模拟人脑空间导航的功能网络
2023年10月13日
本文提出了一种研究人脑空间导航功能网络的综合方法。这种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技术。
空间导航是一个复杂的过程，涉及大脑中的分布式网络。我们的工作提出了一种使用FMRI数据对空间导航功能网络进行建模的综合方法。最优网络模型为理解网络中的大脑区域如何相互作用提供了新的见解。
网络模型还可以更好地捕捉健康和疾病行为的可变性。我们的方法也可以应用于研究或其他复杂的功能。例如，类似的程序可用于对语言和记忆的大脑网络进行建模。
首先，检查数据质量并排除缺少重新测试数据和头部运动过度的参与者。然后在 MATLAB 中打开图理论网络分析或 GRETNA 工具箱。点击"FC 矩阵构建"选项卡，选择功能数据集的路径以加载漂亮的文档。
执行管道选项中显示的步骤。接下来，要执行网络节点定义，请键入以下命令下载最新的 Neurosynth 数据库。然后从数据库生成新的数据集实例。
txt 并通过键入此命令向此数据添加要素。通过键入命令运行感兴趣术语（如导航）的元分析。接下来，通过从 FSL 键入此命令，通过合并元分析图谱和全脑宗包图集（如 AICHA 或 AAL）来定义感兴趣的聚类。
然后在 Python 中键入以下脚本以检查地图中每个区域的大小。之后，通过 FSL Maths 在 FSL 中将所有大脑区域集成到模板中。对于网络连通性估计，请单击 GRETNA 软件中的 FC 矩阵构造，然后单击静态相关。
将从网络节点定义中获得的节点上传为图谱，以计算每对区域的rs-fMRI信号的静态相关性，并将其转换为Fisher's Z分数。要获得具有管道选项中显示的步骤的正加权网络，请单击网络分析。然后将网络矩阵添加到大脑连接矩阵窗口中，并选择一个输出目录进行准备。
将小世界、全局效率、聚类系数、最短路径长度、度中心性和局部效率添加到 GRETNA 网络度量分析管道中。在矩阵符号中选择正数。在阈值方法中选择网络稀疏性，然后输入一组阈值序列。
选择加权网络类型。将随机网络号设置为 1， 000，然后单击运行。要确定网络中的最佳模块数，首先计算平均导航网络。
然后使用 MATLAB 中的函数 spectral cluster 将生成的平均网络分为 2、3、4 和 5 个模块。然后使用脚本对齐模块分区，procrustes_alignment。m，并计算在静息一和静息二中划分为同一模块的节点部分。
选择具有最高重复性的模块数量。要执行网络分析，请检查具有不同类型策略（如 NaviNet AICHA 和 NaviNet AAL）的两个网络之间这些网络指标的相似性。使用 MATLAB 中的函数 ICC 检查这些网络指标的测试重测可靠性。
在这项研究中，使用 AICHA 图谱确定了 27 个与空间导航相关的大脑区域。这些区域包括导航神经影像学研究中报道的内侧颞叶和顶叶区域。作为比较，AAL 地图集中的 20 个地区被纳入其中。
结果显示，两组之间有很大的重叠和相似的群落分布，包括两个网络中相似的腹侧和背侧模块。此外，除聚类系数外，六个指标中有五个指标显示出两个网络之间的显著相关性。几乎所有指标的相似性值都随着稀疏性阈值的增加而增加，这表明网络级分析可以反映稳定的个体差异，与节点定义选择无关，并且 0.30 到 0.40 的稀疏性阈值将在导航网络分析中产生更好的泛化性。
此外，对导航网络拓扑测量的其余重测信度的评估表明，大多数网络指标在AICHA中表现出一般到良好的可靠性，而AAL网络表现出相对较高的可靠性。此外，在FMRI数据预处理中包括全局信号回归可以带来高可靠性。这些结果表明，聚类系数和小世界是这些指标中最可靠的。
通过这种方法，研究人员可以研究功能特异性网络的发展轨迹。网络特性还为指导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。
查看完整文字稿并访问数千部科学视频
概述
本研究提出了一种综合方法，利用静息状态功能性核磁共振成像数据来建模与空间导航相关的功能网络。通过采用网络建模和图论技术，研究旨在增强对导航中关键脑区相互作用的理解，并对健康和疾病有着重要的启示。
研究的主要组成部分
科学领域
- 神经科学
- 功能性神经影像学
- 网络分析
背景
- 空间导航涉及复杂的大脑网络。
- 研究识别了与导航相关的关键脑区。
- 利用大规模神经影像学荟萃分析数据库进行数据比较。
- 旨在探索健康和疾病背景下与导航相关的行为变异性。
研究目的
- 研究空间导航的功能性脑网络。
- 改善对个体行为变异性的捕捉。
- 提供适用于其他认知功能的方法框架。
使用的方法
- 研究使用静息状态功能性磁共振成像（fMRI）数据。
- 关键的生物模型包括使用AICHA和AAL图谱识别的与空间导航相关的脑区。
- 步骤包括数据质量检查、网络节点定义，以及使用MATLAB中的GRETNA工具箱进行网络连接估计。
- 分析多种指标以评估网络属性。
- 评估网络指标的测试-重测可靠性。
主要结果
- 使用AICHA和AAL图谱识别的与空间导航相关的27个脑区，显示重叠。
- AAL网络指标的可靠性高于AICHA，强调了全局信号回归的重要性。
- 六个网络指标中的五个在两个图谱之间显示出显著相关性。
- 研究结果表明聚类系数和小世界特性是特别可靠的指标。
结论
- 这种综合方法允许更深入地研究大脑中的导航网络。
- 研究发现为识别脑部疾病提供了新的生物标志物。
- 研究的启示延伸到理解健康中的神经元机制以及潜在的阿尔茨海默病等疾病的早期干预。
常见问题
Executive Industry Relevance
Modeling the functional network for spatial navigation in the human brain enables biopharma teams to interrogate distributed neural circuits underlying complex behaviors. This integrative network approach enhances predictive confidence in identifying robust biomarkers and supports risk-adjusted decisions at the interface of discovery and translational neuroscience. The method's reproducibility and quantitative outputs position it as a reusable capability for portfolio-wide neurobiological de-risking.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables systematic identification of brain regions critical for spatial navigation using meta-analytic and atlas-based approaches.
- Supports functional target validation by quantifying connectivity and topological properties across neural circuits.
- Facilitates mechanistic de-risking by revealing network-level biomarkers relevant to neurodegenerative disease pathways.
Screening & Assay Development
- Provides validated network metrics (e.g., clustering coefficient, small-worldness) for assay standardization and reproducibility.
- Delivers quantitative outputs that enable reliable comparison of intervention effects on brain network organization.
- Prepares robust biological systems for downstream screening of compounds targeting neural connectivity or function.
Translational & Preclinical Research
- Aligns network-derived biomarkers with disease-relevant endpoints, supporting translational continuity from discovery to preclinical models.
- Enables risk-adjusted advancement decisions by quantifying network stability and reliability across populations.
- Supports early identification of neurodegenerative disease signatures, such as those relevant to Alzheimer's disease.
Pipeline & Workflow Integration
This network modeling approach integrates from early discovery through translational research, bridging hypothesis testing, quantitative analytics, and biomarker development.
- Discovery Biology: Supports hypothesis-driven identification and validation of spatial navigation circuits.
- Screening: Provides reproducible, quantitative network metrics for assay readiness and cross-study comparability.
- Analytics: Delivers statistical outputs (e.g., Fisher's Z scores, ICC reliability) for robust condition comparison.
- Translational Research: Connects network properties to disease-relevant biomarkers and preclinical endpoints.
- Enterprise Reuse: Establishes a scalable, standardized workflow for modeling other cognitive or disease-relevant brain networks.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in neurobiological target validation.
- Operational Value: Standardizes network analysis pipelines for reproducibility and scalability across studies.
- Strategic Value: Informs go/no-go decisions and capital allocation by quantifying network reliability and biomarker robustness.
- Portfolio Impact: Enables risk-adjusted prioritization of neuroscience assets based on validated network-level endpoints.
Implementation Considerations
- Requires expertise in neuroimaging, graph theory, and statistical analysis for robust execution.
- Depends on access to high-quality fMRI data, computational infrastructure, and specialized toolboxes (e.g., GRETNA, MATLAB, FSL).
- Necessitates cross-team standardization of node definitions, preprocessing steps, and network metric thresholds.
- Adaptable to different brain atlases and cognitive domains, but network integrity may vary with atlas choice.
- Reliability of network metrics is influenced by preprocessing choices such as global signal regression and participant selection criteria.
