在计算生物学和神经学领域，了解不同拓扑结构如何影响兴奋网络(Excitable Network)中的动力学传播是一个重要的问题。本文通过可视分析的手段，利用多个关联视图，帮助用户探索不同网络结构在兴奋网络动力学传播中的角色。
神经科学专家在研究大脑信息传播时，非常关注大脑中网络的结构，信息动态传播过程，以及网络结构对于信息传播的影响。针对网络结构的分析，作者使用了中心节点(Hubs)，以及网络的模块性(Modules)，并且通过矩阵的方式展现网络的拓扑结构。针对网络的动态传播过程，作者定义活跃模式(Activity Pattern)以及共激模式(Co-activation Pattern)。如图1所示，网络中的每个节点在t时，可能处于S(Susceptible)，E(Excited), R(Refractory)三个状态之一。当节点处于S时，如果满足条件C1（至少有一个邻居节点处于E状态），在t+1时节点将以概率f转移到E状态。处于E状态的节点在t+2时会变为R状态，t+3时又会以概率p变为S。所以节点的状态会随着时间发生变化，每个节点状态是一个时间序列，定义为节点的活跃模式，共激模式定义了节点同时处于激活状态的比例。网络初始时，所以节点随机处于S，E，R三种状态。
图1：节点不同状态转换过程
图2: 度数图和共激投影
图2中，采用了树图的方式展现节点，矩形的大小代表节点的度数；利用共激值定义节点相似性，通过MDS投影生成共激投影图。点的颜色代表于当前选择的节点（黄色）距离，颜色越深距离越大。 可以看出，离中心节点越近的节点，其同时处于激活状态的时间越多。
图3: 矩阵图和共激投影
图3中，从矩阵图上可以选择模块性比较好的聚集节点，从共激投影上观察它们共激模式是否相似，反映出网络的拓扑结构对网络信息传播的影响。
图4: 不同节点投影图比较
图4中的投影图分别代表(a)中节点度数最高的4个点生成。在(b)(c)中，可以看出对角的节点聚集为一个簇，并且与节点1和节点2的距离相同，表明这些节点在网络中同时收到节点1，2的影响，通过选择左下角的簇，可以发现节点3，4对他们的影响更明显。
作者邀请了5位领域专家来试用他们的工具，专家认为对于它们的工作非常有效，并且十分容易上手。
总的来说，这项工作采用的可视化形式并不复杂，但是能够帮助领域科学家快速分析、理解数据。但是文章最后的系统评估不足。可视化目的是为了能够快捷、有效的分析数据，展现数据的内在信息。为了分析复杂数据，可视化系统往往也变得复杂起来，但是简洁、有效的解决问题是可视化研究者不懈的追求。
[1] Ngo, Quynh Quang, Marc‐Thorsten Hütt, and Lars Linsen. “Visual analysis of governing topological structures in excitable network dynamics.” Computer Graphics Forum, 2016, 35(3): 301-310.
评论关闭。