Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

मानव मस्तिष्क में स्थानिक नेविगेशन के लिए कार्यात्मक नेटवर्क मॉडलिंग

Published: October 13, 2023 doi: 10.3791/65150
Automatic Translation
*1, *1, 2, 1,3
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

Summary

यह पत्र मानव मस्तिष्क में स्थानिक नेविगेशन के लिए कार्यात्मक नेटवर्क की जांच के लिए एक एकीकृत दृष्टिकोण प्रस्तुत करता है। इस दृष्टिकोण में एक बड़े पैमाने पर न्यूरोइमेजिंग मेटा-विश्लेषणात्मक डेटाबेस, आराम-राज्य कार्यात्मक चुंबकीय अनुनाद इमेजिंग, और नेटवर्क मॉडलिंग और ग्राफ-सैद्धांतिक तकनीक शामिल हैं।

Abstract

स्थानिक नेविगेशन एक जटिल कार्य है जिसमें बहुसंवेदी जानकारी का एकीकरण और हेरफेर शामिल है। विभिन्न नेविगेशन कार्यों का उपयोग करते हुए, विभिन्न मस्तिष्क क्षेत्रों (जैसे, हिप्पोकैम्पस, एंटरोरिनल कॉर्टेक्स और पैराहिप्पोकैम्पस प्लेस एरिया) के विशिष्ट कार्यों पर कई आशाजनक परिणाम प्राप्त किए गए हैं। हाल ही में, यह सुझाव दिया गया है कि कई अंतःक्रियात्मक मस्तिष्क क्षेत्रों को शामिल करने वाली एक गैर-कुल नेटवर्क प्रक्रिया इस जटिल कार्य के तंत्रिका आधार को बेहतर ढंग से चिह्नित कर सकती है। यह पत्र मानव मस्तिष्क में स्थानिक नेविगेशन के लिए कार्यात्मक-विशिष्ट नेटवर्क के निर्माण और विश्लेषण के लिए एक एकीकृत दृष्टिकोण प्रस्तुत करता है। संक्षेप में, इस एकीकृत दृष्टिकोण में तीन प्रमुख चरण होते हैं: 1) स्थानिक नेविगेशन (नोड्स परिभाषा) के लिए महत्वपूर्ण मस्तिष्क क्षेत्रों की पहचान करना; 2) इन क्षेत्रों की प्रत्येक जोड़ी के बीच कार्यात्मक कनेक्टिविटी का अनुमान लगाने और कनेक्टिविटी मैट्रिक्स (नेटवर्क निर्माण) का निर्माण करने के लिए; 3) परिणामी नेटवर्क (नेटवर्क विश्लेषण) के टोपोलॉजिकल गुणों (जैसे, प्रतिरूपकता और छोटी दुनिया) की जांच करने के लिए। नेटवर्क परिप्रेक्ष्य से प्रस्तुत दृष्टिकोण, हमें बेहतर ढंग से समझने में मदद कर सकता है कि हमारा मस्तिष्क जटिल और गतिशील वातावरण में लचीले नेविगेशन का समर्थन कैसे करता है, और नेटवर्क के प्रकट टोपोलॉजिकल गुण नैदानिक अभ्यास में अल्जाइमर रोग की प्रारंभिक पहचान और निदान के मार्गदर्शन के लिए महत्वपूर्ण बायोमार्कर भी प्रदान कर सकते हैं।

Introduction

कार्यात्मक विशिष्टता मानव मस्तिष्क का एक मौलिक संगठन सिद्धांत है, जोसंज्ञानात्मक कार्यों को आकार देने में महत्वपूर्ण भूमिका निभाता है। कार्यात्मक विशिष्टता के संगठन में असामान्यताएं हॉलमार्क संज्ञानात्मक हानि और आत्मकेंद्रित और अल्जाइमर रोग 2,3 जैसे प्रमुख मस्तिष्क विकारों की संबंधित रोग नींव को प्रतिबिंबित कर सकती हैं। जबकि पारंपरिक सिद्धांतों और अनुसंधान ने एकल मस्तिष्क क्षेत्रों पर ध्यान केंद्रित करने की प्रवृत्ति की है, जैसे कि चेहरे की पहचान के लिए फ्यूसीफॉर्म फेस एरिया (एफएफए)4 और दृश्य प्रसंस्करण के लिए पैराहिप्पोकैम्पस प्लेस एरिया (पीपीए)5, साक्ष्य के बढ़ते शरीर से पता चलता है कि स्थानिक नेविगेशन और भाषा सहित जटिल संज्ञानात्मक कार्यों को कई मस्तिष्क क्षेत्रोंमें समन्वय गतिविधि की आवश्यकता होती है. जटिल संज्ञानात्मक कार्यों के समर्थन में बातचीत अंतर्निहित तंत्र की जांच करना एक महत्वपूर्ण वैज्ञानिक प्रश्न है जो मस्तिष्क के कार्यात्मक वास्तुकला और संचालन पर प्रकाश डालने में मदद करेगा। यहां, एक उदाहरण के रूप में स्थानिक नेविगेशन लेते हुए, हम मानव मस्तिष्क में स्थानिक नेविगेशन के लिए कार्यात्मक नेटवर्क मॉडलिंग के लिए एक एकीकृत विधि प्रस्तुत करते हैं।

स्थानिक नेविगेशन एक जटिल संज्ञानात्मक कार्य है, जिसमें दृश्य-स्थानिक कोडिंग, स्मृति औरनिर्णय लेने जैसे कई संज्ञानात्मक घटकों का एकीकरण और हेरफेर शामिल है। कार्यात्मक चुंबकीय अनुनाद इमेजिंग (एफएमआरआई) के साथ, कई अध्ययनों ने अंतर्निहित संज्ञानात्मक प्रसंस्करण और तंत्रिका तंत्र को समझने में महत्वपूर्ण प्रगति की है। उदाहरण के लिए, विशिष्ट कार्यों विभिन्न नेविगेशन कार्यों का उपयोग कर विभिन्न मस्तिष्क क्षेत्रों से जुड़ा हुआ है: दृश्य प्रसंस्करण विशेष रूप से पीपीए के साथ जुड़ा हुआ है, और नेविगेशन रणनीतियों के परिवर्तन retrosplenial प्रांतस्था (आरएससी)8,9 के साथ जुड़ा हुआ है. इन अध्ययनों ने स्थानिक नेविगेशन के तंत्रिका आधार में महत्वपूर्ण अंतर्दृष्टि प्रदान की। हालांकि, नेविगेशन एक आंतरिक रूप से गतिशील और मल्टीमॉडल फ़ंक्शन है, और एकल क्षेत्रों के कार्य स्थानिक नेविगेशन10 में बड़े व्यक्तिगत मतभेदों को समझाने के लिए पर्याप्त नहीं हैं जो आमतौर पर देखे जाते हैं।

