Name: 模拟人脑空间导航的功能网络 (视频) | JoVE Journal
Uploaded: 2023-10-13T13:20:00.000+00:00
Duration: 5 min 55 s
Description: 探索基于静息态fMRI数据构建人脑空间导航功能网络的综合建模方法。本研究运用网络建模与图论技术，识别出27个关键脑区，为理解健康与疾病状态下的导航行为变异性提供新见解，并可推广至其他认知功能研究。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

项振振（Xiang-Zhen Kong）得到了国家自然科学基金（32171031）、科技创新2030—重大项目（2021ZD0200409）、中央高校基本科研业务费专项资金（2021XZZX006）以及浙江大学信息技术中心的支持。

注意：此处使用的所有软件均列于材料表中。本研究用于演示的数据来自人类连接组计划（HCP：http://www.humanconnectome.org）15。所有实验程序均经华盛顿大学机构审查委员会（IRB）批准。HCP数据集中的成像数据采用配备32通道头部线圈的改良型3T西门子Skyra扫描仪获取。其他图像采集参数详见先前发表的论文16。为进行演示，已下载经过最小化预处理的数据，这些数据已完成以下预处理步骤：梯度失真校正、运动校正、场图预处理、空间失真校正、空间标准化至蒙特利尔神经学研究所（MNI）空间、强度标准化以及偏置场去除。研究者项目中的静息态fMRI数据也可用于此方法。
1. 数据预处理
<ol>
	<li>检查数据质量，排除重测数据缺失以及头动过大的参与者（平移超过 3 mm 且旋转超过 3°）&#176; 在旋转中。 
	注意：5名参与者被剔除，38名年轻人（22-35岁）被纳入主要分析。</li>
	<li>打开图论网络分析（GRETNA）工具箱17 在 MATLAB 中执行进一步的预处理步骤。单击批次 FC矩阵构建. 选择功能数据集的路径以加载 NIFTI 文件，并执行以下步骤，如流程选项中所示 图1:
	<ol>
		<li>双击移除前10张图像 移除的时间点编号 在 移除首张图像 并输入10。</li>
		<li>空间平滑（半高全宽 [FWHM] = [4 4 4]），通过双击实现 半高宽（mm） 在 空间平滑 并输入 [4 4 4]。</li>
		<li>消除协变量影响。选择 白质信号, 脑脊液信号, 和 头部运动 作为 TRUE根据实际体素大小选择合适的掩膜，例如此处选择 2 mm 的掩膜，并为头动选择 Friston-24 参数。</li>
		<li>时间滤波。输入值为 TR 根据 MRI 扫描的重复时间（例如，此处为 720 ms），通过双击去除高频和低频噪声 频段（Hz） 并输入 [0.01 0.1]。 
		注意：以下展示了包含与不包含全脑信号回归的分析结果。当使用未经预处理的数据时，应采用如 fMRI-prep 等已建立完善的预处理流程。18 静息态功能磁共振成像数据处理助理（DPARSF）19 也推荐使用。</li>
	</ol>
	</li>
</ol>
<img alt="图1" class="xfigimg" src="/files/ftp_upload/65150/65150fig01.jpg" /> 
图1静息态功能磁共振成像预处理与功能网络连接估计 预处理设置（去除前10幅图像，使用4 mm半高全宽进行空间平滑，线性时间去趋势，回归去除白质信号、脑脊液（CSF）信号及24个参数的头动效应，0.01–0.1 Hz频带滤波）以及经Fisher Z转换后的静态相关性分析。缩写：Rs-fMRI = 静息态功能磁共振成像；FWHM = 半高全宽；CSF = 脑脊液。 <a href="https://www.jove.com/files/ftp_upload/65150/65150fig01large.jpg" target="_blank">请点击此处以查看此图的放大版本。</a>
2.&#160;网络构建与分析
注意：导航网络构建与分析的总体工作流程概括为三个主要步骤（图2）。
<img alt="图2" class="xfigimg" src="/files/ftp_upload/65150/65150fig02v2.jpg" /> 
图2：导航网络构建与分析的一般工作流程。（A）在 Neurosynth 数据库中选择“导航”作为检索词。（B）可生成一组激活坐标列表。（C）利用 Neurosynth 提供的功能进行元分析，获得多个脑图谱。（D,E）通过整合元分析图谱与全脑分区图谱（AICHA），可生成节点（ROI）。（F）利用所得的导航相关节点及其功能连接性（功能连接估计与网络分析）构建导航网络。缩写：ROI = �感兴区域；AICHA = 同源区域固有连接图谱。<a href="https://www.jove.com/files/ftp_upload/65150/65150fig02large.jpg" target="_blank">请点击此处查看该图的高清版本。</a>
<ol>
	<li>Network node definition
	<ol>
		<li>下载最新的 Neurosynth database (neurosynth.org)20&#160;在 Python 中键入命令： 
		&#160; &#160; 
		&#62;import neurosynth as ns 
		&#62;ns.dataset.download (path=&#39;./&#39;, unpack = True) 
		&#160; &#160; 
		NOTE: The dataset archive (&#39;current_data.tar.gz&#39;) contains two files: &#39;database.txt&#39; and &#39;features.txt&#39;该数据集包含神经影像学文章中的所有激活坐标，以及这些文章中高频出现的元分析标签。</li>
