Summary
この論文は、人間の脳における空間ナビゲーションのための機能的ネットワークを調査するための統合的アプローチを提示します。このアプローチには、大規模なニューロイメージングメタ分析データベース、安静時機能磁気共鳴画像法、ネットワークモデリング、グラフ理論技術が組み込まれています。
Abstract
空間ナビゲーションは、多感覚情報の統合と操作を含む複雑な機能です。さまざまなナビゲーションタスクを使用して、さまざまな脳領域(海馬、嗅内皮質、海馬傍場所野など)の特定の機能について多くの有望な結果が得られています。最近、相互作用する複数の脳領域が関与する非集約ネットワークプロセスが、この複雑な機能の神経基盤をよりよく特徴付ける可能性があることが示唆されています。本論文では、ヒトの脳における空間ナビゲーションのための機能特異的ネットワークの構築と解析のための統合的アプローチを提示する。簡単に言うと、この統合的アプローチは3つの主要なステップで構成されています:1)空間ナビゲーション(ノード定義)に重要な脳領域を特定する。2)これらの領域の各ペア間の機能的接続性を推定し、接続性マトリックスを構築する(ネットワーク構築)。3)得られたネットワークのトポロジカル特性(モジュール性やスモールワールド性など)を調査する(ネットワーク解析)。ネットワークの観点から提示されたアプローチは、複雑で動的な環境における柔軟なナビゲーションを脳がどのようにサポートしているかをよりよく理解するのに役立ち、ネットワークのトポロジカル特性が明らかになったことは、臨床診療におけるアルツハイマー病の早期発見と診断を導くための重要なバイオマーカーを提供することもできます。
Introduction
機能特異性は、人間の脳の基本的な組織原理であり、認知機能の形成に重要な役割を果たします1。機能特異性の組織化における異常は、特徴的な認知障害と、自閉症やアルツハイマー病などの主要な脳障害の関連する病理学的基盤を反映している可能性があります2,3。従来の理論や研究は、顔認識のための紡錘状顔野(FFA)4やシーン処理のための海馬傍場所野(PPA)5など、単一の脳領域に焦点を当てる傾向がありましたが、空間ナビゲーションや言語などの複雑な認知機能には、複数の脳領域にわたる協調活動が必要であることを示唆する証拠が増えています6.複雑な認知機能を支える相互作用の根底にあるメカニズムを調べることは、脳の機能的構造と動作に光を当てるのに役立つ重要な科学的問題です。ここでは、空間ナビゲーションを例にとり、人間の脳における空間ナビゲーションのための機能的ネットワークをモデル化するための統合的手法を提示する。
空間ナビゲーションは複雑な認知機能であり、視覚空間コーディング、記憶、意思決定など、複数の認知要素の統合と操作を伴います7。機能的磁気共鳴画像法(fMRI)では、根底にある認知処理と神経メカニズムの理解において、多くの研究が大きな進歩を遂げています。例えば、シーン処理はPPAと特異的に関連し、ナビゲーション戦略の変換は脾臓後皮質(RSC)と関連している8,9。これらの研究は、空間ナビゲーションの神経基盤に関する重要な洞察を提供しました。しかし、ナビゲーションは内部的に動的かつマルチモーダルな機能であり、単一領域の機能は、一般的に観察される空間ナビゲーション10における大きな個体差を説明するには十分ではない。
fMRIベースのコネクトミクスの出現により、研究者は、いくつかの重要な脳領域が空間ナビゲーションをサポートするために互いにどのように相互作用するかを調査し始めました。例えば、嗅内皮質と後帯状皮質の間の機能的結合性は、リスクのあるアルツハイマー病におけるナビゲーションの不一致を支えることがわかっています11。別の研究では、コネクトーム法と空間ナビゲーションのためのほぼすべての機能的に関連する領域(ノード)を統合したネットワークアプローチを初めて提案し、その結果、このネットワークのトポロジカル特性がナビゲーション行動と特異的に関連していることを示しました12。この研究は、柔軟なナビゲーション行動をサポートするために、複数の脳領域が互いにどのように相互作用するかについての理論に新たな洞察を提供します10,13。
本研究は、機能的ネットワークをモデル化するための統合的アプローチの更新版を実証するものである。1)元の研究で定義されたノードは、以前の小規模なデータベース(2,765件の活性化を含む55件の研究、2014年にアクセス)に基づいて特定されたが、現在の定義は最新のデータベース(3,908件の活性化を含む77件の研究、2022年にアクセス)に基づいていた。2)各ノードの機能的均質性を高めるために、元の解剖学的AAL(解剖学的自動ラベリング)アトラス14に加えて、はるかに細かい解像度とより高い機能的均質性を備えた新しい脳区画を適用しました(以下を参照)。どちらの更新でも、機能的なネットワークのモデリングが改善されることを期待していました。この更新されたプロトコルは、ネットワークの観点から空間ナビゲーションの神経基盤を調査するための詳細な手順を提供し、健康と病気におけるナビゲーション行動の個人差を理解するのに役立ちます。同様の手順は、他の認知構造(言語や記憶など)のネットワークモデリングにも使用できます。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
注:ここで使用されているすべてのソフトウェアは、 材料表に示されています。本研究で実証目的で使用したデータは、ヒトコネクトームプロジェクト(HCP:http://www.humanconnectome.org)15からのものです。すべての実験手順は、ワシントン大学の治験審査委員会(IRB)によって承認されました。HCPデータセットの画像データは、32チャンネルのヘッドコイルを備えた改良型3T Siemens Skyraスキャナーを使用して取得しました。その他の画像取得パラメータは、以前の論文16で詳述されている。デモンストレーション用に最小限の前処理データをダウンロードし、勾配歪み補正、モーション補正、フィールドマップ前処理、空間歪み補正、モントリオール神経研究所(MNI)空間への空間正規化、強度正規化、バイアスフィールド除去の前処理ステップを完了しました。研究者のプロジェクトからの安静時のfMRIデータも使用できます。