एफएमआरआई-आधारित कनेक्टोमिक्स के उद्भव के साथ, शोधकर्ताओं ने यह पता लगाना शुरू किया कि कुछ प्रमुख मस्तिष्क क्षेत्र स्थानिक नेविगेशन का समर्थन करने के लिए एक दूसरे के साथ कैसे बातचीत करते हैं। उदाहरण के लिए, entorhinal और पीछे cingulate cortices के बीच कार्यात्मक कनेक्टिविटी जोखिम अल्जाइमर रोग11 में नेविगेशन विसंगतियों को कम करने के लिए पाया गया है. एक अन्य अध्ययन में, हमने पहली बार कनेक्टोम विधियों और स्थानिक नेविगेशन के लिए लगभग सभी कार्यात्मक रूप से प्रासंगिक क्षेत्रों (नोड्स) को एकीकृत करके एक नेटवर्क दृष्टिकोण का प्रस्ताव दिया, और परिणामों से पता चला कि इस नेटवर्क के टोपोलॉजिकल गुणों ने नेविगेशन व्यवहार12 के साथ विशिष्ट संघों को दिखाया। यह अध्ययन सिद्धांतों में नई अंतर्दृष्टि प्रदान करता है कि कैसे कई मस्तिष्क क्षेत्रों लचीला नेविगेशन व्यवहार10,13 का समर्थन करने के लिए एक दूसरे के साथ बातचीत करते हैं.

वर्तमान कार्य कार्यात्मक नेटवर्क मॉडलिंग के लिए एकीकृत दृष्टिकोण के एक अद्यतन संस्करण को प्रदर्शित करता है। संक्षेप में, दो अपडेट शामिल किए गए थे: 1) जबकि मूल अध्ययन में परिभाषित नोड्स की पहचान पहले और छोटे डेटाबेस (55 सक्रियणों के साथ 2,765 अध्ययन, 2014 में एक्सेस किए गए) के आधार पर की गई थी, वर्तमान परिभाषा नवीनतम डेटाबेस पर आधारित थी (77 सक्रियणों के साथ 3,908 अध्ययन, 2022 में एक्सेस किया गया); 2) प्रत्येक नोड की कार्यात्मक समरूपता बढ़ाने के लिए, मूल शारीरिक एएएल (एनाटोमिकल ऑटोमैटिक लेबलिंग) एटलस14 के अलावा, हमने एक नया मस्तिष्क पार्सेलेशन लागू किया, जिसमें बहुत बेहतर रिज़ॉल्यूशन और उच्च कार्यात्मक समरूपता है (नीचे देखें)। हमें उम्मीद थी कि दोनों अपडेट कार्यात्मक नेटवर्क के मॉडलिंग में सुधार करेंगे। यह अद्यतन प्रोटोकॉल नेटवर्क परिप्रेक्ष्य से स्थानिक नेविगेशन के तंत्रिका आधार की जांच के लिए एक विस्तृत प्रक्रिया प्रदान करता है और स्वास्थ्य और बीमारी में नेविगेशन व्यवहार में व्यक्तिगत विविधताओं को समझने में मदद करता है। इसी तरह की प्रक्रिया का उपयोग अन्य संज्ञानात्मक निर्माणों (जैसे, भाषा और स्मृति) के लिए नेटवर्क मॉडलिंग के लिए भी किया जा सकता है।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

नोट: यहां उपयोग किए जाने वाले सभी सॉफ्टवेयर सामग्री की तालिका में दिखाए गए हैं। प्रदर्शन उद्देश्यों के लिए इस अध्ययन में उपयोग किए गए डेटा मानव कनेक्टोम प्रोजेक्ट (एचसीपी: http://www. humanconnectome.org)15से थे। सभी प्रयोगात्मक प्रक्रियाओं संस्थागत समीक्षा बोर्ड द्वारा अनुमोदित किया गया (आईआरबी) वाशिंगटन विश्वविद्यालय में. एचसीपी डेटासेट में इमेजिंग डेटा को 32-चैनल हेड कॉइल के साथ संशोधित 3 टी सीमेंस स्काईरा स्कैनर का उपयोग करके प्राप्त किया गया था। अन्य छवि अधिग्रहण पैरामीटर पहले के पेपर16 में विस्तृत हैं। प्रदर्शन के लिए न्यूनतम प्रीप्रोसेस्ड डेटा डाउनलोड किया गया था, जिसने निम्नलिखित प्रीप्रोसेसिंग चरणों को समाप्त कर दिया था: ढाल विरूपण सुधार, गति सुधार, फील्ड मैप प्रीप्रोसेसिंग, स्थानिक विरूपण सुधार, मॉन्ट्रियल न्यूरोलॉजिकल इंस्टीट्यूट (एमएनआई) अंतरिक्ष में स्थानिक सामान्यीकरण, तीव्रता सामान्यीकरण, और पूर्वाग्रह क्षेत्र हटाने। शोधकर्ताओं की परियोजनाओं से आराम-राज्य एफएमआरआई डेटा का भी उपयोग किया जा सकता है।

1. डेटा प्रीप्रोसेसिंग

  1. डेटा गुणवत्ता की जाँच करें और लापता retest डेटा और अत्यधिक सिर गति (अनुवाद में 3 मिमी और रोटेशन में 3 °) के साथ प्रतिभागियों को बाहर करें।
    नोट: पांच प्रतिभागियों को हटा दिया गया था, और 38 युवा वयस्कों (22-35 वर्ष) को मुख्य विश्लेषण में शामिल किया गया था।
  2. आगे प्रीप्रोसेसिंग चरणों को करने के लिए MATLAB में ग्राफ़ सैद्धांतिक नेटवर्क विश्लेषण (GRETNA) टूलबॉक्स17 खोलें। एफसी मैट्रिक्स निर्माण के बैच पर क्लिक करें। एनआईएफटीआई दस्तावेजों को लोड करने के लिए कार्यात्मक डेटासेट के पथ का चयन करें और निम्नलिखित चरणों को निष्पादित करें, जैसा कि चित्र 1 में पाइपलाइन विकल्प में दिखाया गया है:
    1. पहली छवियों को हटाने और 10 दर्ज करने के लिए समय बिंदु संख्या पर डबल-क्लिक करके पहले 10 छवियों को निकालें।
    2. स्थानिक रूप से चिकनी (आधी अधिकतम [FWHM] = [4, 4, 4] पर पूरी चौड़ाई, FWHM (मिमी) पर डबल-क्लिक करके, स्थानिक रूप से चिकना और [4, 4, 4] दर्ज करके)।
    3. सहसंयोजकों को पीछे हटाना। व्हाइट मैटर सिग्नल, CSF सिग्नल और हेड मोशन को TRUE के रूप में चुनें। वास्तविक स्वर आकार के अनुसार उपयुक्त मुखौटा का चयन करें, उदाहरण के लिए, यहां 2 मिमी के साथ मुखौटा, और हेड मोशन के लिए फ्रिस्टन -24 पैरामीटर चुनें।
    4. अस्थायी रूप से फ़िल्टर करें। एमआरआई स्कैन (जैसे, यहां 720 एमएस) के पुनरावृत्ति समय के अनुसार टीआर का मान इनपुट करें और बैंड (हर्ट्ज) पर डबल-क्लिक करके और [0.01 0.1] दर्ज करके उच्च-आवृत्ति और निम्न-आवृत्ति शोर को हटा दें।
      नोट: पूरे मस्तिष्क संकेतों के प्रतिगमन के साथ और बिना परिणाम नीचे प्रस्तुत किए गए हैं। अनप्रिप्रोसेस्ड डेटा का उपयोग करते समय, fMRI-prep18 और डेटा प्रोसेसिंग असिस्टेंट फॉर रिस्टेंट-स्टेट fMRI (DPARSF)19 जैसी अच्छी तरह से स्थापित पाइपलाइनों की भी सिफारिश की जाती है।