		<li>通过键入以下命令，从 database.txt 生成一个新的 Dataset 实例，并向这些数据添加特征： 
		&#160; &#160; 
		&#62; 从 neurosynth.base.dataset 导入 Dataset 
		&#62; dataset = Dataset(&#39;data/database.txt&#39;) 
		&#62; dataset.add_features(&#39;data/features.txt&#39;) 
		&#160; &#160;</li>
		<li>使用感兴趣术语（即， &#39;navigation&#39;通过输入命令： 
		&#160; &#160; 
		&#62; ids = dataset.get_ids_by_features (&#39;navigation&#39;, threshold=0.01) 
		&#62; ma = meta.MetaAnalysis (dataset, ids) 
		&#62; ma.save_results(&#39;.&#39;, &#39;navigation&#39;) 
		&#160; &#160; 
		**注意**：元分析会生成若干NIFTI格式的脑图。采用0.01的错误发现率（FDR）阈值来控制假阳性率。此步骤需要借助已有知识，以确保元分析图中包含通常被报告的脑区。可采用类似步骤对其他认知功能（如语言和记忆）进行元分析。</li>
		<li>通过输入 FSL 命令，结合元分析图谱和全脑分区图谱，定义感兴趣簇： 
		&#160; &#160; 
		&#62;fslmaths navigation_0.01.nii.gz -bin navi_bin.nii.gz 
		&#62;fslmaths navi_bin.nii.gz -mul AICHA/AAL.nii.gz navi_label_aicha/aal.nii.gz 
		&#62;fslmaths navi_label_aicha/aal.nii.gz -thr n -uthr n label _n.nii.gz 
		&#62;cluster -i label _n.nii.gz -t 0.2 -o cluster_n.nii.gz 
		&#62;fslmaths cluster_n.nii.gz -thr m -uthr m cluster_n_m.nii.gz 
		&#62;fslmaths cluster_n_m.nii.gz -bin -mul x node_x.nii.gz 
		&#62;fslmaths node_1.nii.gz -add &#8230; -add node_x.nii.gz navi_AICHA/AAL_mask.nii.gz 
		&#160; &#160; 
		注：此处使用了两个脑图谱：AAL 和 AICHA。AAL 是原始研究中用于节点定义的图谱。12该图谱基于解剖学特征创建。同源区域内在连接图谱21 具有更高的分辨率和功能同质性。我们使用每个图谱定义了感兴趣区。</li>
		<li>在 Python 中键入脚本以检查图中各区域的大小： 
		&#160; &#160; 
		&#62;for i in np.arange(n)+1: 
		&#62;____region_list.append(i) 
		&#62;____size1_list.append(np.sum(img_dat==i)) 
		&#62;____size2_list.append(np.sum(aicha_img_dat==i)) 
		&#62;____pct_list.append(np.sum(img_dat==i)/np.sum(aicha_img_dat==i)) 
		&#160; &#160; 
		NOTE: The integer n 脚本中的整数 n 表示 AICHA 与 AAL 分区内的总区域数（分别为 384 和 128）。为避免虚假聚类的影响，建议可移除尺寸相对较小的聚类（例如 100 个体素）。此处使用的 AICHA 图谱是基于功能连接数据生成的，其每个区域内部均表现出功能时间活动的同质性。</li>
	</ol>
	</li>
	<li>Network connectivity estimation 
	注意：GRETNA工具箱用于连接性估计与网络分析。
	<ol>
		<li>点击批次处理中的 FC Matrix Construction加载预处理后的静息态功能磁共振成像数据，选择功能数据集的路径。点击 static correlation 选项。将上一步获得的节点作为图谱上传，以计算每对区域静息态功能磁共振信号的静态相关性，并将其转换为 Fisher&#39;s z scores for improving normality. 
		注：详细操作步骤如图1所示。 Figure 1. The navigation network matrices of N &#215;&#160;N (N&#160;每个参与者的导航网络矩阵将以 .txt 格式获得，其维度为 N × N（N 代表节点数量）。</li>
		<li>获取正加权网络的步骤如下，如图所示： Figure 3.
		<ol>
			<li>点击批次处理中的 Network Analysis将网络矩阵添加至 Brain Connectivity Matrix window and choose one output directory for preparation.</li>
			<li>对于流程选项 Network Configuration, select positive 在 Sign of matrix该操作会将功能连接矩阵中的负连接设为零，并消除模糊连接。22选择 network type as weighted 以获取无向加权网络。 
