이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

인간 뇌의 공간 탐색을 위한 기능적 네트워크 모델링

1.9K 조회수

⸱

DOI:

10.3791/65150

⸱

2023년 10월 13일

 ,  ,  , 
1Department of Psychology and Behavioral Sciences, Zhejiang University, 2Department of Neuroscience, Max Planck Institute for Empirical Aesthetics, 3Department of Psychiatry of Sir Run Run Shaw Hospital, Zhejiang University School of Medicine

* These authors contributed equally

이 논문에서

요약

이 논문은 인간 두뇌의 공간 탐색을 위한 기능적 네트워크를 조사하기 위한 통합적 접근 방식을 제시합니다. 이 접근 방식은 대규모 신경 영상 메타 분석 데이터베이스, 휴지 상태 기능적 자기 공명 영상, 네트워크 모델링 및 그래프 이론 기술을 통합합니다.

초록

공간 탐색은 다중 감각 정보의 통합 및 조작과 관련된 복잡한 기능입니다. 다양한 탐색 작업을 사용하여 다양한 뇌 영역(예: 해마, 내측 피질 및 부해마 부위)의 특정 기능에 대해 많은 유망한 결과를 얻었습니다. 최근에는 여러 상호 작용하는 뇌 영역을 포함하는 비응집적 네트워크 프로세스가 이 복잡한 기능의 신경 기반을 더 잘 특성화할 수 있다는 제안이 있었습니다. 이 논문은 인간 뇌의 공간 탐색을 위한 기능적 특정 네트워크를 구성하고 분석하기 위한 통합적 접근 방식을 제시합니다. 간단히 말해서, 이 통합적 접근은 세 가지 주요 단계로 구성됩니다: 1) 공간 탐색(노드 정의)에 중요한 뇌 영역을 식별합니다. 2) 이들 영역의 각 쌍 간의 기능적 연결성을 추정하고 연결성 매트릭스를 구성(네트워크 구축); 3) 결과 네트워크의 위상적 특성(예: 모듈성 및 작은 세계성)을 조사합니다(네트워크 분석). 네트워크 관점에서 제시된 접근 방식은 복잡하고 역동적인 환경에서 우리의 뇌가 유연한 탐색을 지원하는 방법을 더 잘 이해하는 데 도움이 될 수 있으며, 네트워크의 드러난 토폴로지 특성은 임상 실습에서 알츠하이머병의 조기 식별 및 진단을 안내하는 중요한 바이오마커를 제공할 수도 있습니다.

서론

기능적 특이성은 인지 기능을 형성하는 데 중요한 역할을 하는 인간 뇌의 기본 조직 원리입니다1. 기능적 특이성 조직의 이상은 특징적인 인지 장애와 자폐증 및 알츠하이머병과 같은 주요 뇌 질환의 관련 병리학적 기초를 반영할 수 있습니다 2,3. 기존의 이론과 연구는 얼굴 인식을 위한 방추형 얼굴 영역(fusiform face area)4 및 장면 처리를 위한 부해마 장소 영역(parahippocampus place area)5과 같은 단일 뇌 영역에 초점을 맞추는 경향이 있었지만, 공간 탐색 및 언어를 포함한 복잡한 인지 기능이 여러 뇌 영역에 걸친 좌표 활동을 필요로 한다는 증거가 증가하고 있습니다6. 복잡한 인지 기능을 지원하는 상호 작용의 기저에 있는 메커니즘을 조사하는 것은 뇌의 기능적 구조와 작동을 밝히는 데 도움이 되는 중요한 과학적 질문입니다. 여기서는 공간 탐색을 예로 들어 인간 두뇌의 공간 탐색을 위한 기능적 네트워크를 모델링하는 통합적 방법을 제시합니다.

