Informace

Analýza dynamických dat connectome?


Slyšel jsem o existenci úplných mozkových dat o některých červech nebo rybách. Slyšel jsem o GEVI - geneticky upravených indikátorech napětí - které umožňují vidět údaje o napětí na subcelulární úrovni. Moje otázka zní: jsou k dispozici zmíněná data ve zpracované formě (schválené pro simulaci, matematickou analýzu, modelování) a případně jsou k dispozici nějaká jejich analýza a modelování? Hledám materiály pro neurální kód, který se používá v mozku, a tato data a analýza by pro mě byly velmi užitečné.

Jsem si vědom obrovského množství obrazových dat MRI s hrubým rozlišením. Moje otázka se však konkrétně zaměřuje na úplná data a jejich analýzu na úrovni connectome/neuron/subneuron.


C. Elegans je jediný druh s plně charakterizovaným konektomem a nevěřím, že by na nich bylo provedeno mnoho elektrofyziologické práce. GEVI se stále optimalizují a mají svůj vlastní podíl na problémech, zejména s rozlišením signálu - rozlišování mezi podprahovými změnami membránového potenciálu a akčního potenciálu. Viz vložený papír. Pokud něco, bude to nějakou dobu trvat, než budou charakterizovány reakční vlastnosti neuronů u C. elegans. Jsem si však jistý, že byste mohli zkusit modelovat menší obvody, kde jsou známy konektivity a neurální vlastnosti neuronů.


Analýza dynamických dat Connectome? - Biologie

V případě, že pro své publikace používáte následující data, uveďte jako zdroj dat následující článek:

Varier S, Kaiser M (2011) Vlastnosti neurálního vývoje: časoprostorový vývoj C. elegans neuronální síť. PLoS Computational Biology 7: e1001044 (PDF)

celegans279dev.zip C. elegans neuronální porodní časy. Tento soubor zip obsahuje seznam oddělený čárkami (.csv) a soubor Matlab (.mat) se jmény 279 neuronů a časy jejich narození. Čas narození je v minutách získaných od Sulstona a kol. 1977 a 1983.

Neuronální a kortikální sítě

V případě, že pro své publikace používáte následující data, uveďte jako zdroj dat následující články:

Kaiser M, Hilgetag CC (2006) Neoptimální umístění součásti, ale krátké dráhy zpracování, kvůli projekcím na dlouhé vzdálenosti v neurálních systémech. PLoS Computational Biology 2: e95 (PDF)

Kötter R (2004) Online získávání, zpracování a vizualizace dat o připojení primátů z databáze CoCoMac. Neuroinformatika 2:127-144.

Choe Y, McCormick BH, Koh W (2004) Analýza konektivity sítě na dočasně rozšířeném webu C. elegans: Pilotní studie. Society of Neuroscience Abstracts 30:921.9.


Úvod

Abychom porozuměli fungování sítě, musíme znát její prvky a jejich propojení. Účelem tohoto článku je prodiskutovat výzkumné strategie zaměřené na komplexní strukturální popis sítě prvků a spojení tvořících lidský mozek. Navrhujeme tento datový soubor nazvat lidským „konektomem“ a tvrdíme, že je zásadně důležitý v kognitivní neurovědě a neuropsychologii. Konektom výrazně zlepší naše chápání toho, jak funkční mozkové stavy vycházejí z jejich podkladového strukturálního substrátu, a poskytne nové mechanistické pohledy na to, jak je ovlivněna funkce mozku, pokud je tento strukturní substrát narušen. Poskytne jednotný, časově invariantní a snadno dostupný zdroj neuroinformatiky, který by mohl být použit prakticky ve všech oblastech experimentální a teoretické neurovědy.

Nedávný výzkum v oblasti neurovědy vyústil v rychlé šíření datových souborů neurovědy a v příchod nové disciplíny, neuroinformatiky [1–4]. Navzdory značnému pokroku v experimentálních technikách a výpočetních paradigmatech stále ještě máme neúplné pochopení toho, jak lidské kognitivní funkce vyplývají z neuronální struktury a dynamiky. Zde se zaměřujeme na relativní nedostatek informací o různých typech nervových prvků a jejich nervových spojeních v lidském mozku. Přestože byl proveden větší počet anatomických studií lidského mozku na anatomické úrovni makroskopické (mozkové laloky, povrchové orientační body a trakty bílé hmoty) nebo mikroskopické (cytoarchitektonika, myeloarchitektonika, chemoarchitektonika atd.), Prakticky neexistují žádné informace. na jemnějších vzorcích konektivity, včetně hustot spojení neuronů nebo vzorů laminární projekce ve vztahu k anatomicky odděleným kortikálním oblastem nebo intraregionální diferenciaci. Navíc žádná z dostupných informací není uložena v jediném standardizovaném datovém formátu, ani k nim nelze přistupovat prostřednictvím veřejné databáze.

