グラフ理論方法：脳ネットワークのアプリケーション

ネットワーク神経科学は、繁栄して急速に拡大する分野です。分子から行動スケールまで、脳ネットワークに関する経験的データは、サイズと複雑さが増え続けています。これらの開発は、グラフ理論によって提供されるような脳ネットワークデータをモデル化および分析する適切なツールと方法に対する強い需要につながります。この簡単なレビューでは、最も一般的に使用され、神経生物学的に洞察力に富んだグラフの測定と手法のいくつかを調査します。これらの中で、ネットワークコミュニティまたはモジュールの検出、および通信と信号の転送を促進する中央ネットワーク要素の識別は、特に顕著です。多くの新たな傾向は、生成モデルの使用の増加、動的（時変）および多層ネットワーク、および代数トポロジーの適用です。全体として、グラフ理論の方法は、脳ネットワークのアーキテクチャ、開発、および進化を理解するために中心的に重要です。

Network neuroscience is a thriving and rapidly expanding field. Empirical data on brain networks, from molecular to behavioral scales, are ever increasing in size and complexity. These developments lead to a strong demand for appropriate tools and methods that model and analyze brain network data, such as those provided by graph theory. This brief review surveys some of the most commonly used and neurobiologically insightful graph measures and techniques. Among these, the detection of network communities or modules, and the identification of central network elements that facilitate communication and signal transfer, are particularly salient. A number of emerging trends are the growing use of generative models, dynamic (time-varying) and multilayer networks, as well as the application of algebraic topology. Overall, graph theory methods are centrally important to understanding the architecture, development, and evolution of brain networks.