Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Modelowanie sieci funkcjonalnej do nawigacji przestrzennej w ludzkim mózgu

1.9K wyświetleń

⸱

DOI:

10.3791/65150

⸱

13 października 2023

 ,  ,  , 
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

W tym artykule

Podsumowanie

Ten artykuł przedstawia integracyjne podejście do badania funkcjonalnej sieci do nawigacji przestrzennej w ludzkim mózgu. Podejście to obejmuje wielkoskalową metaanalityczną bazę danych neuroobrazowania, funkcjonalne obrazowanie rezonansu magnetycznego w stanie spoczynku oraz techniki modelowania sieci i teorii grafów.

Streszczenie

Nawigacja przestrzenna to złożona funkcja polegająca na integracji i manipulacji informacjami multisensorycznymi. Korzystając z różnych zadań nawigacyjnych, uzyskano wiele obiecujących wyników dotyczących specyficznych funkcji różnych regionów mózgu (np. hipokampa, kory śródwęchowej i obszaru przyhipokampa). Ostatnio zasugerowano, że niezagregowany proces sieciowy obejmujący wiele oddziałujących na siebie regionów mózgu może lepiej scharakteryzować neuronalne podstawy tej złożonej funkcji. W artykule przedstawiono integracyjne podejście do konstruowania i analizowania funkcjonalnie specyficznej sieci nawigacji przestrzennej w ludzkim mózgu. Krótko mówiąc, to integracyjne podejście składa się z trzech głównych kroków: 1) identyfikacji obszarów mózgu ważnych dla nawigacji przestrzennej (definicja węzłów); 2) oszacowanie funkcjonalnej łączności między każdą parą tych regionów i skonstruowanie macierzy połączeń (budowa sieci); 3) zbadanie właściwości topologicznych (np. modułowości i małej światowości) wynikowej sieci (analiza sieci). Zaprezentowane podejście, z perspektywy sieci, może pomóc nam lepiej zrozumieć, w jaki sposób nasz mózg wspiera elastyczną nawigację w złożonych i dynamicznych środowiskach, a ujawnione właściwości topologiczne sieci mogą również dostarczyć ważnych biomarkerów do kierowania wczesną identyfikacją i diagnozą choroby Alzheimera w praktyce klinicznej.

Wprowadzenie

Funkcjonalna specyficzność to podstawowa zasada organizacji ludzkiego mózgu, która odgrywa kluczową rolę w kształtowaniu funkcji poznawczych1. Nieprawidłowości w organizacji swoistości funkcjonalnej mogą odzwierciedlać charakterystyczne upośledzenia poznawcze i związane z nimi patologiczne podstawy głównych zaburzeń mózgu, takich jak autyzm i choroba Alzheimera2,3. Podczas gdy konwencjonalne teorie i badania koncentrują się na pojedynczych obszarach mózgu, takich jak wrzecionowaty obszar twarzy (FFA) do rozpoznawania twarzy4 i obszar miejsca parahipokampa (PPA)5 do przetwarzania scen, coraz więcej dowodów sugeruje, że złożone funkcje poznawcze, w tym nawigacja przestrzenna i język, wymagają aktywności współrzędnych w wielu regionach mózgu6. Badanie mechanizmów leżących u podstaw interakcji wspierających złożone funkcje poznawcze jest kluczowym pytaniem naukowym, które pomoże rzucić światło na funkcjonalną architekturę i działanie mózgu. Tutaj, biorąc za przykład nawigację przestrzenną, przedstawiamy integracyjną metodę modelowania sieci funkcjonalnej do nawigacji przestrzennej w ludzkim mózgu.

