Modellering van het functionele netwerk voor ruimtelijke navigatie in het menselijk brein
13 oktober 2023
Dit artikel presenteert een integratieve benadering voor het onderzoeken van het functionele netwerk voor ruimtelijke navigatie in het menselijk brein. Deze aanpak omvat een grootschalige neuroimaging-meta-analytische database, functionele magnetische resonantiebeeldvorming in rusttoestand en netwerkmodellering en grafisch-theoretische technieken.
Ruimtelijke navigatie is een complex proces waarbij een gedistribueerd netwerk in de hersenen betrokken is. Ons werk presenteert een integratieve benadering voor het modelleren van een functioneel netwerk voor ruimtelijke navigatie met behulp van FMRI-gegevens. Het optimale netwerkmodel biedt nieuwe inzichten om te begrijpen hoe hersengebieden binnen het netwerk op elkaar inwerken.
Het netwerkmodel zou ook de variabiliteit in gedrag in zowel gezondheid als ziekte beter kunnen vastleggen. Onze methode kan ook worden toegepast op studies of andere complexe functies. Een vergelijkbare procedure zou bijvoorbeeld kunnen worden gebruikt voor het modelleren van hersennetwerken voor taal en geheugen.
Controleer om te beginnen de gegevenskwaliteit en sluit deelnemers uit met ontbrekende hertestgegevens en overmatige hoofdbewegingen. Open dan de graph theoretical network analysis of GRETNA toolbox in MATLAB. Klik op het tabblad FC Matrix Construction"en selecteer het pad van de functionele dataset om de handige documenten te laden.
Voer de stappen uit zoals weergegeven in de pijplijnoptie. Om vervolgens de definitie van netwerkknooppunten uit te voeren, downloadt u de nieuwste Neurosynth-database door de volgende opdracht te typen. Genereer vervolgens een nieuw exemplaar van de gegevensset op basis van de database.
txt en voeg functies toe aan deze gegevens door deze opdracht te typen. Voer een meta-analyse uit van de term die van belang is, zoals navigatie, door de opdracht te typen. Definieer vervolgens interessante clusters door de meta-analytische kaart en de hele hersenparcelisatieatlas zoals AICHA of AAL op te nemen door deze opdracht van FSL te typen.
Typ vervolgens de volgende scripts in Python om de grootte van elke regio op de kaart te controleren. Integreer daarna alle hersengebieden in een sjabloon van FSL Maths in FSL. Voor een schatting van de netwerkconnectiviteit klikt u op FC Matrix Construction in de GRETNA-software en klikt u op Statische correlatie.
Upload het knooppunt dat is verkregen uit de definitie van netwerkknooppunten als een atlas om de statische correlatie van rs-fMRI-signalen van elk paar regio's te berekenen en deze over te brengen naar Fisher's Z-scores. Om een positief en gewogen netwerk te krijgen met de stappen die worden weergegeven in de pijplijnoptie, klikt u op Netwerkanalyse. Voeg vervolgens de netwerkmatrices toe aan het venster van de hersenconnectiviteitsmatrix en kies een uitvoermap voor de voorbereiding.
Voeg een kleine wereld, globale efficiëntie, clustercoëfficiënt, kortste padlengte, mate centraliteit en lokale efficiëntie toe aan de metrische analysepijplijn van het GRETNA-netwerk. Selecteer positief in het teken van matrix. Selecteer netwerkschaarste in de drempelmethode en voer een reeks drempelreeksen in.
Kies het netwerktype als gewogen. Stel het willekeurige netwerknummer in op 1.000 en klik op Uitvoeren. Om het optimale aantal modules in het netwerk te bepalen, berekent u eerst het gemiddelde navigatienetwerk.
Verdeel vervolgens het resulterende gemiddelde netwerk in 2, 3, 4 en 5 modules met behulp van de functie, spectrale cluster, in MATLAB. Lijn vervolgens de module-indelingen uit met behulp van het script, procrustes_alignment. m, en bereken het deel van de knooppunten verdeeld in dezelfde module in rest één en rest twee.
Selecteer het aantal modules met de hoogste herhaalbaarheid. Om de netwerkanalyse uit te voeren, onderzoekt u de gelijkenis van deze netwerkstatistieken tussen twee netwerken met verschillende soorten strategieën zonder definitie, zoals NaviNet AICHA en NaviNet AAL. Controleer de betrouwbaarheid van de testhertest van deze netwerkstatistieken met behulp van de functie ICC in MATLAB.
In deze studie werden 27 hersengebieden geïdentificeerd die verband houden met ruimtelijke navigatie met behulp van de AICHA-atlas. Deze regio's bestonden uit de mediale, temporale en pariëtale regio's die zijn gerapporteerd in navigatie-neuroimaging-onderzoeken. Ter vergelijking werden 20 regio's uit de AAL-atlas opgenomen.
