализе, проблемы, ранее представленные для воксельного подхода, связаны с методами, разработанными с использованием данных rs-fcMRI.

Оптимальный метод объединения вокселей в функциональные «блоки» остается загадкой. Это в значительной степени связано с неотъемлемой неспособностью получить доступ к любой форме базовой истины, указывающей на то, что данный метод успешно разделяет функциональные единицы в головном мозге (Craddock et al., 2012; Lohmann et al., 2013). Распространенной стратегией было выявление алгоритмов, дающих результаты, сопоставимые с прошлыми методологиями. Однако эта стратегия смещает результаты в сторону предшествующих традиционных исследований фМРТ и затрудняет возможность делать новые открытия.Другие проверяют воспроизводимость результатов, генерируемых каким-либо новым алгоритмом. Однако способность точно воспроизводить результаты не означает, что алгоритм успешно очертил «истинный» набор функциональных единиц в мозгу. Тот факт, что какой-то подход воспроизводится, не означает, что он точен; это просто означает, что это воспроизводимо. Лучшим подходом к проверке новых схем парцелляции было бы определение того, какие методы лучше всего предсказывают различное поведение или патологии с помощью обширных исследований.До тех пор, пока не появятся доказательства, которые недвусмысленно демонстрируют, что существует истинное функциональное разделение всего мозга, мы утверждаем, что чем меньше a priori информации будет включено, тем лучше.

Структурно-анатомические атласы

Наиболее широко используемая схема парцелляции определяет узлы как индивидуально отделенные анатомические области интереса (ROI) из одного из многих легко доступных структурно-анатомических атласов. Средний временной ряд оценивается для каждого субъекта путем усреднения сигнала фМРТ по всем вокселям в каждой анатомически определенной области интереса.Из многих легко доступных современных структурных атласов головного мозга количество ROI (узлов) обычно колеблется от 70 до 250. Наиболее широко используемый анатомический атлас в исследованиях функциональных сетей мозга — это стандартный шаблон AAL, который разделяет кору и подкорковые структуры путем идентификации извилистые и бороздчатые границы. Полный шаблон AAL включает 116 областей интереса (узлов) (Tzourio-Mazoyer et al., 2002), но мозжечок часто опускается в сетевых исследованиях (Zalesky et al., 2010b), оставляя полушария головного мозга разделенными на 45 анатомических областей каждая. .В ходе нашего поиска литературы атлас AAL использовался для определения узлов в 69 из 86 исследований, в которых использовались структурно-анатомические атласы. Однако следует отметить, что в некоторых исследованиях для сетевого анализа использовались как минимум два разных атласа, одним из которых является атлас AAL.

В дополнение к вариативности выбора либо полной сети из 116 узлов, либо частичного набора из 90 узлов, исследователи (1) нередко выбирают только определенные регионы из атласа AAL, который считается a priori представляющим особый интерес. на основе ранее существовавшей литературы (iftçi, 2011), (2), чтобы исключить области интереса с меньшим, чем заранее определенный процент охвата мозга (Fornito et al., 2011), или (3) разделить атлас AAL на большее количество узлов примерно однородного размера, ограниченных тем, чтобы лежать в объеме, заключенном в его родительский ROI AAL (Fornito et al., 2010; Zalesky et al., 2010a; Zhang et al., 2011; Achard et al., 2012). Среди тех, кто использует атлас AAL, вариабельность количества узлов варьируется от частичной сети мозга из 32 узлов (iftçi, 2011) до сети с пониженной дискретизацией всего мозга из 4320 узлов (Fornito et al., 2010).

Подобные закономерности изменчивости парцелляции возникают, когда разные исследователи используют другие структурно-анатомические атласы.Например, среди тех, кто использует вероятностный атлас Гарвард-Оксфорд, нередко (1) использовать полный набор областей интереса, охватывающих 48 корковых и 21 подкорковую структурную область, соответствующую частям корковых извилин и подкорковых ядер серого вещества (2). ), чтобы выбрать только определенные области интереса из атласа, которые априори считаются представляющими особый интерес на основе ранее существовавшей литературы (Lord et al., 2011), (3), чтобы полностью исключить данные из определенных областей интереса из-за неоптимальной регистрации (Davis et al., 2013) или (4), чтобы разделить атлас на большее количество областей примерно одинакового размера, полностью содержащихся в единственной родительской области интереса из исходного атласа (Alexander-Bloch et al., 2012, 2013). Среди тех, кто использует вероятностный атлас Гарварда-Оксфорда, вариативность количества узлов колеблется от частичной сети из 19 узлов (Lord et al., 2011) до сети с субдискретизацией всего мозга примерно из 300 узлов до установления порога (Alexander-Bloch и др., 2012). Наш поиск литературы показал, что в 10 исследованиях для определения сетевых узлов использовался Гарвард-Оксфордский вероятностный атлас.