Nawigacja przestrzenna to złożona funkcja poznawcza, która obejmuje integrację i manipulację wieloma komponentami poznawczymi, takimi jak kodowanie wizualno-przestrzenne, pamięć i podejmowanie decyzji7. Dzięki funkcjonalnemu rezonansowi magnetycznemu (fMRI) liczne badania poczyniły znaczne postępy w zrozumieniu leżących u podstaw procesów poznawczych i mechanizmów neuronalnych. Na przykład, określone funkcje zostały powiązane z różnymi regionami mózgu za pomocą różnych zadań nawigacyjnych: przetwarzanie scen jest ściśle związane z PPA, a transformacja strategii nawigacyjnych jest związana z korą zaśledzioną (RSC)8,9. Badania te dostarczyły ważnych informacji na temat neuronalnych podstaw nawigacji przestrzennej. Jednak nawigacja jest funkcją wewnętrznie dynamiczną i multimodalną, a funkcje pojedynczych regionów nie są wystarczające do wyjaśnienia dużych indywidualnych różnic w nawigacji przestrzennej10, które są powszechnie obserwowane.

Wraz z pojawieniem się konektomiki opartej na fMRI, naukowcy zaczęli badać, w jaki sposób niektóre kluczowe obszary mózgu oddziałują ze sobą, wspierając nawigację przestrzenną. Na przykład stwierdzono, że funkcjonalna łączność między śródwęchową i tylną korą obręczy leży u podstaw rozbieżności w nawigacji w grupie ryzyka choroby Alzheimera11. W innym badaniu po raz pierwszy zaproponowaliśmy podejście sieciowe poprzez integrację metod konektomu i prawie wszystkich funkcjonalnie istotnych regionów (węzłów) dla nawigacji przestrzennej, a wyniki pokazały, że właściwości topologiczne tej sieci wykazały konkretne powiązania z zachowaniami nawigacyjnymi12. Badanie to dostarcza nowych informacji na temat teorii interakcji wielu regionów mózgu w celu wspierania elastycznych zachowań nawigacyjnych10,13.

Obecna praca demonstruje zaktualizowaną wersję integracyjnego podejścia do modelowania sieci funkcjonalnej. Pokrótce uwzględniono dwie aktualizacje: 1) Podczas gdy węzły zdefiniowane w pierwotnym badaniu zostały zidentyfikowane na podstawie wcześniejszej i mniejszej bazy danych (55 badań z 2 765 aktywacjami, dostęp w 2014 r.), obecna definicja opiera się na najnowszej bazie danych (77 badań z 3 908 aktywacjami, dostęp w 2022 r.); 2) Aby zwiększyć funkcjonalną jednorodność każdego węzła, oprócz oryginalnego anatomicznego AAL (Anatomical Automatic Labeling) atlas14, zastosowaliśmy nową parcelację mózgu, która ma znacznie lepszą rozdzielczość i wyższą jednorodność funkcjonalną (patrz poniżej). Spodziewaliśmy się, że obie aktualizacje poprawią modelowanie sieci funkcjonalnej. Ten zaktualizowany protokół zapewnia szczegółową procedurę badania neuronalnych podstaw nawigacji przestrzennej z perspektywy sieci i pomaga zrozumieć indywidualne różnice w zachowaniach nawigacyjnych w zdrowiu i chorobie. Podobną procedurę można również zastosować do modelowania sieci dla innych konstruktów poznawczych (np. języka i pamięci).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

UWAGA: Całe oprogramowanie wykorzystane w tej procedurze jest przedstawione w Tabeli Materiałów. Dane wykorzystane w niniejszym badaniu w celach demonstracyjnych pochodzą z projektu Human Connectome Project (HCP: http://www. humanconnectome.org)15. Wszystkie procedury eksperymentalne zostały zatwierdzone przez Institutional Review Board (IRB) na Uniwersytecie Waszyngtońskim. Dane obrazowe w zbiorze danych HCP zostały pozyskane przy użyciu zmodyfikowanego skanera 3T Siemens Skyra z 32-kanałową cewką głowową. Pozostałe parametry akwizycji obrazów zostały szczegółowo opisane w wcześniejszej publikacji16. Na potrzeby demonstracji pobrano minimalnie przetworzone dane, w których wykonano następujące etapy preprocessingu: korekcję zniekształceń gradientowych, korekcję ruchu, preprocessing mapy pola, korekcję zniekształceń przestrzennych, normalizację przestrzenną do przestrzeni Montreal Neurological Institute (MNI), normalizację intensywności oraz usuwanie pola bias (bias field removal). Można również wykorzystać dane fMRI stanu spoczynkowego z własnych projektów badawczych.