Figure 1
चित्रा 1: आरएस-एफएमआरआई प्रीप्रोसेस और कार्यात्मक नेटवर्क कनेक्टिविटी अनुमान। प्रीप्रोसेस की सेटिंग्स (पहले 10 छवियों को हटाकर, 4 मिमी के एफडब्ल्यूएचएम के साथ स्थानिक रूप से चौरसाई करना, रैखिक अस्थायी रूप से डिट्रेंडिंग, सफेद पदार्थ के संकेतों को पीछे हटाना, मस्तिष्कमेरु द्रव (सीएसएफ) संकेत, और 24 मापदंडों के साथ सिर की गति, 0.01-0.1 हर्ट्ज के बैंड को फ़िल्टर करना) और फिशर जेड के साथ स्थिर सहसंबंध बदल गया। संक्षिप्ताक्षर: Rs-fMRI = आराम-अवस्था कार्यात्मक चुंबकीय अनुनाद इमेजिंग; FWHM = आधी अधिकतम पर पूरी चौड़ाई; CSF = मस्तिष्कमेरु द्रव। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

2. नेटवर्क निर्माण और विश्लेषण

नोट: नेविगेशन नेटवर्क के निर्माण और विश्लेषण के लिए सामान्य वर्कफ़्लो को तीन मुख्य चरणों (चित्रा 2) में संक्षेपित किया गया है।

Figure 2
चित्रा 2: नेविगेशन नेटवर्क के निर्माण और विश्लेषण के लिए सामान्य वर्कफ़्लो। (ए) न्यूरोसिंथ डेटाबेस में खोजे जाने वाले शब्द के रूप में नेविगेशन चुनें। (बी) सक्रियण निर्देशांक की एक सूची उत्पन्न की जा सकती है। (सी) कई मस्तिष्क मानचित्र प्राप्त करने के लिए न्यूरोसिंथ से कार्यों का उपयोग करके मेटा-विश्लेषण चलाएं। (डी, ई) मेटा-विश्लेषणात्मक मानचित्र और एक पूरे-मस्तिष्क पार्सेलेशन एटलस (AICHA) को शामिल करके, नोड्स (ROI) उत्पन्न किए जा सकते हैं। (एफ) परिणामी नेविगेशन नोड्स और उनकी कार्यात्मक कनेक्टिविटी (कनेक्टिविटी अनुमान और नेटवर्क विश्लेषण) का उपयोग करके एक नेविगेशन नेटवर्क का निर्माण। संक्षिप्ताक्षर: ROI = रुचि का क्षेत्र; AICHA = होमोटोपिक क्षेत्रों की आंतरिक कनेक्टिविटी का एटलस। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

  1. नेटवर्क नोड परिभाषा
    1. पायथन में कमांड टाइप करके नवीनतम न्यूरोसिंथ डेटाबेस (neurosynth.org) 20 डाउनलोड करें:
         
      >एनएस के रूप में न्यूरोसिंथ आयात करें
      >ns.dataset.download (पथ = './', अनपैक = सत्य)
         
      नोट: डेटासेट संग्रह ('current_data.tar.gz') में दो फाइलें हैं: 'database.txt' और 'features.txt'। इनमें क्रमशः न्यूरोइमेजिंग लेख और मेटा-विश्लेषण टैग से सभी सक्रियण निर्देशांक होते हैं जो उस लेख में उच्च आवृत्ति पर होते हैं।
    2. database.txt से एक नया डेटासेट इंस्टेंस जनरेट करें और कमांड टाइप करके इन डेटा में सुविधाएं जोड़ें:
         
      neurosynth.base.dataset import Dataset से >
      > डेटासेट = डेटासेट ('डेटा/database.txt')
      > dataset.add_features('डेटा/features.txt')
         
    3. कमांड टाइप करके ब्याज की अवधि (यानी, 'नेविगेशन') के साथ मेटा-विश्लेषण चलाएं:
         
      > आईडी = dataset.get_ids_by_features ('नेविगेशन', थ्रेशोल्ड = 0.01)
      > मा = मेटा। मेटाएनालिसिस (डेटासेट, आईडी)
      > ma.save_results('.', 'नेविगेशन')
         
      नोट: मेटा-विश्लेषण के परिणामस्वरूप एनआईएफटीआई प्रारूप में कई मस्तिष्क मानचित्र होते हैं। झूठी सकारात्मक दर को नियंत्रित करने के लिए 0.01 की झूठी खोज दर (एफडीआर) सीमा लागू की गई थी। यह सुनिश्चित करने के लिए इस चरण में दायर ज्ञान की आवश्यकता है कि आमतौर पर रिपोर्ट किए गए क्षेत्रों को मेटा-विश्लेषणात्मक मानचित्र में शामिल किया गया है। इसी तरह के कदम भाषा और स्मृति के रूप में अन्य संज्ञानात्मक कार्यों के लिए मेटा विश्लेषण चलाने के लिए लागू किया जा सकता है.
    4. एफएसएल से कमांड टाइप करके मेटा-विश्लेषणात्मक मानचित्र और पूरे मस्तिष्क पार्सेलेशन एटलस को शामिल करके ब्याज के समूहों को परिभाषित करें:
         
      >fslmaths navigation_0.01.nii.gz -बिन 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 लेबल _n.nii.gz
      >क्लस्टर -I लेबल _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 -बिन -mul x node_x.nii.gz
      >fslmaths node_1.nii.gz -add ... -add node_x.nii.gz navi_AICHA/AAL_mask.nii.gz
         
      नोट: यहां दो एटलस का उपयोग किया गया था: एएएल और आइचा। एएएल एटलस है जिसका उपयोग नोड परिभाषा12 के लिए मूल अध्ययन में किया गया था। यह एटलस शारीरिक प्रोफाइल के आधार पर बनाया गया था। होमोटोपिक क्षेत्रों (AICHA)21 की आंतरिक कनेक्टिविटी के एटलस में बहुत महीन रिज़ॉल्यूशन और उच्च कार्यात्मक एकरूपता है। हमने प्रत्येक एटलस का उपयोग करके रुचि के क्षेत्रों को परिभाषित किया।
    5. मानचित्र में प्रत्येक क्षेत्र के आकार की जांच के लिए पायथन में स्क्रिप्ट टाइप करें:
         
      >np.arange(n)+1 में i के लिए:
      >____region_list.परिशिष्ट (i)
      >____size1_list.परिशिष्ट(np.sum(img_dat==i))
      >____size2_list.परिशिष्ट(np.sum(aicha_img_dat==i))
      >____pct_list.append(np.sum(img_dat==i)/np.sum(aicha_img_dat==i))
         