Обсуждение

Сторонники использования анатомических атласов для определения узлов для сетевых исследований фМРТ часто утверждают, что области интереса должны представлять области с четкими анатомическими границами, чтобы сохранить интерпретируемость результатов исследований функциональной связности. Другие утверждают, что установить отношения между структурами мозга и их функциями можно только путем определения узлов на основе анатомических особенностей (Tzourio-Mazoyer et al., 2002). Несмотря на вариативность количества узлов и процента пространства мозга, используемых в литературе, тот факт, что размер и протяженность каждого узла остается фиксированным в одном атласе по предметам и исследованиям, является преимуществом для этого подхода.Отсутствие вариабельности в этом отношении может аккуратно стандартизировать исследования, позволяя проводить значимое сравнение результатов по всем исследованиям.

Тем не менее, различные доступные в настоящее время анатомические атласы головного мозга демонстрируют заметные различия в количестве, форме и расположении областей интереса. Поскольку свойства ROI очень нелинейны, небольшое изменение количества, формы или расположения ROI может резко изменить профили подключения (Li et al., 2010), оказывая сильное влияние на показатели сети.Анатомические шаблоны с низким пространственным разрешением с большей вероятностью объединяют области, которые имеют различные временные сигналы (Fornito et al., 2010; Craddock et al., 2012). Усреднение разнородных временных сигналов снизит отношение сигнал-шум, поскольку представляющие интерес сигналы фактически усредняются, тем самым добавляя шум к анализу сети. Фактически, значительные различия в сетевых показателях наблюдались в разных анатомических шаблонах. Например, Wang et al. (2009) исследовали статистические различия в топологических свойствах функциональных сетей мозга между сетью AAL (90 узлов) и сетью автоматического нелинейного сопоставления изображений и анатомической маркировки (ANIMAL) (70 узлов).В то время как обе сети демонстрируют устойчивые атрибуты малого мира и экспоненциально усеченное степенное распределение, большинство других локальных и глобальных топологических параметров значительно различаются в двух сетях. Кроме того, из-за значительных различий как в количестве узлов, так и в процентном соотношении пространства мозга, включенного в сетевой анализ, среди исследователей, использующих варианты одного и того же анатомического атласа, осмысленное сравнение результатов любых двух исследований потенциально сложно, непрактично и вводит в заблуждение (Мед и другие., 2009; Кайзер, 2011).

Из-за грубого разрешения подходов к определению узлов, основанных на анатомических атласах, эти атласы, скорее всего, сведут множество различных, взаимодействующих областей мозга с разными функциями в один узел. Следовательно, представление множества различных взаимодействующих групп нейронов (и синапсов) с разными свойствами в виде отдельных узлов может плохо отражать реальность, скрывая различия между меньшими единицами внутри свернувшегося узла. Не следует ожидать, что области, определяемые анатомическими атласами, будут содержать однородную функциональную связь по двум различным причинам.Во-первых, поскольку области интереса, полученные из большинства атласов, настолько велики, более вероятно, что они включают сигналы из нескольких различных функциональных субрегионов (Hayasaka and Laurienti, 2010). Чтобы преодолеть эту проблему, некоторые исследователи (например, Hagmann et al., 2008; Achard et al., 2012) произвольно разделили ROI, уменьшив возможность смешивания BOLD временных рядов. Хотя было показано, что случайное подразделение анатомических областей интереса увеличивает региональную однородность (Craddock et al., 2012), нет оснований предполагать, что эти случайно разделенные участки точно представляют структурные паттерны в основной нейроанатомии.Во-вторых, что более важно, предполагаемые функциональные области просто не должны подчиняться разделениям, созданным любой схемой парцелляции, основанной на анатомических ориентирах. Предполагаемые функциональные области могут выходить за морфологические границы, или несколько предполагаемых функциональных областей могут присутствовать в пределах одного морфологически определенного участка. Изменения состояния или состояния также могут привести к изменениям в организации предполагаемых функциональных областей, которые не нужно отображать на подразделения, основанные на анатомических особенностях.

Фактически, анатомические атласы показали плохую однородность ROI, неспособность точно воспроизвести функциональные паттерны связности, присутствующие на шкале вокселей (Craddock et al., 2012). Чтобы дополнительно продемонстрировать этот момент, мы случайным образом выбрали одну анатомическую область интереса (узел) из атласа AAL (левое предклинье) и другое из вероятностного атласа Гарвард-Оксфорд (предклинье, поскольку в атласе предклинье не разделяется на две отдельные области интереса). Используя недавно опубликованные данные (Rzucidlo et al., 2013) случайным образом выбрали испытуемого (здоровая женщина 25 лет). Данные были получены при размере вокселя 4 мм × 4 мм × 5 мм, и каждый воксель был представлен как узел для сетевого анализа. Мы использовали коэффициент корреляции Пирсона (обычно используемый в литературе показатель корреляции) для сравнения временных рядов каждого вокселя с каждым другим вокселем в пределах идентифицированной анатомической области интереса у одного репрезентативного субъекта в состоянии покоя и во время выполнения стандартной задачи с двумя заданиями. Чтобы сгенерировать сети с сопоставимой плотностью границ, для данных состояния покоя был установлен порог 0.6996 и данные 2-back на уровне 0,6520, в соответствии с пороговой стратегией, изложенной в Hayasaka and Laurienti (2010). Рисунок 1 демонстрирует, что вокселы в пределах идентифицированной области интереса плохо коррелируют (среднее значение r близко к 0) друг с другом как в пределах ROI атласа AAL, так и в пределах ROI вероятностного атласа Гарварда-Оксфорда. Если бы это были однородные области (т.е. вокселы / области мозга «ведут себя одинаково»), то временные ряды вокселей в пределах ROI были бы очень похожими, давая высокие значения r .