Experimentální přístupy k lidskému poznání byly výrazně posíleny příchodem funkčního neuroimagingu [5], což je soubor technik, které lze použít ke studiu široké škály kognitivních funkcí, se stále rostoucím prostorovým a časovým rozlišením. Mechanistická interpretace dat neuroimagingu je však omezená, částečně kvůli vážnému nedostatku informací o struktuře a dynamice sítí, které generují pozorované aktivační vzorce. Potenciální teoretický rámec pro konceptualizaci poznávání jako síťového jevu je založen na dvou hlavních organizačních principech, které se nacházejí v mozkové kůře, funkční segregaci a funkční integraci [6,7]. Rozvíjející se síťové teorie poznání zdůrazňují kontextuální [8], distribuovaný [9], dynamický [10] a degenerovaný [11,12] charakter mapování struktury a funkce v mozku. Abychom úspěšně zmapovali strukturu, aby fungovala v lidském mozku, naléhavě potřebujeme komplexní podrobný strukturální model neuronálních jednotek a jejich spojení. Propojovací modely lidského mozku jsou vzácné a špatně definované [13] a jsou z velké části založeny na extrapolaci anatomických informací z jiných druhů primátů, jako je makak, což je přístup, který je problematický [14], částečně kvůli naší neúplnosti porozumění evolučním změnám.

Náš návrh sestavit lidský konektom má několik komponent. Nejprve se pokusíme definovat úroveň měřítka, ve které by mohl být sestaven první návrh lidského konektomu. Při vytváření tohoto prvního návrhu zvažujeme několik potenciálních experimentálních a neuroinformatických přístupů. Poté diskutujeme potenciální problémy a omezení konektomu, včetně ústředních problémů individuální variability a vývoje. Nakonec načrtneme potenciální dopad konektomu na výpočetní a kognitivní neurovědu.


2. Data a aplikace

Uvádíme dva příklady datových sad a odpovídající analýzu jako případy použití pro služby Open Connectome Project. Samotná data jsou velmi podobná: elektronová mikroskopie myšího mozku s vysokým rozlišením. Analýzy těchto údajů však poukazují na různé služby.

Data bock11 [3] demonstrují nejmodernější škálovatelnost a použití paralelního zpracování k provádění počítačového vidění. Obrazová data jsou největší publikovanou sbírkou obrázků ve vysokém rozlišení, pokrývající objem zhruba 450 󗍐 흐 mikronů s 20 biliony voxelů při rozlišení 4 ൴ 흀nm. Objemy v tomto měřítku začínají obsahovat spojení mezi neurony. Neurony mají velký prostorový rozsah a spojení lze analyzovat, pokud jsou obě buňky a všechna propojovací vedení (dendrit/synapse/axon) uvnitř svazku. Tato data používáme k prozkoumání prostorové distribuce synapsí, identifikaci klastrů a out-liers k vytvoření statistického modelu, kde se spojují neurony. Náš algoritmus vidění pro hledání synapsí extrahuje více než 19 milionů míst v svazku (obrázek 1). Dosud jsme necharakterizovali přesnost a připomenutí této techniky. Toto cvičení je tedy pozoruhodné svým rozsahem, pouze jsme spustili 20 paralelních instancí a celý svazek jsme zpracovali za méně než 3 dny. Pro srovnání Bock a kol. [3] shromáždili tato data, aby mohli ručně vystopovat 10 neuronů, 245 synapsí a 185 postsynaptických cílů v průběhu 270 lidských dnů. Vytváříme rámec pro spouštění tohoto úkolu v prostředí paralelního spouštění LONI [33].

Vizualizace prostorové distribuce synapsí detekovaných v myší vizuální kůře Bock et al. [3].

Data kasthuri11 [16] ukazují, jak lze provádět prostorovou analýzu pomocí metadat objektů a anotací (obrázek 2). Tato data mají nejpodrobnější a nejpřesnější manuální anotace. Dvě oblasti 1000 � 󗄀 a 1024 � 󗉖 voxelů byly hustě zrekonstruovány a označily každou strukturu v objemu. U tří dendritů, které pokrývají celý objem voxelu 12000 � �, byly anotovány všechny synapse, které se připojují k dendritickým trnům. OCP přijalo všechny tyto manuální anotace, včetně metadat objektů pro všechny struktury a prostorové databáze anotovaných oblastí. Tato databáze byla použita k zodpovězení otázek o prostorové distribuci synapsí (spojení) s ohledem na cílový dendrit (hlavní neuronová větev). Tato analýza probíhá na základě: (1) použití metadat k získání identifikátorů všech synapsí, které se připojují k zadanému dendritu, a poté (2) dotazování na prostorový rozsah synapsí a dendritů pro výpočet vzdáleností. Druhou fázi lze provést extrahováním každého objektu jednotlivě nebo zadáním seznamu objektů a oblasti a databází, která odfiltruje všechny ostatní anotace. Hustě komentované oblasti také používáme jako “ground pravdivost ” pro hodnocení algoritmů rekonstrukce strojového vidění.

