XiaoMi-AI文件搜索系统
World File Search SystemConnectome
学习蝇脑的因果相互作用图
神经科学的长期目标是获得神经系统的因果模型。这将使神经科学家可以用神经元之间的动态相互作用来解释动物行为。最近报道的全脑苍蝇连接组[1-7]指定神经元可以彼此影响的突触路径，而不是在体内影响彼此的突触路径。为了克服这一局限性，我们引入了一种新型的实验和统计策略，以有效地学习蝇脑的因果模型，我们称之为“效应”。具体来说，我们为飞脑动力学系统模型提出了一个估计器，该模型使用随机光遗传学扰动数据来确保估计因果效应，并在大幅提高估计效率之前作为因果效应。然后，我们分析了连接组，以提出对蝇神经系统动力学最大影响的电路。我们不涵盖的是，主要的电路显着涉及相对较小的神经元种群 - 因此，成像，刺激和神经元识别是可行的。有趣的是，我们发现这种方法还重新发现了已知电路并产生有关其动态的可检验假设。总的来说，我们对Connectome的分析提供了证据，表明苍蝇大脑的全球动态是由大量小型且通常是解剖学上局部的电路所产生的，主要是彼此独立的。这反过来意味着大脑的因果模型，即系统神经科学的主要目标，可以在苍蝇中可行地获得。
引用Vergni D，Stolfip和Pascarella a（2024），关于网络传播，有希望的模型超出网络扩散，以描述退化BR
神经系统污染可能是可以帮助恢复大脑健康的方法的发展（Raj等，2012; Poudel等，2020）。从引入术语Connectome（Sporns等，2005）中，当它的确切结构在很大程度上未知时，直到今天，还进行了一些研究来研究Connectome非常复杂的网络（Bullmore和Sporns，2009）以及其中发生的动态过程（Avena-Koenigsberger等人，2018年）。尤其是人类连接组动力学以多个时间尺度发生，范围从毫秒到几年，并且使用了不同类型的测量设备来捕获它们（Mitra，2007）。这些不同的时间尺度揭示了大脑功能和行为的各个方面。最短的时间量表与功能性脑网络中的快速神经处理和信息交换有关。神经传递和突触通信在这项快节奏的活动中起着至关重要的作用。脑电图（EEG）和磁脑电图（MEG）是捕获这些快速电气信号的选择性技术。在较高的时间尺度上，从秒到几分钟，连接组的动力学与特定任务期间的认知过程和功能连接性变化有关。功能性MRI（fMRI）通常用于研究这些变化。例如，在记忆任务中，某些大脑区域可能表现出增加的功能活动，表明它们参与了记忆网络（Murphy等，2020）。静止状态fMRI用于研究内在的大脑活动，而个人没有执行任何特定的任务。从几分钟到几个小时，连接组的动力学与功能连通性中的静止状态相关（Smitha等，2017）。在较高时间尺度上发生的过程的示例，从几天到几年，学习，记忆巩固过程，大脑发育和认知能力下降。特别是，我们感兴趣的过程是在这些时间尺度上发生的创伤性脑损伤和退化性脑动力学。对于这类疾病，将功能信息与研究结构连接组引起的功能信息集成至关重要，这代表了不同大脑区域之间的解剖联系。扩散张量成像（DTI）和扩散加权成像（DWI）是创建结构连接组的主要常用MRI技术。我们选择使用由DTI和DWI数据产生的连接组，因为有证据表明它参与了神经疾病的传播（Torok等，2018; Weickenmeier等，2019; Wilson等，2023）。然而，重要的是要强调，这项工作中提出的方法独立于一个人决定使用的类型（无论是基于功能，接近性，突触连接还是大脑生理学的其他结构）；必须选择最合适的网络以准确描述给定神经病理的传播。越来越多的关于退化性脑疾病的作品（Raj等，2012; Raj等，2015; Pandya等，2019）和创伤性脑损伤（Poudel等，2020）使用网络扩散作为一种有缺乏的和预测的动力学模型。在所有需要建模某种网络动力学的应用中，网络扩散过程（也称为热扩散过程）变得越来越重要。应用程序领域是机器学习最多的，例如（例如，（Hofmann等，2008）和最近的（Stolfif et al。，2023））到网络生物学（请参阅（Carlin等，2017）和