Рис. 1. На этом рисунке показана одна анатомическая область интереса (узел) из атласа AAL (левое предклинье) и другая из вероятностного атласа Гарвард-Оксфорд (предклинье, поскольку в атласе предклинье не разделяется на две отдельные области интереса). В столбце 1 показаны четыре гистограммы, каждая из которых отображает корреляцию временного ряда каждого вокселя с каждым другим вокселем в пределах идентифицированной анатомической области интереса у одного репрезентативного субъекта в состоянии покоя и при выполнении стандартной задачи с двумя заданиями.Для каждой гистограммы, изображающей каждую ROI, идентифицированную из каждого атласа и каждого условия, вокселы в идентифицированной ROI (узле) в целом плохо коррелируют друг с другом. Это говорит о низком отношении SNR . Во втором и третьем столбцах для этих вокселей в пределах каждой анатомической области интереса нанесены распределение степеней и средняя длина пути исключительно по отношению ко всем другим вокселям в пределах области интереса. Мы исключили соединения с другими вокселями за пределами области интереса.Предположительно, если бы идентифицированная функциональная область была функционально однородной, то в лучшем случае мы бы увидели, что каждый отдельный воксель в пределах области связан (сильно положительно коррелирован) с каждым другим вокселем в пределах области, или, в худшем случае, мы увидим распределение степеней в соответствии с нормальным изгиб. Однако столбец 2 показывает, что (1) не каждый воксел связан с каждым другим вокселем в предполагаемой области интереса и что (2) распределение степеней в самой области интереса следует степенному закону вместо равномерного распределения.Значительная сумма вокселей в каждой области интереса имеет относительно мало связей (сильные положительные корреляции) с другими вокселями в пределах области интереса, а некоторые не имеют связей с другими вокселями в самой области интереса. Ни один воксель в любой анатомической области интереса не имеет средней длины пути, равной единице, в самой области интереса ((Wig et al., 2011) утверждают, что каждый воксель должен быть подключен к каждому другому вокселю в пределах области интереса, чтобы область интереса была функциональной единицей. ). Следовательно, разные подобласти в пределах ROI, вероятно, имеют разные топологические особенности и, следовательно, по-разному влияют на структуру и функции сети в целом.

Мы также построили график распределения степеней и средней длины пути для этих вокселей в пределах каждой анатомической области интереса исключительно по отношению ко всем другим вокселям в пределах области интереса. Рисунок 1 демонстрирует, что вокселы в каждой анатомической области интереса не имеют нормального распределения степеней, как можно было бы ожидать, если каждая область интереса будет функционально однородной. Вместо этого значительное количество вокселей в каждой области интереса имеет очень небольшое количество соединений с другими вокселями в пределах области интереса. Кроме того, поскольку ни один воксель в любой анатомической области интереса не имеет средней длины пути, равной единице в самой области интереса, разные подобласти в пределах области интереса имеют разные сетевые свойства.

Метааналитические подходы к функциональной активации

Другой подход к определению узлов в функциональных сетях мозга использует результаты ранее существовавших традиционных исследований фМРТ, вызванных задачами, для определения набора фиксированных ROI для всех последующих исследований. Некоторые области интереса были выбраны из предыдущих исследований фМРТ, вызванных заданием, изучающих либо индивидуальную когнитивную функцию, либо ограниченный набор когнитивных функций, которые затем реализуются в последующих сетевых анализах (например, Fair et al., 2007; Номура и др., 2010; Rish et al., 2013), в то время как другие использовали данные, полученные из разнообразных исследований, и выполнили метаанализ для определения набора узлов, которые будут использоваться для любого будущего сетевого анализа (Power et al., 2011; Wang et al. др., 2011). Среди тех, кто использует ранее существовавшие данные из разнообразного набора вызванных заданием исследований фМРТ, некоторые дополнительно включают данные МРТ функциональной связности в состоянии покоя (rs-fcMRI) для определения дополнительных областей интереса для включения в набор узлов (Power et al., 2011 ).

Узлы, определенные с использованием данных активации фМРТ, неизменно, хотя и не обязательно, моделируются сферами, как правило, радиусом 3–6 мм, закрепленными в любой из точек пиковой активности в предполагаемой функциональной области (Power et al., 2011; Stevens et al., 2012) или координаты центра масс предполагаемой функциональной области (Dosenbach et al., 2007). Эти различия в радиусах сфер в разных исследованиях приводят к резким различиям в объемах в диапазоне примерно 113–905 мм ³ . Включение сфер для определения функциональных областей исключает все вокселы, кроме тех, которые находятся в сферах. Сферы предназначены для представления всей деятельности в рамках предполагаемых функциональных областей. Считается, что это сводит к минимуму вероятность пересечения границ функциональной зоны.Использование сфер действительно сводит на нет опасения, связанные с проблемами масштабирования дисперсии сигнала и различиями в количестве соединений ROI из-за различий в размерах ROI, которые влияют на сети на основе анатомических атласов (Wig et al., 2011). В доступной литературе ни одно исследование не использовало набор сферических областей интереса, охватывающих более 25% коры головного мозга и подкорковых ядер; многие покрывают лишь часть коры головного мозга и подкорковых ядер (например, Nomura et al., 2010; Rish et al., 2013).Количество узлов в исследованиях, использующих эту стратегию разделения, варьируется примерно от 10 до 264 узлов.

