Functional connectomics from a “big data” perspective

در دهه گذشته، رشد انفجاری در زمینه مطالعات مرتبط با اتصال به شبکه مشاهده شده است. دانش جمع آوری شده به طور قابل توجهی در درک ما از معماری شبکه های عملکرد مغز در سلامت و بیماری ها کمک کرده است. با توسعه تکنیک های نوآوری عصبی، ایجاد مجموعه داده های مغزی بزرگ و انباشت فزاینده یافته های منتشر شده، تحقیقات علمی کاربردی شروع به حرکت به دوران داده های بزرگ کرده است که فرصت های بی سابقه ای برای کشف علم مغز ایجاد می کند و به طور همزمان با مسائل مختلف چالش برانگیز، مانند کسب اطلاعات، مدیریت و تجزیه و تحلیل مواجه است. داده های بزرگی در ارتباطات عملکردی دارای چند ویژگی مهم هستند: دقت مکانی و / یا زمان بالا، اندازه نمونه های بزرگ، ثبت طولانی مدت فعالیت مغز، متغیرهای بیولوژیکی چند بعدی (مانند تصویربرداری، ژنتیک، جمعیت شناسی، شناختی و کلینیک) و / یا تعداد زیادی از یافته های موجود. ما مطالعات مربوط به ارتباطات علمی عملکرد را از دیدگاه داده های بزرگ بررسی می کنیم، با تمرکز بر پیشرفت های اخیر روش شناختی در دستیابی به پیشرفت تصویر (به عنوان مثال، تصویربرداری چندباندی)، روش های تجزیه و تحلیل و استراتژی های آماری (به عنوان مثال، تجزیه و تحلیل نظری گراف، شبکه دینامیک تجزیه و تحلیل مولفه مستقل، تجزیه و تحلیل الگوی چند متغیره و یادگیری ماشین)، و همچنین اعتبار سنجی قابلیت اطمینان و قابلیت تکثیر. ما یافته های رمان را در استفاده از داده های بزرگ اطلاعات کاملی برای کشف مکانیسم های بیولوژیکی توابع شناختی، رشد طبیعی و پیری و اختلالات عصبی و روان شناختی برجسته می کنیم. ما از ضرورت فوری برای گسترش تلاش هایی که در زمینه چالش های روش شناختی صورت می گیرد حمایت می کنیم و در مورد نحوه کاربرد برنامه های کاربردی در این زمینه بحث خواهیم کرد.