Het toonde een grote overlap en vergelijkbare gemeenschapsverdeling tussen de twee sets, inclusief vergelijkbare ventrale en dorsale modules in beide netwerken. Verder vertoonden vijf van de zes statistieken, behalve de clustercoëfficiënt, significante correlaties tussen de twee netwerken. De gelijkeniswaarden namen toe met de schaarstedrempel voor bijna alle statistieken, wat suggereert dat de analyse op netwerkniveau stabiele individuele verschillen zou kunnen weerspiegelen, onafhankelijk van de keuzes van knooppuntdefinities, en dat de schaarstedrempel van 0,30 tot 0,40 zou resulteren in een betere generaliseerbaarheid in de analyse van navigatienetwerken.
Bovendien bleek uit de evaluatie van de betrouwbaarheid van de topologische metingen van de navigatienetwerken dat de meeste statistieken van het netwerk een redelijke tot goede betrouwbaarheid vertoonden in AICHA, terwijl het AAL-netwerk een relatief hogere betrouwbaarheid vertoonde. Bovendien kan het opnemen van globale signaalregressie in de voorverwerking van FMRI-gegevens resulteren in een hoge betrouwbaarheid. Deze resultaten suggereerden dat de clustercoëfficiënt en de kleine wereld de meest betrouwbare van deze statistieken zijn.
Met deze aanpak kunnen onderzoekers het ontwikkelingstraject van functioneel specifieke netwerken onderzoeken. Netwerkeigenschappen bieden ook nieuwe biomarkers voor het begeleiden van vroege identificatie van hersenaandoeningen zoals de ziekte van Alzheimer.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Deze studie presenteert een integratieve aanpak voor het modelleren van het functionele netwerk dat betrokken is bij ruimtelijke navigatie, met behulp van fMRI-gegevens in rusttoestand. Door gebruik te maken van netwerkmodellering en graf-theoretische technieken, streeft het onderzoek ernaar het begrip van interacties tussen hersengebieden die cruciaal zijn voor navigatie te verbeteren, met implicaties voor gezondheid en ziekte.
Belangrijke onderzoekscomponenten
Wetenschapsgebied
- Neurowetenschappen
- Functionele neuroimaging
- Netwerkanalyse
Achtergrond
- Ruimtelijke navigatie omvat een complex hersennetwerk.
- Het onderzoek identificeert cruciale hersengebieden die geassocieerd zijn met navigatie.
- Maakt gebruik van een grootschalige neuroimaging meta-analytische database voor gegevensvergelijking.
- Doel om variatie in gedragingen die verband houden met navigatie in gezondheids- en ziektecontexten te verkennen.
Doel van het onderzoek
- Om het functionele hersennetwerk voor ruimtelijke navigatie te onderzoeken.
- Om de registratie van individuele gedragsvariabiliteit te verbeteren.
- Om methodologische kaders te bieden die toepasbaar zijn op andere cognitieve functies.
Gebruikte methoden
- Het onderzoek maakt gebruik van functionele magnetische resonantiebeeldvorming (fMRI) gegevens in rusttoestand.
- Belangrijke biologische modellen omvatten geïdentificeerde hersengebieden die geassocieerd zijn met ruimtelijke navigatie met behulp van de AICHA en AAL atlassen.
- Stappen omvatten controles op gegevenskwaliteit, definitie van netwerkknooppunten en schatting van netwerkconnectiviteit met behulp van de GRETNA toolbox in MATLAB.
- Meerdere metrics worden geanalyseerd om netwerkeigenschappen te beoordelen.
- Evaluatie van de test-retest betrouwbaarheid voor netwerkmetrics wordt uitgevoerd.
Belangrijkste resultaten
- 27 hersengebieden geïdentificeerd die gerelateerd zijn aan ruimtelijke navigatie, met beide AICHA en AAL atlassen die overlapping vertonen.
- Hogere betrouwbaarheid in AAL netwerkmetrics dan AICHA, wat de belangrijkheid van globale signaal regressie benadrukt.
- Vijf van de zes netwerkmetrics vertoonden significante correlaties tussen de twee atlassen.
- Bevindingen suggereren dat de clusteringcoëfficiënt en kleine-wereld eigenschappen bijzonder betrouwbare metrics zijn.
Conclusies
- Deze integratieve methode staat een diepere onderzoeking van navigatienetwerken in de hersenen toe.
- De bevindingen van het onderzoek leveren nieuwe biomarkers op voor het identificeren van hersaandoeningen.
- De implicaties strekken zich uit naar het begrijpen van neuronale mechanismen in gezondheid en potentiële vroege interventies voor ziekten zoals Alzheimer.
Veelgestelde vragen
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.