공간 탐색은 시각-공간 코딩, 기억 및 의사 결정과 같은 여러 인지 구성 요소의 통합 및 조작을 포함하는 복잡한 인지 기능입니다7. 기능적 자기공명영상(fMRI)을 통해 수많은 연구가 근본적인 인지 처리 및 신경 메커니즘을 이해하는 데 상당한 진전을 이루었습니다. 예를 들어, 특정 기능은 다양한 탐색 작업을 사용하여 다른 뇌 영역과 연결되어 있습니다 : 장면 처리는 특히 PPA와 관련이 있으며 탐색 전략의 변환은 후비장 피질 (RSC) 8,9과 관련이 있습니다. 이러한 연구는 공간 탐색의 신경 기반에 대한 중요한 통찰력을 제공했습니다. 그러나, 항법은 내부적으로 동적이고 다중적인 기능이며, 단일 영역의 기능만으로는 일반적으로 관찰되는 공간항법(10)의 큰 개인차를 설명하기에 충분하지 않다.

fMRI 기반 커넥토믹스(connectomics)의 등장으로 연구자들은 일부 주요 뇌 영역이 공간 탐색을 지원하기 위해 서로 상호 작용하는 방법을 탐구하기 시작했습니다. 예를 들어, 내측 피질과 후대상피질 사이의 기능적 연결성은 위험에 처한 알츠하이머병의 탐색 불일치를 뒷받침하는 것으로 밝혀졌다11. 또 다른 연구에서, 우리는 처음으로 커넥톰 방법과 공간 탐색을 위한 거의 모든 기능적으로 관련된 영역(노드)을 통합하여 네트워크 접근법을 제안했으며, 그 결과 이 네트워크의 위상학적 특성이 탐색 행동과 특정한 연관성을 나타낸다는 것을 보여주었다12. 이 연구는 여러 뇌 영역이 유연한 탐색 행동을 지원하기 위해 어떻게 서로 상호 작용하는지에 대한 이론에 대한 새로운 통찰력을 제공합니다 10,13.

본 연구는 기능적 네트워크를 모델링하기 위한 통합적 접근 방식의 업데이트된 버전을 보여줍니다. 간략하게 두 가지 업데이트가 포함되었습니다: 1) 기존 연구에서 정의된 노드는 이전의 소규모 데이터베이스(2,765건의 활성화가 있는 55건의 연구, 2014년에 액세스됨)를 기반으로 식별되었지만, 현재 정의는 최신 데이터베이스(3,908건의 활성화가 있는 77건의 연구, 2022년에 액세스됨)를 기반으로 했습니다. 2) 각 노드의 기능적 균질성을 높이기 위해 원래의 해부학적 AAL(Anatomical Automatic Labeling) 아틀라스14 외에도 훨씬 더 미세한 해상도와 더 높은 기능적 균질성을 갖는 새로운 뇌 소포화를 적용했습니다(아래 참조). 두 업데이트 모두 기능적 네트워크의 모델링을 개선할 것으로 예상했습니다. 이 업데이트된 프로토콜은 네트워크 관점에서 공간 탐색의 신경 기반을 조사하기 위한 자세한 절차를 제공하고 건강 및 질병에서 탐색 동작의 개별 변형을 이해하는 데 도움이 됩니다. 유사한 절차가 다른 인지 구성물(예를 들어, 언어 및 기억)에 대한 네트워크 모델링에도 사용될 수 있다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

참고: 여기에 사용된 모든 소프트웨어는 재료 표에 나와 있습니다. 본 연구에서 시연 목적으로 사용된 데이터는 Human Connectome Project(HCP: http://www. humanconnectome.org)15에서 가져온 것입니다. 모든 실험 절차는 워싱턴 대학의 IRB(Institutional Review Board)의 승인을 받았습니다. HCP 데이터 세트의 이미징 데이터는 32채널 헤드 코일이 있는 수정된 3T Siemens Skyra 스캐너를 사용하여 수집되었습니다. 다른 이미지 획득 파라미터는 이전 논문16에 자세히 설명되어 있습니다. 데모를 위해 최소한의 전처리된 데이터를 다운로드했으며, 기울기 왜곡 보정, 모션 보정, 필드 맵 전처리, 공간 왜곡 보정, MNI(Montreal Neurological Institute) 공간에 대한 공간 정규화, 강도 정규화 및 바이어스 필드 제거와 같은 전처리 단계를 완료했습니다. 연구자 프로젝트의 휴식 상태 fMRI 데이터도 사용할 수 있습니다.

