【神经科学】Nature 历年网络科学文集：网络层次与结构( 二 ) |物理|

评价：网络神经科学用一个显性的一体化视角，来发现位于复杂的大脑功能及认知之下的一般性原理。本文探讨了网络神经科学这一新兴学科，指出一条可以连通不同尺度及物种上的计算，理论及实验的研究方向，以便更好的理解大脑。
摘要：尽管最近取得了显著的进步，我们对复杂的大脑功能和认知所基于的一般原则和机制仍不完全。从一个显性的一体化视角研究大脑的结构和功能，网络神经科学将会应对神经科学中持久性的挑战。网络神经科学会使用一种全新的方式对神经系统中的元素和相互作用进行映射，记录，分析和建模。驱动这一研究方向的一是新的实用工具，可以用来完整的映射并记录分子，神经元，脑部及社会系统间的相互作用模式；二是现代网络科学提供的理论框架和计算工具。技术和理论进展的交汇，为科学研究提供了新的边界，例如大脑网络的动力学，对大脑网络的控制和操纵，以及对跨时间的网络运作的整合。本文对网络科学这一新兴学科进行回顾，并试图指出一条能够更好理解包含多尺度网络的系统的研究方向。
4.多层网络显示了大裂谷地区种子分散过程中的空间结构
原题：Multilayer networks reveal the spatial structure of seed-dispersal interactions across the Great Rift landscapes
类型：Article
时间：2018 年 6 月 10 日
期刊：Nature Communications
作者：Sérgio Timóteo, Marta Correia ? Ruben Heleno
网址：https://www.nature.com/articles/s41467-017-02658-y
评价：物种相互作用网络通常由观察到的栖息地边界进行划线。本文中，种子分散（seed-dispersal）通过一个包含相互关联物种的区域性多层网络，进行分析。分析的过程中强调了Gorongosa地区多样的种子散步者之间的功能内聚性。
摘要：物种间的相互作用传统上是通过在空间上清晰定义的边界间的离散实体来进行研究。使用多层网络，可显现的解释栖息地之间的连接。本文研究莫桑比克Gorongosa国家公园中的种子分散网络呈现的空间结构。文章指出，种子分散网络整体上由在不同栖息地上在空间中显性的群落组成，在功能上连接起环境中的镶嵌图案（landscape mosaic）。跨栖息地的连接决定了网络的空间结构，在该空间结构下，无论是分割还是合并栖息地都无法用标准的单层网络进行描述。多层网络的模块性无法用随机各个栖息地预期关联的物种之间相互作用的零模型（null model）来进行预测，除此之外，随着栖息地之间的连接增加，随机过程对全局结构的影响越来越大。种子散步者在整体网络结构中的重要性，可通过多层网络间的多样性进行度量，而不能用其他标准的指标。多样性极高的物种，可以在多块栖息地之间，传播多种植物的种子，从而对区域的功能内聚性（cohesion）十分重要。
5.对大脑结构和功能之间的高阶功能与连接组之间的嵌入向量进行映射
原题：Mapping higher-order relations between brain structure and function with embedded vector representations of connectomes
类型：Article
时间：2018 年 6 月 5 日
期刊：Nature Communications
作者：Gideon Rosenthal, Franti?ek Vá?a ? Olaf Sporns
网址：https://www.nature.com/articles/s41467-018-04614-w
评价：大脑脑区的功能，是由其在网络中的嵌入决定的。本文通过在连接组（connectomes）上实现word2vec算法，对相互连接的结构中每个节点产生一个向量式的嵌入，使在大脑中进行功能上相互关系的推断成为可能。
摘要：连接组是对大脑网络的全景化建模，通过节点和其间的连接进行表征。特定节点的功能由该节点和其他网络中的节点的直接和间接的连接所决定。但是网络的背景在单个节点的层次上是无法获知的。类似的问题在自然语言处理中，通过word2vec算法，进行构造词嵌入，以其在一个有意义的低维度的向量空间，展现词与词之间相互关系的方式得到了解决。本文采用这样的方法，构建大脑网络的嵌入向量表达形式，称为connectome embeddings (CE) 。 CE可描述大脑区域间的相互关系，可用于从原始的结构扩散（structural diffusion）图像中，推测未出现的连接，例如跨半球（inter-hemispheric）的同伦（homotopic）连接。除此之外，本文构造了预测性的，关于功能和结构连接线的深度模型，并在人脸识别系统中，模拟网络层面的病变（lesion）的影响，用来展示模型的应用。本文指出CE提供了一种展示连接组结构和功能的新方法。