ヒト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のモデル化

空間ナビゲーションは、脳内の分散ネットワークが関与する複雑なプロセスです。本研究は、FMRIデータを用いた空間ナビゲーションのための機能ネットワークをモデル化するための統合的アプローチを提示する。最適なネットワークモデルは、ネットワーク内の脳領域がどのように相互作用するかを理解するための新しい洞察を提供します。

また、ネットワークモデルは、健康と病気の両方における行動のばらつきをより適切に捉えることができます。私たちの方法は、研究やその他の複雑な機能にも適用できます。例えば、言語と記憶の脳内ネットワークをモデル化するために、同様の手順を用いることができる。

まず、データの品質を確認し、再テストデータが欠落している参加者や頭の動きが過剰な参加者を除外します。次に、MATLAB でグラフ理論ネットワーク解析または GRETNA ツールボックスを開きます。「FC Matrix Construction」タブをクリックし、機能データセットのパスを選択して、気の利いたドキュメントをロードします。

パイプラインオプションに表示されている手順を実行します。次に、ネットワークノードの定義を実行するために、次のコマンドを入力して最新のNeurosynthデータベースをダウンロードします。次に、データベースから新しいデータセット インスタンスを生成します。

txt を作成し、このコマンドを入力して、このデータに特徴を追加します。コマンドを入力して、ナビゲーションなどの関心のある用語のメタ分析を実行します。次に、FSLからこのコマンドを入力して、メタ分析マップとAICHAやAALなどの全脳区画化アトラスを組み込んで、対象のクラスターを定義します。

次に、Python で次のスクリプトを入力して、マップ内の各領域のサイズを確認します。その後、FSLのFSL Mathsによってすべての脳領域をテンプレートに統合します。ネットワーク接続を推定するには、GRETNA ソフトウェアで FC Matrix Construction をクリックし、[Static Correlation] をクリックします。

ネットワークノード定義から取得したノードをアトラスとしてアップロードし、各領域ペアのrs-fMRI信号の静的相関を計算し、フィッシャーのZスコアに転送します。パイプライン オプションに表示されたステップで正の重み付けされたネットワークを取得するには、[ネットワーク解析] をクリックします。次に、ネットワーク行列を脳接続行列ウィンドウに追加し、準備用の出力ディレクトリを選択します。

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 メトリック解析パイプラインに追加します。行列の符号で正を選択します。しきい値設定方法でネットワークのスパース性を選択し、一連のしきい値シーケンスを入力します。

ネットワークタイプとして [weighted] を選択します。ランダムなネットワーク番号を1, 000に設定し、[実行]をクリックします。ネットワーク内のモジュールの最適な数を決定するには、まず平均化ナビゲーション ネットワークを計算します。

次に、MATLAB の関数 spectral cluster を使用して、結果の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。次に、スクリプト procrustes_alignment を使用してモジュールの分割を整列します。m を呼び出し、静止 1 と静止 2 で同じモジュールに分割されたノードの部分を計算します。

再現性が最も高いモジュールの数を選択します。ネットワーク分析を実行するには、NaviNet AICHA と NaviNet AAL のように定義されていない異なるタイプの戦略を持つ 2 つのネットワーク間で、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 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再テストの信頼性をチェックします。

この研究では、空間ナビゲーションに関連する27の脳領域がAICHAアトラスを使用して特定されました。これらの領域は、ナビゲーション神経画像研究で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。比較として、AALアトラスの20の地域が含まれていました。

その結果、2つのセットの間には大きな重複と類似した群集分布が見られ、両方のネットワークで同様の腹側と背側モジュールが見られました。さらに、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ました。類似度値は、ほぼすべての指標のスパース性閾値とともに増加し、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でき、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。

さらに、ナビゲーションネットワークのトポロジカル測定の残りの再テスト信頼性の評価は、ネットワークのメトリックの大部分がAICHAでかなりまたは良好な信頼性を示し、AALネットワークが比較的高い信頼性を示したことを示しました。さらに、FMRI データの前処理にグローバル信号回帰を含めると、高い信頼性が得られる可能性があります。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。

このアプローチにより、研究者は機能的に特異的なネットワークの発達の軌跡を調べることができます。また、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を導くための新しいバイオマーカーを提供します。