Statistical Modeling of the Default Mode Brain Network Reveals a Segregated Highway Structure.
Statistical Modeling of the Default Mode Brain Network Reveals a Segregated Highway Structure.
复制标题
DOI：
10.1038/s41598-017-09896-6
复制
发表时间：
2017-09-15
影响因子：
4.6
通讯作者：
Lu ZL
中科院分区：
文献类型：
--
作者：
Stillman PE;Wilson JD;Denny MJ;Desmarais BA;Bhamidi S;Cranmer SJ;Lu ZL
我们研究了默认模式网络（DMN）的功能组织——大脑内的一个重要子网络，与广泛的高阶认知功能相关。虽然过去的工作表明功能连接的全脑网络遵循小世界组织原则，但子网络结构尚不清楚。然而，当前的统计工具不适合量化功能网络的运行特征，因为它们通常需要对信息进行阈值审查，并且不允许对本地进程在确定网络结构中所扮演的角色进行推理测试。在这里，我们开发了相关广义指数随机图模型（cGERGM）——一种统计网络模型，它使用本地过程来捕获相关网络的新兴结构特性，而不会丢失信息。通过使用 cGERGM 检查 DMN，我们发现，DMN 似乎是根据隔离高速公路的原则组织的，而不是展示小世界特性，这表明它针对大脑区域之间的特定功能协调进行了优化，而不是跨 DMN 的信息集成。我们通过在代表各种常见大脑结构的模拟网络测试床上评估 cGERGM 的功效和准确性，进一步验证了我们的发现。
We investigate the functional organization of the Default Mode Network (DMN) – an important subnetwork within the brain associated with a wide range of higher-order cognitive functions. While past work has shown the whole-brain network of functional connectivity follows small-world organizational principles, subnetwork structure is less well understood. Current statistical tools, however, are not suited to quantifying the operating characteristics of functional networks as they often require threshold censoring of information and do not allow for inferential testing of the role that local processes play in determining network structure. Here, we develop the correlation Generalized Exponential Random Graph Model (cGERGM) – a statistical network model that uses local processes to capture the emergent structural properties of correlation networks without loss of information. Examining the DMN with the cGERGM, we show that, rather than demonstrating small-world properties, the DMN appears to be organized according to principles of a segregated highway – suggesting it is optimized for function-specific coordination between brain regions as opposed to information integration across the DMN. We further validate our findings through assessing the power and accuracy of the cGERGM on a testbed of simulated networks representing various commonly observed brain architectures.
登录
查看更多内容
DOI：
10.1073/pnas.0504136102
发表时间：
2005-07-05
影响因子：
11.1
作者：
Fox, MD;Snyder, AZ;Raichle, ME
通讯作者：
Raichle, ME
影响因子：
5.3
作者：
Achard, S;Salvador, R;Bullmore, ET
通讯作者：
Bullmore, ET
影响因子：
5.2
作者：
Andrews-Hanna JR;Smallwood J;Spreng RN
通讯作者：
Spreng RN
DOI：
10.1073/pnas.1018985108
发表时间：
2011-05-03
影响因子：
11.1
作者：
Bassett, Danielle S.;Wymbs, Nicholas F.;Grafton, Scott T.
通讯作者：
Grafton, Scott T.
影响因子：
25
作者：
Bassett DS;Yang M;Wymbs NF;Grafton ST
通讯作者：
Grafton ST