Modelowanie sieci funkcjonalnej do nawigacji przestrzennej w ludzkim mózgu

Nawigacja przestrzenna to złożony proces, który obejmuje rozproszoną sieć w mózgu. W naszej pracy przedstawiono integracyjne podejście do modelowania sieci funkcjonalnej dla nawigacji przestrzennej z wykorzystaniem danych FMRI. Optymalny model sieci dostarcza nowych informacji pozwalających zrozumieć, w jaki sposób regiony mózgu w sieci oddziałują na siebie.

Model sieciowy może również lepiej uchwycić zmienność zachowań zarówno w zakresie zdrowia, jak i choroby. Nasza metoda może być również stosowana do badań lub innych złożonych funkcji. Na przykład, podobną procedurę można zastosować do modelowania sieci mózgowej pod kątem języka i pamięci.

Na początek sprawdź jakość danych i wyklucz uczestników z brakującymi danymi z ponownego testu i nadmiernymi ruchami głowy. Następnie otwórz grafową teoretyczną analizę sieci lub przybornik GRETNA w MATLAB. Kliknij zakładkę Budowa macierzy FC" i wybierz ścieżkę funkcjonalnego zestawu danych, aby załadować sprytne dokumenty.

Wykonaj kroki wyświetlane w opcji potoku. Następnie, aby wykonać definicję węzła sieci, pobierz najnowszą bazę danych Neurosynth, wpisując następujące polecenie. Następnie wygeneruj nową instancję zestawu danych na podstawie bazy danych.

txt i dodaj funkcje do tych danych, wpisując to polecenie. Uruchom metaanalizę interesującego terminu, takiego jak nawigacja, wpisując polecenie. Następnie zdefiniuj klastry zainteresowania, włączając mapę metaanalityczną i atlas parcelizacji całego mózgu, taki jak AICHA lub AAL, wpisując to polecenie z FSL.

Następnie wpisz następujące skrypty w języku Python, aby sprawdzić rozmiar każdego regionu na mapie. Następnie zintegruj wszystkie regiony mózgu w szablonie FSL Maths w FSL. Aby oszacować łączność sieciową, kliknij FC Matrix Construction w oprogramowaniu GRETNA i kliknij Static Correlation.

Prześlij węzeł uzyskany z definicji węzła sieci jako atlas, aby obliczyć statyczną korelację sygnałów rs-fMRI każdej pary regionów i przenieść je do wyników Z Fishera. Aby uzyskać dodatnią i ważoną sieć z krokami wyświetlanymi w opcji potoku, kliknij Analiza sieci. Następnie dodaj macierze sieciowe do okna macierzy połączeń mózgu i wybierz katalog wyjściowy do przygotowania.

Dodaj mały świat, globalną efektywność, współczynnik klastrowania, najkrótszą długość ścieżki, stopień centralności i wydajność lokalną do potoku analizy metryk sieci GRETNA. Wybierz dodatni w znaku macierzy. Wybierz rozrzedzenie sieci w metodzie progowania i wprowadź zestaw sekwencji progowych.

Wybierz typ sieci jako ważony. Ustaw losowy numer sieci na 1 000 i kliknij Uruchom. Aby określić optymalną liczbę modułów w sieci, należy najpierw obliczyć sieć nawigacji uśredniającej.

Następnie podziel wynikową średnią sieć na 2, 3, 4 i 5 modułów za pomocą funkcji klaster widmowy w MATLAB. Następnie wyrównaj podziały modułów za pomocą skryptu procrustes_alignment. m i oblicz część węzłów podzielonych na ten sam moduł w spoczynku pierwszym i reszcie drugim.

Wybierz liczbę modułów o największej powtarzalności. Aby przeprowadzić analizę sieci, należy sprawdzić podobieństwo tych metryk sieciowych między dwiema sieciami z różnymi typami strategii bez definicji, takimi jak NaviNet AICHA i NaviNet AAL. Sprawdź niezawodność ponownego testowania tych metryk sieciowych przy użyciu funkcji ICC w programie MATLAB.

W tym badaniu zidentyfikowano 27 regionów mózgu związanych z nawigacją przestrzenną za pomocą atlasu AICHA. Regiony te składały się z przyśrodkowych, skroniowych i ciemieniowych, które zostały opisane w badaniach neuroobrazowania nawigacyjnego. Dla porównania uwzględniono 20 regionów z atlasu AAL.

Wykazano duże nakładanie się i podobny rozkład społeczności między dwoma zestawami, w tym podobne moduły brzuszne i grzbietowe w obu sieciach. Co więcej, pięć z sześciu wskaźników, z wyjątkiem współczynnika klastrowania, wykazało znaczące korelacje między tymi dwiema sieciami. Wartości podobieństwa wzrosły wraz z progiem rzadkości dla prawie wszystkich wskaźników, co sugeruje, że analiza na poziomie sieci może odzwierciedlać stabilne różnice indywidualne, niezależnie od wyborów definicji węzłów, oraz że próg rzadkości od 0,30 do 0,40 skutkowałby lepszą możliwością uogólnienia w analizie sieci nawigacyjnej.

Ponadto ocena pozostałej wiarygodności ponownych testów miar topologicznych sieci nawigacyjnych wykazała, że większość wskaźników sieci wykazała się dobrą lub dobrą wiarygodnością w AICHA, podczas gdy sieć AAL wykazała się stosunkowo wyższą wiarygodnością. Ponadto uwzględnienie globalnej regresji sygnału we wstępnym przetwarzaniu danych FMRI może skutkować wysoką niezawodnością. Wyniki te sugerowały, że współczynnik klastrowania i mały świat są najbardziej wiarygodnymi spośród tych wskaźników.

Dzięki takiemu podejściu naukowcy mogą badać trajektorię rozwojową sieci specyficznych funkcjonalnie. Właściwości sieci dostarczają również nowych biomarkerów do wczesnej identyfikacji zaburzeń mózgu, takich jak choroba Alzheimera.