aalto1 untyped-item.component.html
Methodological challenges in constructing functional brain networks
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
SCI3027
Degree programme
Language
en
Pages
31
Series
Abstract
Network neuroscience has emerged as a powerful framework for understanding the complexity of the human brain. By modeling the brain as a network of interconnected brain regions, researchers can gain more accurate insights into the functional connectivity of the brain. However, decisions in network construction significantly impact subsequent analyses and research outcomes. Due to a lack of consensus on best practices, multiple approaches exist, and comparison between studies is difficult.
The aim of this thesis is to provide a critical review of popular methodological approaches in functional brain network modeling, examining how choices in node definition, edge determination, and network thresholding affect the resulting network properties, their interpretation, and further analysis. Additionally, the thesis discusses related reproducibility issues and novel approaches. This thesis is a literature review that focuses on recent articles discussing common methods for functional brain network construction as well as their advantages and limitations.
The common and popular functional brain network construction methods are likely partially flawed and model brain activity in a simplistic way. The inaccuracy of the methods is not always taken into account in studies, which may lead to unreliable analyses and results. The lack of a single correct approach to modeling highlights the context-specificity of current methodology in research. Recent advances are therefore enabling better comparison of methodologies across different research contexts. Furthermore, promising new brain network construction methods are constantly being developed, and as the field matures along with technological advances, standardization of methods may become possible.
Verkostoneurotieteestä on tullut tehokas kehys ihmisaivojen monimutkaisuuden ymmärtämiseen. Mallintamalla aivot toisiinsa kytkeytyneiden aivoalueiden verkostona tutkijat voivat ymmärtää aivojen toimintaa paremmin. Verkostojen rakenne ja siten rakentamiseen liittyvät metodologiset valinnat vaikuttavat kuitenkin merkittävästi myöhempiin analyyseihin ja tutkimustuloksiin. Koska parhaista käytännöistä ei ole päästy yksimielisyyteen, lähestymistapoja on useita, mikä vaikeuttaa tutkimusten vertailua.
Tämän tutkielman tavoitteena on kriittisesti käsitellä toiminnallisten aivoverkostojen mallintamisessa suosittuja menetelmiä. Työ tarkastelee, miten solmujen ja niiden välisten yhteyksien määrittely sekä kynnysarvotekniikat vaikuttavat muodostettuihin verkostoihin, niiden ominaisuuksiin, tulkintaan ja jatkoanalyysiin. Lisäksi tutkielmassa käsitellään verkostoja hyödyntävien tutkimusten toistettavuutta ja uusia lupaavia lähestymistapoja. Kandidaatintyö on kirjallisuuskatsaus, jossa keskitytään viimeaikaisiin artikkeleihin yleisimmistä aivojen toiminnallisten verkostojen rakentamismenetelmistä, niiden eduista ja rajoituksista.
Yleiset ja suositut toiminnallisten aivoverkostojen rakentamistavat ovat kandidaatintyön perusteella todennäköisesti kaikki paikoin puutteellisia, ja mallintavat aivotoimintaa yksinkertaistavasti. Menetelmien epäatarkkuutta ei välttämättä oteta tutkimuksissa aina huomioon, mikä saattaa johtaa epäluotettaviin analyyseihin ja tutkimustuloksiin. Koska yhtä oikeaa lähestymistapaa mallintamiseen ei ole, korostuu menetelmien kontekstisidonnaisuus tutkimuksissa. Viimeaikaiset edistysaskeleet edistävätkin menetelmien vertailua eri tutkimuskonteksteissa. Lisäksi uusia lupaavia aivoverkostojen rakentamismenetelmiä kehitetään jatkuvasti, ja kun ala kypsyy teknisen kehityksen myötä, voi menetelmien standardointi olla mahdollista.