      नोट: स्क्रिप्ट में पूर्णांक n AICHA और AAL पार्सेलेशन (क्रमशः 384 और 128) के भीतर क्षेत्रों की कुल संख्या को इंगित करता है। नकली समूहों के प्रभाव से बचने के लिए, यह सुझाव दिया जाता है कि अपेक्षाकृत छोटे आकार (जैसे, 100 वोक्सल) वाले समूहों को हटाया जा सकता है। यहां उपयोग किया जाने वाला एआईसीएचए एटलस कार्यात्मक कनेक्टिविटी डेटा का उपयोग करके उत्पन्न होता है, जिसमें प्रत्येक क्षेत्र अपने भीतर कार्यात्मक अस्थायी गतिविधि की एकरूपता दिखाता है।
  2. नेटवर्क कनेक्टिविटी अनुमान
    नोट:: GRETNA उपकरण बॉक्स कनेक्टिविटी अनुमान और नेटवर्क विश्लेषण के लिए उपयोग किया जाता है।
    1. एफसी मैट्रिक्स निर्माण के बैच पर क्लिक करें। कार्यात्मक डेटासेट के पथ का चयन करके प्रीप्रोसेस्ड rs-fMRI डेटा लोड करें। स्थैतिक सहसंबंध विकल्प पर क्लिक करें। क्षेत्रों की प्रत्येक जोड़ी के rs-fMRI संकेतों के स्थिर सहसंबंध की गणना करने के लिए एटलस के रूप में पिछले चरण में प्राप्त नोड को अपलोड करें और सामान्यता में सुधार के लिए उन्हें फिशर के z स्कोर में स्थानांतरित करें।
      नोट: विस्तृत ऑपरेशन चित्र 1 में दिखाया गया है। प्रत्येक प्रतिभागी के लिए एन × एन (एन नोड्स की संख्या का प्रतिनिधित्व करता है) के नेविगेशन नेटवर्क मैट्रिक्स .txt प्रारूप में प्राप्त किए जाएंगे।
    2. निम्न चरणों के साथ एक सकारात्मक और भारित नेटवर्क प्राप्त करें, जैसा कि चित्र 3 में दिखाया गया है।
      1. नेटवर्क विश्लेषण के बैच पर क्लिक करें। मस्तिष्क कनेक्टिविटी मैट्रिक्स विंडो में नेटवर्क मैट्रिक्स जोड़ें और तैयारी के लिए एक आउटपुट निर्देशिका चुनें।
      2. नेटवर्क कॉन्फ़िगरेशन के पाइपलाइन विकल्प के लिए, मैट्रिक्स के साइन में सकारात्मक का चयन करें, जो फ़ंक्शन कनेक्शन मैट्रिक्स में नकारात्मक कनेक्शन को 0 पर सेट करेगा और अस्पष्ट कनेक्शन22 को समाप्त करेगा। अप्रत्यक्ष भारित नेटवर्क प्राप्त करने के लिए भारित के रूप में नेटवर्क प्रकार चुनें।
        नोट: भारित नेटवर्क के अलावा, कोई भी बाद के विश्लेषण (विभिन्न दृष्टिकोणों के साथ) के लिए बाइनरी नेटवर्क बनाने के लिए नेटवर्क को बिनाराइज कर सकता है, लेकिन भारित एक को अक्सर उच्च विश्वसनीयता23,24 दिखाने के लिए माना जाता है।
  3. नेटवर्क विश्लेषण
    1. छोटी दुनिया, वैश्विक दक्षता, क्लस्टरिंग गुणांक, सबसे कम पथ लंबाई, डिग्री केंद्रीयता, और स्थानीय दक्षता को GRETNA नेटवर्क मीट्रिक विश्लेषण पाइपलाइन में जोड़ें, जैसा कि चित्र 3 में दिखाया गया है।
      नोट: छोटी दुनिया और वैश्विक दक्षता दो वैश्विक नेटवर्क मेट्रिक्स हैं। विशेष रूप से, छोटे-दुनियादारी वाले नेटवर्क तुलनात्मक रूप से कम वायरिंग लागत पर सूचना हस्तांतरण की दक्षता को अधिकतम कर सकते हैं। वैश्विक दक्षता परिवहन नेटवर्क में संचरण दक्षता समानांतर जानकारी को दर्शाती है। नोडल नेटवर्क मेट्रिक्स के लिए, डिग्री केंद्रीयता एक नोड से जुड़े लिंक की संख्या को मापती है। सबसे छोटी पथ लंबाई, इसके नाम के रूप में, एकीकरण को मापने का एक आधार है। क्लस्टरिंग गुणांक उस डिग्री को इंगित करता है जिससे नोड्स के पड़ोसी एक दूसरे के साथ जुड़े हुए हैं। स्थानीय दक्षता नोड और उसके पड़ोसियों के साथ संचार की दक्षता है (विस्तृत सूत्र और उपयोग इन पत्रों में दिखाए गए हैं) 17,25। ब्रेन कनेक्टिविटी टूलबॉक्स (BCT)25 और अन्य टूलबॉक्स का उपयोग नेटवर्क मेट्रिक्स की गणना के लिए भी किया जा सकता है।
    2. नकली कनेक्शन के भ्रमित प्रभावों को बाहर करने के लिए थ्रेसहोल्डिंग विधि में नेटवर्क स्पैरिटी का चयन करें, और सांख्यिकीय परिणामों के अनुसार उचित थ्रेशोल्ड निर्धारित करने के लिए थ्रेशोल्ड अनुक्रमों का एक सेट दर्ज करें (यानी, 0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5 का उपयोग यहां किया गया है)।
      नोट: नोड्स की नमूना संख्या के साथ एक नेटवर्क में किनारों की अधिकतम संख्या के लिए किनारों के अनुपात को स्पैरिटी थ्रेशोल्ड के रूप में जाना जाता है। एक विरल सीमा गारंटी देती है कि अलग-अलग व्यक्तियों के किनारों की संख्या समान होती है। हमने सत्यापन के लिए विभिन्न थ्रेसहोल्ड का पता लगाने का विकल्प चुना, जो भविष्य के अध्ययनों में इष्टतम सीमा चुनने के लिए सहायक डेटा प्रदान कर सकता है।
    3. मार्कोव वायरिंग एल्गोरिथ्म26 का उपयोग करके यादृच्छिक नेटवर्क उत्पन्न करने के लिए यादृच्छिक नेटवर्क संख्या  को 1,000 के रूप में सेट करें। सभी चरण सेट होने के बाद GRETNA में पाइपलाइन चलाने के लिए चलाएँ क्लिक करें।
      नोट: वास्तविक मस्तिष्क नेटवर्क के समान, यादृच्छिक नेटवर्क समान संख्या में नोड्स, किनारों और डिग्री वितरण को बनाए रखते हैं। यह निर्धारित करने के लिए कि क्या वे काफी गैर-यादृच्छिक रूप से स्थलाकृतिक रूप से निर्मित हैं, उनकी तुलना मस्तिष्क नेटवर्क से की जाएगी। पाइपलाइन चलाने के बाद, प्रत्येक थ्रेसहोल्ड के लिए नेटवर्क मेट्रिक्स के लिए स्कोर का एक समूह आगे सांख्यिकीय विश्लेषण के लिए प्राप्त किया जाएगा।
    4. चार चरणों में नेटवर्क में मॉड्यूल की इष्टतम संख्या निर्धारित करें।
      1. औसत नेविगेशन नेटवर्क की गणना करें। मीट्रिक तुलना के स्नान पर क्लिक करें और कनेक्शन चुनें। ऊपर प्राप्त नेटवर्क मैट्रिक्स लोड करें और औसत (कार्यात्मक) ऑपरेशन चुनें। औसत नेटवर्क मैट्रिक्स को संरक्षित करने के लिए आउटपुट दिशा का चयन करें; अधिक जानकारी के लिए चित्र 4 देखें।
      2. उपरोक्त चरण से प्राप्त औसत नेटवर्क को MATLAB में फ़ंक्शन स्पेक्ट्रलक्लस्टर का उपयोग करके 2, 3, 4 और 5 मॉड्यूल में विभाजित करें।
      3. स्क्रिप्ट procrustes_alignment मीटर का उपयोग करके मॉड्यूल डिवीजनों को संरेखित करने के बाद आरईएसटी 1 और आरईएसटी 2 में एक ही मॉड्यूल में विभाजित नोड्स के अनुपात की गणना करें। मॉड्यूल विभाजन की पुनरावृत्ति के सूचकांक के रूप में अनुपात का उपयोग करें।
      4. उच्चतम दोहराव वाले मॉड्यूल की संख्या का चयन करें।
  4. सांख्यिकीय विश्लेषण
    नोट: निम्नलिखित विश्लेषण मुख्य रूप से सत्यापन के लिए हैं और व्यक्तिगत भिन्नता अध्ययन के लिए इस प्रोटोकॉल को लागू करते समय आवश्यक नहीं होगा।
    1. नोड परिभाषा के लिए विभिन्न प्रकार की रणनीतियों के साथ दो नेटवर्क के बीच इन नेटवर्क मैट्रिक्स की समानता की जांच करें (यानी, वर्तमान अध्ययन में उत्पन्न नया, जिसे NaviNet_AICHA कहा जाता है और पहले कोंग एट अल से, जिसे NaviNet_AAL कहा जाता है)12। MATLAB में फ़ंक्शन corrcoef का उपयोग करके पियर्सन सहसंबंध की गणना करें और प्रत्येक स्पैरिटी थ्रेशोल्ड के लिए विश्लेषण दोहराएं।
      नोट: नेटवर्क मेट्रिक्स निकालने के बाद, कोई भी सांख्यिकीय विश्लेषण कर सकता है जिसमें वे रुचि रखते हैं।
    2. MATLAB27,28 में फ़ंक्शन ICC का उपयोग करके इन नेटवर्क मेट्रिक्स की परीक्षण-पुनर्परीक्षण विश्वसनीयता की जाँच करें, जो इंट्राक्लास सहसंबंध गुणांक की गणना को लागू करता है।
      नोट: मूल uncorrected p मान प्रतिनिधि परिणाम अनुभाग में रिपोर्ट किए गए थे। 0.2 < आईसीसी < 0.4 एक निष्पक्ष परीक्षण-पुन: परीक्षण विश्वसनीयता के संकेत के रूप में व्याख्या की जाती है और आईसीसी > 0.4 को मध्यम से अच्छे परीक्षण-पुन: परीक्षण विश्वसनीयता29,30 के रूप में व्याख्या की जाती है। नकारात्मक आईसीसी स्कोर शून्य पर सेट किया गया था, इस तथ्य को देखते हुए कि नकारात्मक आईसीसी की उपस्थिति अर्थहीन है और31 की व्याख्या करना मुश्किल है।

