Эта модель, опубликованная в Proceedings of the National Academy of Sciences, теперь дает исследователям инструмент, расширяющий возможности наблюдения за статическими сетями на одном снимке во времени, что очень полезно, поскольку сетевые данные обычно являются динамическими. Анализ сетевых данных — или изучение взаимосвязей с крупномасштабной точки зрения — это новая область статистики и науки о данных.«Для любого набора данных с динамическим компонентом люди теперь могут эффективно использовать его для поиска сообществ, которые сохраняются и меняются с течением времени», — сказала Кэтрин Родер, профессор статистики и наук о жизни UPMC из Дитрихского колледжа гуманитарных и социальных наук. . «Это будет очень полезно для понимания того, как прогрессируют определенные заболевания и расстройства. Например, мы знаем, что определенные гены ответственны за аутизм, и можем использовать нашу модель, чтобы понять, в какой момент начинается развитие расстройства».
Модель, Постоянные сообщества с помощью сглаживания собственного вектора (PisCES), объединяет информацию из ряда сетей в долгосрочном плане, чтобы усилить вывод для каждого периода. Команда CMU использовала PisCES, чтобы проследить экспрессию нейронных генов от зачатия до взрослого возраста в мозге макаки-резуса, чтобы выяснить, какие гены работают вместе на разных этапах развития.«Наш метод визуализации сочетает в себе два различных существующих инструмента: обнаружение сообществ, которое является популярным инструментом для статических сетевых данных, и графики Сэнки, которые часто используются для визуализации« потоков »информации.
Наша визуализация объединяет участников сети в сообщества, которые развиваются с течением времени, а затем изображает развивающееся членство в сообществах как серию потоков между сообществами », — сказал Дэвид Чой, доцент кафедры статистики и информационных систем в колледже информационных систем и государственной политики Хайнца.Их анализ выявил наличие точек изменений, а также периодов устойчивой структуры сообщества генов, включая динамическое сообщество генов, участвующих в управлении нейронной проекцией, которое было очень активным в течение среднего и позднего периода развития плода.
Это конкретное сообщество включает в себя множество генов, связанных с риском аутизма.«По сути, нашей целью было добавить« сглаживание »к обнаружению сообщества, чтобы устранить« шум », и мы смогли это сделать», — сказал Чой.Хотя команда опробовала модель, визуализировав изменяющиеся паттерны в способах совместной работы генов, есть надежда, что этот метод можно будет применить к социальным сетям, динамическим диффузионным сетям в физике и другим реляционным ситуациям.
«Модель действительно гибкая, и мы уже начинаем использовать ее с данными фМРТ, чтобы понять, как области мозга взаимосвязаны и изменяются с течением времени», — сказал Фучен Лю, доктор философии. студентка факультета статистики и данных.Разработка новой динамической статистической модели для отслеживания экспрессии нервных генов с течением времени — одно из многих достижений в исследованиях мозга в Карнеги-Меллон. CMU создал одних из первых наставников по когнитивным технологиям, помог разработать победившего в Jeopardy Watson, основал новаторскую докторскую программу по нейронным вычислениям и является колыбелью искусственного интеллекта и когнитивной психологии. Опираясь на свои сильные стороны в области биологии, информатики, психологии, статистики и инженерии, CMU запустил BrainHub, инициативу, которая фокусируется на том, как структура и активность мозга порождают сложные формы поведения.
Эта работа финансировалась Национальным институтом психического здоровья и Фондом Саймонса.