Zobrazování myší somatosenzorické kůry [16] elektronovou mikroskopií překryté manuálními anotacemi popisujícími neurální objekty, včetně axonů, dendritů a synapsí. Tyto obrázky byly vystřiženy ze dvou prostorově registrovaných databází a zobrazeny v prohlížeči CATMAID Web [34].


Výsledek

Analyzovali jsme Allen Mouse Connectivity Atlas (Oh et al., 2014), což je dosud nejkomplexnější mezoskálový konektomát. Použili jsme lineární model od Oh et al. (2014) vybudovat matici sousedství obsahující spojení mezi 213 symetrickými páry uzlů (celkem 426) a 8820 nasměrovanými hranami (7804 bez směrování).

Porovnání konektomu s neorientovanými grafovými modely

Nejprve jsme porovnali neorientovanou strukturu myšího konektomu se třemi dobře charakterizovanými standardními grafy běžně používanými v literatuře: stupeňem řízená náhodná síť (Maslov a Sneppen, 2002), malá světová síť (Watts a Strogatz, 1998) a síť bez měřítka (Barabasi a Albert, 1999). Myší konektom je charakterizován distribucí stupňů s mnoha uzly nízkého stupně a dlouhým ocasem uzlů vysokého stupně (obrázek 1a (Oh et al., 2014)). Distribuce stupňů nebyla dobře replikována žádným standardním grafem (obrázek 1a a b), ani distribuce klastrových koeficientů - nález také ukázán v Oh et al. (2014). Přestože distribuce stupňů bezškálové sítě se nejvíce podobá distribuci v konektomu, konstrukcí nemůže zachytit distribuci nízkostupňových uzlů (protože všechny uzly jsou vytvořeny s minimálním počtem hran).

Standardní modely grafů se liší ve své schopnosti obnovit distribuci stupňů myšího konektomu a vztah mezi koeficientem stupně a shlukování.

(a-b) Hustota pravděpodobnosti distribucí stupňů pro myší konektom a průměrně více než 100 opakování náhodných sítí bez měřítka, malých světů a (řízených stupněm) vynesených pomocí (A) lineární a (b) log-lineární stupnice. (c-f) Seskupovací koeficient jako funkce stupně pro každý uzel v (C) myší konektor, (d) náhodně řízená síť řízená podle stupňů, (E) síť malého světa a (F) síť bez měřítka. Každý graf zobrazuje data ze 426 uzlů a nejlépe padnoucí funkci zákona výkonu (přerušovaná čára). (A) je podobný obrázku 3c od Oh et al. (2014).

Strukturální rozpor mezi myším konektomem a standardními sítěmi byl dále odhalen zkoumáním vztahu mezi stupněm a klastrovacím koeficientem (obrázek 1c – f). V konektomu bývají uzly s nižším stupněm více seskupeny. Tento vztah byl dobře osazen mocninným zákonem: C i ∝ k i γ, kde C i a k ​​i označují součinitel shlukování a stupeň, a nejlépe vyhovující γ =-0,44. Předchozí studie ukázaly, že takový vztah (s proměnlivým γ & lt 0) je společný mnoha sítím reálného světa (Ravasz a Barabási, 2003), včetně lidského konektomu (Klimm et al., 2014). Zatímco síť malého světa vykazuje distribuci klastrových koeficientů podobnou distribuci konektomu (Oh et al., 2014), stejně jako inverzní vztah mezi klastrovacím koeficientem a stupněm, tyto podobnosti jsou povrchní: kontrola obrázku 1e ukazuje, že malé -Distribuce stupňů světové sítě je mnohem homogennější. Zatímco síť bez měřítka částečně zachycuje distribuci stupňů konektomu, její uzly mají mnohem nižší koeficient shlukování a mezi těmito dvěma metrikami existuje slabší vztah (obrázek 1f). Stupňově řízený náhodný model ukazuje, že zamícháním okrajů konektoru se získá graf připomínající síť bez měřítka (obrázek 1d). Tyto grafy tedy nedokážou zachytit klíčové aspekty neorientované struktury Connectome.

Předchozí snahy o modelování ukázaly, že několik vlastností mozkových sítí lze zachytit pomocí jednoduchých modelů, které předpokládají, že se prostorově blízké uzly spojí s větší pravděpodobností než distální (Song et al., 2014 Kaiser et al., 2009 Ercsey-Ravasz et al. ., 2013 Kaiser a Hilgetag, 2004). Proto jsme prozkoumali neorientovaný prostorově vložený síťový model. Každému uzlu jsme nejprve přiřadili prostorovou polohu náhodně odebranou z krychle 7 mm x 7 mm x 7 mm, která poskytla distribuci vzdálenosti mezi uzly podobnou konektomu (obrázek 5-doplněk obrázku 1). Okraje pak byly přidány mezi páry uzlů i a j výběrem uzlu i náhodně a uzlu j s pravděpodobností P i j ∝ e x p ( - d i j / L). To znamená, že pravděpodobnost výběru cílového uzlu j se rozpadla s euklidovskou vzdáleností d i j mezi uzly i a j podle délkové konstanty L (viz 'Materiály a metody'). Toto pravidlo nazýváme proximální příloha (PA).

