Beyond modularity: Fine-scale mechanisms and rules for brain network reconfiguration

مغز انسان در شار ثابت است، به عنوان مناطق متمایز در برقراری ارتباط گذرا برای حمایت از رفتارهای پایه و همچنین شناخت پیچیده. مجموعه ای از تعاملات بین حوزه های کورتنی و زیر کورتنی یک شبکه مغزی کاربردی را تشکیل می دهد که توپولوژی آن با زمان هماهنگ است. علیرغم پویایی غیرقابل انکار که برای این سیستم شبکه سازنده است، شواهد تجربی نشان می دهد که تعاملات عملکردی به سیستم های مغز احتمالی سازماندهی می شود که جنبه های مختلف محاسبات شناختی را تسهیل می کند. ما فرض می کنیم که چنین شبکه های عملکردی پویا در اطراف مجموعه ای از قوانین که معماری فضایی خود را - که در آن مناطق مغز ممکن است عملکرد تعامل - و معماری زمانی خود را محدود - چگونه این تعاملات در طول زمان نوسان می کند. برای عدالت این اصول سازماندهی، ما یک روش یادگیری ماشین بی نظیر که فاکتور سازی ماتریس غیر منفی برای شبکهای فعال در حالت استراحت، در 20 فرد سالم است، اعمال می شود. این روش یادگیری ماشین به طور خودکار گروههای متقابل همزمان زمانی را به زیرگرافهایی که حالت توپولوژیکی احتمالی معماری کاربردی پویا را تشکیل می دهند، گروه بندی می کند. ما دریافتیم که زیرگرافها براساس هر دو سازمان مدولار پایه و فاصله توپوگرافی قویترین تعاملاتشان طبقه بندی میشوند: در حالی که بسیاری از زیرگرافها عمدتا درون ماژولها قرار دارند، دیگران بین ماژولها فاصله دارند و در طول زمان با یکدیگر متفاوتند. ارتباط بین زیرگرافهای پویا و معماری مدولائی بیشتر با توانایی بیان زیرگرافی تغییر می شود تا تفاوت های بین فردی را در سازماندهی مجدد ما توضیح دهد. به طور خلاصه، این نتایج به نقش حیاتی که زیرگراف ها در محدود کردن توپوگرافی و توپولوژی شبکه های مغز عملکردی می گویند اشاره دارد. به طور گسترده تر، این روش یادگیری ماشین، یک درگاه جدید برای درک معماری شبکه های کاربردی پویا در طول امور و وضعیت استراحت باز می کند و برای بررسی تغییرات آن معماری در بیماری ها، باز می شود.