1. データの前処理
- データの品質をチェックし、再テストデータが欠落している参加者と過度の頭の動き(並進3mm、回転3°)のある参加者を除外します。
注:5人の参加者を除外し、38人の若年成人(22-35歳)を主な分析に含めた。 - MATLAB でグラフ理論ネットワーク解析 (GRETNA) ツールボックス17 を開き、さらに前処理ステップを実行します。 FC Matrix Constructionのバッチをクリックします。NIFTI ドキュメントを読み込む機能データセットのパスを選択し、 図 1 のパイプライン オプションに示すように、次の手順を実行します。
- 最初の 10 枚の画像を削除するには、[最初の画像の削除] で [削除する時点番号] をダブルクリックし、「10」と入力します。
- Spatially smooth ([Spatially Smooth] の FWHM (mm) をダブルクリックして [4, 4, 4] と入力することにより、半値全幅 [FWHM] = [4 4 4])。
- 共変量を回帰します。White matter signals、CSF signals、Head MotionをTRUEとして選択します。実際のボクセル サイズに応じて適切なマスクを選択し(たとえば、ここでは 2 mm のマスク)、ヘッド モーション(Head Motion)に Friston-24 パラメータを選択します。
- 時間的にフィルター処理します。MRIスキャンの繰り返し時間に応じた TR の値を入力し(例:ここでは720ms)、 バンド(Hz) をダブルクリックして[0.01 0.1]と入力することで、高周波ノイズと低周波ノイズを除去します。
注:全脳信号の退行がある場合とない場合の結果を以下に示します。前処理されていないデータを使用する場合は、fMRI-prep18 や Data Processing Assistant for Resting-State fMRI (DPARSF)19 などの確立されたパイプラインも推奨されます。
図1:Rs-fMRIの前処理と機能的なネットワーク接続の推定。 前処理の設定(最初の10枚の画像の削除、4mmの半値幅による空間的平滑化、線形の時間的傾向除去、白質信号、脳脊髄液(CSF)信号の回帰、および24のパラメータによる頭部運動、0.01〜0.1HZのバンドのフィルタリング)およびフィッシャーのZ変換との静的相関。略語:Rs-fMRI = 安静時機能磁気共鳴画像法;FWHM = 半値での全幅。CSF = 脳脊髄液。 この図の拡大版をご覧になるには、ここをクリックしてください。
2. ネットワーク構築・分析
注:ナビゲーションネットワークの構築と解析の一般的なワークフローは、主に3つのステップにまとめられています(図2)。
図2:ナビゲーションネットワークの構築と分析の一般的なワークフロー。 (A) Neurosynthデータベースで検索する用語としてnavigationを選択します。(B)起動座標のリストを生成することができる。(C) Neurosynth の関数を使用してメタアナリシスを実行し、いくつかの脳マップを取得します。(D、E)メタアナリシスマップと全脳パーセルレーションアトラス(AICHA)を組み込むことで、ノード(ROI)を生成することができます。(F) 得られたナビゲーションノードとその機能的コネクティビティを用いたナビゲーションネットワークの構築(Connectivity Estimation and Network Analysis)。略語:ROI =関心領域。AICHA = ホモトピック領域の本質的な接続性のアトラス。 この図の拡大版をご覧になるには、ここをクリックしてください。
- ネットワーク・ノード定義
- Python で次のコマンドを入力して、最新の Neurosynth データベース (neurosynth.org)20 をダウンロードします。
>import neurosynth を ns として
>ns.dataset.download(パス= './'、unpack = True)
注: データセットアーカイブ ('current_data.tar.gz') には、'database.txt' と 'features.txt' の 2 つのファイルが含まれています。これらには、ニューロイメージング論文からのすべての活性化座標と、その論文で高頻度で発生するメタアナリシスタグがそれぞれ含まれています。 - 次のコマンドを入力して、database.txtから新しいデータセット インスタンスを生成し、これらのデータに特徴を追加します。
neurosynth.base.datasetインポートデータセットからの>
> データセット = Dataset('data/database.txt')
> dataset.add_features('data/features.txt')
- 次のコマンドを入力して、関心のある用語(つまり、「ナビゲーション」)を使用してメタアナリシスを実行します。
> ID = dataset.get_ids_by_features ('ナビゲーション', しきい値 = 0.01)
> ma = メタ。メタアナリシス(データセット、IDS)
> ma.save_results('.', 'ナビゲーション')
注:メタアナリシスの結果は、NIFTI形式のいくつかの脳マップです。偽陽性率を制御するために、0.01 の偽発見率 (FDR) しきい値を適用しました。このステップでは、一般的に報告されている地域がメタアナリシスマップに含まれるようにするために、提出された知識が必要です。同様の手順を、言語や記憶などの他の認知機能のメタアナリシスを実行するために適用できます。 - FSLから次のコマンドを入力して、メタアナリシスマップと全脳パーセルレーションアトラスを組み込んで、関心のあるクラスターを定義します。