1. 데이터 전처리

  1. 데이터 품질을 확인하고 재테스트 데이터가 누락되고 머리가 과도하게 움직이는 참가자를 제외합니다(이동 시 3mm, 회전 시 3°).
    참고: 5명의 참가자는 제외되었고, 38명의 젊은 성인(22-35세)이 주요 분석에 포함되었습니다.
  2. MATLAB에서 GRETNA(graph theoretical network analysis) 툴박스17 을 열어 추가 전처리 단계를 수행합니다. FC Matrix Construction의 배치를 클릭합니다. 기능 데이터 세트의 경로를 선택하여 NIFTI 문서를 로드하고 그림 1의 파이프라인 옵션에 표시된 대로 다음 단계를 실행합니다.
    1. 첫 번째 이미지 제거에서 제거할 시점 번호를 두 번 클릭하고 10을 입력하여 처음 10개의 이미지를 제거합니다.
    2. 공간적으로 매끄럽게(공간적으로 매끄럽게 에서 FWHM(mm)을 두 번 클릭하고 [4 4 4]를 입력하여 절반 최대값에서 전체 너비 [FWHM] = [4 4 4]).
    3. 공변량을 회귀 분석합니다. 백질 신호(White matter signals), CSF 신호(CSF signals) 및 헤드 모션(Head Motion)을 TRUE로 선택합니다. 실제 복셀 크기에 따라 적절한 마스크(예: 여기서는 2mm의 마스크)를 선택하고 헤드 모션에 대해 Friston-24 매개변수를 선택합니다.
    4. 임시 필터. MRI 스캔의 반복 시간에 따라 TR 값을 입력하고(예: 여기서는 720ms) 대역(Hz) 을 더블 클릭하고 [0.01 0.1]을 입력하여 고주파 및 저주파 노이즈를 제거합니다.
      참고: 전체 뇌 신호의 회귀가 있는 경우와 없는 경우의 결과는 다음과 같습니다. 전처리되지 않은 데이터를 사용할 때는 fMRI-prep18 및 DPARSF(Data Processing Assistant for Resting-State fMRI)19 와 같은 잘 정립된 파이프라인도 권장됩니다.

figure-protocol-1
그림 1: Rs-fMRI 전처리 및 기능적 네트워크 연결성 추정. 전처리 설정(처음 10개의 이미지 제거, 4mm의 FWHM으로 공간 평활화, 선형 시간적 추세 제거, 백질 신호, 뇌척수액(CSF) 신호 및 24개의 매개변수로 머리 움직임 회귀, 0.01-0.1HZ 대역 필터링) 및 fisher' Z와의 정적 상관 관계가 변환되었습니다. 약어: Rs-fMRI = 휴지 상태 기능적 자기 공명 영상; FWHM = 절반 최대에서 전체 너비; CSF = 뇌척수액. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

2. 네트워크 구축 및 분석

참고: 내비게이션 네트워크의 구성 및 분석을 위한 일반적인 워크플로는 세 가지 주요 단계로 요약됩니다(그림 2).

figure-protocol-2
그림 2: 내비게이션 네트워크의 구성 및 분석을 위한 일반적인 워크플로우. (A) Neurosynth 데이터베이스에서 검색할 용어로 navigation을 선택합니다. (B) 활성화 좌표 목록을 생성할 수 있습니다. (C) Neurosynth의 기능을 사용하여 메타 분석을 실행하여 여러 뇌 지도를 얻습니다. (디,이) 메타 분석 맵과 AICHA(Whole-Brain Parcellation Atlas)를 통합하여 노드(ROI)를 생성할 수 있습니다. (F) 결과 네비게이션 노드와 그 기능적 연결성을 사용하는 내비게이션 네트워크의 구축(연결성 추정 및 네트워크 분석). 약어: ROI = 관심 영역; AICHA = 동종 영역의 본질적 연결성 지도책. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

  1. 네트워크 노드 정의
    1. Python에서 명령을 입력하여 최신 Neurosynth 데이터베이스(neurosynth.org)20를 다운로드합니다.
         
      >import neurosynth를 ns로
      >ns.dataset.download (경로 = './', 압축 풀기 = True)
         
      참고: 데이터 세트 아카이브('current_data.tar.gz')에는 'database.txt'와 'features.txt'라는 두 개의 파일이 포함되어 있습니다. 여기에는 각각 해당 기사에서 높은 빈도로 발생하는 신경 영상 기사와 메타 분석 태그의 모든 활성화 좌표가 포함됩니다.
    2. database.txt에서 새 Dataset 인스턴스를 생성하고 다음 명령을 입력하여 이러한 데이터에 features를 추가합니다.
         
