Das Amygdala-Konnektom der Ratte - RosDok - Universität Rostock
Das Amygdala-Konnektom der Ratte - RosDok - Universität Rostock
Das Amygdala-Konnektom der Ratte - RosDok - Universität Rostock
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Die Principal-component-analysis (PCA, Hauptkomponentenanalyse) ist ein Verfahren <strong>der</strong><br />
multivarianten Statistik, welches dazu dient, hochdimensionale Informationen, wie die hier<br />
vorliegenden lokalen Netzwerkparameter, zu strukturieren und vereinfacht darzustellen<br />
(Duntemann, 1989). Die zahlreichen Parameter (Dimensionen) werden reduziert, um aus <strong>der</strong><br />
hochdimensionalen Information bzw. zahlreichen Parametern die einflussreichsten zu<br />
bestimmen unter Inkaufnahme eines teilweisen Informationsverlustes. Theoretischer<br />
Hintergrund ist die Vorstellung, ein Netzwerk nicht nur über allgemeine globale Parameter,<br />
son<strong>der</strong>n auch durch relativ genaue, spezifische lokale Parameter zu charakterisieren<br />
(Echtermeyer et al., 2011), um konnektionale Ähnlichkeiten zwischen Regionen zu finden.<br />
Eine möglichst große Zahl von statistischen Variablen wird durch eine geringe Anzahl<br />
möglichst anschaulicher und aussagekräftiger Linearkombinationen (Hauptkomponenten)<br />
dargestellt. Für die Analysen im Rahmen von neuroVIISAS wurden 6 Komponenten (in<br />
Anlehnung an Echtermeyer et al. (2011), (Abbildung 44)) verwendet. Hierbei handelt es sich<br />
um DG ALL (also Gesamtzahl <strong>der</strong> Konnektivitäten eines Knotens), AvgDGnb (Average Degree<br />
neighbors, durchschnittliche Kantenzahl <strong>der</strong> Nachbarn eines Knotens zu an<strong>der</strong>en Regionen),<br />
CluC ALL (Clusterkoeffizient, Verhältnis <strong>der</strong> Anzahl <strong>der</strong> Kanten zwischen den Nachbarn zu<br />
allen möglichen Kanten), CluC 2 (Anzahl <strong>der</strong> Kanten zwischen den Nachbarn 2. Grades im<br />
Verhältnis zur maximal möglichen Anzahl), VC DG (Variation coefficient of neighbor degree),<br />
Loc (Locality index: Loc(i) = Nint(i) / [Nint(i)+Next(i)], Nint: Anzahl <strong>der</strong> Kanten zwischen<br />
den ersten Nachbarn plus Anzahl <strong>der</strong> Kanten zwischen ersten Nachbarn und dem<br />
Referenzknoten, Next: Anzahl <strong>der</strong> Kanten von ersten zu zweiten Nachbarn) (da Fortuna Costa<br />
et al., 2006). Die Auswahl genau dieser Werte basiert auf <strong>der</strong> Idee, dass sich Regionen<br />
bezüglich ihrer lokalen (erste und zweite Nachbarn) konnektionalen Struktur charakterisieren<br />
und strukturieren bzw. in <strong>der</strong> PCA anordnen lassen. Diese Werte wurden betrachtet und es<br />
wurde versucht die Punktwolke von Daten, die innerhalb dieses 6-dimensionalen<br />
Koordinatensystems entsteht durch 2 neue Achsen so genau wie möglich anzunähern. Diese<br />
beiden neuen Achsen werden durch die Zeilen 1 und 2 dargestellt (Abbildung 44). Die<br />
Zahlenwerte in den jeweiligen Zeilen entsprechen Faktoren, mit denen die jeweiligen<br />
Parameter multipliziert werden müssen, um Informationen in dieses neue Koordinatensystem<br />
einzutragen. Hohe absolute Werte zeigen eine große Bedeutung für die Achsen (Zeile 1 stellt<br />
die x-Achse dar (links kleine Werte, rechts große Werte), Zeile 2 die y-Achse, welche jedoch<br />
von oben (kleine Werte) nach unten (große Werte) verläuft. <strong>Das</strong> Vorzeichen bestimmt die<br />
Richtung <strong>der</strong> Koordinatenachsen.<br />
71