>fslmaths navigation_0.01.nii.gz -bin navi_bin.nii.gz
>fslmaths navi_bin.nii.gz -mul AICHA/AAL.nii.gz navi_label_aicha/aal.nii.gz
>fslmaths navi_label_aicha/aal.nii.gz -thr n -uthr n ラベル _n.nii.gz
>cluster -i label _n.nii.gz -t 0.2 -o cluster_n.nii.gz
>fslmaths cluster_n.nii.gz -thr m -uthr m cluster_n_m.nii.gz
>fslmaths cluster_n_m.nii.gz -bin -mul x node_x.nii.gz
>fslmaths node_1.nii.gz -add ... -add node_x.nii.gz navi_AICHA/AAL_mask.nii.gz
注:ここでは、AALとAICHAの2つのアトラスを使用しました。AAL は、ノード定義12 の元スタディで使用されたアトラスです。このアトラスは、解剖学的プロファイルに基づいて作成されました。アトラス・オブ・インベンシスティック・コネクティビティ・オブ・ホモトピック・エリア(AICHA)21 は、はるかに細かい分解能とより高い機能的均質性を持っています。各アトラスを使用して関心領域を定義しました。 - マップ内の各領域のサイズを確認するためのスクリプトを Python で入力します。
>np.arange(n)+1 の i の場合:
>____region_list.追記(i)
>____size1_list.append(np.sum(img_dat==i))
>____size2_list.append(np.sum(aicha_img_dat==i))
>____pct_list.append(np.sum(img_dat==i)/np.sum(aicha_img_dat==i))
注: スクリプトの整数 n は、AICHA と AAL の区画内のリージョンの合計数 (それぞれ 384 と 128) を示します。スプリアス クラスターの影響を回避するには、比較的小さいサイズ (100 ボクセルなど) のクラスターを削除することをお勧めします。ここで用いるAICHAアトラスは、機能的結合性データを用いて生成されており、各領域は、その内部で機能的な時間的活動の均質性を示している。
- Python で次のコマンドを入力して、最新の Neurosynth データベース (neurosynth.org)20 をダウンロードします。
- ネットワーク接続の推定
メモ: GRETNA ツールボックスは、接続性の推定とネットワーク解析に使用されます。- FC Matrix Constructionのバッチをクリックします。関数データセットのパスを選択して、前処理された rs-fMRI データを読み込みます。静的相関オプションをクリックします。前のステップで取得したノードをアトラスとしてアップロードし、領域の各ペアのrs-fMRI信号の静的相関を計算し、それらをフィッシャーのzスコアに転送して正規性を改善します。
メモ: 詳細な操作を 図 1 に示します。各参加者の N × N (N はノード数を表す) のナビゲーション ネットワーク行列は、.txt形式で取得されます。 - 図 3 に示すように、次の手順で正の重み付きネットワークを取得します。
- [ネットワーク解析] のバッチをクリックします。ネットワーク マトリクスを Brain Connectivity Matrix ウィンドウに追加し、準備する出力ディレクトリを 1 つ選択します。
- [ネットワーク構成] の [パイプライン] オプションで [符号の行列] で [正] を選択すると、関数接続行列の負の接続が 0 に設定され、あいまいな接続22 が排除されます。ネットワーク タイプとして [重み付け] を選択して、無向加重ネットワークを取得します。
注:重み付きネットワークに加えて、ネットワークを二値化して、後続の分析用にバイナリネットワークを作成することもできますが(さまざまなアプローチで)、重み付きネットワークの方が信頼性が高いと見なされることがよくあります23,24。
- FC Matrix Constructionのバッチをクリックします。関数データセットのパスを選択して、前処理された rs-fMRI データを読み込みます。静的相関オプションをクリックします。前のステップで取得したノードをアトラスとしてアップロードし、領域の各ペアのrs-fMRI信号の静的相関を計算し、それらをフィッシャーのzスコアに転送して正規性を改善します。
- ネットワーク解析
- 図 3 に示すように、スモールワールド、グローバル効率、クラスタリング係数、最短パス長、次数中心性、およびローカル効率を GRETNA ネットワーク メトリック分析パイプラインに追加します。
注: スモールワールドとグローバル効率は、2 つのグローバルネットワーク指標です。具体的には、スモールワールド性を持つネットワークは、比較的低い配線コストで情報伝達の効率を最大化することができます。グローバル効率は、輸送ネットワークにおける伝送効率の並列情報を反映しています。ノード ネットワーク メトリックの場合、次数中心性はノードに接続されているリンクの数を測定します。最短経路長は、その名の通り、積分を測定するための基礎となります。クラスタリング係数は、ノードの隣接ノードが互いに相互に関連している度合いを示します。ローカル効率は、ノードとその近隣ノードとの通信の効率です(詳細な式と使用法はこれらの論文に示されています)17,25。Brain connectivity toolbox (BCT)25 およびその他のツールボックスも、ネットワーク メトリックの計算に使用できます。 - スプリアス接続の交絡効果を除外するには、しきい値設定方法で [Network Sparsity ] を選択し、 一連のしきい値 シーケンス (ここでは 0.05、0.1、0.15、0.2、0.25、0.3、0.35、0.4、0.45、0.5 を使用) を入力して、統計結果に従って適切なしきい値をさらに決定します。
