Моделирование функциональной сети пространственной навигации в мозге человека
13 октября 2023 г.
В данной работе представлен интегративный подход к исследованию функциональной сети пространственной навигации в мозге человека. Этот подход включает в себя крупномасштабную метааналитическую базу данных нейровизуализации, функциональную магнитно-резонансную томографию в состоянии покоя, а также методы моделирования сетей и теории графов.
Пространственная навигация — это сложный процесс, в котором задействована распределенная сеть в мозге. В нашей работе представлен интегративный подход к моделированию функциональной сети пространственной навигации с использованием данных FMRI. Оптимальная сетевая модель позволяет по-новому понять, как взаимодействуют области мозга внутри сети.
Сетевая модель также может лучше отражать вариативность поведения как в отношении здоровья, так и в отношении болезни. Наш метод также может быть применен к исследованиям или другим сложным функциям. Например, аналогичная процедура может быть использована для моделирования мозговой сети для языка и памяти.
Для начала проверьте качество данных и исключите участников с отсутствующими данными повторного тестирования и чрезмерными движениями головы. Затем откройте теоретико-сетевой анализ графов или набор инструментов GRETNA в MATLAB. Перейдите на вкладку FC Matrix Construction» и выберите путь к функциональному набору данных для загрузки изящных документов.
Выполните шаги, как показано в параметре конвейера. Далее, чтобы выполнить определение узла сети, загрузите последнюю версию базы данных Neurosynth, набрав следующую команду. Затем создайте новый экземпляр набора данных из базы данных.
txt и добавьте признаки к этим данным, введя эту команду. Выполните метаанализ интересующего термина, например навигации, введя команду. Затем определите интересующие кластеры, включив метааналитическую карту и весь атлас парцелизации мозга, такой как AICHA или AAL, введя эту команду из FSL.
Затем введите следующие скрипты на Python, чтобы проверить размер каждого региона на карте. После этого интегрируйте все области мозга в шаблон от FSL Maths in FSL. Для оценки связности сети нажмите на FC Matrix Construction в программном обеспечении GRETNA и выберите Static Correlation.
Загрузите узел, полученный из определения узла сети, в виде атласа для вычисления статической корреляции сигналов rs-fMRI каждой пары регионов и переведите их в Z-баллы Фишера. Чтобы получить положительную и взвешенную сеть с шагами, отображаемыми в параметре конвейера, щелкните Сетевой анализ. Затем добавьте сетевые матрицы в окно матрицы связей мозга и выберите выходной каталог для подготовки.
Добавьте небольшой мир, глобальную эффективность, коэффициент кластеризации, длину кратчайшего пути, центральность градусов и локальную эффективность в конвейер анализа сетевых метрик GRETNA. Выберите положительное значение в знаке матрицы. Выберите разреженность сети в методе определения пороговых значений и введите набор пороговых последовательностей.
Выберите тип сети в качестве взвешенного. Установите случайное число сети равным 1 000 и нажмите «Выполнить». Чтобы определить оптимальное количество модулей в сети, сначала рассчитайте усредняющую навигационную сеть.
Затем разделите полученную среднюю сеть на 2, 3, 4 и 5 модулей с помощью функции spectral cluster в MATLAB. Затем выровняйте деления модуля с помощью скрипта, procrustes_alignment. m и вычислить долю узлов, разделенных на один и тот же модуль в первом и втором остаточных элементах.
Выберите количество модулей с наибольшей повторяемостью. Чтобы выполнить сетевой анализ, изучите сходство этих сетевых метрик между двумя сетями с разными типами стратегий без определения, такими как NaviNet AICHA и NaviNet AAL. Проверьте тестовый повторный тест надежности этих сетевых метрик с помощью функции ICC в MATLAB.
В этом исследовании 27 областей мозга, связанных с пространственной навигацией, были идентифицированы с помощью атласа AICHA. Эти области состояли из медиальной височной и теменной областей, о которых сообщалось в исследованиях навигационной нейровизуализации. Для сравнения были включены 20 регионов из атласа AAL.
Он показал большое перекрытие и схожее распределение сообществ между двумя наборами, включая схожие вентральные и дорсальные модули в обеих сетях. Кроме того, пять из шести показателей, за исключением коэффициента кластеризации, показали значимые корреляции между двумя сетями. Значения сходства увеличивались с порогом разреженности почти для всех метрик, предполагая, что анализ на сетевом уровне может отражать стабильные индивидуальные различия, независимо от выбора определения узла, и что порог разреженности от 0,30 до 0,40 приведет к лучшей обобщаемости в анализе навигационной сети.
Более того, оценка надежности топологических измерений навигационных сетей показала, что большинство метрик сети показали удовлетворительную или хорошую надежность в AICHA, в то время как сеть AAL показала относительно более высокую надежность. Кроме того, включение глобальной регрессии сигнала в предварительную обработку данных FMRI может обеспечить высокую надежность. Эти результаты свидетельствуют о том, что коэффициент кластеризации и малый мир являются наиболее надежными среди этих метрик.
С помощью этого подхода исследователи могут исследовать траекторию развития функционально специфических сетей. Сетевые свойства также предоставляют новые биомаркеры для раннего выявления заболеваний головного мозга, таких как болезнь Альцгеймера.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данном исследовании представлен интегративный подход к моделированию функциональной сети, участвующей в пространственной навигации, с использованием данных фМРТ в состоянии покоя. Применяя моделирование сети и графо-теоретические методы, исследование направлено на улучшение понимания взаимодействий между ключевыми областями мозга, ответственными за навигацию, с последствиями для здоровья и заболеваний.
Ключевые компоненты исследования
Область науки
- Нейробиология
- Функциональная нейровизуализация
- Анализ сетей
Фон
- Пространственная навигация включает сложную сеть мозга.
- Исследование идентифицирует важные области мозга, связанные с навигацией.
- Использует крупномасштабную базу данных мета-анализа нейровизуализации для сравнения данных.
- Цель - исследовать изменчивость поведения, связанного с навигацией в контексте здоровья и заболеваний.
Цель исследования
- Исследовать функциональную сеть мозга для пространственной навигации.
- Улучшить фиксацию изменчивости поведения индивидуумов.
- Предоставить методологические рамки, применимые к другим когнитивным функциям.
Используемые методы
- Исследование использует данные функциональной магнитно-резонансной томографии (фМРТ) в состоянии покоя.
- Ключевые биологические модели включают идентифицирование областей мозга, связанных с пространственной навигацией, с использованием атласов AICHA и AAL.
- Шаги включают проверку качества данных, определение узлов сети и оценку связности сети с использованием инструментария GRETNA в MATLAB.
- Анализируются несколько метрик для оценки свойств сети.
- Проводится оценка надежности тест-ретест для метрик сети.
Основные результаты
- Идентифицировано 27 областей мозга, связанных с пространственной навигацией, при этом оба атласа AICHA и AAL показали перекрытие.
- Большую надежность в метриках сети AAL по сравнению с AICHA, подчеркивая важность глобальной регрессии сигнала.
- Пять из шести метрик сети показали значительную корреляцию между двумя атласами.
- Результаты говорят о том, что коэффициент кластеризации и свойства малого мира являются особенно надежными метриками.
Выводы
- Этот интегративный метод позволяет глубже исследовать сети навигации в мозге.
- Результаты исследования предоставляют новые биомаркеры для идентификации расстройств мозга.
- Последствия распространяются на понимание нейронных механизмов в здоровье и потенциальные ранние вмешательства при заболеваниях, таких как Альцгеймер.
Часто задаваемые вопросы
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.
