Inexact Graph Matching for Brain Networks
基于图编辑距离的脑网络比较方法，用于解决个体化脑分割导致的网络对应问题，支持遗传性分析和个体差异追踪。
read - 读取脑网络数据exec - 运行 Python 图匹配脚本web_fetch - 获取论文详细内容个体化脑分割的挑战：
解决方案：
图编辑距离（GED）：
应用于脑网络：
输入：
- 图 G1: 个体 1 的功能连接网络（节点=脑区，边=连接强度）
- 图 G2: 个体 2 的功能连接网络
输出：
- 图编辑距离 d(G1, G2)
- 节点对应关系映射
# 1. 构建脑图
# 节点：脑区（来自个体化分割）
# 边：功能连接强度
# 2. 计算图编辑距离
import networkx as nx
def graph_edit_distance(G1, G2):
# 定义编辑成本
node_cost = 1.0 # 节点插入/删除成本
edge_cost = 0.5 # 边插入/删除成本
# 使用近似算法（精确 GED 是 NP-hard）
from networkx.algorithms.similarity import optimal_edit_paths
paths, cost = optimal_edit_paths(G1, G2)
return cost, paths
# 3. 遗传性分析
# 计算同卵双胞胎 vs 异卵双胞胎的 GED 分布
# 使用统计检验评估遗传性
User: 如何比较同卵双胞胎和异卵双胞胎的脑网络差异？
Agent: 使用 inexact-graph-matching-brain-networks 技能：
1. 对每对双胞胎计算图编辑距离
2. 分组统计：
- MZ 组（同卵双胞胎）：GED 分布
- DZ 组（异卵双胞胎）：GED 分布
3. 遗传性推断：
- 如果 MZ 的 GED 显著小于 DZ，则表明功能网络有遗传性
arXiv:1703.10062 在 116 对双胞胎数据上验证了该方法：
- 发现功能连接模式具有显著的遗传性
- 网络对应关系可用于定位遗传影响的脑区
User: 患者和健康对照的脑网络如何比较？
Agent: 使用图编辑距离方法：
1. 构建两组人群的脑图
2. 计算组内和组间的 GED
3. 识别最不匹配的节点/边
输出示例：
- 组间 GED 显著高于组内 GED
- 不匹配节点：前额叶皮层、扣带回
- 不匹配边：默认模式网络内部连接
这些差异可作为疾病生物标志物。
functional-connectome-fingerprint - 功能连接指纹brain-graph-augmentation-template - 脑图增强模板multimodal-brain-connectivity-gnn - 多模态脑连接 GNN