グラフの理論分析におけるシミュレートされた機能的脳ネットワークの定量的評価

安静時の脳ネットワークに関する機械的洞察を提供するために、全脳の計算モデルの可能性への関心が高まっています。したがって、計算モデルが経験的機能的脳ネットワークのトポロジー特性を再現する程度を決定することが重要です。健康な個人からの拡散スペクトルおよび静止状態の機能的磁気共鳴画像データから派生した経験的接続データを使用しました。構造的接続性によって制約される経験的およびシミュレートされた機能ネットワークは、66の脳の解剖学的領域（ノード）に基づいて定義されました。シミュレートされた機能データは、各解剖学的領域が位相発振器として機能するKuramotoモデルを使用して生成されました。ネットワークトポロジは、経験的データとシミュレーションデータのグラフ理論を使用して研究されました。次に、経験的データとシミュレートされたデータから派生したグラフ理論測定の差（相対誤差）を推定しました。シミュレートされたデータを、さまざまな動的状態でグローバルネットワーク組織のグラフ測定をモデル化し、指定された接続密度に関するシミュレートされたデータで得られたソリューションの敏感な依存性を強調するために自信を持って使用できることがわかりました。この研究は、将来の研究デザインを通知するために使用できるシミュレートされたデータから派生したグラフ理論メトリックの定量的評価と外部検証の方法を提供します。

There is increasing interest in the potential of whole-brain computational models to provide mechanistic insights into resting-state brain networks. It is therefore important to determine the degree to which computational models reproduce the topological features of empirical functional brain networks. We used empirical connectivity data derived from diffusion spectrum and resting-state functional magnetic resonance imaging data from healthy individuals. Empirical and simulated functional networks, constrained by structural connectivity, were defined based on 66 brain anatomical regions (nodes). Simulated functional data were generated using the Kuramoto model in which each anatomical region acts as a phase oscillator. Network topology was studied using graph theory in the empirical and simulated data. The difference (relative error) between graph theory measures derived from empirical and simulated data was then estimated. We found that simulated data can be used with confidence to model graph measures of global network organization at different dynamic states and highlight the sensitive dependence of the solutions obtained in simulated data on the specified connection densities. This study provides a method for the quantitative evaluation and external validation of graph theory metrics derived from simulated data that can be used to inform future study designs.