Обсуждение

Одна из основных причин ограничения функционального метода активации сферами основана на идее о том, что воксельный подход затруднен из-за тенденции соседних вокселей делиться небиологическим сигналом (вызывая повышенную корреляцию функциональной связности) и что Отношения на коротком расстоянии особенно подвержены ложному усилению движением объекта (Power et al., 2011; Wig et al., 2011). Однако эти же проблемы могут быть проблематичными и для подходов к функциональной активации, потому что каждая сфера состоит из набора соседних вокселей. Если такие артефакты действительно являются преимущественно локальными, усредняющий сигнал от соседних вокселей не будет усреднять эти сигналы, потому что паразитные сигналы расположены в соседних вокселях, которые усредняются.

Сторонники этого подхода часто утверждают, что с помощью обширной метааналитической процедуры можно точно идентифицировать дискретные функциональные макроскопические «единицы» организации мозга, каждая из которых представляет собой отдельную единицу обработки информации.Предполагается, что эти макроскопические «единицы» лучше всего представляют правильно сформированные узлы в сетевом анализе. Это контрастирует с воксельным подходом, в котором вокселы не предназначены для соответствия макроскопическим единицам организации мозга. Следовательно, сторонники метааналитического подхода утверждают, что нет оснований полагать, что воксельный подход включает хорошо сформированные узлы (Power et al., 2011;?). Действуя в рамках этого предположения, сторонники метааналитического подхода утверждают, что неспособность воксельного подхода правильно моделировать макроскопические функциональные «единицы» имеет практические последствия, которые искажают сетевые измерения.Аргумент выглядит следующим образом:

«Поскольку все воксели, существующие в функциональной области, несомненно, имеют одно ребро друг с другом, измерения графа, которые сосредоточены на определенных свойствах узлов, будут смещены в сторону узлов (вокселей), существующих в областях (и, возможно, сообществах), которые больше, чем другие, и меры, описывающие глобальные свойства графа, будут искажены из-за неправильного представления областей в зависимости от количества содержащихся в них вокселей »(Wig et al., 2011).

Мы утверждаем, что эта критика безосновательна, и легко продемонстрировать, что все воксели, существующие в функциональных областях, не имеют общих границ друг с другом, предполагая, что используется разумная плотность сети (очевидно, если не применяется порог и все узлы подключены ко всем узлам, тогда утверждение выше будет верным).

Чтобы проиллюстрировать эту точку зрения, мы попытались воспроизвести часть этого метода, исследуя пространственно смежную слуховую ROI в правом полушарии головного мозга, идентифицированную в предыдущем анализе фМРТ, вызванном заданием (Peiffer et al., 2009), как показано на рисунке 2. Всего в исследование был включен 61 нормальный здоровый взрослый человек в возрасте от 18 до 80 лет. В целевой части слуховой парадигмы всплески белого шума с частотой 2 Гц чередовались с тишиной. Испытуемые должны были идентифицировать тон с частотой 500 Гц, случайно включенный в белый шум.Все участники были включены в групповой анализ со случайными эффектами, и для карты активации был установлен порог t-балла, превышающий 10 (один образец, один хвост, t -тест с 60 df ). Область активации в правой слуховой коре затем использовалась в качестве области исследования. Затем была создана сеть мозга в состоянии покоя на уровне вокселей с использованием случайного индивидуального участника исследования (здоровая 25-летняя женщина) из другого исследования (Rzucidlo et al., 2013). Затем исследовали профиль связности слуховой области.Распределение степеней, длина пути и кластеризация для всех вокселей, исключительно в пределах идентифицированной области интереса без учета всех других вокселей за пределами предполагаемой функциональной области, показаны на рисунке 2. Предположительно, если идентифицированная функциональная область была функционально однородной, то в лучшем случае мы бы увидели каждый воксель в пределах области, связанный с каждым другим вокселем в пределах области, или, в худшем случае, мы увидели бы распределение степеней, соответствующее кривой нормального распределения. Однако на рисунке 2 показано, что не каждый воксел связан с каждым другим вокселем в предполагаемой области интереса, и распределение степеней внутри самой области интереса не является равномерным распределением.Вместо этого он следует усеченному степенному закону. Кроме того, если ROI был функционально однородным, то кластеризация должна быть близка к значению, равному единице для каждого узла в регионе. Однако рисунок 2 показывает, что это не так. Вместо этого существует широкое распределение значений кластеризации для тех вокселей, которые содержатся в ROI. Наконец, если ROI была функционально однородной, то средняя длина пути должна быть близка к единице (или точно единице) для всех вокселей в ROI, как Wig et al.(2011) предложили. Однако данные показывают, что для перехода от одного вокселя к другому в пределах области интереса часто требуется много шагов.