1. Przetwarzanie wstępne danych

  1. Sprawdzić jakość danych i wykluczyć uczestników z brakującymi danymi z ponownego badania oraz nadmiernym ruchem głowy (3 mm w translacji i 3° w rotacji).
    UWAGA: Wykluczono pięciu uczestników, a do analizy głównej włączono 38 młodych dorosłych (w wieku 22–35 lat).
  2. Otwórz zestaw narzędzi do analizy sieci teoretyczno-grafowych (GRETNA)17 w programie MATLAB, aby przeprowadzić dalsze etapy wstępnego przetwarzania. Kliknij partię Konstrukcja macierzy FCWybierz ścieżkę do funkcjonalnego zbioru danych, aby załadować dokumenty NIFTI, a następnie wykonaj następujące kroki, zgodnie z opcją potoku (pipeline) w Rycina 1:
    1. Usuń pierwsze 10 obrazów, klikając dwukrotnie. Numer punktu czasowego do usunięcia w Usuwanie pierwszych obrazów i wprowadzając 10.
    2. Wygładzanie przestrzenne (pełna szerokość połówkowa [FWHM] = [4 4 4]) poprzez dwukrotne kliknięcie FWHM (mm) w Wygładzenie przestrzenne i wpisując [4 4 4]).
    3. Usuń wpływ współzmiennych metodą regresji. Wybierz Sygnały istoty białej, Sygnały CSF, i Ruchy głowy jako PRAWDAWybierz odpowiednią maskę zgodnie z rzeczywistym rozmiarem woksela, na przykład maskę 2 mm, i wybierz parametry Friston-24 dla ruchu głowy (Head Motion).
    4. Przeprowadzić filtrację czasową. Wprowadzić wartość TR zgodnie z czasem repetycji skanu MRI (np. tutaj 720 ms) i usuń szum wysokoczęstotliwościowy oraz niskoczęstotliwościowy poprzez dwukrotne kliknięcie Zakres (Hz) i wpisanie [0,01 0,1].
      UWAGA: Poniżej przedstawiono wyniki z zastosowaniem i bez zastosowania regresji sygnałów z całego mózgu. W przypadku korzystania z nieprzetworzonych danych zaleca się stosowanie uznanych potoków przetwarzania, takich jak fMRI-prep18 or Asystent Przetwarzania Danych dla fMRI w stanie spoczynku (DPARSF)19 zalecane są również.

figure-protocol-1
Rycina 1: Przetwarzanie wstępne Rs-fMRI i szacowanie łączności funkcjonalnych sieci. Parametry przetwarzania wstępnego (usuwanie pierwszych 10 obrazów, wygładzanie przestrzenne z FWHM wynoszącym 4 mm, liniowe usuwanie trendu czasowego, regresja sygnałów z istoty białej, płynu mózgowo-rdzeniowego (CSF) oraz ruchu głowy z zastosowaniem 24 parametrów, filtrowanie pasma 0,01-0,1 HZ) oraz korelacja statyczna z transformacją Z Fishera. Skróty: Rs-fMRI = funkcjonalny rezonans magnetyczny w stanie spoczynku; FWHM = pełna szerokość po połowie maksymalnej; CSF = płyn mózgowo-rdzeniowy. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

2. Konstrukcja i analizy sieci

UWAGA: Ogólny przebieg procesu konstrukcji i analizy sieci nawigacyjnej został podsumowany w trzech głównych krokach (Rycina 2).

