Emergence of canonical functional networks from the structural connectome.
Emergence of canonical functional networks from the structural connectome.
复制标题
DOI：
10.1016/j.neuroimage.2021.118190
复制
发表时间：
2021-08-15
期刊：
影响因子：
5.7
通讯作者：
Raj A
中科院分区：
文献类型：
--
作者：
Xie X;Cai C;Damasceno PF;Nagarajan SS;Raj A
功能性大脑网络是如何从大脑的基本连接中出现的？我们研究了静息状态的功能激活模式是如何从构成其“结构连接体”的白质纤维的潜在连接性和长度中出现的。通过引入沿光纤投影的实际信号传输延迟，我们得到了依赖于耦合强度和振荡频率两个参数的复值图拉普拉斯矩阵。这种复拉普拉斯算子允许在频域中使用复值本征基，它是高度可调的，并且能够在不需要任何详细的神经活动建模的情况下再现正则函数网络的空间模式。特定的正则函数网络可以用复本征模的小子集的线性叠加来预测。利用一种新的参数推理方法，我们证明了复拉普拉斯预测泛函网络的性能优于实值拉普拉斯预测泛函网络。因此，复杂的拉普拉斯本征模构成了一个可调但节俭的衬底，在其上可以出现丰富的现实功能模式。尽管大脑活动受高度复杂的非线性过程和密集连接的控制，但我们的工作表明，将线性模型简单地扩展到复杂的域，有效地近似了在BOLD fMRI上可以观察到的丰富的宏观空间模式。
How do functional brain networks emerge from the underlying wiring of the brain? We examine how resting-state functional activation patterns emerge from the underlying connectivity and length of white matter fibers that constitute its “structural connectome”. By introducing realistic signal transmission delays along fiber projections, we obtain a complex-valued graph Laplacian matrix that depends on two parameters: coupling strength and oscillation frequency. This complex Laplacian admits a complex-valued eigen-basis in the frequency domain that is highly tunable and capable of reproducing the spatial patterns of canonical functional networks without requiring any detailed neural activity modeling. Specific canonical functional networks can be predicted using linear superposition of small subsets of complex eigenmodes. Using a novel parameter inference procedure we show that the complex Laplacian outperforms the real-valued Laplacian in predicting functional networks. The complex Laplacian eigenmodes therefore constitute a tunable yet parsimonious substrate on which a rich repertoire of realistic functional patterns can emerge. Although brain activity is governed by highly complex nonlinear processes and dense connections, our work suggests that simple extensions of linear models to the complex domain effectively approximate rich macroscopic spatial patterns observable on BOLD fMRI.
登录
查看更多内容
影响因子：
5.7
作者：
Abdelnour F;Dayan M;Devinsky O;Thesen T;Raj A
通讯作者：
Raj A
DOI：
10.1073/pnas.0901831106
发表时间：
2009-06-23
影响因子：
11.1
作者：
Deco, Gustavo;Jirsa, Viktor;Koetter, Rolf
通讯作者：
Koetter, Rolf
影响因子：
10.9
作者：
Deslauriers-Gauthier, Samuel;Zucchelli, Mauro;Deriche, Rachid
通讯作者：
Deriche, Rachid
影响因子：
3.7
作者：
Alexander-Bloch, Aaron F.;Vertes, Petra E.;Gogtay, Nitin
通讯作者：
Gogtay, Nitin
影响因子：
16.6
作者：
Atasoy S;Donnelly I;Pearson J
通讯作者：
Pearson J