Figure 3
चित्रा 3: नेटवर्क मैट्रिक्स विश्लेषण। यह विश्लेषण 10 थ्रेसहोल्ड के साथ भारित सकारात्मक नेटवर्क को परिभाषित करता है। छोटे शब्द और दक्षता के दो वैश्विक नेटवर्क मैट्रिक्स की गणना करें, क्लस्टरिंग गुणांक के चार नोडल नेटवर्क मेट्रिक्स, सबसे कम पथ लंबाई, दक्षता और डिग्री केंद्रीयता। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 4
चित्रा 4: औसत नेविगेशन नेटवर्क की गणना। औसत (कार्यात्मक) ऑपरेशन सभी प्रतिभागियों के औसत नेटवर्क की गणना करने में मदद करता है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

नेविगेशन नेटवर्क
वर्तमान अध्ययन ने 27 मस्तिष्क क्षेत्रों की पहचान की, जो स्थानिक नेविगेशन से जुड़े हैं, नवीनतम मेटा-विश्लेषण न्यूरोइमेजिंग डेटाबेस और एआईसीएचए एटलस को शामिल करके। इन क्षेत्रों में औसत दर्जे का लौकिक और पार्श्विका क्षेत्र शामिल थे जिन्हें आमतौर पर नेविगेशन न्यूरोइमेजिंग अध्ययनों में रिपोर्ट किया गया है। इन क्षेत्रों के स्थानिक वितरण चित्रा 5 ए और चित्रा 5 सी में दिखाया गया है. एक तुलना के रूप में, हम भी चित्रा 5 बी और चित्रा 5 डी में स्थानिक नेविगेशन क्षेत्रों की एक पूर्व परिभाषा कल्पना. एएएल एटलस से बीस क्षेत्रों को तुलना के रूप में शामिल किया गया था। क्षेत्रों के इन दो सेटों ने एक बड़ा ओवरलैप दिखाया।

Figure 5
चित्रा 5: मॉड्यूलर औसत नेविगेशन नेटवर्क। (ए) आरईएसटी 1 में NaviNet_AICHA की प्रतिरूपकता। (बी) आरईएसटी 1 में NaviNet_AAL की प्रतिरूपकता। (सी, डी) क्रमशः पूरे मस्तिष्क संकेतों को वापस लाने वाले आरईएसटी 1 में NaviNet_AICHA और NaviNet_AAL की प्रतिरूपकता का प्रतिनिधित्व करते हैं। विभिन्न नोड रंग प्रत्येक नेटवर्क में पहचाने गए विभिन्न मॉड्यूल को इंगित करते हैं। NaviNet_AICHA और NaviNet_AAL में दो मॉड्यूल दिखाए जाते हैं, जिसमें एक औसत दर्जे का अस्थायी मॉड्यूल और एक पार्श्विका मॉड्यूल शामिल है। संक्षिप्ताक्षर: AICHA = होमोटोपिक क्षेत्रों की आंतरिक कनेक्टिविटी का एटलस; AAL = शारीरिक स्वचालित लेबलिंग। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