figure-protocol-2
Rysunek 2: Ogólny schemat konstrukcji i analiz sieci nawigacyjnej. (A) Wybór terminu „navigation” do przeszukiwania bazy danych Neurosynth. (B) Generowanie listy współrzędnych aktywacji. (C) Przeprowadzenie metaanalizy z wykorzystaniem funkcji Neurosynth w celu uzyskania kilku map mózgu. (D,E) Wyznaczenie węzłów (ROI) poprzez nałożenie mapy z metaanalizy na atlas parcellacji całego mózgu (AICHA). (F) Konstrukcja sieci nawigacyjnej z wykorzystaniem uzyskanych węzłów nawigacyjnych oraz ich łączności funkcjonalnej (szacowanie łączności i analiza sieci). Skróty: ROI = obszar zainteresowania; AICHA = atlas wewnętrznej łączności obszarów homotopowych. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

  1. Definicja węzła sieci
    1. Pobierz najnowsze Neurosynth baza danych (neurosynth.org)20 wpisując polecenie w języku Python:
         
      >import neurosynth as ns
      >ns.dataset.download (path='./', unpack = True)
         
      UWAGA: Archiwum zbioru danych („current_data.tar.gz”) zawiera dwa pliki: „database.txt” oraz „features.txt”. Zawierają one odpowiednio wszystkie współrzędne aktywacji z artykułów z zakresu neuroobrazowania oraz tagi z metaanaliz, które występują w danym artykule z wysoką częstotliwością.
    2. Wygeneruj nową instancję Dataset z pliku database.txt i dodaj cechy do tych danych, wpisując komendę:
         
      > z neurosynth.base.dataset import Dataset
      > zestaw_danych = Dataset('data/database.txt')
      > dataset.add_features('data/features.txt')
         
    3. Przeprowadź metaanalizę dla interesującego terminu (np. „navigation”), wpisując polecenie:
         
      > ids = dataset.get_ids_by_features ('navigation', threshold=0.01)
      > ma = meta.MetaAnalysis (dataset, ids)
      > ma.save_results('.', 'navigation')
         
      UWAGA: Metaanaliza skutkuje uzyskaniem kilku map mózgu w formacie NIFTI. Aby kontrolować odsetek wyników fałszywie dodatnich, zastosowano próg współczynnika odkryć fałszywych (FDR) wynoszący 0,01. Na tym etapie wymagana jest wiedza specjalistyczna, aby upewnić się, że w mapie metaanalitycznej ujęto regiony najczęściej zgłaszane w literaturze. Podobne kroki można zastosować w celu przeprowadzenia metaanaliz dla innych funkcji poznawczych, takich jak język i pamięć.
    4. Zdefiniuj klastry zainteresowania, integrując mapę meta-analityczną z atlasem parcelacji całego mózgu, wpisując komendę z programu FSL:
         
      >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 label _n.nii.gz
      >cluster -i label _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 -add … -dodaj node_x.nii.gz navi_AICHA/AAL_mask.nii.gz
         
      UWAGA: Wykorzystano tutaj dwa atlasy: AAL oraz AICHA. Atlas AAL posłużył w oryginalnym badaniu do zdefiniowania węzłów.12Atlas ten został opracowany na podstawie profili anatomicznych. Atlas wewnętrznej łączności obszarów homotopowych (AICHA)21 posiada znacznie wyższą rozdzielczość oraz większą homogeniczność funkcjonalną. Obszary zainteresowania zdefiniowano z wykorzystaniem każdego z atlasów.
    5. Napisz skrypty w języku Python służące do sprawdzania wielkości każdego regionu na mapie:
         
      >dla i w np.arange(n)+1:
      >____region_list.append(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))
         
