Graph Independent Component Analysis Reveals Repertoires of Intrinsic Network Components in the Human Brain

한글 요약

뇌가 인지 과제마다 새로운 연결망을 만드는 것이 아니라 소수의 기본 연결망 구성 요소를 조합해 사용한다는 가설을 검증하기 위해, 이러한 기본 요소를 추출하는 새로운 방법인 그래프 독립성분분석(graph-ICA)을 제안한 연구입니다. 이 방법은 개인별 뇌연결망을 그래프로 표현한 뒤 독립성분분석(ICA)을 적용해, 연결선을 공유하며 서로 다른 가중치를 갖는 하위 연결망들의 혼합을 분해합니다. 모의실험으로 타당성을 확인하고 휴지기 fMRI에서 수십 개의 내재적 하위 연결망을 추출한 뒤, 운동, 작업기억, 동사 생성 과제 중의 뇌연결망을 이 요소들로 분해하여 과제 수행과 관련된 하위 연결망과 성별에 따른 사용 차이를 확인했습니다. graph-ICA는 복셀 수준 공간 ICA로는 얻기 어려운 뇌 영역 간 연결 가중치 정보를 직접 제공해 과제 특이적 및 집단 특이적 기능 연결망을 밝히는 데 유용합니다.

Does each cognitive task elicit a new cognitive network each time in the brain? Recent data suggest that pre-existing repertoires of a much smaller number of canonical network components are selectively and dynamically used to compute new cognitive tasks. To this end, we propose a novel method (graph-ICA) that seeks to extract these canonical network components from a limited number of resting state spontaneous networks. Graph-ICA decomposes a weighted mixture of source edge-sharing subnetworks with different weighted edges by applying an independent component analysis on cross-sectional brain networks represented as graphs. We evaluated the plausibility in our simulation study and identified 49 intrinsic subnetworks by applying it in the resting state fMRI data. Using the derived subnetwork repertories, we decomposed brain networks during specific tasks including motor activity, working memory exercises, and verb generation, and identified subnetworks associated with performance on these tasks. We also analyzed sex differences in utilization of subnetworks, which was useful in characterizing group networks. These results suggest that this method can effectively be utilized to identify task-specific as well as sex-specific functional subnetworks. Moreover, graph-ICA can provide more direct information on the edge weights among brain regions working together as a network, which cannot be directly obtained through voxel-level spatial ICA.