Construction and multilayer motif analysis of temporal fMRI brain networks

Abstract

Multilayer networks are a tool for incorporating temporal information or different types of data into a single mathematical network object, and with the pipeline developed in this thesis, can be analysed for statistically enriched equivalence classes of isomorphic subnetworks, called motifs, in order to understand the structure of the network. The function of the human brain can be represented as a network of brain regions, Regions of Interest (ROIs). In this thesis, I describe and implement a pipeline for constructing multilayer temporal brain networks (layers correspond to time windows) and analysing their motifs from fMRI (functional magnetic resonance imaging) data. For a given fMRI time series data, ROIs are usually defined as unchanging in time, which, according to recent literature, might be an inaccurate assertion. In the present pipeline, ROIs within each layer can be defined independently, resulting in ROIs that change in time. The pipeline finds isomorphism class distributions of the connected, induced subnetworks of the multilayer brain networks and compares them between groups of data to identify motifs. As a proof-of-concept, the pipeline is applied to a real-world fMRI data set, collected at Aalto University Department of Neuroscience and Biomedical Engineering, which consists of subjects from Finnish and Russian cultural backgrounds listening to a spoken story with culture-specific elements. We find no points in time where the isomorphism class distributions of the two subject groups differ statistically significantly. However, we confirm the expected result that, in general, the isomorphism class counts in human brains are statistically significantly different from those in randomized multilayer Erdős-Rényi networks. The pipeline is therefore shown to find motifs related to fundamental human brain function, but identifying the possibly subtle differences between the two subject groups might require more specific hypotheses (restricting the number of isomorphism classes studied) or more data.

Monitasoverkostot ovat väline, jonka avulla yhteen matemaattiseen verkosto-olioon voidaan sisällyttää aikainformaatiota tai montaa erityyppistä dataa. Käyttäen tässä diplomityössä kehitettyä työkalua, monitasoverkostojen rakennetta voidaan analysoida tarkastelemalla tilastollisesti vertailudataa useammin tai harvemmin esiintyviä isomorfisten aliverkostojen ekvivalenssiluokkia, joita kutsutaan motiiveiksi. Ihmisaivojen toimintaa voidaan kuvata aivoalueiden muodostamana verkostona. Tässä diplomityössä suunnittelen ja toteutan työkalun, jolla voidaan rakentaa funktionaalisesta magneettikuvausdatasta ajan suhteen monitasoisia aivoverkostoja (jokainen taso vastaa ajanjaksoa datassa), ja jolla voidaan analysoida näissä verkostoissa esiintyviä motiiveja. Aivoalueet funktionaalisessa magneettikuvausdatassa on tavallisesti määritelty siten, että ne pysyvät muuttumattomina ajanhetkestä toiseen, mikä saattaa olla virheellinen olettamus viimeaikaisen tiedon mukaan. Toteuttamallani työkalulla jokaisen verkostotason aivoalueet on mahdollista määritellä itsenäisesti, jolloin aivoalueet voivat muuttua ajan kuluessa. Työkalu etsii monitasoaivoverkostojen aliverkkojen isomorfismiluokkajakaumat ja vertailee niitä datajoukkojen välillä tunnistaakseen joukosta motiivit. Työssä sovelletaan työkalua soveltuvuusselvityksenomaisesti todelliseen funktionaaliseen magneettikuvausdataan, joka on kuvattu Aalto-yliopiston neurotieteen ja lääketieteellisen tekniiikan laitoksella. Koehenkilöjoukko koostui kahdesta ryhmästä, joista toisella oli suomalainen kulttuuritausta ja toisella venäläinen. Koehenkilöt kuuntelivat puhuttua tarinaa, jossa oli kulttuurispesifisiä piirteitä. Henkilöiden aivoverkoistoista ei löytynyt ajanhetkiä, jolloin isomorfismiluokkajakaumat olisivat olleet tilastollisesti merkitsevästi erilaiset ryhmien välillä. Koehenkilöiden yhdistetyt isomorfismiluokkajakaumat olivat kuitenkin tilastollisesti merkitsevästi erilaisia kuin satunnaistetuista Erdős-Rényi-monitasoverkostoista lasketut. Työkalu kykenee siis löytämään yleiseen avotoimintaan liittyviä motiiveja, mutta koehenkilöryhmien välisten mahdollisesti hienovaraisten eroavaisuuksien tunnistaminen saattaa vaatia tarkempia hypoteeseja (tarkastellun isomorfismiluokkajoukon rajoittamista) tai enemmän dataa.