      UWAGA: Liczba całkowita n w skrypcie wskazuje całkowitą liczbę regionów w parcellacji AICHA oraz AAL (odpowiednio 384 i 128). Aby uniknąć efektów fałszywych skupisk, sugeruje się usunięcie skupisk o stosunkowo niewielkich rozmiarach (np. 10 wokseli). Wykorzystany w tym przypadku atlas AICHA został wygenerowany w oparciu o dane dotyczące łączności funkcjonalnej, przy czym każdy region wykazuje wewnętrzną homogeniczność czasowej aktywności funkcjonalnej.
  2. Szacowanie łączności sieciowej
    UWAGA: Zestaw narzędzi GRETNA jest wykorzystywany do szacowania łączności i analizy sieci.
    1. Kliknij partię Konstrukcja macierzy FCWczytaj wstępnie przetworzone dane rs-fMRI, wybierając ścieżkę do zbioru danych funkcjonalnych. Kliknij korelacja statyczna Opcja. Prześlij węzeł uzyskany w poprzednim kroku jako atlas, aby obliczyć statyczną korelację sygnałów rs-fMRI dla każdej pary obszarów, a następnie przekształć je w wyniki z-Fishera w celu poprawy normalności rozkładu.
      UWAGA: Szczegółowy sposób postępowania przedstawiono w Rysunek 1Macierze sieci nawigacyjnych N × N (N reprezentuje liczbę węzłów) dla każdego uczestnika zostanie uzyskana w formacie .txt.
    2. Otrzymać sieć dodatnią i ważoną, wykonując następujące kroki, zgodnie z przedstawionym schematem Rycina 3.
      1. Kliknij partię Analiza sieciowaDodaj macierze sieci do Macierz łączności mózgu okno i wybierz jeden katalog wyjściowy do przygotowania.
      2. W przypadku opcji potoku dla Konfiguracja sieciwybierz dodatni w Znak macierzy, co ustawi ujemne połączenia w macierzy połączeń funkcji na 0 i wyeliminuje niejednoznaczne połączenia22Wybierz typ sieci jako ważony aby uzyskać nieważoną sieć ważoną.
        UWAGA: Oprócz sieci ważonych można również zbinaryzować sieci w celu stworzenia sieci binarnych do późniejszych analiz (z zastosowaniem różnych podejść), jednak uważa się, że sieci ważone często wykazują wyższą niezawodność23,24.
  3. Analiza sieciowa
    1. Dodaj mały świat, efektywność globalna, współczynnik grupowania, najkrótsza długość ścieżki, centralność stopniai efektywność lokalna do potoku analizy metryk sieci GRETNA, jak pokazano w Rysunek 3.
      UWAGA: Mały świat (small-world) oraz efektywność globalna to dwa globalne wskaźniki sieci. W szczególności sieć o charakterystyce małego świata może maksymalizować efektywność przekazywania informacji przy stosunkowo niskim koszcie połączeń. Efektywność globalna odzwierciedla wydajność przesyłania równoległych informacji w sieci transportowej. W przypadku węzłowych wskaźników sieci, centralność stopnia mierzy liczbę połączeń przypisanych do węzła. Najkrótsza długość ścieżki, zgodnie ze swoją nazwą, stanowi podstawę pomiaru integracji. Współczynnik grupowania wskazuje stopień, w jakim sąsiedzi węzłów są ze sobą powiązani. Efektywność lokalna to wydajność komunikacji między węzłem a jego sąsiadami (szczegółowy wzór i zastosowanie przedstawiono w tych pracach). 17,25Zestaw narzędzi do analizy łączności mózgu (BCT)25 do obliczeń metryk sieci można również wykorzystać inne zestawy narzędzi.
    2. Wybierz Rzadkość sieci w metodzie progowania w celu wyeliminowania zakłócającego wpływu fałszywych połączeń oraz wprowadzenia zestawu sekwencje progowe (t. j. 0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5 jest tutaj wykorzystywany w celu dalszego określenia odpowiedniego progu zgodnie z wynikami statystycznymi.
