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.
Abbildung 33: Tabellarische Übersicht <strong>der</strong> globalen Parameter des realen Netzwerkes <strong>der</strong> <strong>Amygdala</strong> nach de<br />
Olmos (2004) im Vergleich zu den Zufallsnetzwerken (jeweils 1000 Randomisierungen).<br />
<strong>Das</strong> Zufallsnetzwerk, das die größte Ähnlichkeit mit dem realen Netzwerk <strong>der</strong> <strong>Amygdala</strong><br />
nach <strong>der</strong> Glie<strong>der</strong>ung von de Olmos (2004) aufweist, ist das Rewiring-Modell. <strong>Das</strong> Prinzip<br />
dieses Zufallsnetzwerkes ist, dass ein vorgegebenes Netzwerk (in diesem Fall das <strong>der</strong><br />
<strong>Amygdala</strong>) mit einer definierten Zahl von Knoten und Kanten neu verbunden wird, in dem<br />
alle Kanten mit an<strong>der</strong>en Knoten verbunden werden und sich so das Ziel dieser Kanten än<strong>der</strong>t<br />
(Evans, 2007; Evans and Plato, 2007). <strong>Das</strong> Modell weist sehr ähnliche Werte für die mittlere<br />
Pfadlänge, den mittleren Clusterkoeffizienten, die Small-Worldness und den Parametern <strong>der</strong><br />
Scale-Free-Eigenschaften und Exponentiellen Approximation auf. Beide Netzwerke, das<br />
Rewiring Modell und das reale Netzwerk <strong>der</strong> <strong>Amygdala</strong> nach de Olmos (2004) sind also eng<br />
vernetzte Graphen, bei denen die Nachbarn eines Kernes ebenfalls eng miteinan<strong>der</strong> verbunden<br />
sind und die eher keine skalenfreien Eigenschaften aufweisen. Die Vergleichsmöglichkeit mit<br />
dem Rewiring-Modell ist jedoch begrenzt, da es ja von <strong>der</strong> <strong>Amygdala</strong> ausgeht und daher nicht<br />
vollkommen zufällig ist.<br />
Ein wirkliches Zufallsnetzwerk, welches ebenfalls große Ähnlichkeiten mit dem intrinsischen<br />
Netzwerk <strong>der</strong> <strong>Amygdala</strong> nach <strong>der</strong> Glie<strong>der</strong>ung von de Olmos (2004) aufweist, ist das<br />
randomisierte Netzwerk nach Peter Eipert. Dieses beruht auf den Grundprinzipien des<br />
randomisierten Netzwerkes nach Barabási-Albert. Bei Barabási-Albert wird von einer<br />
Grundmenge von Knoten ausgegangen. Schrittweise werden dann neue Knoten hinzugefügt,<br />
welche mit den vorhandenen vernetzt werden. Die Wahrscheinlichkeit, dass ein Knoten eine<br />
neue Verbindung bekommt ist dabei proportional zur bereits vorhandenen Zahl seiner<br />
Konnektivitäten (die verbindungsreichen Knoten werden immer reicher). Damit ist dieses<br />
Netzwerk per se immer skalenfrei. Ein Nachteil ist, dass nicht je<strong>der</strong> Knoten in diesem<br />
Netzwerk notwendigerweise verbunden sein muss. Bei <strong>der</strong> Modifikation nach Eipert ist die<br />
Soll-Kantenzahl vor Beginn <strong>der</strong> Simulation festgelegt (und ist gleich <strong>der</strong> Kantenzahl im<br />
realen Netzwerk). Kanten werden dann auf Grundknoten verteilt. Je<strong>der</strong> Knoten bekommt<br />
einen festgelegten β-Wert, welcher Einfluss auf die Wahrscheinlichkeit hat, eine Kante zu<br />
bekommen. Anfangs ist dieser β-Wert für alle Knoten 1, im Verlauf wird zu ihm die Anzahl<br />
58