Рис. 2. На этом рисунке показана слуховая ROI ( T > 10), определенная в предыдущем исследовании активации, во время которого испытуемые подвергались воздействию вспышек белого шума с частотой 2 Гц, чередовавшихся с тишиной. Испытуемые должны были идентифицировать тон с частотой 500 Гц, случайно включенный в белый шум. Предположительно, если бы идентифицированная функциональная область была функционально однородной, то в лучшем случае мы бы увидели бы каждый отдельный воксель в пределах области, связанный с каждым другим вокселем в пределах области, или в худшем случае мы бы увидели бы распределение степеней по нормальной кривой.Однако этот рисунок показывает, что не каждый воксел связан со всеми другими вокселями в предполагаемой области интереса, и распределение степеней внутри самой области интереса не является равномерным распределением. Вместо этого значительное количество вокселей в каждой области интереса имеет относительно мало соединений с другими вокселями в пределах области интереса, а распределение степеней следует степенному закону распределения вместо нормального распределения. Кроме того, если ROI был функционально однородным, то кластеризация должна быть близка к значению, равному единице для каждого узла в регионе.Однако этот рисунок показывает, что это не так. Вместо этого существует широкое распределение значений кластеризации для тех вокселей, которые содержатся в ROI. Наконец, если ROI был функционально однородным, то средняя длина пути должна быть близка к единице (или точно единице) для всех вокселей в ROI. Однако этот рисунок показывает, что для перехода от одного воксела к другому в пределах области интереса часто требуется много шагов. На этом рисунке также показано распределение степеней, длина пути и кластеризация для всех вокселей в пределах идентифицированной области интереса, но без отбрасывания всех других вокселей за пределами предполагаемой функциональной области.Понятно, что разные субъединицы (воксели) в предполагаемой слуховой ROI могут выполнять очень разные функции в отношении глобальной топологии сети.

Чтобы дополнительно продемонстрировать неоднородность вокселей в этой области, мы рассчитали распределение степеней, длину пути и кластеризацию для всех вокселей со всей воксельной сетью мозга (рис. 2). Результаты показывают огромное разнообразие возможностей соединения между вокселями в пределах этой предполагаемой функциональной области. Такое разнообразие может быть критичным для самых разных функций в отношении глобальной топологии сети.Фактически, многие вокселы в пределах идентифицированных областей интереса имеют более короткие пути к вокселям вне области интереса, чем к вокселям внутри области интереса.

Те, кто использует метааналитический подход, могут ответить, что координаты пиковой активности, представленные самой сферой, адекватно отражают свойства предполагаемой функциональной области. Таким образом, было бы важно только, чтобы сферы были функционально однородными. Хотя очевидно, что слуховой ROI не является функционально однородным, и, таким образом, метааналитический метод в этом отношении не работает, также можно показать, что даже сами сферы не являются функционально однородными.Используя те же данные, мы случайным образом выбрали шесть разных координат, определенных Power et al. (2011) как места пиковой активности предполагаемых функциональных областей, расположенных в пределах слуховой ROI. Узлы были представлены в виде кубов длиной 9 мм (относительно небольшой размер среди исследований, в которых использовались кубы или сферы), и в каждом узле содержалось в общей сложности 27 вокселей. На рис. 3 показано распределение всех вокселей внутри каждого куба. Ни один из вокселей ни в одном из шести кубов не имеет общего ребра со всеми другими вокселями внутри куба.Фактически, во всех кубах есть только 2 вокселя, которые связаны с 20 из 26 возможных других вокселей. Большинство вокселей имеют 10 или меньше соединений с потенциально 26 другими вокселями. Следовательно, неверно, что «все вокселы в функциональной области, несомненно, разделяют друг друга».

Рис. 3. На этом рисунке показаны соответствующие распределения степеней 6 различных кубов, состоящих из 27 вокселей каждый, в координатах, предоставленных (Power et al., 2011). Размер каждого куба меньше, чем типичная сфера в литературе, поэтому, если все воксели в каждой сфере не имеют очень одинаковых высоких степеней внутри сферы, тогда неразумно использовать какие-либо сферы для представления функциональных областей. Несмотря на то, что в каждой сфере содержится 27 вокселей, максимальная степень 5 из 6 сфер не превышает 10. Кроме того, в 5 из 6 сфер есть по крайней мере один воксель, который не связан (сильно коррелированный ) с любыми другими вокселями в сфере.

