Modelowanie sieci funkcjonalnej do nawigacji przestrzennej w ludzkim mózgu
13 października 2023
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.
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.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
To badanie przedstawia integracyjne podejście do modelowania funkcjonalnej sieci zaangażowanej w nawigację przestrzenną przy użyciu danych z rezonansu magnetycznego w stanie spoczynku (fMRI). Zastosowanie modelowania sieci i technik teoretycznych grafów ma na celu poprawienie zrozumienia interakcji między regionami mózgu kluczowymi dla nawigacji, z zastosowaniami w kontekście zdrowia i choroby.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauki
- Funkcjonalne obrazowanie medyczne
- Analiza sieci
Tło
- Nawigacja przestrzenna wiąże się ze złożoną siecią mózgu.
- Badanie identyfikuje kluczowe regiony mózgu związane z nawigacją.
- Wykorzystuje dużą skalę metaanalitycznej bazy danych neuroobrazowania do porównania danych.
- Celem jest zbadanie zmienności zachowań związanych z nawigacją w kontekście zdrowia i choroby.
Cel badania
- Zbadanie funkcjonalnej sieci mózgu dla nawigacji przestrzennej.
- Poprawa rejestracji zmienności zachowań indywidualnych.
- Dostarczenie ram metodologicznych stosowanych do innych funkcji poznawczych.
Stosowane metody
- Badanie korzysta z danych funkcjonalnego rezonansu magnetycznego w stanie spoczynku (fMRI).
- Kluczowe modele biologiczne obejmują zidentyfikowane regiony mózgu związane z nawigacją przestrzenną przy użyciu atlasów AICHA i AAL.
- Kroki obejmują kontrole jakości danych, definicję węzłów sieci oraz estymację łączności sieci przy użyciu narzędzia GRETNA w MATLAB.
- Analizowanych jest wiele wskaźników w celu oceny właściwości sieci.
- Przeprowadzana jest ocena niezawodności test-retest dla wskaźników sieci.
Główne wyniki
- Identyfikowano 27 regionów mózgu związanych z nawigacją przestrzenną, z oboma atlasami AICHA i AAL pokazującymi nakładanie się.
- Wyższa niezawodność wskaźników sieci AAL niż AICHA, podkreślając znaczenie regresji globalnego sygnału.
- Pięć z sześciu wskaźników sieci wykazało istotne korelacje między dwoma atlasami.
- Wyniki sugerują, że współczynnik klasteryzacji i właściwości małej światowej są szczególnie niezawodnymi wskaźnikami.
Wnioski
- Ta integracyjna metoda pozwala na głębsze zbadanie sieci nawigacyjnych w mózgu.
- Wyniki badania dostarczają nowych biomarkerów do identyfikacji zaburzeń mózgu.
- Implikacje obejmują zrozumienie mechanizmów neuronowych w zdrowiu i potencjalne wczesne interwencje w choroby takie jak Alzheimera.
Często zadawane pytania
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.