注: サンプルのノード数を持つネットワーク内のエッジの最大数に対するエッジの比率は、スパース性しきい値と呼ばれます。スパース性しきい値は、異なる個体が同じ数のエッジを持つことを保証します。今後の研究で最適な閾値を選択するための有用なデータが得られるように、検証のためにさまざまな閾値を検討することを選択しました。 - 乱数ネットワーク番号 を 1,000 に設定し、マルコフ配線アルゴリズム26 を使用して乱数ネットワークを生成します。[実行] をクリックして、すべてのステップの設定後に GRETNA でパイプラインを実行します。
注: 本物の頭脳ネットワークと同様に、ランダム ネットワークは同じ数のノード、エッジ、および次数分布を維持します。それらがかなり非ランダムにトポロジ的に構築されているかどうかを判断するために、それらは脳ネットワークと比較されます。パイプラインの実行後、各閾値のネットワーク メトリックのスコアのグループを取得して、さらに統計分析を行います。 - ネットワーク内のモジュールの最適な数を 4 つのステップで決定します。
- 平均化ナビゲーション ネットワークを計算します。 「メトリック比較 」のバスをクリックし、「 接続」を選択します。上記で取得したネットワーク行列を読み込み、 平均化(関数) 演算を選択します。平均化されたネットワーク行列を保持する出力方向を選択します。詳細については、 図 4 を参照してください。
- MATLAB の関数 spectralcluster を使用して、上記の手順で得られた平均ネットワークを 2、3、4、5 つのモジュールに分割します。
- スクリプト procrustes_alignment.m を使用してモジュールの分割を調整した後、REST 1 と REST 2 で同じモジュールに分割されたノードの割合を計算します。この比率をモジュールパーティションの再現性の指標として使用します。
- 再現性が最も高いモジュールの数を選択します。
- 図 3 に示すように、スモールワールド、グローバル効率、クラスタリング係数、最短パス長、次数中心性、およびローカル効率を GRETNA ネットワーク メトリック分析パイプラインに追加します。
- 統計解析
注:以下の分析は主に検証用であり、このプロトコルを個々のバリエーション研究に適用する場合は必要ありません。- ノード定義の戦略の種類が異なる2つのネットワーク(すなわち、本研究で生成された新しいもの、NaviNet_AICHAと呼ばれるものと、Kongらによる以前のもの、NaviNet_AAL)12と呼ばれる2つのネットワーク間のこれらのネットワークメトリックの類似性を調べます。MATLAB の関数 corrcoef を使用してピアソン相関を計算し、スパース性のしきい値ごとに解析を繰り返します。
注:ネットワークメトリックを抽出した後、関心のある統計分析を実行できます。 - クラス内相関係数の計算を実装する MATLAB27,28 の関数 ICC を使用して、これらのネットワーク メトリクスのテストと再テストの信頼性を確認します。
注:元の未補正のp値は、代表的な結果のセクションで報告されました。0.2 < ICC < 0.4 は、テストと再テストの信頼性が公平であることを示し、ICC > 0.4 は、テストと再テストの信頼性が中程度から良好であると解釈されます29,30。陰性のICCスコアは、陰性のICCの存在が無意味であり、解釈が困難であるという事実を考慮して、ゼロに設定されました31。
- ノード定義の戦略の種類が異なる2つのネットワーク(すなわち、本研究で生成された新しいもの、NaviNet_AICHAと呼ばれるものと、Kongらによる以前のもの、NaviNet_AAL)12と呼ばれる2つのネットワーク間のこれらのネットワークメトリックの類似性を調べます。MATLAB の関数 corrcoef を使用してピアソン相関を計算し、スパース性のしきい値ごとに解析を繰り返します。
図3:ネットワークメトリクス分析 この分析では、10 個のしきい値を持つ重み付けされた正のネットワークを定義します。スモール ワードと効率の 2 つのグローバル ネットワーク メトリクス、クラスタリング係数、最短パス長、効率、次数中心性の 4 つのノード ネットワーク メトリクスを計算します。 この図の拡大版をご覧になるには、ここをクリックしてください。
図4:平均的なナビゲーションネットワークの計算。 平均化された(機能的な)操作は、すべての参加者の平均ネットワークを計算するのに役立ちます。 この図の拡大版をご覧になるには、ここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
ナビゲーションネットワーク
本研究では、最新のメタアナリシス神経画像データベースとAICHAアトラスを組み込むことで、空間ナビゲーションに関連する27の脳領域を同定しました。これらの領域は、ナビゲーション神経画像研究で一般的に報告されている内側側頭領域と頭頂領域で構成されていました。これらの領域の空間分布を図5Aおよび図5Cに示します。比較として、図 5B と図 5D の空間ナビゲーション領域の以前の定義も視覚化しました。比較対象として、AALアトラスの20の地域を組み入れた。これら 2 つの領域セットは、大きな重複を示しました。