दिलचस्प बात यह है कि इन दोनों नेटवर्कों ने समान सामुदायिक वितरण दिखाया (चित्र 5)। विशेष रूप से, प्रतिरूपकता और repeatability विश्लेषण दोनों NaviNet_AICHA और NaviNet_AAL में दो मॉड्यूल से पता चला (औसत दर्जे का लौकिक क्षेत्रों और पार्श्विका क्षेत्रों सहित एक पृष्ठीय मॉड्यूल सहित एक उदर मॉड्यूल) (तालिका 1). उदर और पृष्ठीय मॉड्यूल NaviNet_AICHA और NaviNet_AAL के बीच समान थे, हालांकि नोड्स की संख्या पूर्व में बड़ी थी, AICHAI एटलस के महीन मस्तिष्क पार्सेलेशन को देखते हुए। ये परिणाम प्रीप्रोसेसिंग प्रक्रिया (चित्रा 5) में वैश्विक संकेतों से निपटने के लिए उपयोग की जाने वाली रणनीतियों से स्वतंत्र थे। इसके अलावा, इसी तरह के सामुदायिक वितरण REST2 डेटासेट (पूरक चित्रा S1) में देखे गए थे।

दो नेविगेशन नेटवर्क के टोपोलॉजिकल गुणों की समानता
इसके बाद, हमने दो नेटवर्क के बीच प्रत्येक नेटवर्क माप की समानता की जांच की। समानता विश्लेषण का उद्देश्य दो गुना था: (1) विभिन्न परिभाषा रणनीतियों का उपयोग करते समय परिणामों की सामान्यता का मूल्यांकन करने के लिए और (2) नेटवर्क विश्लेषण के लिए एक इष्टतम नेटवर्क सीमा निर्धारित करने के लिए।

सामान्य तौर पर, क्लस्टरिंग गुणांक को छोड़कर छह में से पांच ने नेटवर्क विश्लेषण (चित्रा 6) में उपयोग किए जाने वाले अधिकांश नेटवर्क स्पैसिटी थ्रेसहोल्ड के साथ दो नेटवर्क के बीच महत्वपूर्ण सहसंबंध दिखाए। समानता मान सभी मैट्रिक्स के लिए स्पैरिटी थ्रेशोल्ड के साथ तेजी से बढ़े, माध्य नोड डिग्री को छोड़कर, जिसने किसी भी सीमा के साथ एक उत्कृष्ट समानता मूल्य दिखाया। लघु-विश्व मीट्रिक ने 0.30 और 0.40 के बीच की सीमा पर उच्चतम समानता दिखाई, जहां अन्य मीट्रिक ने भी उच्चतम समानता दिखाई। इन परिणामों से पता चलता है कि नेटवर्क-स्तरीय विश्लेषण नोड परिभाषा विकल्पों से स्वतंत्र स्थिर व्यक्तिगत मतभेदों को प्रतिबिंबित कर सकते हैं, और यह कि 0.30-0.40 की विरल सीमा के परिणामस्वरूप नेविगेशन नेटवर्क विश्लेषण में बेहतर सामान्यता होगी। REST2 के साथ अधिक समानता के लिए पूरक चित्र S2 देखें।

Figure 6
चित्रा 6: दो नेटवर्क के टोपोलॉजिकल गुणों की समानता। पूरे मस्तिष्क संकेतों को पीछे हटाने के साथ आरईएसटी 1 (ए) के बिना और (बी) के परिणाम दिखाए जाते हैं। ल-अक्ष पर पियर्सन सहसंबंध गुणांक दो नेटवर्कों के स्थलाकृतिक गुणों की समानता को इंगित करता है। स्पैरिटी थ्रेशोल्ड 0.05 से 0.5 तक होता है। आंकड़ों में तारांकन महत्व के स्तर को इंगित करते हैं, जहां *p < 0.05, **p < 0.01, ***p < 0.001। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

परीक्षण-पुनर्परीक्षण विश्वसनीयता
हमने नेविगेशन नेटवर्क के टोपोलॉजिकल उपायों की परीक्षण-पुनर्परीक्षण विश्वसनीयता का भी मूल्यांकन किया। नेटवर्क में संभावित नकली कनेक्टिविटी को हटाने के लिए इन नेटवर्क उपायों की गणना करते समय 0.05 और 0.50 के बीच विभिन्न स्पैसिटी थ्रेसहोल्ड का उपयोग किया गया था (विवरण के लिए पूरक तालिका S1 देखें)। यहां, हमने मुख्य रूप से 0.40 की सीमा के साथ परिणामों की सूचना दी, ऊपर दिए गए समानता परिणामों को देखते हुए। अधिकांश नेटवर्क मेट्रिक्स ने नेटवर्क NaviNet_AICHA और NaviNet_AAL दोनों में अच्छी विश्वसनीयता (आईसीसी > 0.2) के लिए उचित दिखाया, जबकि NaviNet_AAL ने NaviNet_AICHA की तुलना में अपेक्षाकृत अधिक विश्वसनीयता दिखाई। इसके अलावा, हमने पाया कि एफएमआरआई डेटा प्रीप्रोसेसिंग में वैश्विक सिग्नल प्रतिगमन सहित उच्च विश्वसनीयता (चित्रा 7) हो सकती है। NaviNet_AAL नेटवर्क में क्लस्टरिंग गुणांक, सबसे छोटी पथ लंबाई और छोटी-दुनिया ने उच्चतम परीक्षण-पुनर्परीक्षण विश्वसनीयता दिखाई, जबकि NaviNet_AICHA में क्लस्टरिंग गुणांक और छोटी-दुनिया ने भी अन्य उपायों की तुलना में उच्च परीक्षण-पुनर्परीक्षण विश्वसनीयता दिखाई। ये परिणाम बताते हैं कि क्लस्टरिंग गुणांक और छोटी-दुनिया इन मेट्रिक्स में सबसे विश्वसनीय हैं।

Figure 7
चित्रा 7: नेविगेशन नेटवर्क के टोपोलॉजिकल गुणों की परीक्षण-पुन: परीक्षण विश्वसनीयता। (ए) पूरे मस्तिष्क संकेतों को वापस किए बिना डेटा के लिए परीक्षण-पुन: परीक्षण विश्वसनीयता। (बी) पूरे मस्तिष्क संकेतों को वापस लाने वाले डेटा के लिए परीक्षण-पुन: परीक्षण विश्वसनीयता। संक्षिप्ताक्षर: ICC = इंट्रा-क्लास सहसंबंध गुणांक; सीसी = क्लस्टरिंग गुणांक; Lp = सबसे छोटी पथ लंबाई; स्व = लघु-दुनिया; एनडी = औसत नोडल डिग्री; उदाहरण के लिए = वैश्विक दक्षता; Eloc = स्थानीय दक्षता; AICHA = होमोटोपिक क्षेत्रों की आंतरिक कनेक्टिविटी का एटलस; AAL = शारीरिक स्वचालित लेबलिंग; cNGS = पूरे मस्तिष्क संकेतों को वापस लाए बिना डेटा; cWGS = पूरे मस्तिष्क के संकेतों को पीछे हटाना। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