      > from neurosynth.base.dataset import Dataset
      > 데이터 세트 = 데이터 세트('data/database.txt')
      > dataset.add_features('데이터/features.txt')
         
    3. 다음 명령을 입력하여 관심 용어(예: 'navigation')로 메타 분석을 실행합니다.
         
      > ids = dataset.get_ids_by_features ('탐색', 임계값=0.01)
      > ma = 메타. 메타 분석(데이터 세트, IDS)
      > ma.save_results('.', '탐색')
         
      참고: 메타 분석 결과 NIFTI 형식의 여러 뇌 지도가 생성됩니다. 거짓 긍정 비율을 제어하기 위해 0.01의 FDR(False Discovery Rate) 임계값이 적용되었습니다. 이 단계에서는 일반적으로 보고된 지역이 메타 분석 맵에 포함되도록 하기 위해 정리된 지식이 필요합니다. 언어 및 기억과 같은 다른 인지 기능에 대한 메타 분석을 실행하기 위해 유사한 단계를 적용할 수 있습니다.
    4. FSL의 명령을 입력하여 메타 분석 맵과 전체 뇌 소포 아틀라스를 통합하여 관심 군집을 정의합니다.
         
      >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 레이블 _n.nii.gz
      >클러스터 -i 레이블 _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 -추가 ... -node_x.nii.gz navi_AICHA/AAL_mask.nii.gz 추가
         
      참고: 여기서는 AAL과 AICHA의 두 가지 아틀라스가 사용되었습니다. AAL은 노드 정의12에 대한 원래 연구에서 사용된 지도책입니다. 이 지도책은 해부학적 프로필을 기반으로 만들어졌습니다. 동종 영역의 본질적 연결성 지도책(AICHA)21 은 훨씬 더 미세한 해상도와 더 높은 기능적 균질성을 가지고 있습니다. 각 아틀라스를 사용하여 관심 영역을 정의했습니다.
    5. 맵에서 각 지역의 크기를 확인하기 위해 Python으로 스크립트를 입력합니다.
         
      >for np.arange(n)+1의 i :
      >____region_list.추가(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))
         