図5:モジュール式平均ナビゲーションネットワーク。 (A) REST1におけるNaviNet_AICHAのモジュール性。(B) REST1におけるNaviNet_AALのモジュール性。(C,D)は、REST1におけるNaviNet_AICHAとNaviNet_AALのモジュール性を表し、それぞれ脳全体の信号を退行させます。ノードの色が異なると、各ネットワークで識別されるモジュールが異なることを示します。NaviNet_AICHAとNaviNet_AALに2つのモジュールが示されており、内側側頭モジュールと頭頂モジュールが含まれています。略語:AICHA =ホモトピック領域の本質的な接続性のアトラス。AAL = 解剖学的自動ラベリング。 この図の拡大版をご覧になるには、ここをクリックしてください。
興味深いことに、これら2つのネットワークは同様のコミュニティ分布を示しました(図5)。具体的には、モジュール性と再現性解析により、NaviNet_AICHAとNaviNet_AALの両方で2つのモジュール(内側側頭領域を含む腹側モジュール1つと頭頂領域を含む背側モジュール1つ)が示されました(表1)。腹側と背側のモジュールはNaviNet_AICHAとNaviNet_AALの間で類似していたが、AICHAIアトラスの脳の区画が細かいことを考えると、前者の方が結節の数が多かった。これらの結果は、前処理手順でグローバルシグナルを処理するために使用された戦略とは無関係でした(図5)。また、REST2データセットでも同様のコミュニティ分布が観察されました(補足図S1)。
2つのナビゲーションネットワークのトポロジカル特性の類似性
次に、2つのネットワーク間の各ネットワークメジャーの類似性を調べました。類似性分析の目的は、(1)異なる定義戦略を使用した場合の結果の一般化可能性を評価すること、および(2)ネットワーク解析に最適なネットワーク閾値を決定することの2つでした。
一般に、クラスタリング係数を除く 6 つの指標のうち 5 つで、2 つのネットワーク間に有意な相関関係が示され、ネットワーク分析で使用されたネットワークのスパース性しきい値の大部分が示されました(図 6)。類似度の値は、すべての指標のスパース性しきい値で急速に増加しましたが、平均ノード次数は、どちらのしきい値でも優れた類似性値を示しました。スモールワールドの指標は、0.30から0.40の間の閾値で最も高い類似性を示し、他の指標も最も高い類似性を示しました。これらの結果は、ネットワークレベルの解析は、ノード定義の選択とは無関係に安定した個体差を反映している可能性があり、0.30-0.40のスパース性閾値は、ナビゲーションネットワーク解析の一般化可能性を高めることを示唆しています。REST2との類似点については、 補足図S2 を参照してください。
図6:2つのネットワークのトポロジカル特性の類似性。 REST1(A)と(B)で全脳信号を退行させた結果を示します。Y 軸のピアソン相関係数は、2 つのネットワークのトポロジ特性の類似性を示します。スパース性のしきい値の範囲は 0.05 から 0.5 です。図中のアスタリスクは有意水準を示しており、 *p < 0.05、 **p < 0.01、 ***p < 0.001 です。 この図の拡大版をご覧になるには、ここをクリックしてください。
テストと再テストの信頼性
また、ナビゲーションネットワークのトポロジカル測定のテスト-再テストの信頼性も評価しました。これらのネットワーク測定値を計算する際には、0.05 から 0.50 までのさまざまなスパース性しきい値を使用して、ネットワーク内の潜在的なスプリアス接続を除去しました (詳細については、 補足表 S1 を参照)。ここでは、上記の類似性の結果を考慮して、主に閾値0.40の結果を報告しました。ネットワークメトリクスの大部分は、ネットワークNaviNet_AICHAとNaviNet_AALの両方で中程度から良好な信頼性(ICC > 0.2)を示し、NaviNet_AALはNaviNet_AICHAよりも比較的高い信頼性を示しました。また、fMRIデータの前処理にグローバルシグナルリグレッションを含めることで、信頼性を高めることができることもわかりました(図7)。NaviNet_AAL ネットワークのクラスタリング係数、最短経路長、およびスモールワールドは、テストと再テストの信頼性が最も高いことを示し、NaviNet_AICHAのクラスタリング係数とスモールワールドも、他の尺度よりも高いテストと再テストの信頼性を示しました。これらの結果は、クラスタリング係数とスモールワールドがこれらの指標の中で最も信頼できることを示唆しています。
図7:ナビゲーションネットワークのトポロジカル特性のテスト-再テストの信頼性。 (A)全脳信号を退行させないデータのテスト-再テストの信頼性。(B)全脳信号を退行させるデータに対するテスト-再テストの信頼性。略語:ICC =クラス内相関係数。Cc = クラスタリング係数Lp = 最短パス長。Sw = 小世界性;Nd = 平均節点次数;例:=グローバル効率。Eloc = 局所効率;AICHA = ホモトピック領域の本質的な接続性のアトラス。AAL = 解剖学的自動ラベリング;cNGS = 脳信号全体を退行させないデータ。cWGS = 脳全体の信号を退行させる。 この図の拡大版をご覧になるには、ここをクリックしてください。
| モジュール番号 | |||||
| 2 | 3 | 4 | 5 | ||
| NaviNet_AICHA | cNGSの | 1 | 1 | 0.96 | 0.67 |
| cWGSの | 1 | 0.96 | 0.78 | 0.89 | |
| NaviNet_AAL | cNGSの | 1 | 0.95 | 0.95 | 0.65 |
| cWGSの | 1 | 0.95 | 0.95 | 0.95 | |
