A two-part mixed-effects modeling framework for analyzing whole-brain network data

تجزیه و تحلیل شبکه کل مغز باقی مانده در پیشگیری از تحقیقات عصبی، در دهه گذشته، برجسته شده است. رویکردهای علمی شبکه، این تحلیل ها را تسهیل کرده و مغز را به عنوان یک سیستم یکپارچه مورد بررسی قرار داده است. با این حال، روش های آماری برای مدل سازی و مقایسه گروه ها از شبکه ها عقب مانده است. استفاده از رویکردهای آماری چند متغیره با علم شبکه بهترین راه برای توسعه این روش ها است. در این راستا، چارچوب مدل سازی ترکیبی دو بعدی را پیشنهاد می کنیم که امکان مدل سازی هر دو احتمال اتصال (حضور / عدم وجود یک لبه) و قدرت اتصال را در صورت وجود دارد. مدل های موجود در این چارچوب، قادرند مقدار ارتباط بین نتیجه (مثلا وضعیت بیماری) و الگوهای ارتباطی در مغز را کاهش دهند، در حالی که کاهش همبستگی های جعلی را با استفاده از متغیرهای مخدوش کننده ایجاد می کند. آنها همچنین پیش بینی نتایج را براساس ساختار ارتباطی و برعکس، شبیه سازی شبکه ها برای به دست آوردن درک بهتر از محدوده های طبیعی تنوع توپولوژیکی و آستانه استفاده از شبکه های اطلاعات گروه را فراهم می کند. بنابراین، آنها یک رویکرد جامع برای مطالعه خواص مغناطیسی سطح سیستم برای درک ما از عملکرد مغز طبیعی و غیر طبیعی ارائه می دهند.