Ve srovnání s konektomem vykazoval čistě geometrický model relativně úzké distribuce stupňů podobné Gaussovi v několika hodnotách L (Obrázek 2a). Pravidlo PA tedy nedokáže generovat uzly nízkého a vysokého stupně. Tento geometrický model však vykazuje inverzní vztah mezi stupněm a shlukováním (obrázek 2b) jako v konektomu. Obrázek 2b však ukazuje, že neexistuje žádná hodnota L u kterých tento model adekvátně zachycuje společnou distribuci stupňů shlukování pozorovanou v konektomu, model PA postrádá jak uzly nízkého stupně s vysokým shlukováním, tak uzly vysokého stupně s nízkým shlukováním. To naznačuje, že čistě geometrická pravidla prozkoumaná v předchozích studiích (Song et al., 2014 Kaiser et al., 2009 Ercsey-Ravasz et al., 2013 Kaiser a Hilgetag, 2004) nejsou dostačující k obnově vlastností myšího konektomu. Proto jsme zkoumali hypotézu, že topologická pravidla, která jsou založena na vlastnostech jednotlivých uzlů, hrají důležitou roli při vytváření vzorů konektivity myšího konektomu.

Příklad sítí generovaných pomocí (čistě geometrického) pravidla proximálního připojení (PA), kde pravděpodobnost spojení mezi dvěma uzly klesala se vzdáleností.

(A) Distribuce stupňů pro sítě se třemi hodnotami L (v mm), každý v průměru na 100 opakování. Pro srovnání je ukázán myší konektom. (b) Seskupovací koeficient jako funkce stupně pro reprezentativní sítě pěstované se stejnými hodnotami L použito v (A).

Směrovaná perspektiva a nové náhodné grafy

Obvykle byly topologická pravidla v generativních modelech sítí aplikována na neorientované sítě. Myší konektom však obsahuje nasměrované hrany, což nám umožňuje zkoumat, zda směrovost spojení v myším konektomu hraje roli při utváření vzorů konektivity. V nasměrovaném grafu hrany směřují od zdrojových uzlů k cílovým uzlům, takže je možné zvážit stupeň každého stupně a stupeň mimo (tj. Celkový počet příchozích a odchozích připojení pro daný uzel). Našli jsme překvapivě asymetrický vztah mezi těmito distribucemi v konektomu-zatímco vnitřní stupeň sítě byl přibližně normálně distribuován, distribuce mimo stupeň vykazovala vrchol blízko nuly a dlouhý ocas (obrázek 3a), podobně jako exponenciální distribuce . Neexistovala žádná významná korelace mezi stupněm vně a mimo (ρ = 0,127, p = 0,065, korelace Spearmanovy pozice). Obrázek 3b ukazuje podíl příchozích hran jako funkci celkového stupně pro všechny uzly v myším konektomu. Jak se zvyšuje celkový stupeň uzlu, klesá podíl příchozích hran.

Řízená analýza myšího konektomu odhaluje různé distribuce pro vnitřní a vnější stupeň.

(A) Out-degree jako funkce in-degree pro všechny uzly v myším connectomu. Okraje ukazují rozložení v stupních i mimo ně s modrými čarami a popisky os odpovídajícím logaritmickému měřítku. In-stupeň je přibližně normálně distribuován, zatímco out-stupeň přibližně sleduje exponenciální rozdělení. (b) Podíl v stupních jako funkce celkového stupně (tj. Ve stupních děleno součtem příchozích a odchozích hran). Uzly nízkého stupně mívají většinou příchozí hrany, zatímco uzly vysokého stupně se vyznačují většinou odchozími okraji.

