MétaCan
Menu
Retour à la cohorte
Enregistrement W3113211105 · doi:10.1089/brain.2020.0776

Multilayer Connector Hub Mapping Reveals Key Brain Regions Supporting Expressive Language

2020· article· en· W3113211105 sur OpenAlexaff
Brady J. Williamson, Manlio De Domenico, Darren S. Kadis

Notice bibliographique

RevueBrain Connectivity · 2020
Typearticle
Langueen
DomaineNeuroscience
ThématiqueFunctional Brain Connectivity Studies
Établissements canadiensMental Health Research CanadaHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesNational Institute of Neurological Disorders and Stroke
Mots-clésMagnetoencephalographyComputer scienceCentralityCognitionConnectomePsychologyCognitive psychologyCommunicationElectroencephalographyFunctional connectivityNeuroscienceMathematics

Résumé

récupéré en direct d'OpenAlex

Introduction: How components of the distributed brain networks that support cognition participate in typical functioning remains a largely unanswered question. An important subgroup of regions in the larger network are connector hubs , which are areas that are highly connected to several other functionally specialized sets of regions, and are likely important for sensorimotor integration. The present study attempts to characterize connector hubs involved in typical expressive language functioning using a data-driven, multimodal, full multilayer magnetoencephalography (MEG) connectivity-based pipeline. Methods: Twelve adolescents, 16–18 years of age (five males), participated in this study. Participants underwent MEG scanning during a verb generation task. MEG and structural connectivity were calculated at the whole-brain level. Amplitude/amplitude coupling (AAC) was used to compute functional connections both within and between discrete frequency bins. AAC values were then multiplied by a binary structural connectivity matrix, and then entered into full multilayer network analysis. Initially, hubs were defined based on multilayer versatility and subsequently reranked by a novel measure called delta centrality on interconnectedness (DCI). DCI is defined as the percent change in interfrequency interconnectedness after removal of a hub. Results: We resolved regions that are important for between-frequency communication among other areas during expressive language, with several potential theoretical and clinical applications that can be generalized to other cognitive domains. Conclusion: Our multilayer, data-driven framework captures nonlinear connections that span across scales that are often missed in conventional analyses. The present study suggests that crucial hubs may be conduits for interfrequency communication between action and perception systems that are crucial for typical functioning.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,199
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,198
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,199
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,072
Tête enseignante GPT0,306
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBrain ConnectivityMême sujetFunctional Brain Connectivity StudiesTravaux en français237 207