表 1: REST 1 と REST 2 の間のモジュール パーティションの再現性。 最初の行はモジュールの数を示します。cNGSはグローバル信号を回帰させないrs-fMRIを表し、cWGSはグローバル信号を回帰させたrs-fMRIを表します。数値が大きいほど再現性が高いことを示し、このテキストではNaviNet_AICHAとNaviNet_AAL用に2つのモジュールが選択されています。略語:AICHA =ホモトピック領域の本質的な接続性のアトラス。AAL = 解剖学的自動ラベリング。
補足図S1:REST 2のモジュール平均ナビゲーションネットワーク。 (A,B)REST 2データセットにおけるNaviNet_AICHAとNaviNet_AALのモジュール性を、脳全体の信号を回帰させない。(C、D)全脳シグナル回帰を伴うREST 2データセットにおけるNaviNet_AICHAとNaviNet_AALのモジュール性。ノードの色が異なると、各ネットワークで識別されるモジュールが異なることを示します。この 2 つのモジュールは、どちらも NaviNet_AICHA と NaviNet_AAL に示されています。 このファイルをダウンロードするには、ここをクリックしてください。
補足図S2:REST 2における2つのネットワークのトポロジカル特性の類似性。 全脳信号を退行させない場合と行った場合の REST 2 の結果を示します (それぞれ A と B)。Y 軸のピアソン相関係数は、2 つのネットワークのトポロジ特性の類似性を示します。スパース性のしきい値の範囲は 0.05 から 0.5 です。図中のアスタリスクは有意水準を示しており、 *p < 0.05、 **p < 0.01、 ***p < 0.001 です。 このファイルをダウンロードするには、ここをクリックしてください。
補足表S1:スパース性閾値の異なるナビゲーションネットワークのトポロジカル特性のテスト-再テスト信頼性。 値は、NaviNet_AICHAとNaviNet_AALのクラス内相関係数を示し、スパース性のしきい値が異なります。略語: Cc = クラスタリング係数;Lp = 最短パス長。Sw =小さなウォルドネス;Nd = 平均節点次数;例:=グローバル効率。Eloc = 局所効率;cNGS = 脳信号全体を退行させないデータ。cWGS = 脳全体の信号を退行させる。 このファイルをダウンロードするには、ここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
ネットワーク神経科学は、脳のネットワークが人間の認知機能をどのようにサポートしているかを理解するのに役立つと期待されています32。このプロトコルは、人間の脳の空間ナビゲーションのための機能ネットワークを研究するための統合的なアプローチを示しており、他の認知構造(言語など)のネットワークモデリングにも影響を与えます。
このアプローチは、ノード定義、ネットワーク構築、ネットワーク解析の 3 つの主要なステップで構成されていました。ネットワーク構築とネットワーク解析は、脳全体の一般的なネットワーク研究と同じですが、ノードの定義は、このプロトコルの最も重要なステップです。このステップでは、空間ナビゲーションに関連する機能的活性化の大規模なメタアナリシスを利用して、ナビゲーション行動にとって最も重要な脳領域を局在化します。したがって、機能的に意味のあるネットワークをモデル化することができ、ネットワークの観点から複雑な処理の神経基盤を理解するのに役立ちます。前頭前野領域はノード定義の結果に欠落していたが、ナビゲーション研究の増加により、これらの領域の重要な役割が示唆されていることに留意されたい33。これは、データベース内のナビゲーション関連の研究でこれらの領域の活性化が欠如しており、メタアナリシスのデータが限られていることが原因である可能性があります。これらのナビゲーション関連の前頭前野領域を局在化するためのより多くのデータが利用可能になれば、今後の研究でナビゲーションネットワークにおけるそれらの役割を調べることは興味深い問題となるでしょう。研究者は、個々の脳領域の局在化が可能な場合、このプロトコルを他の認知機能の研究にも適用できます。特定の機能との密接な関連性を確保するために、関心のある領域を特定するには、現場の知識が必要です。
このプロトコルでは、空間ナビゲーションネットワークに焦点を当て、空間ナビゲーション研究で報告されたさまざまな脳領域の高いカバーを示しました。空間ナビゲーションをサポートする脳領域の定義が普遍的に合意されていないため、デモンストレーションでは、最大のメタアナリシスとAICHAアトラスを組み込んで生成された領域と、AALアトラスを使用して生成された領域の2つのセットを使用しました。2つの定義に基づくネットワークトポロジカル特性は概ね高い類似性を示しており、機能別ネットワークモデリングの有効性をある程度裏付けている。
類似性の強さは、ネットワーク分析で使用されたスパース性のしきい値とともに増加し、その結果、すべてのネットワークメトリックがこれらのしきい値と最も高い類似性を示したため、0.30-0.40のスパース性しきい値が適切な選択であることが示唆されました。このような閾値では、ネットワークメトリクスは、特にデータ前処理にグローバル信号回帰が含まれている場合に、最短のパス長とスモールワールド性について、テスト-再テストの信頼性が中程度から良好であることも示しました。これらの結果は、個人差や関連する脳障害の研究におけるこれらの指標の使用を大きく支持しています。
適切な行動データが不足しているため、このプロトコルでは、ネットワークメトリックと空間ナビゲーションの行動相関を示すことができませんでした。ナビゲーション関連領域の機能的接続メトリックの脳と行動の関連性に関するいくつかの以前の研究に基づいて12,34、このプロトコルを使用したネットワークモデリングは、空間ナビゲーションとの特定の関連を示すと予想しました。これらの関連をさらに調査するには、神経画像と行動データの両方を含む大規模なサンプルが必要です。さらに、検査-再検査の信頼性の結果はそれほど高くなかったが、強度は以前のfMRI研究で報告されたものと同等であった35。