Кроме того, нет убедительных доказательств того, что графические измерения, сфокусированные на связности отдельных вокселей в более крупных областях, будут искажены из-за неправильного представления областей как функции содержащихся в них вокселей. Также нет никаких оснований полагать, что меры, описывающие глобальные свойства графа, будут искажены из-за неправильного представления областей как функции содержащихся в них вокселей. Независимо от того, как представлена ​​предполагаемая функциональная область, части ткани мозга в функциональной области обладают очень разными свойствами.Рассматривая эти предполагаемые функционально однородные «единицы» как единый узел в функциональной сети мозга, исследователи не смогут увидеть разные свойства в разных субрегионах самой функциональной области. Таким образом, изменение свойств вокселей в функциональных областях все еще заслуживает исследования. Фактически, используя воксельный подход, можно объективно обнаружить функциональные пространственные различия различных размеров у отдельных субъектов, без необходимости прибегать к накоплению произвольного набора ранее существовавших традиционных исследований фМРТ — процесс, по сути своей склонный к экспериментатору. предвзятость и ошибка — чтобы определить предполагаемые функциональные области.Кроме того, воксельный подход позволяет предполагаемым функциональным областям изменяться в зависимости от людей, условий, состояний и времени. Метааналитический подход предполагает, что функциональные области уже существуют и не меняются.

Использование меньших сфер или кубов для представления более крупных функциональных областей или простой выбор частичного набора областей мозга для сетевого анализа не позволит включить все пространство мозга с обнаруживаемым сигналом в сетевой анализ. Следовательно, такие подходы, вероятно, искажают локальные и глобальные сетевые меры и не могут воспользоваться отличительными преимуществами сетевого подхода.Связь между всеми областями мозга можно оценить одновременно с помощью сетевой науки. Это невероятный шаг вперед в нейробиологических исследованиях. До 2005 года исследователи ограничивались оценкой связи между несколькими выбранными областями одновременно. Несмотря на свою ценность, такие анализы не позволяют исследователям исследовать, как та или иная область вписывается в общую сетевую организацию. Очевидные преимущества изучения того, как конкретная область вписывается в общую организацию сети, можно проиллюстрировать, исследуя эффективность информационного потока в сети (см. Рисунок 4).Изучая связь исключительно между 4 различными областями мозга в более крупной сети, можно было бы иметь представление о том, как эти четыре области взаимодействуют друг с другом, но было бы невозможно узнать, как эффективность других областей мозга обеспечивает альтернативные пути передачи информации. На рисунке 4 показано, как выводы анализа связности для выбранной группы регионов могут кардинально отличаться от анализа всего мозга. Каждая часть забытого пространства мозга потенциально может способствовать нескольким функциям сети в целом.Тот факт, что все возможные связи включены в сетевой анализ, гарантирует, что возможность подключения как в целом мозга, так и между регионами может быть точно оценена. Ведь все схемы узлового определения должны допускать значимую интерпретацию как локальных, так и глобальных показателей.

Рис. 4. Сетевой анализ отдельного пациента в состоянии покоя на основе 90-узлового анализа AAL. Сеть из 90 узлов была выбрана потому, что ее легко визуально представить как единое целое.На рисунке показано, как выводы сетевого анализа, в котором не используются все узлы мозга, могут резко отличаться от анализа всего мозга. (A) Если рассматривать только синие узлы (без учета остальной части сети), существует ограниченное соединение между четырьмя узлами (черные линии). Чтобы перейти от узла 1 к узлу 4, требуется три шага. (B) Однако, когда включена вся сеть, можно увидеть другие узлы (зеленые узлы), которые подключаются к двум или более синим узлам. Через зеленые узлы видны новые пути между синими узлами.Теперь есть три разных пути через зеленый узел (каждый обведен голубым кружком), так что узел 1 может достичь узла 4 за два шага.

Все подходы, которые определяют предполагаемую рентабельность инвестиций в исследованиях функциональной активации, фундаментально ограничены текущей доступностью и широтой исследований изображений (Wig et al., 2011, 2013). Набор задач, используемых для определения предполагаемых функциональных областей, значительно варьируется от исследователя к исследователю. Например, Wang et al. (2011) использовали 5 различных задач, в том числе: обработку ошибок, режим по умолчанию, память, язык и сенсомотор.Напротив, Power et al. (2011) использовали 9 различных задач, в том числе: нажатие кнопки, генерация глагола, чтение, длительная деактивация, вызванная задачей, временная деактивация, вызванная задачей, длительная активация блока задачи, активация блока задачи по сигналу, комиссия при ошибке и извлечение памяти. Мало того, что трудно или, возможно, невозможно сравнивать такие разные сети мозга (Honey et al., 2009; Kaiser, 2011), но также нет оснований предполагать, что какой-то конкретный набор задач лучше, чем другой.Набор задач, использованный Wang et al. (2011) не включают в себя какие-либо пространственно перекрывающиеся ROI, что сводит на нет проблему случайного (и, следовательно, произвольного) удаления вторгающихся ROI или пространственного усреднения определенных ROI из-за вторжения. Однако набор задач, использованный Power et al. (2011) является более всеобъемлющим и, вероятно, дает более полное описание фокусов активации мозга. Тем не менее, включение только 9 различных задач для определения всех функциональных областей в мозге может дать только неполное описание местоположения и степени всех предполагаемых функциональных областей, тем более что так много идентифицированных областей интереса были либо случайно удалены, либо пространственно усреднены вместе.Нет никаких нейробиологических причин предполагать, что пики активации, установленные путем анализа данных из 9 видов задач, будут применимы ко всем типам задач. Ни один набор задач не следует считать законченным или исчерпывающим.

