인간 뇌의 공간 탐색을 위한 기능적 네트워크 모델링

공간 탐색은 뇌의 분산 네트워크를 포함하는 복잡한 프로세스입니다. 우리의 연구는 FMRI 데이터를 사용하여 공간 탐색을 위한 기능적 네트워크를 모델링하기 위한 통합적 접근 방식을 제시합니다. 최적 네트워크 모델은 네트워크 내의 뇌 영역이 상호 작용하는 방식을 이해하기 위한 새로운 통찰력을 제공합니다.

네트워크 모델은 또한 건강과 질병 모두에서 행동의 가변성을 더 잘 포착할 수 있습니다. 우리의 방법은 연구 또는 기타 복잡한 기능에도 적용될 수 있습니다. 예를 들어, 언어와 기억에 대한 뇌 네트워크를 모델링하는 데에도 비슷한 절차를 사용할 수 있습니다.

시작하려면 데이터 품질을 확인하고 재시험 데이터가 누락되고 머리가 과도하게 움직이는 참가자를 제외합니다. 그런 다음 MATLAB에서 그래프 이론적 신경망 분석 또는 GRETNA 툴박스를 엽니다. FC 매트릭스 구성" 탭을 클릭하고 기능 데이터 세트의 경로를 선택하여 멋진 문서를 로드합니다.

파이프라인 옵션에 표시된 대로 단계를 실행합니다. 그런 다음 네트워크 노드 정의를 수행하려면 다음 명령을 입력하여 최신 Neurosynth 데이터베이스를 다운로드합니다. 그런 다음 데이터베이스에서 새 데이터 세트 인스턴스를 생성합니다.

txt를 입력하고 이 명령을 입력하여 이 데이터에 특징을 추가합니다. 명령을 입력하여 탐색과 같은 관심 용어에 대한 메타 분석을 실행합니다. 다음으로, FSL에서 이 명령을 입력하여 메타 분석 맵과 AICHA 또는 AAL과 같은 전체 뇌 구획화 아틀라스를 통합하여 관심 군집을 정의합니다.

그런 다음, Python에서 다음 스크립트를 입력하여 맵에서 각 지역의 크기를 확인합니다. 그런 다음 FSL의 FSL Maths를 통해 모든 뇌 영역을 템플릿에 통합합니다. 네트워크 연결 추정을 위해 GRETNA 소프트웨어에서 FC Matrix Construction을 클릭하고 Static Correlation을 클릭합니다.

네트워크 노드 정의에서 얻은 노드를 아틀라스로 업로드하여 각 영역 쌍의 rs-fMRI 신호의 정적 상관 관계를 계산하고 이를 Fisher의 Z 점수로 전송합니다. 파이프라인 옵션에 표시된 단계를 사용하여 양수 및 가중치 기반 신경망을 얻으려면 네트워크 분석을 클릭하십시오. 그런 다음 네트워크 행렬을 브레인 연결 매트릭스 창에 추가하고 준비할 출력 디렉터리를 선택합니다.

작은 세계, 전역 효율성, 클러스터링 계수, 최단 경로 길이, 차수 중심성 및 로컬 효율성을 GRETNA 네트워크 메트릭 분석 파이프라인에 추가합니다. 행렬의 부호에서 양수를 선택합니다. 이진화 방법에서 신경망 희소성을 선택하고 임계값 시퀀스 세트를 입력합니다.

네트워크 유형을 가중치로 선택합니다. 임의의 네트워크 번호를 1, 000으로 설정하고 실행을 클릭합니다. 네트워크에서 최적의 모듈 개수를 결정하려면 먼저 평균 항법 신경망을 계산해야 합니다.

그런 다음, MATLAB에서 함수 spectral cluster를 사용하여 결과로 생성되는 평균 신경망을 2개, 3개, 4개, 5개의 모듈로 나눕니다. 그런 다음 스크립트 procrustes_alignment를 사용하여 모듈 분할을 정렬합니다. m을 계산하고 나머지 1과 나머지 2에서 동일한 모듈로 나뉜 노드 부분을 계산합니다.

반복성이 가장 높은 모듈 수를 선택합니다. 네트워크 분석을 수행하려면 NaviNet AICHA 및 NaviNet AAL과 같이 정의가 없는 서로 다른 유형의 전략을 사용하는 두 네트워크 간에 이러한 네트워크 메트릭의 유사성을 조사합니다. MATLAB의 함수 ICC를 사용하여 이러한 네트워크 메트릭의 테스트 재테스트 신뢰도를 확인합니다.

이 연구에서는 AICHA 아틀라스를 사용하여 공간 탐색과 관련된 27개의 뇌 영역을 식별했습니다. 이 영역은 내측 측두엽 및 두정 영역으로 구성되었으며, 이는 항법 신경 영상 연구에서 보고되었습니다. 비교를 위해 AAL 아틀라스의 20개 지역이 포함되었습니다.

그것은 두 네트워크 모두에서 유사한 복부 및 등쪽 모듈을 포함하여 두 세트 사이에 큰 겹침과 유사한 커뮤니티 분포를 보여주었습니다. 또한 클러스터링 계수를 제외한 6개 지표 중 5개 지표에서 두 네트워크 간에 유의미한 상관관계가 나타났습니다. 유사성 값은 거의 모든 메트릭에 대한 희소성 임계값에 따라 증가했으며, 이는 네트워크 수준 분석이 노드 정의 선택과 관계없이 안정적인 개인차를 반영할 수 있으며 0.30에서 0.40의 희소성 임계값이 내비게이션 네트워크 분석에서 더 나은 일반화 가능성을 초래할 수 있음을 시사합니다.

또한, 내비게이션 네트워크의 위상 측정에 대한 나머지 재테스트 신뢰성을 평가한 결과, 네트워크 메트릭의 대다수가 AICHA에서 양호한 신뢰도를 보인 반면, AAL 네트워크는 상대적으로 높은 신뢰도를 보였다. 또한 FMRI 데이터 전처리에 글로벌 신호 회귀를 포함하면 신뢰성이 높아질 수 있습니다. 이러한 결과는 클러스터링 계수와 작은 세계가 이러한 메트릭 중에서 가장 신뢰할 수 있음을 시사합니다.

이 접근 방식을 통해 연구자들은 기능적으로 특정한 네트워크의 발달 궤적을 조사할 수 있습니다. 네트워크 속성은 또한 알츠하이머병과 같은 뇌 질환의 조기 식별을 안내하기 위한 새로운 바이오마커를 제공합니다.