今後の研究では、このプロトコルを適用して、ネットワークの観点から空間ナビゲーションの神経基盤をよりよく理解し、人間におけるそのバリエーションを調べることができます。例えば、研究者はこのプロトコルを利用してナビゲーションネットワークの発達と老化の軌跡を調査することができ、臨床現場では、ネットワーク特性はアルツハイマー病などの脳疾患の早期発見と診断を導くための重要なバイオマーカーを提供します。さらに、将来の研究では、同様のプロトコルを適用して、他の認知構造のネットワークモデルを構築することもできます。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者らは、利益相反がないことを宣言します。
Acknowledgments
Xiang-Zhen Kongは、中国国家自然科学基金会(32171031)、STI 2030-主要プロジェクト(2021ZD0200409)、中央大学基礎研究費(2021XZZX006)、浙江大学情報化センターの支援を受けました。
Materials
| Name | Company | Catalog Number | Comments |
| Brain connectivity toolbox (BCT) | Mikail Rubinov & Olaf Sporns | 2019 | The Brain Connectivity Toolbox (brain-connectivity-toolbox.net) is a MATLAB toolbox for complex-network (graph) analysis of structural and functional brain-connectivity data sets. |
| GRETNA | Jinhui Wang et al. | 2 | GRETNA is a graph theoretical network analysis toolbox which allows researchers to perform comprehensive analysis on the topology of brain connectome by integrating the most of network measures studied in current neuroscience field. |
| MATLAB | MathWorks | 2021a | MATLAB is a programming and numeric computing platform used by millions of engineers and scientists to analyze data, develop algorithms, and create models. |
| Python | Guido van Rossum et al. | 3.8.6 | Python is a programming language that lets you work more quickly and integrate your systems more effectively. |
| Statistical Parametric Mapping (SPM) | Karl Friston et.al | 12 | Statistical Parametric Mapping refers to the construction and assessment of spatially extended statistical processes used to test hypotheses about functional imaging data. |
References
- Kanwisher, N. Functional specificity in the human brain: a window into the functional architecture of the mind. Proceedings of the National Academy of Sciences of the United States of America. 107 (25), 11163-11170 (2010).
- Coughlan, G., Laczo, J., Hort, J., Minihane, A. M., Hornberger, M. Spatial navigation deficits - overlooked cognitive marker for preclinical Alzheimer disease. Nature Reviews Neurology. 14 (8), 496-506 (2018).
- Gilbert, S. J., Meuwese, J. D., Towgood, K. J., Frith, C. D., Burgess, P. W. Abnormal functional specialization within medial prefrontal cortex in high-functioning autism: a multi-voxel similarity analysis. Brain. 132 (4), 869-878 (2009).
- Kanwisher, N., McDermott, J., Chun, M. M. The fusiform face area: a module in human extrastriate cortex specialized for face perception. Journal of Neuroscience. 17 (11), 4302-4311 (1997).