      참고: 스크립트의 정수 n 은 AICHA 및 AAL 구획 내의 총 영역 수(각각 384 및 128)를 나타냅니다. 스퓨리어스 클러스터의 영향을 피하기 위해, 상대적으로 작은 크기(예: 100 복셀)를 가진 클러스터를 제거할 수 있다고 제안한다. 여기에 사용된 AICHA 아틀라스는 기능적 연결성 데이터를 사용하여 생성되며, 각 영역은 자체 내에서 기능적 시간 활동의 동질성을 보여줍니다.
  2. 네트워크 연결 추정
    참고: GRETNA 툴박스는 연결성 추정 및 네트워크 분석에 사용됩니다.
    1. FC Matrix Construction의 배치를 클릭합니다. 함수 데이터셋의 경로를 선택하여 전처리된 rs-fMRI 데이터를 불러옵니다. 정적 상관관계 옵션을 클릭합니다. 이전 단계에서 얻은 노드를 아틀라스로 업로드하여 각 영역 쌍의 rs-fMRI 신호의 정적 상관관계를 계산하고 정규성을 개선하기 위해 Fisher의 z 점수로 전송합니다.
      참고: 자세한 작업은 그림 1에 나와 있습니다. 각 참가자에 대한 N× N (N은 노드 수를 나타냄)의 내비게이션 네트워크 행렬은 .txt 형식으로 얻어집니다.
    2. 그림 3과 같이 다음 단계에 따라 양의 가중 신경망을 구합니다.
      1. 네트워크 분석 배치를 클릭합니다. 네트워크 매트릭스를 Brain Connectivity Matrix 창에 추가하고 준비를 위해 출력 디렉터리 하나를 선택합니다.
      2. 네트워크 구성의 파이프라인 옵션의 경우 행렬 부호에서 양수를 선택하면 함수 연결 행렬의 음수 연결이 0으로 설정되고 모호한 연결22가 제거됩니다. 네트워크 유형을 가중치로 선택하여 무방향 가중치 네트워크를 가져옵니다.
        참고 : 가중 네트워크 외에도 네트워크를 이진화하여 후속 분석 (다른 접근 방식)을 위해 이진 네트워크를 만들 수도 있지만 가중 네트워크는 종종 더 높은 신뢰성을 나타내는 것으로 간주됩니다23,24.
  3. 네트워크 분석
    1. 그림 3과 같이 작은 세계, 글로벌 효율성, 클러스터링 계수, 최단 경로 길이, 차수 중심성 및 로컬 효율성을 GRETNA 네트워크 메트릭 분석 파이프라인에 추가합니다.
      참고: 작은 세계와 글로벌 효율성은 두 가지 글로벌 네트워크 메트릭입니다. 특히, 작은 세계의 네트워크는 비교적 낮은 배선 비용으로 정보 전송의 효율성을 극대화할 수 있습니다. 글로벌 효율성은 운송 네트워크의 전송 효율 병렬 정보를 반영합니다. 노드 네트워크 메트릭의 경우 차수 중심성은 노드에 연결된 링크 수를 측정합니다. 최단 경로 길이는 이름에서 알 수 있듯이 적분 측정의 기초가 됩니다. 군집화 계수는 노드의 이웃이 서로 상호 관련되어 있는 정도를 나타냅니다. 로컬 효율성은 노드 및 그 이웃과의 통신 효율성입니다 (자세한 공식과 사용법은 이 논문에 나와 있음) 17,25. 브레인 연결 툴박스(Brain connectivity Toolbox, BCT)25 및 기타 툴박스도 네트워크 메트릭 계산에 사용할 수 있습니다.
    2. 임계값 적용 방법에서 네트워크 희소성을 선택하여 스퓨리어스 연결의 교란 효과를 제외하고, 임계값 시퀀스 집합(예: 0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5 가 사용됨)을 입력하여 통계 결과에 따라 적절한 임계값을 추가로 결정합니다.
      참고: 샘플 노드 수가 있는 네트워크의 최대 에지 수에 대한 에지의 비율을 희소성 임계값이라고 합니다. 희소성 임계값은 서로 다른 개체가 동일한 수의 간선을 갖도록 보장합니다. 우리는 검증을 위한 다양한 임계값을 탐색하기로 결정했으며, 이는 향후 연구에서 최적의 임계값을 선택하는 데 도움이 될 수 있습니다.
    3. 랜덤 네트워크 번호를  1,000으로 설정하여 Markov 배선 알고리즘26을 사용하여 랜덤 네트워크를 생성합니다. 모든 단계를 설정한 후 실행을 클릭하여 GRETNA에서 파이프라인을 실행합니다.
      참고: 실제 뇌 네트워크와 유사하게, 랜덤 네트워크는 동일한 수의 노드, 간선 및 차수 분포를 유지합니다. 그것들이 상당히 무작위적이지 않게 위상학적으로 구성되었는지 여부를 결정하기 위해, 그것들은 뇌 네트워크와 비교될 것이다. 파이프라인을 실행한 후 추가 통계 분석을 위해 각 임계값에 대한 네트워크 메트릭에 대한 점수 그룹을 얻습니다.
    4. 4단계로 네트워크에서 최적의 모듈 수를 결정합니다.
      1. 평균 항법 네트워크를 계산합니다. [지표 비교 ]의 [bath]를 클릭하고 [Connection]을 선택합니다. 위에서 얻은 신경망 행렬을 불러오고 평균(함수) 연산을 선택합니다. 평균화된 신경망 행렬을 보존할 출력 방향을 선택합니다. 자세한 내용은 그림 4 를 참조하십시오.
      2. MATLAB의 spectralcluster 함수를 사용하여 위 단계에서 얻은 평균 신경망을 2개, 3개, 4개, 5개의 모듈로 나눕니다.
      3. 스크립트 procrustes_alignment.m을 사용하여 모듈 분할을 정렬한 후 REST 1과 REST 2에서 동일한 모듈로 분할된 노드의 비율을 계산합니다. 이 비율을 모듈 파티션의 반복성 지수로 사용합니다.
      4. 반복성이 가장 높은 모듈 수를 선택합니다.
  4. 통계 분석
    참고: 다음 분석은 주로 검증을 위한 것이며 이 프로토콜을 개별 변이 연구에 적용할 때는 필요하지 않습니다.
    1. 노드 정의에 대한 서로 다른 유형의 전략을 가진 두 네트워크 간의 이러한 네트워크 메트릭의 유사성을 조사합니다(즉, 본 연구에서 생성된 새로운 네트워크는 NaviNet_AICHA라고 하고 Kong et al.의 이전 네트워크는 NaviNet_AAL라고 함)12. MATLAB에서 함수 corrcoef 를 사용하여 피어슨 상관관계를 계산하고 각 희소성 임계값에 대해 분석을 반복합니다.
      참고: 네트워크 메트릭을 추출한 후 관심 있는 통계 분석을 수행할 수 있습니다.
    2. 클래스 내 상관 계수(Intraclass Correlation Coefficient) 계산을 구현하는 MATLAB27, 28의 함수 ICC를 사용하여 이러한 네트워크 메트릭의 테스트-재테스트 신뢰도를 확인합니다.
      참고: 수정되지 않은 원래 p 값은 대표 결과 섹션에 보고되었습니다. 0.2 < ICC < 0.4는 공정한 시험-재검사 신뢰도를 나타내는 것으로 해석되며, ICC > 0.4는 중간에서 양호한 시험-재검사 신뢰도로 해석됩니다29,30. 음수 ICC 점수는 음수 ICC의 존재가 무의미하고 해석하기 어렵다는 사실을 감안할 때 0으로 설정되었습니다31.

