Das Amygdala-Konnektom der Ratte - RosDok - Universität Rostock

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