Pro modelování řízeného myšího konektomu jsme rozšířili čistě geometrický PA model o dva matematicky symetrické, ale fenomenologicky odlišné rámce: cílovou přitažlivost a růst zdroje (TAPA a SGPA). Při přidávání hrany v modelu TAPA a cílová uzel je vybrán s pravděpodobností úměrnou jeho in-stupňům, zatímco zdroj uzel je vybrán s pravděpodobností, která klesá s jeho vzdáleností od cílového uzlu (obrázek 4, nahoře). V modelu SGPA a zdroj uzel je vybrán s pravděpodobností úměrnou jeho out-stupeň, zatímco cílová uzel je vybrán s pravděpodobností, která klesá s jeho vzdáleností od zdrojového uzlu (obrázek 4, dole). Modely TAPA a SGPA lze považovat za směrované prostorové varianty algoritmu preferenčního připojení zavedeného Barabasi a Albertem (1999) a vedou k modelům „bohatého zbohatnutí“ při vytváření příchozích nebo odchozích připojení. V obou případech byly všechny uzly inicializovány při síťové instanci (na rozdíl od algoritmu preferenčního připojení, kde jsou uzly přidávány iterativně), a směrované hrany byly přidávány iterativně, dokud počet hran neodpovídal myšímu konektoru. Protože tyto modely také zahrnovaly geometrickou vlastnost PA, byly oba modely parametrizovány jediným volným parametrem L přesně jako v PA modelu.

Algoritmy generování sítě zaměřené na přitažlivost a růst zdrojů.

Čísla uvnitř každého uzlu udávají pravděpodobnost růstu nebo připojení. Pro ilustraci je v obou diagramech vybrán nejpravděpodobnější uzel (přerušovaný) (T a S, odpovídající cílovému, respektive zdrojovému). Horní řada: model proximální nástavby přitažlivosti cíle (TAPA). Cílový uzel je vybrán s pravděpodobností úměrnou jeho stupněm (vlevo), zatímco zdrojový uzel je vybrán s pravděpodobností, která exponenciálně klesá s euklidovskou vzdáleností uzlu od cíle (vpravo). Dva uzly mají nulovou pravděpodobnost vytvoření hrany, protože cíl již přijímá projekce z těchto uzlů. Přerušovaná červená čára ukazuje nejpravděpodobnější hranu. Spodní řada: model proximálního připojení zdroje růstu (SGPA). Zdrojový uzel je vybrán s pravděpodobností úměrnou jeho vnějšímu stupni (vlevo), zatímco cílový uzel je vybrán s pravděpodobností, která exponenciálně klesá s euklidovskou vzdáleností uzlu od zdroje (vpravo). Přerušovaná azurová čára ukazuje nejpravděpodobnější hranu. V obou algoritmech předpokládáme, že každý uzel začíná vlastním připojením (odpovídajícím odchozí a příchozí hraně), aby se předešlo pravděpodobnostem s nulovou hodnotou, ačkoli vlastní připojení zde nejsou zobrazena ani zahrnuta při výpočtu jakýchkoli metrik.

Porovnání konektomu s modely směrovaných grafů

Model SGPA vykazuje distribuci ve stupních, která je přibližně normální, a distribuci mimo stupeň, která je přibližně exponenciální (obrázek 5a, azurová). To odpovídá konektoru myši (obrázek 3a), ale je přesně opačné pro model TAPA (obrázek 5a, červený). Obrázek 5b ukazuje podíl v stupních jako funkci celkového stupně (v stupních + mimo stupeň) pro oba síťové modely. V modelu SGPA (a myším konektomu Obrázek 3b) mají uzly vysokého stupně obvykle velký podíl odchozích připojení. Opět je to opak modelu TAPA, kde uzly vysokého stupně mívají velký podíl příchozích připojení. Tyto výsledky naznačují, že teoretické vlastnosti směrovaného grafu myšího konektomu nejlépe zachytí SG model generování sítě.

Řízená analýza jednotlivých reprezentativních síťových modelů TAPA a SGPA a vzájemné srovnání s konektomem.

(A) Out-degree jako funkce in-degree pro oba algoritmy s L = 0,725 mm, který byl zvolen tak, aby odpovídal vzájemnosti konektomu - viz e). Okraje ukazují rozdělení ve stupních i mimo ně. (b) Podíl v stupních jako funkce celkového stupně pro oba algoritmy. Model SGPA kvalitativně zachycuje směrované distribuce stupňů a proporce v stupních konektomu (viz obrázek 2). (C) Distribuce délky hran pro konektom, znázorněná pro reciproční (modrá) i nereciproční hrana (černá). (d) Stejný jako (C), ale pro model SGPA. (E) Reciprocitní koeficient jako funkce parametru délky jak pro TAPA (červená), tak pro SGPA (azurová), přičemž stínování indikuje standardní odchylku nad 100 opakování. Oba modely protínají connectome v L = 0,725 mm. Pro informaci je také ukázán koeficient vzájemnosti pro konektom (purpurový) a odpovídající grafem řízený náhodný graf (zlatý). Modely SGPA a TAPA se překrývají.