			**注意：** 除了加权网络外，也可将网络二值化以创建用于后续分析（采用不同方法）的二值网络，但加权网络通常被认为具有更高的可靠性。23,24.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Network analysis
	<ol>
		<li>Add small world, global efficiency, clustering coefficient, shortest path length, degree centrality, and local efficiency 接入 GRETNA 网络指标分析流程，如图所示 Figure 3. 
		注：小世界性与全局效率是两个全局网络指标。具体而言，具有小世界性的网络能以相对较低的布线成本最大化信息传递效率。全局效率反映了信息在传输网络中并行传递的效率。对于节点网络指标，度中心性衡量与一个节点相连的链接数量。最短路径长度，顾名思义，是衡量网络整合性的基础。聚类系数则表示节点间相互连接的程度。&#39; 相邻节点彼此相互关联。局部效率衡量的是节点与其相邻节点之间的通信效率（具体公式和用法详见相关论文）。 17,25. Brain connectivity toolbox (BCT)25 其他工具箱也可用于网络指标的计算。</li>
		<li>Select Network Sparsity 在阈值化方法中，以排除虚假连接的混杂效应，并输入一组 threshold sequences (i.e., 0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5 此处将根据统计结果进一步确定合适的阈值。 
		**注意**：在具有相同节点数量的网络中，边数与最大可能边数之比称为稀疏度阈值。稀疏度阈值可确保不同个体具有相同数量的边。我们选择探索不同的阈值进行验证，这可为未来研究中选取最优阈值提供有益数据。</li>
		<li>设置 random network number&#160;as 1,000 使用马尔可夫布线算法生成随机网络26. Click Run 在完成所有步骤设置后，即可在 GRETNA 中运行该流程。 
		注意：与真实脑网络类似，随机网络保持相同的节点数、边数和度分布。为确定其拓扑结构是否显著非随机，需将其与脑网络进行比较。运行流程后，将获得每个阈值下网络指标的一组评分，用于后续统计分析。</li>
		<li>通过以下四个步骤确定网络中的最优模块数量。
		<ol>
			<li>计算平均导航网络。点击“网络分析”批次。 Metric Comparison and choose Connection加载上述获得的网络矩阵，并选择 Averaged (Functional) 操作。选择一个输出目录以保存平均网络矩阵；参见 Figure 4 for more details.</li>
			<li>将上述步骤获得的平均网络使用该功能划分为 2、3、4 和 5 个模块。 spectralcluster in MATLAB.</li>
			<li>使用 procrustes_alignment.m 脚本对齐模块划分后，计算在 REST 1 和 REST 2 中被划分到同一模块的节点比例。将此比例作为模块划分可重复性的指标。</li>
			<li>选择具有最高可重复性的模块数量。</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Statistical analyses 
	注：以下分析主要用于验证目的，在将本方案应用于个体差异研究时并非必需。
	<ol>
		<li>检验这两种采用不同节点定义策略（即本研究新生成的 NaviNet_AICHA 与 Kong 等人先前提出的 NaviNet_AAL）的网络之间，上述网络指标的相似性。12使用该函数计算皮尔逊相关性。 corrcoef 在 MATLAB 中，并对每个稀疏度阈值重复进行分析。 
		注意：提取网络指标后，研究者可进行任何感兴趣的统计分析。</li>
		<li>检查这些网络指标的测试-重测信度。&#160;使用该函数 ICC in MATLAB27,28，该功能实现了 Intraclass Correlation Coefficient. 
		NOTE: The original uncorrected p 在代表性结果部分报告了数值。0.2&#160;&#60; ICC&#160;&#60; 0.4 被视为表明重测信度尚可。 ICC&#160;&#62; 0.4 被视为中等至良好的重测信度。29,30鉴于负组内相关系数的存在无意义且难以解释，故将其设为零。31.</li>
	</ol>
	</li>
</ol>
<img alt="图3" class="xfigimg" src="/files/ftp_upload/65150/65150fig03.jpg" /> 
图3：网络指标分析。 该分析定义了具有10个阈值的加权正向网络。计算两个全局网络指标：小世界性和效率；以及四个节点网络指标：聚类系数、最短路径长度、效率和度中心性。<a href="https://www.jove.com/files/ftp_upload/65150/65150fig03large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图 4" class="xfigimg" src="/files/ftp_upload/65150/65150fig04.jpg" /> 
图 4：平均导航网络的计算。 平均（功能）运算有助于计算所有参与者的平均网络。<a href="https://www.jove.com/files/ftp_upload/65150/65150fig04large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>

<ol><li>Kanwisher, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+specificity+in+the+human+brain%3A+a+window+into+the+functional+architecture+of+the+mind%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Functional specificity in the human brain: a window into the functional architecture of the mind.</a> Proceedings of the National Academy of Sciences of the United States of America. 107 (25), 11163-11170 (2010).</li>
<li>Coughlan, G., Laczo, J., Hort, J., Minihane, A. M., Hornberger, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatial+navigation+deficits+-+overlooked+cognitive+marker+for+preclinical+Alzheimer+disease%5BTitle%5D)+AND+%22Nature+Reviews+Neurology%22%5BJournal%5D)">Spatial navigation deficits - overlooked cognitive marker for preclinical Alzheimer disease.</a> Nature Reviews Neurology. 14 (8), 496-506 (2018).</li>
<li>Gilbert, S. J., Meuwese, J. D., Towgood, K. J., Frith, C. D., Burgess, P. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Abnormal+functional+specialization+within+medial+prefrontal+cortex+in+high-functioning+autism%3A+a+multi-voxel+similarity+analysis%5BTitle%5D)+AND+%22Brain%22%5BJournal%5D)">Abnormal functional specialization within medial prefrontal cortex in high-functioning autism: a multi-voxel similarity analysis.</a> Brain. 132 (4), 869-878 (2009).</li>
<li>Kanwisher, N., McDermott, J., Chun, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+fusiform+face+area%3A+a+module+in+human+extrastriate+cortex+specialized+for+face+perception%5BTitle%5D)+AND+%22Journal+of+Neuroscience%22%5BJournal%5D)">The fusiform face area: a module in human extrastriate cortex specialized for face perception.</a> Journal of Neuroscience. 17 (11), 4302-4311 (1997).</li>
<li>Epstein, R., Harris, A., Stanley, D., Kanwisher, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+parahippocampal+place+area%3A+recognition%2C+navigation%2C+or+encoding%5BTitle%5D)+AND+%22Neuron%22%5BJournal%5D)">The parahippocampal place area: recognition, navigation, or encoding.</a> Neuron. 23 (1), 115-125 (1999).</li>
<li>Epstein, R. A., Patai, E. Z., Julian, J. B., Spiers, H. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+cognitive+map+in+humans%3A+spatial+navigation+and+beyond%5BTitle%5D)+AND+%22Nature+Neuroscience%22%5BJournal%5D)">The cognitive map in humans: spatial navigation and beyond.</a> Nature Neuroscience. 20 (11), 1504-1513 (2017).</li>
<li>Baumann, O., Mattingley, J. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Extrahippocampal+contributions+to+spatial+navigation+in+humans%3A+A+review+of+the+neuroimaging+evidence%5BTitle%5D)+AND+%22Hippocampus%22%5BJournal%5D)">Extrahippocampal contributions to spatial navigation in humans: A review of the neuroimaging evidence.</a> Hippocampus. 31 (7), 640-657 (2021).</li>
<li>Auger, S. D., Mullally, S. L., Maguire, E. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Retrosplenial+cortex+codes+for+permanent+landmarks%5BTitle%5D)+AND+%22PloS+One%22%5BJournal%5D)">Retrosplenial cortex codes for permanent landmarks.</a> PloS One. 7 (8), e43620(2012).</li>
<li>Zhen, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantifying+the+variability+of+scene-selective+regions%3A+Interindividual%2C+interhemispheric%2C+and+sex+differences%5BTitle%5D)+AND+%22Human+Brain+Mapping%22%5BJournal%5D)">Quantifying the variability of scene-selective regions: Interindividual, interhemispheric, and sex differences.</a> Human Brain Mapping. 38 (4), 2260-2275 (2017).</li>
<li>Ekstrom, A. D., Huffman, D. J., Starrett, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Interacting+networks+of+brain+regions+underlie+human+spatial+navigation%3A+a+review+and+novel+synthesis+of+the+literature%5BTitle%5D)+AND+%22Journal+of+Neurophysiology%22%5BJournal%5D)">Interacting networks of brain regions underlie human spatial navigation: a review and novel synthesis of the literature.</a> Journal of Neurophysiology. 118 (6), 3328-3344 (2017).</li>
<li>Coughlan, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+between+the+entorhinal+and+posterior+cingulate+cortices+underpins+navigation+discrepancies+in+at-risk+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Neurobiology+of+Aging%22%5BJournal%5D)">Functional connectivity between the entorhinal and posterior cingulate cortices underpins navigation discrepancies in at-risk Alzheimer's disease.</a> Neurobiology of Aging. 90, 110-118 (2020).</li>
<li>Kong, X. Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Human+navigation+network%3A+the+intrinsic+functional+organization+and+behavioral+relevance%5BTitle%5D)+AND+%22Brain+Structure+%26+Function%22%5BJournal%5D)">Human navigation network: the intrinsic functional organization and behavioral relevance.</a> Brain Structure & Function. 222 (2), 749-764 (2017).</li>
<li>Weisberg, S. M., Ekstrom, A. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hippocampal+volume+and+navigational+ability%3A+The+map+%28ping%29+is+not+to+scale%5BTitle%5D)+AND+%22Neuroscience+%26+Biobehavioral+Reviews%22%5BJournal%5D)">Hippocampal volume and navigational ability: The map (ping) is not to scale.</a> Neuroscience & Biobehavioral Reviews. 126, 102-112 (2021).</li>
<li>Tzourio-Mazoyer, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+anatomical+labeling+of+activations+in+SPM+using+a+macroscopic+anatomical+parcellation+of+the+MNI+MRI+single-subject+brain%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain.</a> Neuroimage. 15 (1), 273-289 (2002).</li>
<li>Van Essen, D. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+WU-Minn+human+connectome+project%3A+an+overview%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">The WU-Minn human connectome project: an overview.</a> Neuroimage. 80, 62-79 (2013).</li>
<li>Smith, S. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting-state+fMRI+in+the+human+connectome+project%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Resting-state fMRI in the human connectome project.</a> Neuroimage. 80, 144-168 (2013).</li>
<li>Wang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((GRETNA%3A+a+graph+theoretical+network+analysis+toolbox+for+imaging+connectomics%5BTitle%5D)+AND+%22Frontiers+in+Human+Neuroscience%22%5BJournal%5D)">GRETNA: a graph theoretical network analysis toolbox for imaging connectomics.</a> Frontiers in Human Neuroscience. 9, 386(2015).</li>
<li>Esteban, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((fMRIPrep%3A+a+robust+preprocessing+pipeline+for+functional+MRI%5BTitle%5D)+AND+%22Nature+Methods%22%5BJournal%5D)">fMRIPrep: a robust preprocessing pipeline for functional MRI.</a> Nature Methods. 16 (1), 111-116 (2019).</li>
<li>Yan, C., Zang, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DPARSF%3A+a+MATLAB+toolbox+for%26%2334%3B+pipeline%26%2334%3B+data+analysis+of+resting-state+fMRI%5BTitle%5D)+AND+%22Frontiers+in+Systems+Neuroscience%22%5BJournal%5D)">DPARSF: a MATLAB toolbox for&#34; pipeline&#34; data analysis of resting-state fMRI.</a> Frontiers in Systems Neuroscience. 4, 13(2010).</li>
<li>Yarkoni, T., Poldrack, R. A., Nichols, T. E., Van Essen, D. C., Wager, T. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large-scale+automated+synthesis+of+human+functional+neuroimaging+data%5BTitle%5D)+AND+%22Nature+Methods%22%5BJournal%5D)">Large-scale automated synthesis of human functional neuroimaging data.</a> Nature Methods. 8 (8), 665-670 (2011).</li>
<li>Joliot, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((AICHA%3A+An+atlas+of+intrinsic+connectivity+of+homotopic+areas%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">AICHA: An atlas of intrinsic connectivity of homotopic areas.</a> Journal of Neuroscience Methods. 254, 46-59 (2015).</li>
<li>Murphy, K., Birn, R. M., Handwerker, D. A., Jones, T. B., Bandettini, P. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+impact+of+global+signal+regression+on+resting+state+correlations%3A+are+anti-correlated+networks+introduced%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">The impact of global signal regression on resting state correlations: are anti-correlated networks introduced.</a> Neuroimage. 44 (3), 893-905 (2009).</li>
<li>Fox, M. D., Zhang, D., Snyder, A. Z., Raichle, M. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+global+signal+and+observed+anticorrelated+resting+state+brain+networks%5BTitle%5D)+AND+%22Journal+of+Neurophysiology%22%5BJournal%5D)">The global signal and observed anticorrelated resting state brain networks.</a> Journal of Neurophysiology. 101 (6), 3270-3283 (2009).</li>
<li>Xiang, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Graph-based+network+analysis+of+resting-state+fMRI%3A+test-retest+reliability+of+binarized+and+weighted+networks%5BTitle%5D)+AND+%22Brain+Imaging+and+Behavior%22%5BJournal%5D)">Graph-based network analysis of resting-state fMRI: test-retest reliability of binarized and weighted networks.</a> Brain Imaging and Behavior. 14, 1361-1372 (2020).</li>
<li>Rubinov, M., Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Complex+network+measures+of+brain+connectivity%3A+uses+and+interpretations%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Complex network measures of brain connectivity: uses and interpretations.</a> Neuroimage. 52 (3), 1059-1069 (2010).</li>
<li>Maslov, S., Sneppen, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Specificity+and+stability+in+topology+of+protein+networks%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Specificity and stability in topology of protein networks.</a> Science. 296 (5569), 910-913 (2002).</li>
<li>Shrout, P. E., Fleiss, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Intraclass+correlations%3A+uses+in+assessing+rater+reliability%5BTitle%5D)+AND+%22Psychological+Bulletin%22%5BJournal%5D)">Intraclass correlations: uses in assessing rater reliability.</a> Psychological Bulletin. 86 (2), 420(1979).</li>
<li>McGraw, K. O., Wong, S. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Forming+inferences+about+some+intraclass+correlation+coefficients%5BTitle%5D)+AND+%22Psychological+Methods%22%5BJournal%5D)">Forming inferences about some intraclass correlation coefficients.</a> Psychological Methods. 1 (1), 30(1996).</li>
<li>Andellini, M., Cannatà, V., Gazzellini, S., Bernardi, B., Napolitano, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Test-retest+reliability+of+graph+metrics+of+resting+state+MRI+functional+brain+networks%3A+A+review%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">Test-retest reliability of graph metrics of resting state MRI functional brain networks: A review.</a> Journal of Neuroscience Methods. 253, 183-192 (2015).</li>
<li>Cao, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Test-retest+reliability+of+fMRI-based+graph+theoretical+properties+during+working+memory%2C+emotion+processing%2C+and+resting+state%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Test-retest reliability of fMRI-based graph theoretical properties during working memory, emotion processing, and resting state.</a> Neuroimage. 84, 888-900 (2014).</li>
<li>Rousson, V., Gasser, T., Seifert, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Assessing+intrarater%2C+interrater+and+test-retest+reliability+of+continuous+measurements%5BTitle%5D)+AND+%22Statistics+in+medicine%22%5BJournal%5D)">Assessing intrarater, interrater and test-retest reliability of continuous measurements.</a> Statistics in medicine. 21 (22), 3431-3446 (2002).</li>
<li>Bullmore, E., Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Complex+brain+networks%3A+graph+theoretical+analysis+of+structural+and+functional+systems%5BTitle%5D)+AND+%22Nature+Reviews+Neuroscience%22%5BJournal%5D)">Complex brain networks: graph theoretical analysis of structural and functional systems.</a> Nature Reviews Neuroscience. 10 (3), 186-198 (2009).</li>
<li>Patai, E. Z., Spiers, H. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+versatile+wayfinder%3A+prefrontal+contributions+to+spatial+navigation%5BTitle%5D)+AND+%22Trends+in+Cognitive+Sciences%22%5BJournal%5D)">The versatile wayfinder: prefrontal contributions to spatial navigation.</a> Trends in Cognitive Sciences. 25 (6), 520-533 (2021).</li>
<li>Wegman, J., Janzen, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+encoding+of+objects+relevant+for+navigation+and+resting+state+correlations+with+navigational+ability%5BTitle%5D)+AND+%22Journal+of+Cognitive+Neuroscience%22%5BJournal%5D)">Neural encoding of objects relevant for navigation and resting state correlations with navigational ability.</a> Journal of Cognitive Neuroscience. 23 (12), 3841-3854 (2011).</li>
<li>Braun, U., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Test-retest+reliability+of+resting-state+connectivity+network+characteristics+using+fMRI+and+graph+theoretical+measures%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Test-retest reliability of resting-state connectivity network characteristics using fMRI and graph theoretical measures.</a> Neuroimage. 59 (2), 1404-1412 (2012).</li>
</ol>

作者声明不存在利益冲突。

网络神经科学有望帮助理解大脑网络如何支持人类的认知功能32。本方案展示了一种研究人脑空间导航功能网络的整合方法，该方法也可为其他认知结构（如语言）的网络建模提供启示。
该方法包含三个主要步骤：节点定义、网络构建和网络分析。其中，网络构建与网络分析与全脑网络研究中的一般方法相同，而节点定义是本方案中最关键的步骤。此步骤利用大规模的功能激活元分析，针对与空间导航相关的脑区进行定位，以确定对导航行为最重要的脑区。因此，我们能够构建具有功能意义的网络，从而从网络视角理解复杂神经加工过程的神经基础。需要注意的是，在节点定义的结果中未包含前额叶区域，而越来越多的导航研究已提示这些区域具有重要作用33。这可能是由于数据库中与导航相关的研究缺乏这些区域的激活信号，导致元分析可用数据有限。当未来有更多数据可用于定位这些与导航相关的前额叶区域时，进一步探究它们在导航网络中的作用将是一个值得研究的问题。研究人员也可在能够定位特定脑区的前提下，应用该方案研究其他认知功能。为确保所选区域与特定功能密切相关，需依赖...

功能特异性是人类大脑的一种基本组织原则，在塑造认知功能方面起着关键作用1。功能特异性组织的异常可能反映自闭症和阿尔茨海默病等主要脑部疾病的核心认知障碍及其相关的病理基础2,3。尽管传统理论和研究通常关注单一脑区，例如用于面孔识别的梭状回面孔区（FFA）4和用于场景处理的海马旁位置区（PPA）5，但越来越多的证据表明，包括空间导航和语言在内的复杂认知功能需要多个脑区之间的协同活动6。探究支持复杂认知功能的脑区间相互作用机制，是一个关键的科学问题，有助于揭示大脑的功能架构与运作方式。本文以空间导航为例，提出一种用于建模人类大脑中空间导航功能网络的整合方法。
空间导航是一种复杂的认知功能，涉及多种认知成分的整合与调控，例如视觉-空间编码、记忆和决策制定7。借助功能磁共振成像（fMRI），大量研究在理解其潜在的认知加工过程和神经机制方面取得了重要进展。例如，通过使用不同的导航任务，研究人员已将特定功能与不同的脑区联系起来：场景加工&#160;与压后皮层（PPA）密切相关，而导航策略的转换则与后扣带回皮层（RSC）相关8,9。这些研究为空间导航的神经基础提供了重要的见解。然而，导航是一种内在动态且多模态的功能，单个脑区的功能不足以解释在空间导航中普遍观察到的显著个体差异10。
随着基于功能性磁共振成像（fMRI）的连接组学的发展，研究人员开始探索一些关键脑区如何相互作用以支持空间导航。例如，内嗅皮层与后扣带皮层之间的功能连接被发现与阿尔茨海默病高风险人群中的导航差异有关11。在另一项研究中，我们首次提出了一种网络方法，整合了连接组学技术以及几乎所有在功能上与空间导航相关的脑区（节点），结果表明，该网络的拓扑特性与导航行为存在特定关联12。该研究为理解多个脑区如何协同作用以支持灵活的导航行为提供了新的理论视角10,13。
本研究展示了一种用于建模功能网络的整合方法的更新版本。简而言之，本次更新包含两点：1）原始研究中定义的节点基于较早且规模较小的数据库（2014年获取，包含55项研究、共2,765个激活位点），而本次节点定义则基于最新的数据库（2022年获取，包含77项研究、共3,908个激活位点）；2）为提高每个节点的功能同质性，除原始的解剖学AAL（Anatomical Automatic Labeling）图谱14外，我们还应用了一种新的脑区分割方法，该方法具有更高的分辨率和更强的功能同质性（见下文）。我们预期，这两项更新将提升功能网络建模的准确性。本更新后的方案为从网络视角探究空间导航的神经基础提供了详细的操作流程，并有助于理解健康与疾病状态下个体导航行为的差异。类似的方法也可用于其他认知功能（如语言和记忆）的网络建模研究。

<table><tbody><tr><td>脑连接工具箱（Brain connectivity toolbox，BCT）</td><td>Mikail Rubinov &amp; Olaf Sporns&amp;nbsp;</td><td>2019</td><td>脑连接工具箱（brain-connectivity-toolbox.net）是一个用于对结构和功能脑连接数据集进行复杂网络（图论）分析的 MATLAB 工具箱。&amp;nbsp;</td></tr><tr><td>GRETNA</td><td>Jinhui Wang 等</td><td>2</td><td>GRETNA 是一个基于图论的网络分析工具箱，通过整合当前神经科学领域研究中的大多数网络度量指标，使研究人员能够对脑连接组的拓扑结构进行综合分析。</td></tr><tr><td>MATLAB</td><td>MathWorks</td><td>2021a</td><td>MATLAB 是一个由数百万工程师和科学家用于数据分析、算法开发和模型构建的编程与数值计算平台。</td></tr><tr><td>Python</td><td>Guido van Rossum 等</td><td>3.8.6</td><td>Python 是一种编程语言，可帮助您更快速地工作，并更有效地集成系统。</td></tr><tr><td>统计参数映射（Statistical Parametric Mapping，SPM）</td><td>Karl Friston 等&amp;nbsp;</td><td>12</td><td>统计参数映射&amp;nbsp;指的是构建和评估空间扩展的统计过程，用于检验关于功能成像数据的假设。</td></tr></tbody></table>

模拟人脑空间导航功能网络

Modeling the Functional Network for Spatial Navigation in the Human Brain

空间导航是一种复杂的功能，涉及多感官信息的整合与处理。通过使用不同的导航任务，研究人员已在阐明各个脑区（例如海马体、内嗅皮层和海马旁位置区）的具体功能方面取得了许多有前景的成果。最近有研究提出，一种涉及多个相互作用脑区的非聚合性网络过程，可能更准确地刻画这一复杂功能的神经基础。本文介绍了一种用于构建和分析人类大脑中与空间导航相关的功能特异性网络的整合性方法。简而言之，该整合性方法包括三个主要步骤：1）识别对空间导航重要的脑区（节点定义）；2）估计这些脑区之间每一对的功能连接，并构建连接矩阵（网络构建）；3）探究所得到网络的拓扑特性（例如模块性和小世界性）（网络分析）。从网络视角出发，该方法有助于我们更好地理解大脑如何在复杂且动态的环境中支持灵活的导航行为；同时，所揭示的网络拓扑特性也可为临床实践中阿尔茨海默病的早期识别与诊断提供重要的生物标志物。

导航网络 
本研究通过整合最新的荟萃分析神经影像数据库与AICHA图谱，确定了27个与空间导航相关的脑区。这些脑区包括内侧颞叶和顶叶区域，均为导航神经影像研究中常被报道的区域。这些区域的空间分布如图所示 图 5A 和 图 5C作为对比，我们还可视化了先前定义的空间导航脑区 图 5B 和 图 5D. 作为对比，纳入了AAL图谱中的20个脑区。这两组脑区显示出较大的重叠区域。
<img alt="图5" class="xfigimg" src="/files/ftp_upload/65150/65150fig05v2.jpg" /> 
图...

本文提出了一种综合方法，用于研究人类大脑中空间导航的功能网络。该方法结合了大规模神经影像元分析数据库、静息态功能磁共振成像，以及网络建模和图论分析技术。

空间导航是一项复杂的功能，涉及多感官信息的整合与处理。通过使用不同的导航任务，许多……

空间导航是一个复杂的过程，涉及大脑中的分布式网络。我们的研究提出了一种整合性方法，利用功能性磁共振成像（fMRI）数据构建空间导航的功能网络模型。该最优网络模型为理解网络内脑区之间的相互作用提供了新的见解。该网络模型还能更好地捕捉健康和疾病状态下行为的变异性。我们的方法也可应用于其他复杂功能的研究。例如，类似的流程可用于语言和记忆的脑网络建模。首先，检查数据质量，并排除那些重测数据缺失或头动过大的受试者。然后在 MATLAB 中打开图论网络分析（GRETNA）工具箱。点击“FC Matrix Construction”选项卡，选择功能数据集的路径以加载 nifty 文件。按照管道选项中显示的步骤执行。接下来，为了进行网络节点定义，通过输入以下命令下载最新的 Neurosynth 数据库。然后从数据库生成一个新的数据集实例。输入 txt 并通过键入此命令为该数据添加特征。通过键入命令对感兴趣术语（如导航）进行元分析。接下来，通过结合元分析图谱和全脑分区图谱（如 AICHA 或 AAL），在 FSL 中键入此命令来定义感兴趣的簇。然后在 Python 中输入以下脚本，以检查图中每个区域的大小。之后，使用 FSL 中的 FSL Maths 将所有脑区整合到一个模板中。进行网络连接性估计时，在 GRETNA 软件中点击 FC Matrix Construction，然后选择 Static Correlation。将从网络节点定义中获得的节点作为图谱上传，以计算各脑区对之间静息态功能磁共振信号的静态相关性，并将其转换为Fisher Z分数。若需通过流程选项中显示的步骤生成一个正向加权网络，请点击“网络分析”。随后，将网络矩阵添加到脑功能连接矩阵窗口中，并选择输出目录以进行后续处理。在 GRETNA 网络指标分析流程中添加小世界属性、全局效率、聚类系数、最短路径长度、度中心性以及局部效率。在矩阵符号选项中选择“正”（positive），在阈值方法中选择网络稀疏性，并输入一组阈值序列。选择网络类型为加权网络。将随机网络数量设置为 1,000，然后点击运行。为了确定网络中模块的最佳数量，首先计算平均化导航网络。然后使用 MATLAB 中的谱聚类（spectral cluster）函数，将得到的平均网络划分为 2、3、4 和 5 个模块。接着使用 procrustes_alignment.m 脚本对模块划分进行配准，并计算在静息态一和静息态二中被划分到相同模块的节点比例。选择重复性最高的模块数量。为了进行网络分析，比较两种不同策略网络（如 NaviNet AICHA 和 NaviNet AAL）之间这些网络指标的相似性。使用 MATLAB 中的 ICC 函数检验这些网络指标的重测信度。本研究使用AICHA图谱鉴定了27个与空间导航相关的脑区。这些脑区包括内侧颞叶和顶叶区域，这些区域已在导航神经影像研究中被报道。作为对比，还纳入了AAL图谱中的20个脑区。结果显示，两个网络之间存在较大的重叠以及相似的社区分布，包括在两个网络中均出现的相似的腹侧和背侧模块。此外，除聚类系数外，其余六个指标中的五个在网络间均表现出显著相关性。对于几乎所有指标而言，相似性数值随着稀疏度阈值的增加而升高，表明网络水平的分析能够反映稳定的个体差异，且独立于节点定义方式的选择；同时表明，在导航网络分析中，采用0.30至0.40的稀疏度阈值将获得更好的泛化能力。此外，对导航网络拓扑指标的重测信度评估表明，在AICHA中，该网络的大多数指标表现出中等至良好的信度，而AAL网络则显示出相对更高的信度。另外，在fMRI数据预处理中加入全局信号回归可提高信度。这些结果提示，聚类系数和小世界属性是这些指标中最为可靠的。通过这种方法，研究人员可以探究功能特异性网络的发育轨迹。网络特性还为阿尔茨海默病等脑部疾病的早期识别提供了新的生物标志物。

modeling-functional-network-for-spatial-navigation-human

Research

科研

JoVE Journal

Neuroscience

神经科学

模拟人脑空间导航的功能网络

我们采用脑磁图（MEG）和脑电图（EEG）来绘制参与简单感觉刺激处理的脑区。...

同步 MEG 与 EEG 的功能定位映射

MazeSuite 是一套完整的工具集，用于准备、呈现和分析导航与空间实验。功能性近红外光谱成像（fNIR）是一种光学脑成像技术，可实现对大脑血氧变化的无创、便携式监测。本文总结了在认知加工学习范式中联合使用 MazeSuite 与 fNIR...

使用MazeSuite和功能性近红外光谱技术研究空间导航中的学习过程

我们介绍了一种利用磁共振成像（MRI）同时分析大脑功能与结构的新方法。我们采用高分辨率扩散加权成像及白质纤维束示踪技术来评估大脑结构。与标准的结构性MRI不同，这些技术使我们能够直接将解剖连接性与脑网络的功能特性关联起来。...

联合分析脑结构与功能：采用fMRI与扩散加权成像

在研究运动障碍的神经机制时，监测直立姿势下运动任务期间的大脑活动具有重要价值。本文展示了一种结合功能性近红外光谱成像与肌肉及运动学活动连续监测的技术方案，用于四种类型运动任务中的脑功能研究。...

运动任务期间同步监测运动学与肌电图的感官及运动脑区功能近红外光谱成像

本实验方案描述了一种可重构迷宫，这是一种用于检测啮齿类动物空间导航能力和行为表型的独特系统。该迷宫系统的可适应性使得在单一物理环境中能够开展多种实验。其结构易于重新配置，可产生可靠且可重复的实验结果。...

利用可重构迷宫系统提高啮齿类动物空间导航测试的可重复性

本文介绍了一种新颖、简短且主动的空间导航任务，可同时评估空间导航能力和情景记忆能力。重要的是，空间导航与情景记忆能力相互关联，且该任务对运动干预具有敏感性。...

评估人类在虚拟空间中的空间导航能力及其对运动的敏感性

在此，我们采用高密度微电极阵列（HD-MEA）深入研究大规模神经元群集的计算动力学，特别是在海马体、嗅球环路以及人类神经元网络中的应用。通过捕捉时空电活动并结合计算工具，可深入了解神经元群集的复杂性。该方法有助于增进对脑功能的理解，并有望为神经系统疾病发现生物标志物和治疗方法。...

在CMOS集成高密度微电极阵列上记录与分析多模态大规模神经元集群动态

本文介绍了在缺乏导航设备的情况下，如何定位重复经颅磁刺激干预或治疗的功能特异性靶点。...

在缺乏导航设备的情况下定位经颅磁刺激的功能特异性靶点

本文介绍了一种使用重复经颅磁刺激（nTMS）结合基于扩散张量成像（DTI）的皮质脊髓束（CST）重建进行运动区定位的标准化操作流程。该方案具有可重复性，临床可行性高，可轻松整合到常规临床工作流程中，为运动通路评估、神经可塑性研究以及康复方案制定提供了可靠且有价值的技术框架。...

使用导航经颅磁刺激进行功能性运动定位的标准化方案

本文探讨了联合使用经颅磁刺激（TMS）与功能性磁共振成像（fMRI）以研究脑刺激对默认网络影响的方法学及相关注意事项。...

结合经颅磁刺激与功能性磁共振成像研究默认模式网络

探索基于静息态fMRI数据构建人脑空间导航功能网络的综合建模方法。本研究运用网络建模与图论技术，识别出27个关键脑区，为理解健康与疾病状态下的导航行为变异性提供新见解，并可推广至其他认知功能研究。

模拟人脑空间导航功能网络

探索更多视频