figure-protocol-3
그림 3: 네트워크 메트릭 분석. 이 분석은 10개의 임계값을 갖는 가중 양성 네트워크를 정의합니다. 소문자 및 효율성의 2개의 글로벌 네트워크 메트릭, 클러스터링 계수, 최단 경로 길이, 효율성 및 차수 중심성의 4개의 노드 네트워크 메트릭을 계산합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-4
그림 4: 평균 내비게이션 네트워크 계산. 평균(기능) 연산은 모든 참가자의 평균 네트워크를 계산하는 데 도움이 됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

내비게이션 네트워크
본 연구는 최신 메타 분석 신경 영상 데이터베이스와 AICHA 아틀라스를 통합하여 공간 탐색과 관련된 27개의 뇌 영역을 식별했습니다. 이 영역은 내측 측두엽 및 정수리 영역으로 구성되었으며, 이는 항법 신경 영상 연구에서 일반적으로 보고되었습니다. 이러한 영역의 공간 분포는 그림 5A 및 그림 5C에 나와 있습니다. 비교를 위해 그림 5B 와 그림 5D에서 공간 탐색 영역의 이전 정의도 시각화했습니다. AAL 아틀라스의 20개 지역이 비교 대상으로 포함되었습니다. 이 두 영역 집합은 겹치는 부분이 많았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

네트워크 신경과학은 뇌 네트워크가 인간의 인지 기능을 어떻게 지원하는지 이해하는 데 도움이 될 것으로 기대된다32. 이 프로토콜은 인간 두뇌의 공간 탐색을 위한 기능적 네트워크를 연구하기 위한 통합적 접근 방식을 보여주며, 이는 다른 인지 구조(예: 언어)에 대한 네트워크 모델링에도 영감을 줄 수 있습니다.

이 접근 방식은 노드 정의, 네트워크 구성 및 네트워크 분석의 세 가지 주요 단계로 구성되었습니다. 네트워크 구성 및 네트워크 분석은 전체 뇌에 대한 일반적인 네트워크 연구와 동일하지만 노드 정의는 이 프로토콜의 가장 중요한 단계입니다. 이 단계에서는 공간 탐색과 관련된 기능 활성화에 대한 대규모 메타 분석을 사용하여 탐색 행동에 가장 중요한 뇌 영역을 국소화합니다. 따라서 기능적으로 의미 있는 네트워크를 모델링할 수 있으며, 이는 네트워크 관점에서 복잡한 처리의 신경적 기초를 이해하는 데 도움이 됩니다. 노드 정의 결과에는 전두엽 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 이해 상충이 없다고 선언합니다.

