大脑网络组织的多尺度建模：多层网络视角(8)

阿尔茨海默病（AD）是一种神经退行性疾病，是最常见的痴呆症形式。临床表现为轻度记忆障碍，逐渐发展为严重认知障碍，最终会导致死亡。目前，在细胞水平上的假说是，阿尔茨海默病通过τ tangles和β-淀粉样斑块的逐步积累，导致了神经元和突触的死亡，从而导致脑萎缩和无序的断开模式。多路复用脑网络对阿尔茨海默病患者大脑的跨频重组进行了描述，细节可见图7。而在其它的精神疾病中，如精神分裂症，依靠脑组织多层网络提出的生物标志物，读者可自行查看原文。

图7：阿尔茨海默病（AD）患者脑网络的多频段和时间重组。（a）由不同频率段得到的网络层，时间网络是由不同频段内的特定时间段的网络串联起来。（b）上图显示了AD患者脑磁图多频网络的中枢中断（hub disruption），每一个点表示一个脑区，指标是上述提到的重叠度（overlap degree）。下图是对应的重叠加权度组间差异显著的脑区。（c）散点图表示将时效网络中提取的多重聚类系数（MCC）和多重参与系数（MPC）合并后，每个被试与AD或对照组之间的马氏距离。
6. 多层脑网络理论的三个发展方向
多尺度网络的生成模型。大脑网络的生成模型允许人们从描述性的自上而下方法转向机制性的自下而上方法。这些模型通常定义一组局部连接规则（如概率重布线或优先连接），以发展具有特定全局特性（如小世界或无标度分布）的合成网络。神经科学中的网络模型主要是由生物学和拓扑学的证据或假设来驱动的。
多层网络的可控性。理解一个复杂的系统意味着能够描述它，再现它，并最终控制它。在过去十年中，应用于大脑连接的网络控制理论的发展使得范式发生了转变，为理解大脑如何控制自身以及如何被外生事件控制提供了新的工具(Tang和Bassett, 2018)。
机器学习和多层网络。网络科学能够很好的用于分析和建模复杂系统、揭示机制、解释功能。然而，仅靠网络理论往往不能有效地操纵大型数据集以及不同的分辨率水平。它关注于特定的手工构建的拓扑特性，而忽略了不那么直观但可能存在的代表性模式，例如高阶网络的交互。在这方面，机器学习代表了一种强大的技术，用于处理大量数据，并从数据本身学习与系统固有现象相关的隐藏模式。