7. Examining the organization of the brain network
7.1. Graph analysis
지금까지는 특정 피질 영역들 간 특정한 기능적 연결성을 확인함. 하지만, 최근에는 resting-state 분석 기술의 새로운 발전으로 graph 분석 방법을 이용하여 보다 뇌 네트워크의 전체 구조를 확인 할 수 있음. 뇌 네트워크의 전체적인 구조를 확인하는 것은 인간 뇌가 어떻게 작용하는지에 대한 새로운 통찰을 제공함.
뇌 영역들간 기능적 연결성들은 어떻게 조직화되어 있는가? 뇌는 서로 다른 하위 시스템 간에 정보을 얼마나 효율적으로 통합 할 수 있는가? 이러한 효율적인 커뮤니케이션에 역할을 담당하는 뇌 영역이 있는가?
Graph theory는 이러한 질문들을 위한 복잡한 네트워크의 topolgy를 확인할 수 있는 이론적 틀을 제공하고, 기능적 뇌 네트워크들의 국소적/국지적인 조직에 대한 중요한 정보를 규명할 수 있음.
그림 3은 기능적 뇌 네트워크의 graph representation의 개략적 그림을 보여줌. 1) 그래프 이론적 틀은 내에서는, 노드는 피질 영역들로 표현됨. 2) 두 영역 간의 기능적 연결성 수준은 두 영역들의 time-series 간의 상관 수준으로 계산됨(그림 3b). 3) 모든 가능한 노드 쌍들 간 기능적 연결성 수준을 계산하고 미리 정의한 cut-off 역치 또는 가중치 접근을 이용하여 기능적 연결성 결정하면, 기능적 뇌 네트워크의 graph representation을 제공하고 graph theory를 이용하여 이 구조의 조사할 수 있음(그림 3c).
Graph theory는 구조에 대한 핵심 정보를 수집함으로써 인터넷, 항공망 및 생물학적 시스템과 같은 복잡한 네트워크의 속성을 연구하는데 사용됨.
그림 4는 clustering-coefficient, characteristic path length, node degree와 degree distribution, centrality와
modularity를 포함한 핵심 그래프 속성들을 설명함.
1) Clustering-coefficient는 특정 노드와 연결된 이웃 노드들끼리 서로 얼마나 가깝게 연결되어 있는가를 표현하고(그림 4b), 이는 그래프의 국소적 연결성(local connectedness) 정도를 나타냄.
2) Characteristic path length는 평균적으로 특정 노드가 각각의 다른 노드들과 얼마나 가깝게 연결되어 있는가를 나타내고(그림 4c), 이는 네트워크의 국지적 연결성(global connectivity) 수준에 대한 정보와 서로 다른 시스템 간 정보가 얼마나 효율적으로 통합되는지에 대한 정보를 제공함.
3) Node degree는 특정 노드가 다른 노드들과 얼마나 많은 연결을 가지고 있는가를 나타내고(그림 4d), 이는 hub nodes 존재에 대한 정보를 제공함.
4) Centrality는 네트워크 내 특정 노드를 통과하는(in and out) 최단 이동 경로수(edges)을 나타내고(그림 4e), 이는 네트워크의 전반적인 커뮤니케이션 효율성에 중요한 역할을 하는 것을 hub nodes에 대한 정보를 제공함.
5) Modularity는 노드의 그룹이 자신의 그룹 구성원들과 연결된 범위를 나타내고(그림 4f), 이는 전체 네트워크 내에 하위 네트워크의 형성을 나타낸다.
종합하면, 이러한 graph 속성들은 네트워크의 구조에 대한 중요한 정보를 제공하고, small-world, scale-free/modular 구주와 같은 특정 구조를 표시할 수 있음(그림 5).
7.2. Applying graph analysis to resting-state fMRI: exploring the functional brain network
많은 연구들이 rs-fMRI 데이터를 그래프 분석 기술에 적용하여 기능적 뇌 네트워크들의 일반적인 구조에 대한 새로운 통찰을 제공함. 이러한 연구들은 휴지기 동안 기능적 연결성의 매우 효율적인 조직을 보여주었고, 이는 효율적인 small-world 조직에 따라 뇌 네트워크가 조직화되어 있는 것을 보여줌(그림 5a).
Small-world networks는 높은 수준의 국소적 연결성(local connectivity)과 네트워크 노드들 간 가까운 거리를(low path length) 가짐. 따라서, 이러한 구조는 높은 수준의 국소직 효율성(local efficiency)과 국지적 효율성(global efficiency)을 가짐.
또한, 기능적 뇌 네트워크의 연결성 분포는 random network와 다르고, 이는 기능적 네트워크의 몇몇 노드가 다른 노드들보다 더 많은 연결을 가진 것을 의미함.
Voxel 기분 연구에서 뇌 네트워크의 연결성 분포가 power-law function임을 보여주었고, 이는 기능적 뇌 네트워크의 scale-free 조직을 생성함(그림 5b).
Scale-free 네트워크는 무선적 공격에 대해 매우 높은 수준의 복원력을 가진 것으로 알려져 있으며, 이는 매우 견고한 네트워크 조직을 가리킴. 하지만, scale-free 네트워크는 허드 노드에 대한 공격에 매우 취약함. 이는 뇌 연결성 질환에서 허드 노프에 대한 특수한 공격의 가능성을 시사함.
rs-fMRI 데이터의 그래프 분석으로 많은 수의 허브 영역을 규명하였고, 이는 이러한 특별한 허브 영역이 알츠하이머에 영향을 받을수 있고, 이러한 환자들의 기능적 뇌 효율성이 감소를 야기할 수 있음.
※ Network topologies: regular, random, small-world, scale-free와 modular networks
1) Regular network는 국소적(local) 특성을 가지고 있는데, 높은 clustering-coefficeint(C)와 긴 path length(L)을 특성을 지님. 따라서, 특정 노드에서 멀리 있는 다른 노드를 이동하기 위해 많은 단계를 거쳐야함(그림 5. regular).
2) Random network는 모든 노드들이 네트워크에 걸쳐 무선적으로 연결되어 있고, 낮은 clustering-coefficeint와 짧은 path length(L)의 국지적(global) 특성을 가짐(그림 5. random).
3) Small-world network는 높은 clustering-coefficeint와 짧은 path length(L)을 특성을 가지고, 국소적인 특성을 가짐에도 짧은 단계로 멀리있는 노드 까지 갈 수 있음. 따라서, 높은 수준의 국소적/국지적 효율성을 가짐.
4) Scale-free network는 power-law function(멱급수)를 따르는 네트워크 분포를 가지는데, 이는 소수 노드가 수 많은 연결을 가짐(그림 5b). 이러한 노드를 hub-node라하고 네트워크 효율성에 중요한 역할을 함.
5) Modular network는 노드들 끼리 군집을 형성하고 있으며, 이 군집 또한 서로 구별되는 다른 군집과 연결되어 있음(그림 5c).
댓글