감사의 글

Xiang-Zhen Kong은 중국 국립 자연 과학 재단(32171031), STI 2030 - 주요 프로젝트(2021ZD0200409), 중앙 대학 기초 연구 기금(2021XZZX006) 및 절강 대학교 정보 기술 센터의 지원을 받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
Brain connectivity toolbox (BCT)미카일 루비노프 & 올라프 스폰스 2019Brain Connectivity Toolbox(brain-connectivity-toolbox.net)는 구조적 및 기능적 뇌 연결성 데이터 세트의 복소 네트워크(그래프) 분석을 위한 MATLAB 툴박스입니다.
GRETNAJinhui, Wang 외.2GRETNA는 그래프 이론적 네트워크 분석 도구 상자로, 연구자들이 현재 신경 과학 분야에서 연구된 대부분의 네트워크 측정을 통합하여 뇌 커넥톰의 토폴로지에 대한 포괄적인 분석을 수행할 수 있도록 합니다.
MATLABMathWorks2021aMATLAB은 수백만 명의 엔지니어와 과학자가 데이터를 분석하고, 알고리즘을 개발하고, 모델을 생성하는 데 사용하는 프로그래밍 및 숫자 컴퓨팅 플랫폼입니다.
Python, Guido van Rossum, et al.3.8.6Python은 더 빠르게 작업하고 시스템을 더 효과적으로 통합할 수 있는 프로그래밍 언어입니다.
통계적 파라메트릭 매핑(SPM)Karl Friston et.al 12통계적 파라메트릭 매핑  기능적 이미징 데이터에 대한 가설을 테스트하는 데 사용되는 공간적으로 확장된 통계 프로세스의 구성 및 평가를 나타냅니다.
,

참고문헌

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. Epstein, R., Harris, A., Stanley, D., Kanwisher, N. The parahippocampal place area: recognition, navigation, or encoding. Neuron. 23 (1), 115-125 (1999).
  6. 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).
  7. Baumann, O., Mattingley, J. B. Extrahippocampal contributions to spatial navigation in humans: A review of the neuroimaging evidence. Hippocampus. 31 (7), 640-657 (2021).
  8. Auger, S. D., Mullally, S. L., Maguire, E. A. Retrosplenial cortex codes for permanent landmarks. PloS One. 7 (8), e43620(2012).
  9. Zhen, Z., et al. Quantifying the variability of scene-selective regions: Interindividual, interhemispheric, and sex differences. Human Brain Mapping. 38 (4), 2260-2275 (2017).
  10. 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).
  11. 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).
  12. Kong, X. Z., et al. Human navigation network: the intrinsic functional organization and behavioral relevance. Brain Structure & Function. 222 (2), 749-764 (2017).
  13. 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).
  14. 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).
  15. Van Essen, D. C., et al. The WU-Minn human connectome project: an overview. Neuroimage. 80, 62-79 (2013).
  16. Smith, S. M., et al. Resting-state fMRI in the human connectome project. Neuroimage. 80, 144-168 (2013).
  17. Wang, L., et al. GRETNA: a graph theoretical network analysis toolbox for imaging connectomics. Frontiers in Human Neuroscience. 9, 386(2015).
  18. Esteban, O., et al. fMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16 (1), 111-116 (2019).
  19. Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for" pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13(2010).
  20. 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).
  21. Joliot, M., et al. AICHA: An atlas of intrinsic connectivity of homotopic areas. Journal of Neuroscience Methods. 254, 46-59 (2015).
  22. 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).
  23. 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).
  24. 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).
  25. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  26. Maslov, S., Sneppen, K. Specificity and stability in topology of protein networks. Science. 296 (5569), 910-913 (2002).
  27. Shrout, P. E., Fleiss, J. L. Intraclass correlations: uses in assessing rater reliability. Psychological Bulletin. 86 (2), 420(1979).
  28. McGraw, K. O., Wong, S. P. Forming inferences about some intraclass correlation coefficients. Psychological Methods. 1 (1), 30(1996).
  29. 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).
  30. 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).
  31. Rousson, V., Gasser, T., Seifert, B. Assessing intrarater, interrater and test-retest reliability of continuous measurements. Statistics in medicine. 21 (22), 3431-3446 (2002).
  32. Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10 (3), 186-198 (2009).
  33. Patai, E. Z., Spiers, H. J. The versatile wayfinder: prefrontal contributions to spatial navigation. Trends in Cognitive Sciences. 25 (6), 520-533 (2021).
  34. 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).
  35. 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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

기능적 뇌 네트워크네트워크 분석fMRI 데이터뇌 연결성그래프 이론해마 기능소세상 특성군집 계수알츠하이머 바이오마커
인간 뇌의 공간 탐색을 위한 기능적 네트워크 모델링
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.