Modellering van het functionele netwerk voor ruimtelijke navigatie in het menselijk brein

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.