- Epstein, R., Harris, A., Stanley, D., Kanwisher, N. The parahippocampal place area: recognition, navigation, or encoding. Neuron. 23 (1), 115-125 (1999).
- Epstein, R. A., Patai, E. Z., Julian, J. B., Spiers, H. J. The cognitive map in humans: spatial navigation and beyond. Nature Neuroscience. 20 (11), 1504-1513 (2017).
- Baumann, O., Mattingley, J. B. Extrahippocampal contributions to spatial navigation in humans: A review of the neuroimaging evidence. Hippocampus. 31 (7), 640-657 (2021).
- Auger, S. D., Mullally, S. L., Maguire, E. A. Retrosplenial cortex codes for permanent landmarks. PloS One. 7 (8), e43620 (2012).
- Zhen, Z., et al. Quantifying the variability of scene-selective regions: Interindividual, interhemispheric, and sex differences. Human Brain Mapping. 38 (4), 2260-2275 (2017).
- Ekstrom, A. D., Huffman, D. J., Starrett, M. Interacting networks of brain regions underlie human spatial navigation: a review and novel synthesis of the literature. Journal of Neurophysiology. 118 (6), 3328-3344 (2017).
- Coughlan, G., et al. Functional connectivity between the entorhinal and posterior cingulate cortices underpins navigation discrepancies in at-risk Alzheimer's disease. Neurobiology of Aging. 90, 110-118 (2020).
- Kong, X. Z., et al. Human navigation network: the intrinsic functional organization and behavioral relevance. Brain Structure & Function. 222 (2), 749-764 (2017).
- Weisberg, S. M., Ekstrom, A. D. Hippocampal volume and navigational ability: The map (ping) is not to scale. Neuroscience & Biobehavioral Reviews. 126, 102-112 (2021).
- Tzourio-Mazoyer, N., et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain. Neuroimage. 15 (1), 273-289 (2002).
- Van Essen, D. C., et al. The WU-Minn human connectome project: an overview. Neuroimage. 80, 62-79 (2013).
- Smith, S. M., et al. Resting-state fMRI in the human connectome project. Neuroimage. 80, 144-168 (2013).
- Wang, L., et al. GRETNA: a graph theoretical network analysis toolbox for imaging connectomics. Frontiers in Human Neuroscience. 9, 386 (2015).
- Esteban, O., et al. fMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16 (1), 111-116 (2019).
- Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for" pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13 (2010).
- Yarkoni, T., Poldrack, R. A., Nichols, T. E., Van Essen, D. C., Wager, T. D. Large-scale automated synthesis of human functional neuroimaging data. Nature Methods. 8 (8), 665-670 (2011).
- Joliot, M., et al. AICHA: An atlas of intrinsic connectivity of homotopic areas. Journal of Neuroscience Methods. 254, 46-59 (2015).
- Murphy, K., Birn, R. M., Handwerker, D. A., Jones, T. B., Bandettini, P. A. The impact of global signal regression on resting state correlations: are anti-correlated networks introduced. Neuroimage. 44 (3), 893-905 (2009).
- Fox, M. D., Zhang, D., Snyder, A. Z., Raichle, M. E. The global signal and observed anticorrelated resting state brain networks. Journal of Neurophysiology. 101 (6), 3270-3283 (2009).
- Xiang, J., et al. Graph-based network analysis of resting-state fMRI: test-retest reliability of binarized and weighted networks. Brain Imaging and Behavior. 14, 1361-1372 (2020).
- Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
- Maslov, S., Sneppen, K. Specificity and stability in topology of protein networks. Science. 296 (5569), 910-913 (2002).
- Shrout, P. E., Fleiss, J. L. Intraclass correlations: uses in assessing rater reliability. Psychological Bulletin. 86 (2), 420 (1979).
- McGraw, K. O., Wong, S. P. Forming inferences about some intraclass correlation coefficients. Psychological Methods. 1 (1), 30 (1996).
- Andellini, M., Cannatà, V., Gazzellini, S., Bernardi, B., Napolitano, A. Test-retest reliability of graph metrics of resting state MRI functional brain networks: A review. Journal of Neuroscience Methods. 253, 183-192 (2015).
- Cao, H., et al. Test-retest reliability of fMRI-based graph theoretical properties during working memory, emotion processing, and resting state. Neuroimage. 84, 888-900 (2014).
- Rousson, V., Gasser, T., Seifert, B. Assessing intrarater, interrater and test-retest reliability of continuous measurements. Statistics in medicine. 21 (22), 3431-3446 (2002).
- Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10 (3), 186-198 (2009).
- Patai, E. Z., Spiers, H. J. The versatile wayfinder: prefrontal contributions to spatial navigation. Trends in Cognitive Sciences. 25 (6), 520-533 (2021).
- Wegman, J., Janzen, G. Neural encoding of objects relevant for navigation and resting state correlations with navigational ability. Journal of Cognitive Neuroscience. 23 (12), 3841-3854 (2011).
- Braun, U., et al. Test-retest reliability of resting-state connectivity network characteristics using fMRI and graph theoretical measures. Neuroimage. 59 (2), 1404-1412 (2012).