मॉड्यूल संख्या
2 3 4 5
NaviNet_AICHA सीएनजी 1 1 0.96 0.67
सीडब्ल्यूजीएस 1 0.96 0.78 0.89
NaviNet_AAL सीएनजी 1 0.95 0.95 0.65
सीडब्ल्यूजीएस 1 0.95 0.95 0.95

तालिका 1: REST 1 और REST 2 के बीच मॉड्यूल विभाजन की पुनरावृत्ति। पहली पंक्ति मॉड्यूल की संख्या को इंगित करती है। cNGS वैश्विक संकेतों को पीछे किए बिना rs-fMRI का प्रतिनिधित्व करता है और cWGS वैश्विक संकेतों को वापस लाए गए rs-fMRI का प्रतिनिधित्व करता है। एक बड़ी संख्या एक उच्च पुनरावृत्ति को इंगित करती है, और वर्तमान पाठ में NaviNet_AICHA और NaviNet_AAL के लिए दो मॉड्यूल चुने जाते हैं। संक्षिप्ताक्षर: AICHA = होमोटोपिक क्षेत्रों की आंतरिक कनेक्टिविटी का एटलस; AAL = शारीरिक स्वचालित लेबलिंग।

अनुपूरक चित्र S1: REST 2 में मॉड्यूलर औसत नेविगेशन नेटवर्क। (ए, बी) पूरे मस्तिष्क संकेतों को वापस किए बिना आरईएसटी 2 डेटासेट में NaviNet_AICHA और NaviNet_AAL की प्रतिरूपकता। (सी, डी) पूरे मस्तिष्क के साथ आरईएसटी 2 डेटासेट में NaviNet_AICHA और NaviNet_AAL की प्रतिरूपकता प्रतिगमन का संकेत देती है। विभिन्न नोड रंग प्रत्येक नेटवर्क में पहचाने गए विभिन्न मॉड्यूल को इंगित करते हैं। दोनों मॉड्यूल NaviNet_AICHA और NaviNet_AAL में दिखाए गए हैं। कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.

अनुपूरक चित्रा एस 2: आरईएसटी 2 में दो नेटवर्क के टोपोलॉजिकल गुणों की समानता। पूरे मस्तिष्क के संकेतों को वापस लेने के बिना/आरईएसटी 2 के परिणाम दिखाए जाते हैं (क्रमशः ए और बी)। ल-अक्ष पर पियर्सन सहसंबंध गुणांक दो नेटवर्कों के स्थलाकृतिक गुणों की समानता को इंगित करता है। स्पैरिटी थ्रेशोल्ड 0.05 से 0.5 तक होता है। आंकड़ों में तारांकन महत्व के स्तर को इंगित करते हैं, जहां *p < 0.05, **p < 0.01, ***p < 0.001। कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.

पूरक तालिका एस 1: विभिन्न स्पैरिटी थ्रेसहोल्ड के साथ नेविगेशन नेटवर्क के टोपोलॉजिकल गुणों की परीक्षण-पुनर्परीक्षण विश्वसनीयता। मान विभिन्न विरल थ्रेसहोल्ड के साथ NaviNet_AICHA और NaviNet_AAL के अंतर-वर्ग सहसंबंध गुणांक को इंगित करते हैं। संक्षिप्ताक्षर: सीसी = क्लस्टरिंग गुणांक; Lp = सबसे छोटी पथ लंबाई; स्व = छोटा साहस; एनडी = औसत नोडल डिग्री; उदाहरण के लिए = वैश्विक दक्षता; Eloc = स्थानीय दक्षता; cNGS = पूरे मस्तिष्क संकेतों को वापस लाए बिना डेटा; cWGS = पूरे मस्तिष्क के संकेतों को पीछे हटाना। कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

नेटवर्क तंत्रिका विज्ञान से यह समझने में मदद मिलने की उम्मीद है कि मस्तिष्क नेटवर्क मानव संज्ञानात्मक कार्यों का समर्थन कैसे करता है। यह प्रोटोकॉल मानव मस्तिष्क में स्थानिक नेविगेशन के लिए कार्यात्मक नेटवर्क का अध्ययन करने के लिए एक एकीकृत दृष्टिकोण प्रदर्शित करता है, जो अन्य संज्ञानात्मक निर्माणों (जैसे, भाषा) के लिए नेटवर्क मॉडलिंग को भी प्रेरित कर सकता है।

इस दृष्टिकोण में तीन मुख्य चरण शामिल थे: नोड परिभाषा, नेटवर्क निर्माण और नेटवर्क विश्लेषण। जबकि नेटवर्क निर्माण और नेटवर्क विश्लेषण पूरे मस्तिष्क के सामान्य नेटवर्क अध्ययन के समान हैं, नोड परिभाषा इस प्रोटोकॉल का सबसे महत्वपूर्ण कदम है। यह कदम नेविगेशन व्यवहार के लिए सबसे महत्वपूर्ण मस्तिष्क क्षेत्रों को स्थानीय बनाने के लिए स्थानिक नेविगेशन से संबंधित कार्यात्मक सक्रियण के बड़े पैमाने पर मेटा-विश्लेषण का उपयोग करता है। इस प्रकार, हम कार्यात्मक रूप से सार्थक नेटवर्क को मॉडल कर सकते हैं, जो नेटवर्क परिप्रेक्ष्य से जटिल प्रसंस्करण के तंत्रिका आधार को समझने में मदद करता है। ध्यान दें कि प्रीफ्रंटल क्षेत्रों नोड परिभाषा परिणामों में गायब थे, जबकि नेविगेशन अध्ययन की बढ़ती संख्या ने इन क्षेत्रों33 की महत्वपूर्ण भूमिकाओं का सुझाव दिया है। यह डेटाबेस के भीतर नेविगेशन से संबंधित अध्ययनों में इन क्षेत्रों की सक्रियता की कमी के कारण हो सकता है, जिसके परिणामस्वरूप मेटा-विश्लेषण के लिए सीमित डेटा प्राप्त हुआ। जब इन नेविगेशन से संबंधित प्रीफ्रंटल क्षेत्रों को स्थानीय बनाने के लिए अधिक डेटा उपलब्ध होते हैं, तो भविष्य के अध्ययनों में नेविगेशन नेटवर्क में उनकी भूमिकाओं की जांच करना एक दिलचस्प सवाल होगा। शोधकर्ता इस प्रोटोकॉल को अन्य संज्ञानात्मक कार्यों का अध्ययन करने के लिए भी लागू कर सकते हैं जब व्यक्तिगत मस्तिष्क क्षेत्रों का स्थानीयकरण संभव है। विशिष्ट कार्य के साथ घनिष्ठ संबंध सुनिश्चित करने के लिए रुचि के क्षेत्रों की पहचान करने के लिए क्षेत्र ज्ञान की आवश्यकता होती है।

