以边缘为中心的功能网络（4）

韩重阳

四、理

（一）概述网络神经科学为神经系统的表征和建模提供了一个很有前景的框架，网络分析有助于深入了解神经系统结构和功能的拓扑原理，包括小世界性质、集成中心（integrative hubs）和重要中心（rich hubs)的出现，用于特异信息处理的模块化结构 ，拓扑特征与布线成本之间的权衡等等。传统的网络神经科学均以节点（nodes）为中心，节点可以是一个神经元细胞、或是神经云集群或者是脑区；并将节点间的交互关系作为网络的边来搭建网络模型。这种以节点为中心的网络构建方法只刻画了节点之间的拓扑关系，没有考虑边与边之间是否存在交互关系。如果存在这种关系又是一种什么样的表现形式，皆不明确。

已有的估计边-边连接性矩阵的方法有构造线图（line graphs ）或计算边重叠指数（edge overlap indices）。虽然相关模型已在其他科学领域进行了探索，边-边为中心的功能网络首次包括神经科学研究是用于表示白质束的互动；虽然该模型适用于具有正加权边缘的稀疏网络，但这些方法不适合连续值时间序列（continuous-valued time series ）数据；不太适合功能性神经影像数据，因为神经影像数据通常是完全加权（fully weighted and signed）。
这篇文章提出了一种新颖的建模框架，从以边缘为中心（an edge-centric perspective）的角度来研究大脑功能网络的数据；其构建方法可以被视为 Pearson 相关性度量的时间“展开”（‘unwrapping’），而Pearson相关是估计两个大脑区域之间的功能连接强度的方法。这种“展开”的方法能够为每条边（edge）生成可解释的时间序列，表示边的权重随时间波动的情况。
重要的是，边的时间序列能够用于估计边的相关性，即本文所指的边缘的功能连接（edge functional connectivity, eFC）。高振幅 eFC 表明两个边缘随时间的共同波动具有很强的相似性，而低振幅 eFC 表示两个边的协同波动模式很大程度上是相互独立的。
从神经科学的角度来看，eFC 既是传统的以节点为中心的大脑网络的扩展，又是其补充。在以节点为中心的网络模型中，功能连接表示不同空间区域间激活的时间相关性，并且可作为不同脑区间信息交流的度量。eFC 跟踪交流模式如何随时间演变，并最终评估大脑中是否同时出现相似的信息交流模式。
（二） 研究结论

1. 在这项研究中，作者证明了 eFC 在足够多数量的数据的情况下具有高度可复制性；个体在多次扫描sessions中，具有内部稳定性；并且在多个数据集之间具有一致性。
2. 作者将数据驱动的聚类算法应用于 eFC，从而将 eFC 网络划分为共同波动边缘的社区（communities）。每个社区都可以映射回各个节点，从而产生重叠的区域社区排布。
3. 作者发现：感觉运动和注意力网络相关的脑区参与的社区（communities）远多于其他大脑系统（other brain systems），且感觉运动和注意力网络参与的社区集（sets of communities）相类似。
4. 最后，作者比较了安静时与被动观看电影期间的 eFC 结构，发现 eFC 受到感官输入变化的调节。
（三）本研究方法的缺陷

1. Z-分数适用性

最重要的限制之一是使用功能成像数据估计边缘时间序列；为了计算边缘时间序列，首先对区域时间序列进行 z 评分，而只有当时间序列的均值和标准差不变时，z 分数才适用。如果脑区的激活持续增加或减少（例如，受block任务的影响），则 z 分数计算可能会导致均值和标准差有偏差，从而导致对活动波动（fluctuations）的估计不佳。
在未来，可以使用常见的预处理步骤来研究eFC中任务诱发的变化，例如，构建任务回归（task regressors ）以消除任务对活动的一阶影响（the first-order effect of tasks on activity）。
2. eFC 的可扩展性

另一个限制是 eFC 的可扩展性：计算一个被分成 N 个区域的大脑的 eFC会得到一个维度为 N(N-1)/2 的 eFC矩阵。这意味着区域数量的增加会导致 eFC 维度的呈现平方增加。如果分区数量很大，这可能会导致需要大量计算机内存来存储、操作这数据量庞大的完全加权的矩阵。
在未来，有必要探索降维方法，以保留给定任务或行为集最相关的子图。
（四）未来研究方向

1. 使用eFC来研究网络特征

尽管 eFC 表征的是边之间的交互而不是节点之间的交互，但仍然可以使用以前应用于 nFC 的相同方法对其进行分析。我们可以使用图论来检测其中心hubs和社区（ 补充图20），估计边缘梯度，并比较不同个体和不同条件之间的 eFC 连接权重。



补充图20  第一行描述了它们的原始值；底行描述了值的等级转换，这涉及按升序对图形度量重新排序，并为每条边分配一个新值，该值等于它出现的位置。

2.开发具有重叠系统标签的全脑功能图谱

本质上，边缘时间序列能够实时评估两个节点（脑区）相互间的协同振动强度；并且无需使用者指定窗口，即可提供nFC随时间变化的估计。这克服了时变 nFC 的滑动窗口估计的主要缺陷之一 ——使用窗口导致跨时间的事件“模糊” 。
未来工作的其他方向包括开发具有重叠系统标签的全脑功能图谱，并将其应用于特定的大脑区域和子系统，以构建细粒度的重叠图谱。
此外，由于 eFC 的推导是基于 Pearson 相关性，因此可以直接基于滞后和部分关系估计 eFC 的类似物。
3.可以用于基于神经影像的机器学习以分类等研究中

4.未来应研究eFC 合适的零模型（null models）

5.拓展至其他模态数据

这里开发的以边缘为中心的框架不仅限于 fMRI，可以很容易地扩展到不同的记录方式，包括头皮/颅内脑电图或脑磁图，这使得在边缘水平跟踪癫痫传播成为可能。同样，将这种方法应用于解决单神经元活动的数据集，可以增加对电路组织（circuit organization）的重要连接级的见解
（五）总结

这篇文章提供了一个新的人类脑网络模型，刻画了边与边之间的交互关系。发现了eFC重叠的社团组织形式。同时该方法也存在一些诸如Z-分数适用性以及计算过程中维度过高的缺陷，有待后续方法的改进。在未来的研究中，可进一步使用eFC来研究网络特征，开发具有重叠系统标签的全脑功能图谱和eFC 合适的零模型；此外，eFC或许可以用于基于神经影像的机器学习以分类等研究中去。同时，该方法的应用也不仅仅局限于fMRI，他可以很好的移植到其他模态数据的研究中去。