information at the level of synapse

information at the level of synapses, we could predict context sensitive
coupling or the dynamics one might expect to see, i.e. how functional
pathways are modulated depending on task or cognitive set. This requires
biophysical models that can be informed by experimentally controlled
context, and can represent connection strengths as a function of
activity (non-linear postsynaptic effects) or time (synaptic plasticity).
FMRI has a key role to play, and has already been successful in
mapping functional networks, for example, using resting state data
(Beckmann et al., 2005). However, evidence from MEG suggests
that these network interactions are likely underpinned by oscillatory
activity in particular frequency bands (Brookes et al., 2011a; Hipp et al.,
2012). Understanding these oscillations and the biophysical models
that underpin them will provide unique and important insights into
the function of the brain. For example, one possibility is that long-range
connectivity may be mediated by synchronisation of oscillatory activity
(Fries, 2005). To illuminate thesemodels, direct measures of neural activity
at high temporal resolution are needed, such as can provided by the
increasingly relevant modality of MEG.
Eventually, the understanding we can gain about the physiology of
network dynamics can be used to elucidate the mechanisms of aging
and disease in a clinical setting. Through approaches like generative
embedding (Brodersen et al., 2011), we can investigate disease mechanisms;
e.g. by looking at the population variability in certain biophysical
model parameters. By moving closer to the actual mechanisms of brain
function, this approach should ultimately be more sensitive and more
interpretable than descriptive or normative approaches.
This paper will focus primarily on systems-level biophysical network
models of non-invasive neuroimaging data at the macroscopic,
whole brain, systemlevel. There is a particular focus on biophysical network
models of function. However, we will also consider models of anatomical
connectivity, particularly with regards to informing models of
network dynamics using the anatomical connectome.
Functional biophysical network models
In recent years there has been a noticeable move away fromthe spatial
mapping of task related activity towards inferring brain connectivity.
This is motivated by the idea that connectivity brings us closer to the
distributed mechanisms of brain function.
A popular approach to looking at connectivity in functional data has
been to look at measures of statistical dependency, otherwise known as
functional connectivity. This includes approaches such as partial or full
correlation (Smith et al., 2011). In FMRI, these correlations are typically
computed on the raw BOLD time series, whereas in MEG (due to the
non-zero lag correlations) correlations are typically computed over
band-limited power timeseries, particularly in the alpha and beta
bands (Brookes et al., 2011a; Hipp et al., 2012).
Full correlation simply corresponds to:
C ¼ yyT
=ðN−1Þ ð1Þ
where y is the N × T matrix of functional neuroimaging data for N brain
regions and T time points, and y is normalised to have zero mean and
unit variance for each brain region.1 Notably, full correlation cannot distinguish
between direct and indirect connections,whereas partial correlation
can — at least to some extent.
Partial correlation refers to the correlation between two timeseries,
after each has been adjusted by regressing out other variables (e.g., activity
in other brain regions/network nodes). An efficient way to estimate
the full set of partial correlations is via the inverse of the covariance
matrix (Marrelec et al., 2006). Under the constraint that this matrix
is expected to be sparse, regularisation is often applied, for example,
using the Lasso method (Friedman et al., 2008). Partial correlation

ผลลัพธ์ (ไทย) 1:

ข้อมูลของ synapses เราสามารถทำนายความบริบทคลัปหรือ dynamics หนึ่งอาจคาด เช่นทำงานอย่างไรมนต์มีสันทัดขึ้นอยู่กับงานหรือชุดการรับรู้ นี้ต้องการรุ่น biophysical ที่สามารถทราบโดยควบคุม experimentallyบริบท และสามารถแสดงจุดแข็งจุดเชื่อมต่อเป็นฟังก์ชันของกิจกรรม (postsynaptic ลักษณะพิเศษไม่ใช่เชิงเส้น) หรือเวลา (synaptic plasticity)FMRI มีบทบาทสำคัญในการเล่น และแล้วประสบความสำเร็จในการแมปเครือข่ายที่ทำงาน เช่น โดยใช้ข้อมูลสถานะที่พัก(Beckmann et al., 2005) อย่างไรก็ตาม การแนะนำหลักฐานจากเม็กที่โต้ตอบเครือข่ายเหล่านี้มีแนวโน้มรับการค้ำจุนจาก oscillatoryกิจกรรมในวงความถี่เฉพาะ (เดอะ et al., 2011a Hipp et al.,2012) การทำความเข้าใจเหล่านี้แกว่งและรุ่น biophysicalที่หนุนฟอร์ดที่มีพวกเขาจะให้เฉพาะ และสำคัญเจาะลึกการทำงานของสมอง ตัวอย่าง ความเป็นไปได้ที่หนึ่งเป็นระยะยาวที่เชื่อมต่อที่อาจ mediated โดย synchronisation กิจกรรม oscillatory(ฟรายส์ 2005) ให้แสงสว่าง thesemodels วัดกิจกรรมประสาทโดยตรงที่ความละเอียดสูงชั่วคราวจำเป็น เช่นสามารถให้โดยการmodality ที่เกี่ยวข้องมากขึ้นของเม็กในที่สุด ความเข้าใจที่เราสามารถเข้าเกี่ยวกับสรีรวิทยาของสามารถใช้เครือข่าย dynamics เพื่อ elucidate กลไกของริ้วรอยและโรคในทางคลินิก โดยใช้วิธีเช่น generativeฝัง (Brodersen et al., 2011), เราสามารถตรวจสอบโรคกลไกเช่น โดยมองที่ความแปรผันของประชากรในบาง biophysicalพารามิเตอร์ของแบบจำลอง โดยการย้ายใกล้ชิดกับกลไกที่แท้จริงของสมองฟังก์ชัน วิธีการนี้ในที่สุดควรมีความไวมาก และอื่น ๆinterpretable กว่าวิธีอธิบาย หรือ normativeเอกสารนี้จะเน้นหลักเครือข่าย biophysical ระดับระบบรุ่น neuroimaging ไม่รุกรานข้อมูล macroscopicสมองทั้งหมด systemlevel มีเฉพาะบนเครือข่าย biophysicalรูปแบบของฟังก์ชัน อย่างไรก็ตาม เราจะพิจารณารูปแบบของกายวิภาคเชื่อมต่อ โดยเฉพาะอย่างยิ่งเกี่ยวกับการแจ้งรูปแบบของconnectome กายวิภาคใช้ dynamics เครือข่ายแบบจำลองข่ายงาน biophysicalในปีที่ผ่านมา ได้มีการย้ายที่เห็นได้ชัดจากในปริภูมิการแม็ปของงานที่เกี่ยวข้องกับกิจกรรมต่อ inferring เชื่อมต่อสมองนี้เป็นแรงจูงใจ ด้วยความคิดที่เชื่อมต่อเราเข้าไปกลไกการกระจายของฟังก์ชันสมองวิธียอดนิยมให้ดูที่การเชื่อมต่อข้อมูลทำงานได้เคยไป ดูที่วัดอ้างอิงสถิติ หรือว่าเป็นการเชื่อมต่อทำงาน รวมถึงวิธี เช่นบางส่วน หรือทั้งหมดความสัมพันธ์ (Smith et al., 2011) ใน FMRI ความสัมพันธ์เหล่านี้โดยทั่วไปมีคำนวณเวลาดิบหนาชุด ในขณะที่ในเม็ก (เนื่องในความสัมพันธ์ความสัมพันธ์ความล่าช้าไม่เป็นศูนย์) โดยทั่วไปจะคำนวณมากกว่าเพาเวอร์แบนด์จำกัด timeseries โดยเฉพาะอย่างยิ่งในอัลฟาและเบต้าวง (เดอะ et al., 2011a Hipp et al., 2012)ความสัมพันธ์ทั้งหมดก็สอดคล้องกับ:C ¼ yyT= ðN−1Þ ð1Þโดยที่ y คือ เมตริกซ์ N × T ทำงาน neuroimaging ข้อมูลในสมอง Nภูมิภาคและ T เวลาจุด และ y ถูก normalised มีค่าเฉลี่ยเป็นศูนย์ และต่างหน่วยสำหรับแต่ละ region.1 สมองยวด ความสัมพันธ์เต็มรูปแบบไม่แยกความแตกต่างระหว่างเชื่อมต่อโดยตรง และทางอ้อม โดยสหสัมพันธ์บางส่วนสามารถ – น้อยบ้างความสัมพันธ์บางส่วนอ้างอิงถึงความสัมพันธ์ระหว่างสอง timeseriesหลังจากมี การปรับปรุง โดยลให้ออกตัวแปรอื่น ๆ (เช่น กิจกรรมในสมองภูมิภาค/เครือข่ายโหน) วิธีการประเมินที่มีประสิทธิภาพชุดเต็มของสัมพันธ์บางส่วนจะผ่านค่าผกผันของการแปรปรวนเมตริกซ์ (Marrelec และ al., 2006) ภายใต้ข้อจำกัดที่เมทริกซ์นี้คือคาดว่าจะเบา regularisation มักใช้ ตัวอย่างใช้วิธีแบบ Lasso (ฟรีดแมน et al., 2008) ความสัมพันธ์บางส่วน

ผลลัพธ์ (ไทย) 2:

ข้อมูลในระดับของประสาทที่เราสามารถทำนายบริบทที่สำคัญการมีเพศสัมพันธ์หรือการเปลี่ยนแปลงหนึ่งอาจคาดหวังที่จะเห็นคือวิธีการทำงานทางเดินจะมีการปรับขึ้นอยู่กับงานหรือชุดความรู้ความเข้าใจ นี้ต้องใช้แบบจำลองทางชีวกายภาพที่สามารถแจ้งจากการควบคุมการทดลองบริบทและสามารถเป็นตัวแทนของจุดแข็งของการเชื่อมต่อเป็นหน้าที่ของกิจกรรม(ที่ไม่ใช่เชิงเส้นผลกระทบ postsynaptic) หรือเวลา (synaptic ปั้น). fMRI มีบทบาทสำคัญในการเล่นและได้รับแล้วประสบความสำเร็จ ในเครือข่ายการทำแผนที่การทำงานเช่นใช้พักผ่อนข้อมูลสถานะ(Beckmann et al., 2005) อย่างไรก็ตามหลักฐานจาก MEG แสดงให้เห็นว่าการมีปฏิสัมพันธ์เครือข่ายเหล่านี้ได้รับการสนับสนุนโดยมีแนวโน้มแกว่งกิจกรรมในคลื่นความถี่โดยเฉพาะอย่างยิ่ง (บรูกส์, et al, 2011a.. Hipp, et al, 2012) การทำความเข้าใจแนบแน่นเหล่านี้และรุ่นชีวฟิสิกส์ที่หนุนพวกเขาจะให้ข้อมูลเชิงลึกที่ไม่ซ้ำกันและที่สำคัญในการทำงานของสมอง ตัวอย่างเช่นหนึ่งในความเป็นไปได้ก็คือว่าในระยะยาวการเชื่อมต่ออาจจะไกล่เกลี่ยโดยการประสานของกิจกรรมแกว่ง(Fries, 2005) เพื่อเพิ่มความสว่าง thesemodels มาตรการโดยตรงของกิจกรรมประสาทที่มีความละเอียดชั่วคราวสูงที่มีความจำเป็นเช่นสามารถให้บริการโดยกิริยาที่เกี่ยวข้องมากขึ้นของMEG. ในที่สุดความเข้าใจที่เราสามารถได้รับเกี่ยวกับสรีรวิทยาของการเปลี่ยนแปลงเครือข่ายสามารถนำมาใช้เพื่ออธิบายกลไกของริ้วรอยและโรคในการตั้งค่าทางคลินิก ผ่านวิธีการเช่นเดียวกับการกำเนิด(. Brodersen et al, 2011) การฝังเราสามารถตรวจสอบกลไกโรคเช่นโดยดูที่ความแปรปรวนของประชากรในบางชีวฟิสิกส์พารามิเตอร์แบบ โดยการย้ายใกล้ชิดกับกลไกที่เกิดขึ้นจริงของสมองฟังก์ชั่นวิธีการนี้ในท้ายที่สุดควรจะมีความไวและอื่น ๆ interpretable กว่าวิธีการบรรยายหรือกฎเกณฑ์. กระดาษนี้จะมุ่งเน้นไปที่ระบบระดับเครือข่ายชีวฟิสิกส์รูปแบบของการไม่รุกรานข้อมูล neuroimaging ที่เปล่าทั้งหมดสมอง systemlevel มีความสนใจเป็นพิเศษในเครือข่ายชีวฟิสิกส์เป็นรูปแบบของฟังก์ชั่น อย่างไรก็ตามเราจะพิจารณารูปแบบของทางกายวิภาคการเชื่อมต่อโดยเฉพาะอย่างยิ่งเกี่ยวกับการแจ้งรูปแบบของการเปลี่ยนแปลงของเครือข่ายโดยใช้connectome กายวิภาค. การทำงานแบบเครือข่ายชีวฟิสิกส์ในปีที่ผ่านมาได้มีการย้ายที่เห็นได้ชัดออกไป fromthe เชิงพื้นที่การทำแผนที่ของงานกิจกรรมที่เกี่ยวข้องต่อการอนุมานการเชื่อมต่อสมอง. นี่คือแรงบันดาลใจจากความคิดที่ว่าการเชื่อมต่อจะทำให้เราใกล้ชิดกับกลไกการกระจายของการทำงานของสมอง. วิธีที่นิยมในการมองไปที่การเชื่อมต่อข้อมูลในการทำงานที่ได้รับการมองไปที่มาตรการของการพึ่งพาทางสถิติที่เรียกว่าการเชื่อมต่อการทำงาน ซึ่งรวมถึงวิธีการเช่นบางส่วนหรือทั้งหมดสัมพันธ์ (สมิ ธ et al., 2011) ใน fMRI ความสัมพันธ์เหล่านี้มักจะคำนวณในอนุกรมเวลาBOLD ดิบในขณะที่ใน MEG (เนื่องจากไม่เป็นศูนย์ความสัมพันธ์ล่าช้า) ความสัมพันธ์จะคำนวณโดยทั่วไปมากกว่าtimeseries อำนาจวง จำกัด โดยเฉพาะอย่างยิ่งในอัลฟาและเบต้าวงดนตรี(บรูกส์และอัล ..., 2011a; Hipp et al, 2012) ความสัมพันธ์เต็มก็สอดคล้องกับ: C ¼ YYT = DN-1th ð1Þโดยที่y เป็น N รเมทริกซ์ T ของข้อมูล neuroimaging การทำงานสำหรับไม่มีสมองภูมิภาคและT จุดเวลาและ y ที่เป็น ปกติจะมีศูนย์ค่าเฉลี่ยและความแปรปรวนของแต่ละหน่วยregion.1 สมองโดยเฉพาะอย่างยิ่งความสัมพันธ์เต็มไม่สามารถแยกแยะความแตกต่างระหว่างการเชื่อมต่อตรงและทางอ้อมในขณะที่ความสัมพันธ์บางส่วนสามารถ-. อย่างน้อยบางส่วนส่วนความสัมพันธ์หมายถึงความสัมพันธ์ระหว่างสองtimeseries ที่หลังจากที่แต่ละคนมีรับการปรับโดยการถอยออกจากตัวแปรอื่น ๆ (เช่นกิจกรรมอื่นๆ ในบริเวณสมอง / โหนดเครือข่าย) วิธีที่มีประสิทธิภาพในการประมาณการชุดเต็มของความสัมพันธ์บางส่วนผ่านทางผกผันของแปรปรวนเมทริกซ์(Marrelec et al., 2006) ภายใต้ข้อ จำกัด ที่เมทริกซ์นี้คาดว่าจะเบาบางregularization มักจะถูกนำไปใช้ตัวอย่างเช่นใช้วิธีเชือก(ฟรีดแมน et al., 2008) ส่วนความสัมพันธ์

ผลลัพธ์ (ไทย) 3:

ข้อมูลในระดับของเส้นประสาท เราสามารถทำนายบริบทไว
Coupling หรือพลวัตหนึ่งอาจคาดหวังจะเห็น เช่นว่าแนวทางการทำงาน
จะปรับขึ้นอยู่กับงานหรือการตั้งค่า นี้ต้องใช้โมเดลทางชีวกายภาพที่สามารถแจ้งให้ทราบ

โดยการทดลองควบคุมบริบท และสามารถเป็นตัวแทนของการเชื่อมต่อการทำงานของ
กิจกรรม ( ไม่เชิงว่าผล ) หรือเวลา ( synaptic ปั้น ) .
fMRI ที่มีบทบาทสำคัญในการเล่นและได้รับการประสบความสำเร็จในการทำงาน
แผนที่เครือข่าย ตัวอย่างเช่น ใช้พักข้อมูลสถานะ
( เบ็คมันน์ et al . , 2005 ) อย่างไรก็ตาม หลักฐานจากเม็กแนะ
ที่ปฏิสัมพันธ์เครือข่ายเหล่านี้มีแนวโน้มเพิ่มขึ้น โดยกิจกรรมลังเล
ในแถบความถี่ที่เฉพาะเจาะจง ( บรูกส์ et al . , 2011a ;HIPP et al . ,
2012 ) ความเข้าใจต่างเหล่านี้และรูปแบบทางชีวกายภาพ
ที่หนุนพวกเขาจะให้เฉพาะ และที่สำคัญข้อมูลเชิงลึกใน
ฟังก์ชันของสมอง ตัวอย่างเช่นหนึ่งอาจเป็นไปได้ว่าการเชื่อมต่อระยะไกล
อาจจะผ่านโดยการเกิดขึ้นในเวลาเดียวกันของลังเลกิจกรรม
( มันฝรั่งทอด , 2005 ) เพื่อให้แสงสว่าง thesemodels มาตรการโดยตรงของประสาทกิจกรรม
ที่ความละเอียดสูงและเป็นเช่นสามารถให้โดย
ที่เกี่ยวข้องมากขึ้น กิริยาของ Meg .
ในที่สุด ความเข้าใจ เราสามารถได้รับเกี่ยวกับสรีรวิทยา
พลวัตเครือข่ายสามารถใช้เพื่ออธิบายกลไกของริ้วรอย
และโรคในการตั้งค่าทางคลินิก โดยวิธีการเช่นการฝังเข้า
( brodersen et al . , 2011 ) , เราสามารถศึกษากลไก
เช่นโรคดูในรูปแบบพารามิเตอร์ของประชากร
ปลาหลดบาง โดยการย้ายใกล้ชิดกับกลไกที่แท้จริงของการทำงานสมอง
, วิธีการนี้จะในที่สุดจะอ่อนไหวมากขึ้น
interpretable กว่าวิธีเชิงพรรณนาหรือ normative .
กระดาษนี้จะเน้นหลักในระดับระบบทางชีวกายภาพเครือข่าย
รูปแบบของข้อมูลในภาวะระบบประสาทมี
ทั้งสมอง systemlevel . มีการมุ่งเน้นเฉพาะปลาหลดเครือข่าย
รูปแบบของฟังก์ชัน อย่างไรก็ตาม เราก็จะพิจารณารูปแบบของการเชื่อมต่อทางกายวิภาค
, โดยเฉพาะอย่างยิ่งช่วยแจ้งรุ่นของ
พลวัตเครือข่ายโดยใช้ connectome กายวิภาคการทำงานแบบเครือข่าย
.
ทางชีวกายภาพ ใน ปี ล่าสุด ได้มีการย้ายเวลาห่างจากอวกาศ
แผนที่ของงานกิจกรรมที่เกี่ยวกับการเชื่อมต่อสมอง .
นี้เกิดจากไอเดียที่การเชื่อมต่อที่ทำให้เราใกล้ชิดกับ
กระจาย กลไกการทำงานของสมอง
แนวทางนิยมมองการเชื่อมต่อข้อมูลการทำงานได้
ไปดูมาตรการของการพึ่งพาทางสถิติ หรือที่เรียกว่า
การเชื่อมต่อการทํางาน รวมถึงวิธีเช่นบางส่วนหรือเต็ม
ความสัมพันธ์ ( Smith et al . , 2011 ) ใน fMRI ความสัมพันธ์เหล่านี้มักจะ
คำนวณบนดิบอนุกรมเวลาตัวหนา ในขณะที่เม็ก ( เนื่องจากมีความล่าช้าไม่เป็น

) ความสัมพันธ์มักจะคำนวณมากกว่าวงอำนาจอนุกรมเวลา โดยเฉพาะอย่างยิ่งในอัลฟาและเบต้า
วง ( บรูกส์ et al . , 2011a ; ฮิ๊ป et al . ,
2012 ) ความสัมพันธ์กับเต็มเพียง :
c ¼ yyt
= ð n − 1 ÞðÞ
1ที่ y n × t เมทริกซ์ข้อมูลการทำงานระบบประสาทสมอง
n ภูมิภาคและจุดที่เวลา t , Y คือการให้มีศูนย์และหน่วยความแปรปรวน
แต่ละสมอง เขต 1 โดยเฉพาะ ไม่สามารถแยกแยะระหว่างความสัมพันธ์เต็ม

ติดต่อโดยตรงและโดยอ้อม ส่วนสหสัมพันธ์บางส่วนสามารถอย่างน้อยบางส่วน .
สหสัมพันธ์บางส่วน หมายถึง ความสัมพันธ์ระหว่างสองปี
,หลังจากที่ได้มีการปรับ โดยแต่ละ้ตัวแปรอื่น ๆ ( เช่น กิจกรรม
ในภูมิภาคอื่น ๆสมอง / เครือข่ายโหนด ) วิธีที่มีประสิทธิภาพเพื่อประเมิน
ชุดเต็มของสหสัมพันธ์บางส่วนผ่านผกผันของเมทริกซ์ความแปรปรวนร่วม ( ANCOVA )
( marrelec et al . , 2006 ) ภายใต้ข้อจำกัดว่าเมทริกซ์
คาดว่าจะโปร่ง regularisation มักใช้ตัวอย่างเช่น
ใช้เชือกวิธี ( ฟรีดแมน et al . , 2008 ) สหสัมพันธ์บางส่วน