इस प्रोटोकॉल में, हमने स्थानिक नेविगेशन नेटवर्क पर ध्यान केंद्रित किया और स्थानिक नेविगेशन अध्ययनों में रिपोर्ट किए गए विभिन्न मस्तिष्क क्षेत्रों का एक उच्च कवर दिखाया। स्थानिक नेविगेशन का समर्थन करने वाले मस्तिष्क क्षेत्रों की सार्वभौमिक रूप से सहमत परिभाषा की अनुपस्थिति को देखते हुए, प्रदर्शन ने क्षेत्रों के दो सेटों का उपयोग किया, एक सबसे बड़ा मेटा-विश्लेषण और एआईसीएचए एटलस को शामिल करके उत्पन्न हुआ, और दूसरा एएएल एटलस के साथ। दो परिभाषाओं के आधार पर नेटवर्क टोपोलॉजिकल गुणों ने आम तौर पर उच्च समानता दिखाई, जो कुछ हद तक कार्यात्मक-विशिष्ट नेटवर्क मॉडलिंग की प्रभावशीलता का समर्थन करता है।

हमने नोट किया कि नेटवर्क विश्लेषण में उपयोग की जाने वाली स्पैरिटी थ्रेसहोल्ड के साथ समानता की ताकत बढ़ गई, और परिणामों ने सुझाव दिया कि 0.30-0.40 की स्पैर्सिटी थ्रेशोल्ड एक उचित विकल्प होगा क्योंकि सभी नेटवर्क मेट्रिक्स ने इन थ्रेसहोल्ड के साथ उच्चतम समानता दिखाई। इस तरह की थ्रेसहोल्ड के साथ, नेटवर्क मेट्रिक्स ने भी उचित से अच्छा परीक्षण-पुनर्परीक्षण विश्वसनीयता दिखाया, विशेष रूप से सबसे कम पथ लंबाई और छोटे-दुनियापन के लिए, उस मामले में जहां वैश्विक सिग्नल प्रतिगमन को डेटा प्रीप्रोसेसिंग में शामिल किया गया था। ये परिणाम बड़े पैमाने पर व्यक्तिगत मतभेदों और संबंधित मस्तिष्क विकारों के अध्ययन में इन मैट्रिक्स के उपयोग का समर्थन करते हैं।

उचित व्यवहार डेटा की कमी के कारण, हम इस प्रोटोकॉल में स्थानिक नेविगेशन के साथ नेटवर्क मैट्रिक्स के व्यवहार संबंधी सहसंबंध प्रस्तुत नहीं कर सके। नेविगेशन से संबंधित क्षेत्रों12,34 के कार्यात्मक कनेक्टिविटी मैट्रिक्स के मस्तिष्क व्यवहार संघों पर कुछ पिछले अध्ययनों के आधार पर, हम उम्मीद है कि इस प्रोटोकॉल के साथ नेटवर्क मॉडलिंग स्थानिक नेविगेशन के साथ एक विशिष्ट सहयोग दिखाएगा. इन संघों की आगे की जांच के लिए न्यूरोइमेजिंग और व्यवहार डेटा दोनों के साथ बड़े पैमाने पर नमूनों की आवश्यकता होती है। इसके अलावा, जबकि परीक्षण-पुनर्परीक्षण विश्वसनीयता परिणाम बहुत अधिक नहीं थे, ताकत पिछले एफएमआरआई अध्ययनों35 द्वारा रिपोर्ट किए गए लोगों के साथ तुलनीय थी।

भविष्य के अध्ययन इस प्रोटोकॉल को नेटवर्क परिप्रेक्ष्य से स्थानिक नेविगेशन के तंत्रिका आधार को बेहतर ढंग से समझने और मनुष्यों में इसकी विविधताओं का पता लगाने के लिए लागू कर सकते हैं। उदाहरण के लिए, शोधकर्ता नेविगेशन नेटवर्क के विकास और उम्र बढ़ने के प्रक्षेपवक्र की जांच करने के लिए इस प्रोटोकॉल का उपयोग कर सकते हैं, और नैदानिक अभ्यास में, नेटवर्क गुण अल्जाइमर रोग जैसे मस्तिष्क विकारों की प्रारंभिक पहचान और निदान के मार्गदर्शन के लिए महत्वपूर्ण बायोमार्कर प्रदान करते हैं। इसके अलावा, भविष्य के अध्ययन भी अन्य संज्ञानात्मक निर्माणों के लिए नेटवर्क मॉडल के निर्माण के लिए एक समान प्रोटोकॉल लागू कर सकते हैं।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखक घोषणा करते हैं कि हितों का कोई टकराव नहीं है।

Acknowledgments

जियांग-जेन काँग को चीन के राष्ट्रीय प्राकृतिक विज्ञान फाउंडेशन (32171031), एसटीआई 2030 - मेजर प्रोजेक्ट (2021ZD0200409), केंद्रीय विश्वविद्यालयों के लिए मौलिक अनुसंधान निधि (2021XZZX006), और झेजियांग विश्वविद्यालय के सूचना प्रौद्योगिकी केंद्र द्वारा समर्थित किया गया था।

Materials

Name Company Catalog Number Comments
Brain connectivity toolbox (BCT) Mikail Rubinov & Olaf Sporns  2019 The Brain Connectivity Toolbox (brain-connectivity-toolbox.net) is a MATLAB toolbox for complex-network (graph) analysis of structural and functional brain-connectivity data sets. 
GRETNA Jinhui Wang et al. 2 GRETNA is a graph theoretical network analysis toolbox which allows researchers to perform comprehensive analysis on the topology of brain connectome by integrating the most of network measures studied in current neuroscience field.
MATLAB MathWorks 2021a MATLAB is a programming and numeric computing platform used by millions of engineers and scientists to analyze data, develop algorithms, and create models.
Python Guido van Rossum et al. 3.8.6 Python is a programming language that lets you work more quickly and integrate your systems more effectively.
Statistical Parametric Mapping (SPM) Karl Friston et.al  12 Statistical Parametric Mapping refers to the construction and assessment of spatially extended statistical processes used to test hypotheses about functional imaging data.

DOWNLOAD MATERIALS LIST

References

  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).

Tags

कार्यात्मक नेटवर्क स्थानिक नेविगेशन मानव मस्तिष्क बहुसंवेदी सूचना नेविगेशन कार्य मस्तिष्क क्षेत्र हिप्पोकैम्पस एंटोरहिनल कॉर्टेक्स पैराहिप्पोकैम्पस प्लेस एरिया गैर-कुल नेटवर्क प्रक्रिया मस्तिष्क क्षेत्रों की बातचीत एकीकृत दृष्टिकोण नोड्स परिभाषा कार्यात्मक कनेक्टिविटी कनेक्टिविटी मैट्रिक्स टोपोलॉजिकल गुण प्रतिरूपकता लघु दुनिया नेटवर्क विश्लेषण लचीला नेविगेशन गतिशील वातावरण बायोमार्कर अल्जाइमर रोग
मानव मस्तिष्क में स्थानिक नेविगेशन के लिए कार्यात्मक नेटवर्क मॉडलिंग
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Zhang, F., Zhang, C., Pu, Y., Kong,… More

Zhang, F., Zhang, C., Pu, Y., Kong, X. Z. Modeling the Functional Network for Spatial Navigation in the Human Brain. J. Vis. Exp. (200), e65150, doi:10.3791/65150 (2023).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter