Modellazione della rete funzionale per la navigazione spaziale nel cervello umano
13 ottobre 2023
Questo articolo presenta un approccio integrativo allo studio della rete funzionale per la navigazione spaziale nel cervello umano. Questo approccio incorpora un database meta-analitico di neuroimaging su larga scala, una risonanza magnetica funzionale in stato di riposo e tecniche di modellazione di rete e di teoria dei grafi.
La navigazione spaziale è un processo complesso che coinvolge una rete distribuita nel cervello. Il nostro lavoro presenta un approccio integrativo per la modellazione di una rete funzionale per la navigazione spaziale utilizzando dati FMRI. Il modello di rete ottimale fornisce nuove informazioni per comprendere come interagiscono le regioni cerebrali all'interno della rete.
Il modello di rete potrebbe anche catturare meglio la variabilità nei comportamenti sia in salute che in malattia. Il nostro metodo può essere applicato anche a studi o altre funzioni complesse. Ad esempio, una procedura simile potrebbe essere utilizzata per modellare la rete cerebrale per il linguaggio e la memoria.
Per iniziare, controlla la qualità dei dati ed escludi i partecipanti con dati di ripetizione mancanti e movimenti eccessivi della testa. Quindi apri il grafico teorico dell'analisi di rete o la casella degli strumenti GRETNA in MATLAB. Fare clic sulla scheda FC Matrix Construction"e selezionare il percorso del set di dati funzionale per caricare i documenti eleganti.
Eseguite i passi come mostrato nell'opzione della tubazione. Successivamente, per eseguire la definizione del nodo di rete, scaricare l'ultimo database Neurosynth digitando il seguente comando. Generare quindi una nuova istanza del set di dati dal database.
txt e aggiungere funzionalità a questi dati digitando questo comando. Eseguire una meta-analisi del termine di interesse, ad esempio la navigazione, digitando il comando. Successivamente, definisci i cluster di interesse incorporando la mappa metaanalitica e l'intero atlante di parcellizzazione cerebrale come AICHA o AAL digitando questo comando da FSL.
Quindi digita i seguenti script in Python per controllare le dimensioni di ogni regione nella mappa. Successivamente, integra tutte le regioni del cervello in un modello di FSL Maths in FSL. Per la stima della connettività di rete, fare clic su FC Matrix Construction nel software GRETNA e fare clic su Static Correlation.
Caricare il nodo ottenuto dalla definizione del nodo di rete come atlante per calcolare la correlazione statica dei segnali rs-fMRI di ciascuna coppia di regioni e trasferirli nei punteggi Z di Fisher. Per ottenere una rete positiva e ponderata con i passaggi visualizzati nell'opzione pipeline, fare clic su Analisi di rete. Quindi aggiungere le matrici di rete nella finestra della matrice di connettività cerebrale e scegliere una directory di output per la preparazione.
Aggiungi un piccolo mondo, l'efficienza globale, il coefficiente di clustering, la lunghezza del percorso più breve, la centralità dei gradi e l'efficienza locale alla pipeline di analisi delle metriche della rete GRETNA. Seleziona positivo nel segno della matrice. Selezionare la sparsità di rete nel metodo di soglia e immettere un set di sequenze di soglia.
Scegliere il tipo di rete come ponderato. Imposta il numero di rete casuale come 1.000 e fai clic su Esegui. Per determinare il numero ottimale di moduli nella rete, calcolare prima la media della rete di navigazione.
Quindi dividi la rete media risultante in 2, 3, 4 e 5 moduli utilizzando la funzione cluster spettrale in MATLAB. Quindi allineare le divisioni dei moduli utilizzando lo script, procrustes_alignment. m, e calcolare la porzione di nodi divisi nello stesso modulo in rest uno e rest two.
Selezionare il numero di moduli con la massima ripetibilità. Per eseguire l'analisi di rete, esaminare la somiglianza di queste metriche di rete tra due reti con diversi tipi di strategie per nessuna definizione, ad esempio NaviNet AICHA e NaviNet AAL. Verificare l'affidabilità del test retest di queste metriche di rete utilizzando la funzione ICC in MATLAB.
In questo studio, 27 regioni cerebrali associate alla navigazione spaziale sono state identificate utilizzando l'atlante AICHA. Queste regioni consistevano nelle regioni mediali, temporali e parietali che sono state riportate negli studi di neuroimaging di navigazione. A titolo di confronto, sono state incluse 20 regioni dell'atlante AAL.
Ha mostrato un'ampia sovrapposizione e una distribuzione simile della comunità tra i due insiemi, inclusi moduli ventrali e dorsali simili in entrambe le reti. Inoltre, cinque delle sei metriche, ad eccezione del coefficiente di clustering, hanno mostrato correlazioni significative tra le due reti. I valori di somiglianza sono aumentati con la soglia di sparsità per quasi tutte le metriche, suggerendo che l'analisi a livello di rete potrebbe riflettere differenze individuali stabili, indipendenti dalle scelte di definizione dei nodi, e che la soglia di sparsità da 0,30 a 0,40 comporterebbe una migliore generalizzabilità nell'analisi della rete di navigazione.
Inoltre, la valutazione dell'affidabilità del retest rest delle misure topologiche delle reti di navigazione ha indicato che la maggior parte delle metriche della rete ha mostrato un'affidabilità da discreta a buona nell'AICHA, mentre la rete AAL ha mostrato un'affidabilità relativamente più elevata. Inoltre, l'inclusione della regressione del segnale globale nella pre-elaborazione dei dati FMRI potrebbe comportare un'elevata affidabilità. Questi risultati hanno suggerito che il coefficiente di clustering e il piccolo mondo sono i più affidabili tra queste metriche.
Con questo approccio, i ricercatori possono studiare la traiettoria di sviluppo di reti funzionalmente specifiche. Le proprietà della rete forniscono anche nuovi biomarcatori per guidare l'identificazione precoce di disturbi cerebrali come il morbo di Alzheimer.
Visualizza la trascrizione completa e accedi a migliaia di video scientifici
Panoramica
Questo studio presenta un approccio integrativo per modellare la rete funzionale coinvolta nella navigazione spaziale utilizzando dati fMRI a riposo. Impiegando la modellazione di rete e tecniche teoriche dei grafi, la ricerca mira a migliorare la comprensione delle interazioni tra le regioni cerebrali chiave per la navigazione, con implicazioni per la salute e le malattie.
Componenti chiave dello studio
Area di scienza
- Neuroscienza
- Neuroimaging funzionale
- Analisi di rete
Sfondo
- La navigazione spaziale coinvolge una complessa rete cerebrale.
- Lo studio identifica regioni cerebrali cruciali associate alla navigazione.
- Utilizza un database meta-analitico di neuroimaging su larga scala per il confronto dei dati.
- Mira a esplorare la variabilità nei comportamenti legati alla navigazione in contesti di salute e malattia.
Obiettivo dello studio
- Investigare la rete cerebrale funzionale per la navigazione spaziale.
- Migliorare la cattura della variabilità del comportamento individuale.
- Fornire quadri metodologici applicabili ad altre funzioni cognitive.
Metodi utilizzati
- Lo studio utilizza dati di risonanza magnetica funzionale (fMRI) a riposo.
- I modelli biologici chiave includono regioni cerebrali identificate associate alla navigazione spaziale utilizzando gli atlanti AICHA e AAL.
- I passaggi includono controlli di qualità dei dati, definizione dei nodi della rete e stima della connettività della rete utilizzando il toolbox GRETNA in MATLAB.
- Vengono analizzate molteplici metriche per valutare le proprietà della rete.
- Si esegue la valutazione dell'affidabilità test-retest per le metriche di rete.
Risultati principali
- Identificate 27 regioni cerebrali relative alla navigazione spaziale con entrambi gli atlanti AICHA e AAL che mostrano sovrapposizione.
- Affidabilità più elevata nei metriche della rete AAL rispetto ad AICHA, enfatizzando l'importanza della regressione del segnale globale.
- Cinque su sei metriche di rete hanno mostrato correlazioni significative tra i due atlanti.
- I risultati suggeriscono che il coefficiente di clustering e le proprietà di piccola-mondo sono metriche particolarmente affidabili.
Conclusioni
- Questo metodo integrativo permette un'indagine più approfondita delle reti di navigazione nel cervello.
- I risultati dello studio forniscono nuovi biomarcatori per l'identificazione dei disturbi cerebrali.
- Le implicazioni si estendono alla comprensione dei meccanismi neuronali nella salute e potenziali interventi precoci per malattie come l'Alzheimer.
Domande frequenti
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.