Важно отметить, что по мере того, как в метаанализ включается все больше задач, становится все более и более вероятным совпадение предполагаемых функциональных областей. Например, включив в метаанализ всего 9 различных задач для определения узлов, Power et al. (2011) пришлось усреднить 171 предполагаемую рентабельность инвестиций (представленных сферами в координатах пиковой активности), потому что они вторгаются друг в друга.Предположительно, более крупный и полный корпус вызванных задачей данных фМРТ будет содержать гораздо больше перекрывающихся узлов. И по мере того, как кто-то продвигается к включению более «полного» набора данных фМРТ, вызванных заданием, для определения предполагаемых функциональных областей, тогда все области мозга коллективно станут фокусами активации. По мере того, как собирается больше данных, связанных с задачами, все больше и больше сфер будут пространственно вторгаться друг в друга, что потребует от исследователей случайного удаления вторгающихся ROI или пространственно усредненных вторгающихся ROI.Оба варианта не могут точно представить сеть.

Помимо вопросов индивидуальной изменчивости, мы утверждаем, что подход функциональной активации не может быть применен к интервенционным исследованиям, продольным наблюдательным исследованиям или исследованиям, которые исследуют сети мозга популяций с особой физиологией мозга. Паттерны нейронной активности в ответ на различные требования задачи значительно меняются на протяжении жизни (Stiles, 2008; Power et al., 2010; Vogel et al., 2010), и в литературе полно исследований, показывающих различные паттерны активации мозга в разных популяциях пациентов. Координаты пиковой активности предполагаемых функциональных областей, идентифицированных с помощью этого подхода у субъектов в пределах определенной возрастной группы или диагностической категории, могут не передаваться субъектам в другой возрастной группе или диагностической категории.

В отличие от подходов функциональной активации, использование воксельного подхода позволяет проводить беспристрастное и беспристрастное исследование как межрегиональной, так и внутрирегиональной связи.Следовательно, воксельный метод может раскрыть новую информацию об организации сети, не полагаясь на произвольный набор ранее существовавших традиционных исследований фМРТ, связанных с задачами. Сетевая наука имеет огромное обещание рассказать нам что-то новое о функциональной природе мозга. Однако традиционные исследования фМРТ выявляют линейную связь между задачей и активностью мозга. Если сетевые научные исследования мозга ограничиваются результатами традиционной фМРТ, то они не смогут дать мало информации, кроме того, что уже было обнаружено.Подход сетевой науки открывает огромные перспективы для выявления новых взаимосвязей в мозге, но это невозможно, если мы ограничимся тем, что уже продемонстрировали предыдущие несетевые анализы фМРТ (Telesford et al., 2011).

Заключение

В этой рукописи были рассмотрены основные схемы, которые в настоящее время используются для определения узлов в функциональных сетях мозга: воксельный, анатомический атлас и метааналитический метод функциональной активации. Мы утверждаем, что воксельные сети с наибольшей вероятностью приведут к новым открытиям неизвестных свойств мозга.Другие методы ограничены априорными знаниями и, следовательно, ограничивают нашу способность делать новые открытия. Воксельные сети имеют разрешение, позволяющее идентифицировать ключевые сетевые узлы, которые заключены в более крупные анатомические области. Воксельные сети также позволяют обнаруживать ключевые узлы, которые не расположены в предполагаемой функциональной единице. В целом, воксельный метод основан на данных и позволяет делать открытия, которые не могут быть достигнуты другими методами.Несомненно, существуют ограничения для воксельного подхода, но мы считаем, что доказательства этих потенциальных ограничений в настоящее время скудны и что сильные стороны воксельного подхода перевешивают потенциальные недостатки.

Существует фундаментальная разница в лежащих в основе принятых предпосылках между теми, кто занимается анализом сетей мозга (теория сложности), и теми, кто выполняет функциональное картирование мозга (редукционизм). Применение априорной информации из предыдущих исследований, основанных на исследованиях анатомии или активации мозга, ограничивает анализ сетей мозга открытиями, сделанными в этих областях.Такие методы, несомненно, поддержат прошлые исследования локализации функции, поскольку узлы основаны на таких исследованиях. Если цель состоит в том, чтобы просто воспроизвести предыдущие результаты с помощью нового метода, то на достижение этой цели следует направлять гораздо меньше усилий. Если целью является открытие новых принципов и организации человеческого мозга, исследователи не должны быть привязаны к результатам прошлой работы. Если сетевые исследования не воспроизводят прошлые открытия фМРТ или не подтверждают взаимосвязи структура-функция, которые были связаны с анатомией мозга, то либо мы открываем новые вещи о том, как работает мозг, либо мы ошибаемся.Мы должны изучить эти две возможности и признать, что все наши модели ошибочны и что новые идеи, исходящие из сетевой науки, приближают нас к истине о мозге. Лакмусовой бумажкой станет то, позволяет ли исследование мозговой сети лучше понять поведение человека, болезни мозга, клинические методы лечения и психику. Тест не должен заключаться в том, подтверждают ли мозговые сети то, что мы уже думаем о мозге, потому что на этом этапе наше понимание человеческого мозга довольно тривиально.