      UWAGA: Stosunek liczby krawędzi do maksymalnej liczby krawędzi w sieci o danej liczbie węzłów jest znany jako próg rzadkości. Próg rzadkości gwarantuje, że poszczególne jednostki mają taką samą liczbę krawędzi. Zdecydowaliśmy się zbadać różne progi w celu walidacji, co może dostarczyć pomocnych danych przy wyborze optymalnego progu w przyszłych badaniach.
    3. Ustaw losowy numer sieci jako 1,000 do generowania sieci losowych przy użyciu algorytmu okablowania Markowa26Kliknij Uruchom aby uruchomić potok analizy w programie GRETNA po skonfigurowaniu wszystkich kroków.
      UWAGA: Podobnie jak rzeczywiste sieci mózgowe, sieci losowe zachowują tę samą liczbę węzłów, krawędzi oraz rozkład stopni. Aby ustalić, czy ich konstrukcja topologiczna jest znacząco nielosowa, zostaną one porównane z sieciami mózgowymi. Po uruchomieniu procedury (pipeline) uzyskany zostanie zestaw wyników dla metryk sieciowych dla każdego z progów, który posłuży do dalszych analiz statystycznych.
    4. Wyznacz optymalną liczbę modułów w sieci w czterech krokach.
      1. Oblicz średnią dla sieci nawigacyjnej. Kliknij ścieżkę do Porównanie wskaźników i wybierz PołączenieWczytać uzyskane powyżej macierze sieci i wybrać Uśredniony (funkcjonalny) operacja. Wybierz kierunek wyjściowy, aby zachować uśrednioną macierz sieci; patrz Rycina 4 po więcej szczegółów.
      2. Podziel średnią sieć otrzymaną w powyższym kroku na 2, 3, 4 i 5 moduły, korzystając z funkcji klastrowanie spektralne w programie MATLAB.
      3. Oblicz proporcję węzłów przypisanych do tego samego modułu w REST 1 i REST 2 po dopasowaniu podziałów modułowych za pomocą skryptu procrustes_alignment.m. Przyjmij tę proporcję jako wskaźnik powtarzalności podziału modułowego.
      4. Wybierz liczbę modułów o najwyższej powtarzalności.
  4. Analizy statystyczne
    UWAGA: Poniższe analizy służą głównie walidacji i nie są konieczne podczas stosowania tego protokołu w badaniach nad zmiennością osobniczą.
    1. Zbadaj podobieństwo tych metryk sieciowych pomiędzy dwiema sieciami z różnymi strategiami definiowania węzłów (tj. nową siecią wygenerowaną w niniejszym badaniu, nazwaną NaviNet_AICHA, oraz wcześniejszą siecią z pracy Kong et al., nazwaną NaviNet_AAL)12Oblicz korelację Pearsona za pomocą funkcji współczynnik korelacji w programie MATLAB i powtórzyć analizy dla każdego progu rzadkości.
      UWAGA: Po wyekstrahowaniu miar sieci można przeprowadzić dowolne interesujące badacza analizy statystyczne.
    2. Sprawdź niezawodność test-retest tych miar sieciowych przy użyciu funkcji ICC (immunocytochemia) w programie MATLAB27,28, który implementuje obliczanie Współczynnik korelacji wewnątrzklasowej.
      UWAGA: Oryginalna wersja niepoprawiona p wartości przedstawiono w sekcji wyników reprezentatywnych. 0,2 < ICC (immunocytochemia) < Wartość 0,4 interpretowana jest jako wskazująca na umiarkowaną rzetelność test-retest i ICC (immunocytochemia) > Wartość 0,4 interpretuje się jako umiarkowaną lub dobrą niezawodność test-retest29,30Ujemne wartości współczynnika korelacji wewnątrzklasowej (ICC) przyjęto jako zero, biorąc pod uwagę fakt, że występowanie ujemnych wartości ICC jest bez znaczenia i trudne do interpretacji.31.