Předchozí práce ukázaly, že jak koeficient vzájemnosti, tak průměrný klastrový koeficient mozku jsou výrazně nad šancí (Oh et al., 2014 Rubinov a Sporns, 2010 Felleman a Van Essen, 1991 Kaiser a Varier, 2011). Zjistili jsme, že myší konektom má koeficient vzájemnosti 0,13, což je vysoké ve srovnání s tím, který se očekává od náhody (0,03). Reciproční okraje v konektomu jsou v průměru kratší než nereciproční okraje (obrázek 5c t(8818) = 13,25, s & lt<10–10, t -test nezávislých vzorků Cohenův d = 0,47). Jak je znázorněno na obrázku 5e, koeficient reciprocity našich modelových sítí klesá s rostoucí délkovou konstantou, přibližně odpovídá tomu u myšího konektomu (0,13), když L = 0,725 mm u modelů SGPA a TAPA. Přizpůsobení konstanty délky reciprocitě (např. V modelu SGPA) však podceňuje délky fyzických okrajů konektomu (srovnej obrázek 5c až d). Použití konstanty větší délky zlepšilo přizpůsobení vzájemným a nerecipročním distribucím délky hran (není zobrazeno), ale snížilo reciprocitu modelu.

Začlenění SG do modelu PA zvyšuje šířku distribuce stupňů, což umožňuje modelu zachytit také distribuci kloubového stupně shlukování pozorovanou v konektomu (obrázek 6a). Síť pěstovaná výhradně podle pravidla PA a síť řízená náhodným stupněm vykazovala společnou distribuci stupňů shlukování, která se lišila od konektomu, což opět naznačuje, že při modelování konektomu jsou důležitá topologická i geometrická pravidla. Vložka na obrázku 6a to kvantifikuje tím, že ukazuje, že přizpůsobený výkonový zákon modelu SGPA mezi klastrovacím koeficientem a stupněm je nejvíce podobný konektomu. Toto zvýšené shlukování je navíc prostorově lokalizováno: V konektomu existuje negativní korelace mezi koeficientem shlukování uzlu a jeho střední délkou okraje. To znamená, že uzly s krátkými průměrnými délkami hran bývají vysoce seskupeny (ρ = -0,238, p & lt 10 -6, korelace Spearmanovy hodnosti). Podobný, ale silnější vztah se vyskytuje v modelu SGPA (medián ρ = -0,482, p & lt 10-10, korelace Spearmanovy hodnosti).

Shlukování a uzlová účinnost pro konektom a další směrované modely.

(A) Společná distribuce klastrovacího stupně pro konektom a jednu reprezentativní instanci každého modelového grafu. Vložení: nejlépe vyhovující mocninový exponent γ (viz 'Materiály a metody') pro konektom (γ = -0,44, R 2 = 0,58) a náhodný (průměr γ ± standardní = -0,17 ± 0,02, medián R 2 = 0,16), SGPA (průměr γ ± standardní = -0,48 ± 0,04, medián R2 = 0,59) a geometrický PA (průměr γ ± standardní = -0,80 ± 0,06, medián R2 = 0,42). (b) Distribuce uzlových účinností (viz 'Materiály a metody') se střední ± standardní odchylkou (liniové a stínované oblasti) pro modelové sítě. Průměr ± standardní odchylka průměrné uzlové účinnosti (zprůměrovaná z uzlů) je 0,409 ± 0,001 pro náhodný model, 0,393 ± 0,004 pro model SGPA a 0,426 ±. 001 pro čistý geometrický model. Průměrná uzlová účinnost konektomu je 0,375. Histogram modelu PA vrcholí na 279 při uzlové účinnosti 0,44. (b) a vložka do A) oba použili 100 ukázkových instancí každého modelu.

Statistiky konektivity vyššího řádu

Naše předchozí analýzy distribucí koeficientů stupňů, stupňů, stupňů a klastrů popisují vzory připojení uzlu v kontextu jeho bezprostředních sousedů. Abychom prozkoumali roli, kterou hraje každý uzel v kontextu celé sítě, vypočítali jsme distribuce uzlové účinnosti. Uzlová účinnost uzlu je definována jako průměrná inverzně směrovaná nejkratší délka cesty mezi ním a všemi ostatními uzly v síti a kvantifikuje snadnost, s jakou může tento uzel teoreticky přenášet informace do všech ostatních uzlů (viz „Materiály a metody“). Jak je znázorněno na obrázku 6b, existovala těsná shoda mezi distribucemi uzlové účinnosti pro konektom a modelem SGPA (s L = 0,725 mm): oba vykazovali přibližně normální rozdělení, s výjimkou malého výběru uzlů s nulovou účinností uzlů (což odpovídá uzlům bez odchozích připojení). Stupňově kontrolovaný náhodný graf také ukazoval přibližně normálně distribuované distribuce účinnosti uzlů, ale průměr distribuce byl o něco vyšší než model SGPA nebo myší konektom. Naproti tomu čistě geometrický model PA vykazoval ostře vrcholené rozložení účinnosti uzlů, podobné tomu, které by se dalo očekávat pro směrovaný Erdos-Renyiho graf (obrázek 5-doplněk obrázku 1, obrázek 6-obrázek doplněk 1). Tato analýza naznačuje, že model SGPA zachycuje vzorce statistické konektivity jednotlivých uzlů ve vztahu k celé síti.

