XiaoMi-AI文件搜索系统
World File Search SystemConnectome
基于fMRI和DTI数据的大脑有效连接组
神经科学研究旨在找到准确可靠的大脑有效连接组（EC）。尽管当前的EC发现方法有助于我们对大脑组织的理解，但它们的性能受到fMRI数据的短样本量和差的时间分辨率的严重限制，以及大脑连接组的高维度。通过利用DTI数据作为先验知识，我们介绍了两个贝叶斯因果发现框架 - 贝叶斯魔像（BGOLEM）和贝叶斯FGES（BFGES）方法 - 这些方法可显着准确，更可靠的EC，并解决现有的Causal Discovery方法仅基于FMRI数据的现有Causal Discovery方法的缺点。此外，要使用我们的经验数据方法来评估EC的准确性的提高，我们将伪发现率（PFDR）引入了大脑中因果发现的新计算准确度量。通过一系列关于合成和杂种数据的模拟研究（将人类连接组项目（HCP）受试者和合成fMRI的DTI结合在一起），我们证明了我们提出的方法的有效性以及引入度量指标在发现EC中的可靠性。通过采用PFDR指标，我们表明，与传统方法相比，当应用于人类连接项目（HCP）数据时，我们的贝叶斯方法可显着准确。另外，我们使用Rogers-Tanimoto索引进行重新测试数据来衡量发现EC的可重复性，并表明我们的贝叶斯方法提供了比传统方法更可靠的EC。总体而言，我们的研究的数值和视觉结果突出了这些框架可显着提高我们对大脑功能的理解的潜力。
将直接脑电刺激与人类连接组相结合
神经系统和神经发育疾病是主要的公共卫生问题，迫切需要新的治疗方法。有效疗法的开发依赖于对与行为产生因果关系有关的神经基质的精确映射。目前，在清醒手术中的认知和神经监测期间进行的直接电刺激 (DES) 被认为是脑功能因果映射的黄金标准。然而，DES 受到刺激部位局部性的限制，阻碍了在网络层面上对人类大脑功能的真正整体探索。我们使用了来自 612 名胶质瘤患者的 4137 个 DES 点，结合人类连接组数据（静息态功能 MRI，n = 1000 和扩散加权成像，n = 284），以提供对包含 12 个不同行为域的因果宏观功能网络的多模态描述。为了探究我们程序的有效性，我们 (i) 比较了健康和临床人群的网络拓扑图；(ii) 测试了 DES 衍生网络的预测能力； (iii) 量化结构和功能连接之间的耦合；(iv) 建立一个多变量模型，能够量化单个受试者与规范人群的偏差。最后，我们通过测试 DES 衍生的功能网络在识别与术后语言缺陷相关的关键神经调节靶点和神经基质方面的特异性和敏感性，探究了 DES 衍生的功能网络的转化潜力。与单独使用 DES 相比，DES 和人类连接组数据的组合导致全脑覆盖率平均增加 29.4 倍。DES 衍生的功能网络可以预测未来的刺激点（准确率为 97.8%），并得到皮层下刺激的解剖连接的强烈支持。我们没有观察到患者和健康人群在群体和单个受试者层面上存在任何显著的拓扑差异。通过展示具体的临床应用，我们发现 DES 衍生的功能网络与多个功能域中的有效神经调节目标重叠，在使用不同刺激技术的颅内刺激点进行测试时表现出高度特异性，并且可以有效地用于表征术后行为缺陷。DES 与人类连接组的整合从根本上提高了 DES 或单独功能成像提供的功能映射的质量。DES 衍生的功能网络可以可靠地预测未来的刺激点，与底层白质具有很强的对应性，并且可以用于患者特定的功能映射。可能的应用范围从精神病学和神经病学到神经心理学、神经外科和神经康复。
人类脑结构连接的母语差异
语言结构连接组的神经解剖学是通过讲特定语言的终身经历调节的吗？当前的研究比较了语言和语音生产网络的大脑白质连接，其中包括两种非常不同的语言的94个母语人群：一种印欧语 - 欧洲文字句法复杂的语言（德语）和一种基于闪族根的语言（阿拉伯语）。使用高分辨率分歧加权MRI和基于拖拉的语言网络统计数据，我们证明，德国母语者在静脉内/颞叶语言网络中表现出更强的连通性，已知与复杂的语法处理相关联。相比，阿拉伯语的母语者在语义语言区域之间的连接中表现出更强的连通性，包括左颞顶网络，以及通过后callososum callosus calloctoctoctosum callosum callosecun callosum callosect callosecun callosum calls calls calls call calls calloctoction callosum callosem callosem calloctoction callose。当前的研究表明，结构性语言连接组发展并受环境因素（例如母语的特征处理需求）的调节。
通过图论构建忆阻纳米线网络连接组
神经网络的硬件实现是利用神经形态数据处理优势和利用与此类结构相关的固有并行性的里程碑。在这种情况下，具有模拟功能的忆阻设备被称为人工神经网络硬件实现的有前途的构建块。作为传统交叉架构的替代方案，在传统交叉架构中，忆阻设备以自上而下的方式以网格状方式组织，神经形态数据处理和计算能力已在根据生物神经网络中发现的自组织相似性原理实现的网络中得到探索。在这里，我们在图论的理论框架内探索自组织忆阻纳米线 (NW) 网络的结构和功能连接。虽然图度量揭示了图论方法与几何考虑之间的联系，但结果表明，网络结构与其传输信息能力之间的相互作用与与渗透理论一致的相变过程有关。此外，还引入了忆阻距离的概念来研究激活模式和以忆阻图表示的网络信息流的动态演变。与实验结果一致，新出现的短期动力学揭示了具有增强传输特性的自选择通路的形成，这些通路连接受刺激区域并调节信息流的流通。网络处理时空输入信号的能力可用于在忆阻图中实现非常规计算范式，这些范式充分利用了生物系统中结构和功能之间的固有关系。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
通过图论构建忆阻纳米线网络连接组
神经网络的硬件实现是利用神经形态数据处理优势和利用与此类结构相关的固有并行性的里程碑。在这种情况下，具有模拟功能的忆阻设备被称为人工神经网络硬件实现的有前途的构建块。作为传统交叉架构的替代方案，在传统交叉架构中，忆阻设备以自上而下的方式以网格状方式组织，神经形态数据处理和计算能力已在根据生物神经网络中发现的自组织相似性原理实现的网络中得到探索。在这里，我们在图论的理论框架内探索自组织忆阻纳米线 (NW) 网络的结构和功能连接。虽然图度量揭示了图论方法与几何考虑之间的联系，但结果表明，网络结构与其传输信息能力之间的相互作用与与渗透理论一致的相变过程有关。此外，还引入了忆阻距离的概念来研究激活模式和以忆阻图表示的网络信息流的动态演变。与实验结果一致，新出现的短期动力学揭示了具有增强传输特性的自选择通路的形成，这些通路连接受刺激区域并调节信息流的流通。网络处理时空输入信号的能力可用于在忆阻图中实现非常规计算范式，这些范式充分利用了生物系统中结构和功能之间的固有关系。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
对功能性大脑连接的个体变异性结构的结构洞察力
人类的认知和行为取决于大脑的功能连接，它们在各个个体之间差异很大。然而，功能性连接组是否以及如何受到限制的个人变异性体系结构在很大程度上未知。使用基于拖拉机和形态计量学的网络模型，我们观察到结构和功能连接器个体变异性的空间收敛性，异质缔合区域的变异性较高，而主要区域的变异性较低。我们证明了功能可变性是通过统一的结构可变性模式显着预测的，并且该预测遵循主要到异态分层轴，在原始区域的准确性较高，在异源区域中较低。我们将组级连接组的变异模式进一步分解为单个独特的贡献，并发现了与单个认知性状相关的结构功能对应。这些结果可以使我们对单个功能变化的结构基础的理解提高了我们的理解，并提出了将多模式连接组签名整合到认知和行为中各个差异的重要性。
利用时空注意力机制学习大脑连接组的动态图形表征
大脑各区域之间的功能连接 (FC) 可以通过用功能神经成像模式测量的时间相关程度来评估。基于这些连接构建网络的事实，基于图的大脑连接组分析方法为人类大脑的功能提供了见解。能够从图结构化数据中学习表示的图神经网络 (GNN) 的发展，导致人们对学习大脑连接组的图形表示的兴趣日益浓厚。尽管最近将 GNN 应用于 FC 网络的尝试已显示出有希望的结果，但仍存在一个常见的限制，即它们通常不包含随时间波动的 FC 网络的动态特性。此外，一些尝试使用动态 FC 作为 GNN 输入的研究报告称，与静态 FC 方法相比，性能有所下降，并且不能提供时间上的可解释性。在这里，我们提出了 STAGIN，一种使用时空注意来学习大脑连接组的动态图形表示的方法。具体来说，将脑图的时间序列输入到 STAGIN 以获得动态图表示，而新颖的 READOUT 函数和 Transformer 编码器分别提供具有注意力的空间和时间可解释性。在 HCP-Rest 和 HCP-Task 数据集上的实验证明了我们提出的方法的卓越性能。时空注意力的分析还提供了与神经科学知识的并发解释，这进一步验证了我们的方法。代码可在 https://github.com/egyptdj/stagin 获得
人工智能在人脑连接组研究的进步中的作用
神经元是通过离子连接以发展大脑中电磁场的互动细胞。该结构直接在大脑中起作用。Connectome是从神经元连接获得的数据。由于神经回路在各种疾病中的大脑变化，因此研究Connectome会阐明特殊疾病的临床变化。探索这些数据及其与疾病的关系的能力使我们找到了新的治疗方法。人工智能（AI）是用于查找输入数据与结果之间关系的强大算法的集合。AI用于从Connectome数据中提取有价值的特征，进而将其用于开发神经疾病中的预后和诊断模型。研究神经退行性疾病和行为疾病中脑回路的变化使得可以早期诊断和发展有效的治疗策略。考虑到研究脑部疾病的困难，连接数据的使用是改善该器官知识的有益方法之一。在本研究中，我们对使用Connectome数据和AI进行研究的研究进行了系统的综述，用于研究各种疾病，我们专注于旨在为未来研究提供观点的研究的实力和弱点。在整个过程中，AI对于使用神经成像数据开发诊断和预后工具非常有用，而数据收集和衰减的偏见除了使用小型数据集外，还使用Connectome数据限制了基于AI的工具的应用程序，该数据应在未来的研究中涵盖。
从内在的大脑形态和功能连接的信任倾向的预测
图3基于GMV的预测模型的贡献区域。（a）基于GMV的预测模型确定了13个贡献区域（即，利益区域，ROI，ROIS），绘制了群集大小为体素数。颜色表示不同的大脑网络模块。（b）模块化分析确定了相同颜色所示的ROI的三个稳定模块（默认模式网络，DMN，蓝色；中央执行网络，CEN，黄色；和动作感知网络，APN，RED）在连通性密度含量下，范围为0.26至0.50，增量为0.01。（c）连通性密度为0.40的三个网络模块的弹簧状布局显示了每对节点之间的欧几里得距离，反映了图理论距离和线的厚度，反映了边缘的连接强度。（d）连通性密度为0.40的功能连通性矩阵（通过模块对ROI进行排序）显示边缘内部比模块之间更强的边缘强度。（e）与每个模块相关的前四个心理主题显示功能解码曲线的对数比值比。ifg，下额回（腹外侧前额叶皮层，VLPFC）; MFG，中部额回（背侧前额叶皮层，DLPFC）; mog，中枕回； prcg，前中央回； POCG，中心后回； precuneus； SFG，上额回（背部前额叶皮层，DMPFC）； SMG;超边缘回； SPL，上顶叶； STG，上级颞回
人类大脑连接组结构功能耦合的时空模式与发育
。CC-BY-NC-ND 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2023 年 10 月 4 日发布。；https://doi.org/10.1101/2023.09.11.557107 doi：bioRxiv 预印本