Das Amygdala-Konnektom der Ratte - RosDok - Universität Rostock
Das Amygdala-Konnektom der Ratte - RosDok - Universität Rostock
Das Amygdala-Konnektom der Ratte - RosDok - Universität Rostock
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Auch die Werte <strong>der</strong> exponentiellen Approximation kennzeichnen die Skalenfreiheit eines<br />
Netzwerkes. Sie werden nach <strong>der</strong> Formel<br />
P(k) = α ∙ e -k/γ<br />
berechnet. (Barabási und Bonabeau, 2004). Die Parameter α und γ können aus <strong>der</strong> Formel<br />
abgeleitet werden, Δ beschreibt wie<strong>der</strong>um die Abweichung <strong>der</strong> Ergebnisse <strong>der</strong><br />
Kantenverteilung einer 100mal durchgeführten Randomisierung von <strong>der</strong> Kurve <strong>der</strong> Funktion<br />
P(k) = α ∙ e -k/γ . Mit einem kleinen Δ aber auch relativ kleinem γ ist das intrinsische<br />
Netzwerk <strong>der</strong> <strong>Amygdala</strong> nach <strong>der</strong> Glie<strong>der</strong>ung von de Olmos (2004) nicht skalenfrei.<br />
Zusammenfassend lässt sich also feststellen, dass es sich bei <strong>der</strong> <strong>Amygdala</strong> nach <strong>der</strong><br />
Glie<strong>der</strong>ung von de Olmos (2004) um ein kompaktes Netzwerk mit einer relativ hohen Anzahl<br />
von Kanten handelt. Die Kerne sind eng miteinan<strong>der</strong> verbunden, was sich in <strong>der</strong> geringen<br />
Distanz und kurzen Pfadlänge wi<strong>der</strong>spiegelt. <strong>Das</strong> Netzwerk weist eine mittlere Heterogenität<br />
bei einem Clusterkoeffizienten von 0,63 auf. Es zeigen sich im Ansatz Charakteristika eines<br />
Small-World-Netzwerkes, bei <strong>der</strong> geringen Kennzahl ist keine Skalenfreiheit nachzuweisen.<br />
3.3.4 Vergleich mit zufälligen Netzwerken<br />
Dieser Abschnitt soll verdeutlichen, dass das Netzwerk <strong>der</strong> <strong>Amygdala</strong> nach <strong>der</strong> Glie<strong>der</strong>ung<br />
von de Olmos zwar Charakteristika mit bestimmten Typen von randomisierten Netzwerken<br />
teilt, das biologische Netz jedoch nicht einem vollkommen zufälligen Netzwerk entspricht.<br />
Unter einem Zufallsnetzwerk o<strong>der</strong> randomisierten Netzwerk versteht man ein mathematisches<br />
Konstrukt, bei dem eine festgelegte Zahl von Knoten mit Kanten nach bestimmten Regeln<br />
verbunden wird (Sporns, 2011a). neuroVIISAS bietet die Möglichkeit, das reale Netzwerk <strong>der</strong><br />
<strong>Amygdala</strong> nach einer Glie<strong>der</strong>ung von de Olmos (2004) mit verschiedenen randomisierten<br />
Netzwerktypen zu vergleichen. Die Randomisierung wurde für jedes dieser Zufallsnetzwerke<br />
jeweils 1000mal durchgeführt und die Ergebnisse dann gemittelt (Abbildung 33). So wurde<br />
die Wahrscheinlichkeit für Abweichungen von dem randomisierten Netzwerk herabgesetzt<br />
und die Treffsicherheit <strong>der</strong> Ergebnisse (globale Parameter) erhöht. Verglichen wurde mit<br />
Zufallsnetzwerken nach Erdős-Renyi, Watts-Strogatz, Barabási-Albert, Eipert-SF (ein<br />
Zufallsnetzwerk, das im Rahmen vom Projekt neuroVIISAS von Herrn Dipl.-math. Peter<br />
Eipert entwickelt wurde), modified-OHO (eine gerichtete OHO-Netzwerk-Randomisierung;<br />
Ozik et al., 2004) und dem Rewiring-Modell. Im Folgenden wird das Netzwerk mit <strong>der</strong><br />
höchsten Ähnlichkeit zum realen <strong>Amygdala</strong>-Netzwerk, das Eipert-Modell und das zum realen<br />
Netzwerk Unähnlichste verglichen. Als Vergleichsparameter wurden die Werte des<br />
Clusterkoeffizienten, <strong>der</strong> durchschnittlichen Pfadlänge, <strong>der</strong> Small-Worldness, die Δ und γ<br />
Werte <strong>der</strong> Scale-Free-Eigenschaften und die Δ und γ Werte <strong>der</strong> Exponentiellen<br />
Approximation genutzt. Außerdem werden die Scale-Free-Eigenschaften beim Vergleich<br />
genauer betrachtet.<br />
57