Předchozí práce ukázaly, že odolnost sítě vůči odstraňování uzlů může poskytnout vhled do jejího strukturálního složení (Newman, 2010 Kaiser et al., 2007). Tyto studie obvykle zkoumají strukturu neorientovaných sítí, takže jsme pro naše analýzy převedli směrovaný model SGPA na neorientovaný ignorováním směrovosti hran (viz 'Materiály a metody'). Poté jsme simulovali proces poškození (nebo perkolace), abychom porovnali neorientovaný model SGPA a další standardní neorientované modely s myším konektomem. Když byly uzly (a hrany k nim připojené) odstraněny v pořadí klesajícího stupně (tj. Cílený útok), globální účinnost modelu SGPA (podobná uzlové efektivitě viz 'Materiály a metody') a největší (obří) velikost součásti se snížily v způsob, který je více podobný myšivému konektomu než jakýkoli standardní graf (obrázek 7). Obrázek 7a však ukazuje, že myší konektivita se rozpadá nejrychleji, a obrázek 7b ukazuje, že globální účinnost klesá v konektomu rychleji než jakýkoli model. Connectome se tedy zdá být zranitelnější vůči cílenému útoku než modelové sítě zkoumané zde.

Reakce neorientovaných sítí na cílené léze, kde jsou uzly odstraněny v pořadí nejvyššího stupně.

Po 100 opakováních jsou pro každý model vyneseny střední hodnoty (čáry) ± standardní odchylky (stínované oblasti). (A) Velikost největší (obří) připojené komponenty v reakci na cílený útok. Náhodně zamíchaný connectome (Random) je zakryt grafem bez měřítka. (b) Globální účinnost pro myší model připojení a sítě v reakci na cílený útok.

Hustota okrajů může ovlivnit některé metriky (například globální účinnost). Abychom otestovali, zda naše výsledky lézí byly součinem hustoty spojení (která je sama o sobě určena distribucí stupňů), spíše než vzory konektivity specifické pro každý model, zkoumali jsme také hustotu spojení v celém procesu poškození (obrázek 7 - obrázek doplněk 1a). Zjistili jsme, že během procesu lézí byla hustota spojení konektomu podobná hustotě všech modelů kromě malé světové sítě (a nutně odpovídala náhodně řízenému grafu řízenému stupněm). Zjistili jsme také, že zatímco globální účinnost a hustota připojení byly ve vzájemném vztahu, jejich konkrétní vztah závisel na modelu (obrázek 7 - obrázek doplněk 1b). Je zajímavé, že způsob, jakým byly tyto dvě proměnné v konektomu příbuzné, se nejvíce podobal tomu, jak jsou příbuzné v modelu SGPA, ve srovnání se všemi ostatními. To ukazuje, že výsledky na obrázku 7 nejsou jednoduše způsobeny rozdíly v distribuci stupňů a závislostí globální účinnosti na hustotě připojení. Proto navrhujeme, aby tyto výsledky poškození odhalily rozdíly ve struktuře konektivity vyššího řádu mezi konektomem a zkoumanými modely. Průměrná globální účinnost a další neorientované metriky jsou uvedeny v tabulce 1.

Průměrné neorientované metriky pro sítě connectome, standard a model. U náhodných, malých světů, bez měřítka a modelů SGPA je také zobrazena standardní odchylka pro 100 opakování. Definice metrik najdete v tabulce 2. Všimněte si toho, že vlastnosti pro původní (single-hemisférický) konektom jsou uvedeny v Oh et al. (2014).

ShlukováníCharakteristická délka cestyGlobální účinnost
Connectome0.3612.2260.492
Náhodný0.140 ± 0.00132.002 ± 0.00200.528 ± 0.0003
Malý svět0.359 ± 0.00582.129 ± 0.00580.507 ± 0.0010
Bez měřítka0.159 ± 0.00371.998 ± 0.00260.527 ± 0.0004
SGPA0.343 ± 0.00942.166 ± 0.01590.501 ± 0.0027

Analýza dynamických dat connectome? - Biologie

Všechny články publikované společností MDPI jsou okamžitě k dispozici po celém světě pod licencí otevřeného přístupu. K opětovnému použití celého nebo části článku publikovaného MDPI, včetně obrázků a tabulek, není vyžadováno žádné zvláštní povolení. U článků publikovaných pod licencí Creative Common CC BY s otevřeným přístupem může být jakákoli část článku znovu použita bez svolení za předpokladu, že je jasně citován původní článek.

Feature Papers představují nejpokročilejší výzkum s významným potenciálem vysokého dopadu v této oblasti. Příspěvky jsou předkládány na individuální pozvání nebo doporučení vědeckých redaktorů a před zveřejněním procházejí vzájemným hodnocením.