figure-protocol-3
Rycina 3: Analiza miar sieciowych. Ta analiza definiuje ważone sieci pozytywne z 10 progami. Obliczono dwie globalne miary sieciowe: średnią długość ścieżki (small word) oraz efektywność, a także cztery węzłowe miary sieciowe: współczynnik grupowania, najkrótszą długość ścieżki, efektywność oraz centralność stopnia. Prosimy kliknąć tutaj, aby zobaczyć powiększoną wersję tej ryciny.

figure-protocol-4
Rycina 4: Obliczanie średnich sieci nawigacyjnych. Średnie operacje (funkcjonalne) pomagają obliczyć średnie sieci dla wszystkich uczestników. Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Sieci nawigacyjne
W niniejszym badaniu, poprzez wykorzystanie najnowszej bazy danych z metaanaliz obrazowania neuronalnego oraz atlasu AICHA, zidentyfikowano 27 obszarów mózgu związanych z nawigacją przestrzenną. Obszary te obejmują regiony przyśrodkowej skroni oraz obszary ciemieniowe, które są powszechnie raportowane w badaniach neuroobrazowych dotyczących nawigacji. Rozkład przestrzenny tych obszarów przedstawiono na Rycina 5A i Rysunek ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Oczekuje się, że neuronauka sieciowa pomoże w zrozumieniu, w jaki sposób sieć mózgowa wspiera funkcje poznawcze człowieka32. Protokół ten demonstruje integracyjne podejście do badania funkcjonalnej sieci do nawigacji przestrzennej w ludzkim mózgu, co może również zainspirować modelowanie sieci dla innych konstruktów poznawczych (np. języka).

Podejście to składało się z trzech głównych kroków: definicji węzła, budowy sieci i analizy sieci. Podczas gdy budowa sieci i anal...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy oświadczają, że nie występuje konflikt interesów.

Podziękowania

Xiang-Zhen Kong był wspierany przez Narodową Fundację Nauk Przyrodniczych Chin (32171031), STI 2030 - Major Project (2021ZD0200409), Fundusze Badań Podstawowych dla Uniwersytetów Centralnych (2021XZZX006) oraz Centrum Technologii Informacyjnych Uniwersytetu Zhejiang.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Zestaw narzędzi do łączności mózgu (BCT)Mikail Rubinov & Olaf Sporns 2019The Brain Connectivity Toolbox (brain-connectivity-toolbox.net) to zestaw narzędzi MATLAB do analizy sieci złożonych (grafów) strukturalnych i funkcjonalnych zestawów danych dotyczących połączeń mózgowych. 
GRETNAJinhui Wang i wsp.2GRETNA to zestaw narzędzi do teoretycznej analizy sieci grafowej, który umożliwia naukowcom przeprowadzanie kompleksowej analizy topologii konektomu mózgu poprzez integrację większości miar sieciowych badanych w obecnej dziedzinie neuronauki.
MATLABMathWorks2021aMATLAB to platforma programistyczna i obliczeniowa używana przez miliony inżynierów i naukowców do analizy danych, opracowywania algorytmów i tworzenia modeli.
PythonGuido van Rossum i wsp.3.8.6Python to język programowania, który pozwala na szybszą pracę i bardziej efektywną integrację systemów.
Statystyczne mapowanie parametryczne (SPM)Karl Friston i wsp.al 12Statystyczne mapowanie parametryczne  Odnosi się do konstruowania i oceny przestrzennie rozszerzonych procesów statystycznych wykorzystywanych do testowania hipotez dotyczących funkcjonalnych danych obrazowych.

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Funkcjonalna sieć mózgowaanaliza siecidane fMRIłączność mózgowateoria grafówfunkcja hipokampawłaściwości świata małegowspółczynnik grupowaniabiomarkery choroby Alzheimera
Modelowanie sieci funkcjonalnej do nawigacji przestrzennej w ludzkim mózgu
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.