算法几何塑造丘脑皮层结构协方差的生物学意义

神经影像学研究常常将结构协方差（SC）推导并讨论为潜在脑回路的一种表征，反映协调成熟、解剖连接、转录相似性以及共享遗传影响。这些关联促使其被用于研究发育、衰老和疾病过程中的脑组织。然而，用于推导 SC 网络的算法施加了可能塑造其生物学解释的约束。为理解算法选择的影响，我们以丘脑皮层系统为例，在来自费城神经发育队列（PNC）的 755 名 8–22 岁参与者中比较了五种常见的体素级 SC 表征，即主成分分析（PCA）、独立成分分析（ICA）、非负矩阵分解（NMF）、正交投影 NMF（OPNMF）和 <i>k</i>-means 聚类。基于形变形态测量（DBM）推导的 SC 网络针对三个互补的生物学基准进行了评估：年龄相关的个体差异、基于分数各向异性（FA）的区域特异性丘脑皮层连接的微结构连接，以及 Allen Human Brain Atlas 基因表达。每种算法均表现出对神经生物学不同方面的潜在敏感性：PCA 和 OPNMF 在参与者水平成分权重与年龄之间表现出最强的关联。NMF、OPNMF 和 <i>k</i>-means 在阳性皮层 SC 与纤维束成像推导的投射之间表现出更大的空间重叠。ICA 和 PCA 在整个转录组的丘脑与皮层基因表达谱之间表现出更强的一致性，而 NMF、OPNMF 和 <i>k</i>-means 更常识别出具有相对较高核心矩阵基因表达的丘脑成分。本研究强调，算法约束实际上充当生物学先验，且分解方法并不提供数据的中性压缩。我们得出结论，必须考虑算法目标是否与被研究神经生物学的表征几何相匹配。总体而言，我们的发现表明 SC 研究应根据生物学问题选择和论证算法，明确考虑其约束是偏好分布式梯度、重叠区域部分还是离散聚类。同时，对 SC 发现的解释也可由用于推导它们的特定算法约束来提供信息。

中文由 AI 翻译，仅供参考，以原文为准。