Feature Paper může být buď původní výzkumný článek, podstatná nová výzkumná studie, která často zahrnuje několik technik nebo přístupů, nebo komplexní přehledový dokument se stručnými a přesnými aktualizacemi o nejnovějším pokroku v této oblasti, který systematicky hodnotí nejzajímavější pokroky ve vědě literatura. Tento typ papíru poskytuje pohled na budoucí směry výzkumu nebo možných aplikací.

Články Editor’s Choice jsou založeny na doporučení vědeckých redaktorů časopisů MDPI z celého světa. Redaktoři vybírají malý počet článků nedávno publikovaných v časopise, o kterých se domnívají, že budou zvláště zajímavé pro autory nebo důležité v této oblasti. Cílem je poskytnout snímek některé z nejzajímavějších prací publikovaných v různých oblastech výzkumu časopisu.


Zjednodušte a zmenšete síť

Dr. Kim začíná stanovením logiky zjednodušení sítě. Velmi komplikované sítě můžeme zjednodušit zvážením významu kroků, které nejsou snadno pozorovatelné. Doktor Kim je rozděluje do dvou širokých kategorií. Pokud sada skrytých kroků (skrytých v modelu nebo možná experimentálně skrytých) zabere značnou dobu, můžeme je shrnout a nahradit pomocí rovnice časového zpoždění. Pokud to zabere zanedbatelný čas, můžeme je jednoduše odstranit.

Given the different phase relationships between circadian regulator Per2 and p53, a set of possible regulatory relationships exists within a simplified network.

In the figure above, Dr Kim shows what his highly simplified model of hypothetical Per2 regulation of p53 looks like. To the right, he shows the experimental observation that Per2 and p53 regulation in the cytoplasm is out of phase, but in the nucleus they are in phase. He asks the question – what kind of regulation would explain these different dynamics?

The set of models that were able to recover the phasic relationships observed had different regulation types, which provided biological inference on the network.

He uses a Bayesian approach. He creates 3 equations that represent one of 3 regulatory scenarios: positive regulation by Per2 negative regulation by Per2 or no regulation. He then iterates through all the possible regulatory scenarios (represented by the arrows in the previous simplified regulation diagram). The results are summarized in the 3D histgram figure. For every case where the proper phase relationship was observed, the type of regulation is plotted. For each of the 5 regulation types, we get a different distribution of regulations across all the models. This provides some biological inference which was then confirmed experimentally!

The simplification analysis, and following experimental confirmation, allowed Dr Kim et al to develop a more complex model of the Per2 and p53 network.

Given this information, he was able to create a more complex model of Per2 regulation of p53. You can get more information from the paper below (from which I lifted these figures).

Paper here.


Lifespan Connectome Data

HCP Lifespan Projects are acquiring and sharing multimodal imaging data acquired across the lifespan, in four age groups (prenatal, 0-5, 6-21, and 36-100+). The scanning protocols are similar to those for the WU-Minn Young Adult HCP, except shorter in duration.

HCP Aging

Washington University, University of Minnesota, Massachusetts General Hospital, Harvard University, University of California Los Angeles, Oxford University

Current Data Releases (All Data Releases)

Recent News (All Study News)

HCP Development

Washington University, University of Minnesota, University of California at Los Angeles, Harvard University, Oxford University

Current Data Releases (All Data Releases)

Recent News (All Study News)

Lifespan Baby Connectome Project

University of North Carolina, University of Minnesota

Lifespan Developing Human Connectome Project

1500 Subjects, Age 20-44 weeks post-conception


From Cajal to Connectome and Beyond

One goal of systems neuroscience is a structure-function model of nervous system organization that would allow mechanistic linking of mind, brain, and behavior. A necessary but not sufficient foundation is a connectome, a complete matrix of structural connections between the nodes of a nervous system. Connections between two nodes can be described at four nested levels of analysis: macroconnections between gray matter regions, mesoconnections between neuron types, microconnections between individual neurons, and nanoconnections at synapses. A long history of attempts to understand how the brain operates as a system began at the macrolevel in the fifth century, was revolutionized at the meso- and microlevels by Cajal and others in the late nineteenth century, and reached the nanolevel in the mid-twentieth century with the advent of electron microscopy. The greatest challenge today is extracting knowledge and understanding of nervous system structure-function architecture from vast amounts of data.


Poznámky pod čarou

Publisher's Disclaimer: This is a PDF file of an unedited manuscript that has been accepted for publication. As a service to our customers we are providing this early version of the manuscript. The manuscript will undergo copyediting, typesetting, and review of the resulting proof before it is published in its final citable form. Please note that during the production process errors may be discovered which could affect the content, and all legal disclaimers that apply to the journal pertain.


Podívejte se na video: The Human Connectome Project - Relating Brain Circuits to Behavior: David Van Essen at TEDxCaltech (Listopad 2021).