عنوان ترجمه شده مقاله: واحد جدید مرکزیت برای شبکه های مغز

Recent developments in network theory have allowed for the study of the structure and function of the human brain in terms of a network of interconnected components. Among the many nodes that form a network, some play a crucial role and are said to be central within the network structure. Central nodes may be identified via centrality metrics, with degree, betweenness, and eigenvector centrality being three of the most popular measures. Degree identifies the most connected nodes, whereas betweenness centrality identifies those located on the most traveled paths. Eigenvector centrality considers nodes connected to other high degree nodes as highly central. In the work presented here, we propose a new centrality metric called leverage centrality that considers the extent of connectivity of a node relative to the connectivity of its neighbors. The leverage centrality of a node in a network is determined by the extent to which its immediate neighbors rely on that node for information. Although similar in concept, there are essential differences between eigenvector and leverage centrality that are discussed in this manuscript. Degree, betweenness, eigenvector, and leverage centrality were compared using functional brain networks generated from healthy volunteers. Functional cartography was also used to identify neighborhood hubs (nodes with high degree within a network neighborhood). Provincial hubs provide structure within the local community, and connector hubs mediate connections between multiple communities. Leverage proved to yield information that was not captured by degree, betweenness, or eigenvector centrality and was more accurate at identifying neighborhood hubs. We propose that this metric may be able to identify critical nodes that are highly influential within the network

چکیده

پیشرفت های اخیر در تئوری شبکه امکان مطالعه و بررسی ساختار و عملکرد مغز انسان برحسب شبکه ای با اجزا متصل به هم را فراهم می آورد. در بین بسیاری از گره های تشکیل دهنده یک شبکه، بعضی نقش اساسی در ساختار شبکه دارند و گفته می شود که در مرکز ساختار شبکه قرار دارند. گره های مرکزی را می توان از طریق متریک های مرکزیت شناسایی نمود که مرکزیت درجه، بینابین و بردار ویژه سه نوع از مهم ترین واحدهای معروف می باشند. مرکزیت درجه گره هایی با بیشترین اتصال را شناسایی می کند، درحالیکه مرکزیت بینابین آن دسته از گره هایی را تعیین می کند که بر روی مسیرهایی با بیشترین گردش قرار دارند. مرکزیت بردار ویژه گره های متصل به سایر گره های درجه بالا را به عنوان گره های مرکزی بالا در نظر می گیرد. در مقاله پیشرو، یک متریک مرکزیت جدید به نام مرکزیت نیرو/مرکزیت اهرم ارائه شده است که میزان اتصال یک گره نسبت به اتصال همسایه های آن را در نظر می گیرد. مرکزیت نیرو یک گره در شبکه از طریق میزانی تعیین می شود که طبق آن میزان همسایه های جانبی آن گره برای اطلاعات بدان متکی باشند. مرکزیت درجه، بینابین، بردار ویژه و نیرو با استفاده از شبکه های عملیاتی مغز داوطلبان سالم مقایسه می شود. کارتوگرافی عملیاتی نیز جهت شناسایی هاب های مجاور (گره هایی با درجه بالا در مجاورت شبکه) استفاده می شود. هاب های محلی ساختاری را در جامعه محلی ایجاد می کند و هاب های رابط واسطه اتصالات بین چندین جامعه می باشد. ثابت شده که مرکزیت نیرو اطلاعاتی را ارائه می دهد که از طریق مرکزیت درجه، بینابین یا بردار ویژه به دست نمی آید و در شناسایی و تعیین هاب های مجاور دقیق تر عمل می کند. این نوع متریک قابلیت شناسایی گره های بحرانی را دارد که از نفوذ و قدرت بالایی در شبکه  برخوردار می باشند.

1-مقدمه

اخیرا تئوری شبکه به عنوان قالبی مفید جهت بررسی مغز برحسب ساختار و عملکرد آن  شناسایی شده است. در آنالیزهای شبکه fMRI (تصاویر رزونانس مغناطیسی عملیاتی)، هر وکسل به عنوان گره ای در یک شبکه با اتصالات بین گره ای تعریف شده توسط فعالیت عملیاتی در نظر گرفته می شود. اگرچه دو کانون در مغز ممکن است اتصال عصبی مستقیمی نداشته باشند، اما یک اتصال عملیاتی براساس هم بستگی های سیگنال زمانی fMRI استنباط می شود...