Почему бы не использовать подход, который не включает априорных предположений о функциональных субъединицах мозга? Мы слышали аргумент, что без априорных предположений мы не можем понять и интерпретировать результаты. Многие спрашивают, что означают полученные данные по отношению ко всем предыдущим исследованиям нейробиологии. Мы бы предложили ответить, что не следует искажать свои результаты концепциями, которые могут сдерживать поле. Почему бы не посмотреть, может ли сетевая наука коренным образом изменить наше представление о мозге и его функциях, потому что это принципиально новый способ мышления.Он не предполагает, что определенные ткани мозга являются статическими функциональными единицами. Скорее, это позволяет динамическому мозгу, способному выполнять сложные функции, которые являются новыми сетевыми особенностями системы. Мы считаем, что взгляд на «статическую функциональную единицу» более ошибочен, чем непредвзятый динамический взгляд. Мы признаем, что последняя точка зрения (то есть подход, основанный на вокселях) также ошибочна, но давайте не будем сковывать эти новые методы с помощью прошлых методологий.

Мы утверждаем, что не было разработано никакой схемы узловой разбивки, которая способна предоставить ценную информацию помимо того, что уже продемонстрировал воксельный подход.Кроме того, поскольку воксельный подход не требует реализации каких-либо априорных предположений относительно того, что составляет «правильный» узел, подход принципиально беспристрастен. Таким образом, такой подход позволяет данным говорить сами за себя. Хотя мы утверждали, что воксельный метод определения узлов в функциональных сетях мозга является лучшим методом, чем другие доступные варианты, «лучший» метод, который следует использовать, остается открытым вопросом, заслуживающим обсуждения и дополнительных исследований.Однако рецензенты чаще отклоняют рукописи, которые не используют метод, который они считают подходящим, вместо того, чтобы обсуждать их. Этот обзор должен был стать шагом вперед в стимулировании обсуждения. Очень важно признать тот факт, что абсолютно правильная схема разделения остается загадкой, и возможно, что несколько различных схем разделения, разработанных в будущем, будут ценными и значимыми для выяснения различных свойств сети.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Работа частично поддержана Национальным институтом злоупотребления алкоголем и алкоголизмом (AA021639), Центром трансляционных наук Университета Уэйк-Форест, Центром независимости пожилых американцев Уэйк-Форест (P30 21332), Национальным институтом злоупотребления алкоголем и алкоголизмом (T32-AA007565) ) и Sticht Center on Aging.

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: http: //www.frontiersin.org / journal / 10.3389 / fncom.2013.00169 / abstract

Список литературы

Achard, S., Delon-Martin, C., Vértes, P.E., Renard, F., Schenck, M., Schneider, F., et al. (2012). Хабы функциональных сетей мозга у пациентов в коматозном состоянии радикально реорганизованы. Proc. Natl. Акад. Sci. США . 109, 20608–20613. DOI: 10.1073 / pnas.1208933109

Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

Александр-Блох, А. Ф., Вертес, П. Э., Стид, Р., Лалонд, Ф., Clasen, L., Rapoport, J., et al. (2013). Анатомическое расстояние функциональных связей позволяет прогнозировать топологию сети мозга при здоровье и шизофрении. Cereb. Cortex 23, 127–138. DOI: 10.1093 / cercor / bhr388

Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

Александр-Блох, А., Ламбиотт, Р., Робертс, Б., Гедд, Дж., Гогтей, Н., и Буллмор, Э. (2012). Открытие популяционных различий в структуре сетевого сообщества: новые методы и приложения к функциональным сетям мозга при шизофрении. Neuroimage 59, 3889–3900. DOI: 10.1016 / j.neuroimage.2011.11.035

Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

Барнс, К. А., Коэн, А. Л., Пауэр, Дж. Д., Нельсон, С. М., Дозенбах, Ю. Б. Л., Миезин, Ф. М. и др. (2010). Идентификация отделов базальных ганглиев у людей с использованием функциональной связи в состоянии покоя, M. R. I. Front. Syst. Neurosci . 4:18. DOI: 10.3389 / fnsys.2010.00018

Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

Барнс, К.А., Нельсон, С. М., Коэн, А. Л., Пауэр, Дж. Д., Коулсон, Р. С., Мизин, Ф. М. и др. (2012). Парселляция в левой боковой теменной коре одинакова у взрослых и детей. Cereb. Cortex 22, 1148–1158. DOI: 10.1093 / cercor / bhr189

Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

Бисвал Б. Б., Килен Дж. В. и Хайд Дж. С. (1997). Одновременная оценка потока и сигналов BOLD в функциональных картах связности в состоянии покоя. ЯМР Биомед .10, 165–170. DOI: 10.1002 / (SICI) 1099-1492 (199706/08) 10: 4/5 <165 :: AID-NBM454> 3.0.CO; 2-7

Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

Бисвал Б., Зеррин Йеткин Ф., Хотон В. М. и Хайд Дж. С. (1995). Функциональная связность в моторной коре головного мозга человека в состоянии покоя с использованием эхо-планарной МРТ. Magn. Резон. Мед . 34, 537–541. DOI: 10.1002 / mrm.1