遗传，转录组，代谢和神经精神上的基础皮质功能梯度
图1：不同数据集中的遗传力（H 2）地图。a。显示低维空间，其颜色由功能网络编码34。b。显示了三个组织轴的本征图，该轴是根据人类连接组项目（HCP）35的函数连接模板22计算得出的。所有个人都与此组级模板保持一致。我们使用单个梯度和谱系/基因型信息来计算单核苷酸多态性（SNP）基于双核苷酸多态性（C），基于Twin的HCP（D）和基于TWIN的QTAB（E）的每个梯度的遗传力（H 2）。f。每两个遗传力图之间的空间相关性。空间自相关被认为使用测量距离变化函数图将图置入图，并且基于1000个排列获得了P变化图值。
基于连接组的一般和特定执行功能预测模型
* 通讯作者：Shijie Qu，美国耶鲁大学心理学系，或通过电子邮件：shijie.qu@yale.edu；Kwangsun Yoo，韩国成均馆大学数字健康系，或通过电子邮件：rayksyoo@skku.edu；Marvin M. Chun，美国耶鲁大学心理学系，或通过电子邮件：marvin.chun@yale.edu。资金：数据由人类连接组计划、WU-Minn 联盟（首席研究员：David Van Essen 和 Kamil Ugurbil；1U54MH091657）提供，该计划由支持 NIH 神经科学研究蓝图的 16 个 NIH 研究所和中心资助；以及华盛顿大学麦克唐纳系统神经科学中心提供。由美国国立卫生研究院资助的基于连接组的一般注意力预测模型，资助编号 5R01MH108591，MMC 计算资源和耶鲁大学资助的 SQ。关键词：执行功能、连接组、个体差异、基于任务的 fMRI、预测模型
EEG 和 QEEG 评估的先进概念和人类表现国际临床神经科学研讨会 – 2017 年 2 月 3 日至 5 日
非侵入式电磁源成像和格兰杰因果关系分析：一种电生理连接组 (eConnectome) 方法 Abbas Sohrabpour、Shuai Ye、Gregory Worrell、Wenbo Zhang、Bin He，美国明尼苏达大学，卷：63，期：12，页码：2474-2487，2016 年
任务引起的大脑熵变化
由人类连接组项目，Wu-Minn Consortium（主要研究人员：David Van Essen和Kamil Ugurbil; 1U54MH091657）提供了成像和行为数据，由16个NIH Institutes and Centers资助，由NIH IHIH研究所和中心资助。以及圣路易斯华盛顿大学麦当劳系统神经科学中心。用于制备本手稿的数据和/或研究工具是从国家心理健康研究所（NIMH）数据档案（NDA）获得的。nda是美国国立卫生研究院（National Institutes of Health）创建的合作信息系统，旨在提供国家资源，以支持和加速心理健康研究。数据集标识符：[NIMH数据存档数字对象标识符10.15154/1526336]。本手稿反映了作者的观点，可能不会反映NIH或提交者的意见或观点，将原始数据提交给NDA。作者感谢Human Connectome项目的开放访问其数据。
以亚微米分辨率绘制灵长类前额叶皮质全脑兴奋性投射组并与扩散纤维束成像进行比较
1 中国科学院神经科学研究所、神经科学国家重点实验室、脑科学与智能技术卓越创新中心，上海；2 中国科学院大学，北京；3 复旦大学类脑智能科学与技术研究所，上海；4 北京大学心理与认知科学学院、行为与心理健康北京市重点实验室、IDG/麦戈文脑研究中心、北大-清华生命科学中心，北京；5 浙江工业大学信息工程学院，杭州；6 深圳市神经精神调控重点实验室和脑科学协同创新中心、广东省脑连接组与行为重点实验室、中国科学院脑连接组与操控重点实验室、脑认知与脑疾病研究所、深圳先进技术研究院、深港脑科学研究院-深圳基础研究机构，深圳
简历 Martijn van den Heuvel 研究员 唯一 ID
受大脑功能源自大脑区域间相互作用这一概念的启发，我早期的工作重点是开发从 MRI 数据重建和研究高分辨率功能和结构连接组图谱的方法（Neuroimage，2008 年，Human Brain Mapping 2008 年）。我的研究是首批将连接组学与大脑功能联系起来的研究之一（J Neuroscience，2009 年），作为一名博士后，我假设存在一个“人类连接组的富人俱乐部组织”，描述了一个密集连接的枢纽集合，它们充当人类（和动物）大脑中的中央通信和整合支柱。在一系列研究中，我表明富人俱乐部在全球大脑通信和功能整合中发挥着重要作用（J Neuroscience 2011、2013、2013、2014、JAMA Psychiatry 2013、PNAS 2012、Neuroimage 2014）。我建议富人俱乐部包含跨物种神经系统组织的基本结构（“布线规则”），并在各种大脑功能障碍中发挥重要作用（TiCS 2013，Nature Reviews Neurosciences 2020）。
大脑结构功能耦合为任务解码和个体指纹识别提供特征
功能活动的大脑特征在解码大脑状态（即区分不同的任务）和指纹识别（即在大群体中识别个体）方面都表现出良好的效果。重要的是，这些大脑特征并不能解释大脑功能发生的底层大脑解剖结构。基于图形信号处理 (GSP) 的结构-功能耦合最近揭示了健康受试者在静息状态下从单峰到跨峰区域的平均空间梯度。在这里，我们探索结构-功能耦合对不同大脑状态（任务）和个体受试者的特异性。我们对来自人类连接组计划的 100 名不相关的健康受试者在休息和七个不同任务期间使用了多模态磁共振成像，并采用支持向量机分类方法进行解码和指纹识别，并使用各种交叉验证设置。我们发现结构-功能耦合测量可以对任务解码和指纹识别进行准确分类。具体而言，指纹识别的关键信息位于功能信号的更自由部分，其贡献明显集中在额顶网络。此外，功能信号的自由部分与认知特征表现出很强的相关性，经偏最小二乘分析评估，证实了其与指纹识别的相关性。通过引入基于 GSP 的信号过滤和 FC 分解的新视角，这些结果表明，大脑结构功能耦合提供了一类新的认知特征和个体大脑组织在静息和执行任务时的组织特征。此外，它们还提供了阐明结构连接组低空间频率和高空间频率的作用的见解，从而对在结构连接组图谱中可以找到用于表征个体的关键结构功能信息的位置有了新的认识。
大脑结构功能耦合为...提供特征
功能活动的大脑特征在解码大脑状态（即区分不同的任务）和指纹识别（即在大群体中识别个体）方面都表现出良好的效果。重要的是，这些大脑特征并不能解释大脑功能发生的底层大脑解剖结构。基于图形信号处理 (GSP) 的结构-功能耦合最近揭示了健康受试者在静息状态下从单峰到跨峰区域的平均空间梯度。在这里，我们探索结构-功能耦合对不同大脑状态（任务）和个体受试者的特异性。我们对来自人类连接组计划的 100 名不相关的健康受试者在休息和七个不同任务期间使用了多模态磁共振成像，并采用支持向量机分类方法进行解码和指纹识别，并使用各种交叉验证设置。我们发现结构-功能耦合测量可以对任务解码和指纹识别进行准确分类。具体而言，指纹识别的关键信息位于功能信号的更自由部分，其贡献明显集中在额顶网络。此外，功能信号的自由部分与认知特征表现出很强的相关性，经偏最小二乘分析评估，证实了其与指纹识别的相关性。通过引入基于 GSP 的信号过滤和 FC 分解的新视角，这些结果表明，大脑结构功能耦合提供了一类新的认知特征和个体大脑组织在静息和执行任务时的组织特征。此外，它们还提供了阐明结构连接组低空间频率和高空间频率的作用的见解，从而对在结构连接组图谱中可以找到用于表征个体的关键结构功能信息的位置有了新的认识。