Summary
Dit artikel presenteert een integratieve benadering voor het onderzoeken van het functionele netwerk voor ruimtelijke navigatie in het menselijk brein. Deze aanpak omvat een grootschalige neuroimaging-meta-analytische database, functionele magnetische resonantiebeeldvorming in rusttoestand en netwerkmodellering en grafisch-theoretische technieken.
Abstract
Ruimtelijke navigatie is een complexe functie waarbij multisensorische informatie wordt geïntegreerd en gemanipuleerd. Met behulp van verschillende navigatietaken zijn veel veelbelovende resultaten bereikt op de specifieke functies van verschillende hersengebieden (bijv. hippocampus, entorhinale cortex en parahippocampus). Onlangs is gesuggereerd dat een niet-geaggregeerd netwerkproces waarbij meerdere op elkaar inwerkende hersengebieden betrokken zijn, de neurale basis van deze complexe functie beter kan karakteriseren. Dit artikel presenteert een integratieve benadering voor het construeren en analyseren van het functioneel specifieke netwerk voor ruimtelijke navigatie in het menselijk brein. In het kort bestaat deze integratieve benadering uit drie belangrijke stappen: 1) het identificeren van hersengebieden die belangrijk zijn voor ruimtelijke navigatie (knooppuntendefinitie); 2) het schatten van de functionele connectiviteit tussen elk paar van deze regio's en het construeren van de connectiviteitsmatrix (netwerkconstructie); 3) het onderzoeken van de topologische eigenschappen (bijv. modulariteit en kleinwereldigheid) van het resulterende netwerk (netwerkanalyse). De gepresenteerde benadering, vanuit een netwerkperspectief, zou ons kunnen helpen beter te begrijpen hoe onze hersenen flexibele navigatie ondersteunen in complexe en dynamische omgevingen, en de onthulde topologische eigenschappen van het netwerk kunnen ook belangrijke biomarkers bieden voor het begeleiden van vroege identificatie en diagnose van de ziekte van Alzheimer in de klinische praktijk.
Introduction
Functionele specificiteit is een fundamenteel organisatieprincipe van het menselijk brein, dat een cruciale rol speelt bij het vormgeven van cognitieve functies. Afwijkingen in de organisatie van functionele specificiteit kunnen een weerspiegeling zijn van kenmerkende cognitieve stoornissen en de bijbehorende pathologische grondslagen van ernstige hersenaandoeningen zoals autisme en de ziekte van Alzheimer 2,3. Terwijl conventionele theorieën en onderzoek de neiging hebben zich te concentreren op afzonderlijke hersengebieden, zoals het fusiforme gezichtsgebied (FFA) voor gezichtsherkenning4 en het parahippocampusplaatsgebied (PPA)5 voor scèneverwerking, suggereert een toenemend aantal bewijzen dat complexe cognitieve functies, waaronder ruimtelijke navigatie en taal, coördinatieactiviteit vereisen in meerderehersengebieden6. Het onderzoeken van de mechanismen die ten grondslag liggen aan de interacties ter ondersteuning van complexe cognitieve functies is een kritische wetenschappelijke vraag die zal helpen om licht te werpen op de functionele architectuur en werking van de hersenen. Hier, met ruimtelijke navigatie als voorbeeld, presenteren we een integratieve methode voor het modelleren van het functionele netwerk voor ruimtelijke navigatie in het menselijk brein.
Ruimtelijke navigatie is een complexe cognitieve functie, waarbij meerdere cognitieve componenten worden geïntegreerd en gemanipuleerd, zoals visueel-ruimtelijke codering, geheugen en besluitvorming7. Met functionele magnetische resonantiebeeldvorming (fMRI) hebben talrijke onderzoeken aanzienlijke vooruitgang geboekt in het begrijpen van de onderliggende cognitieve verwerking en neurale mechanismen. Er zijn bijvoorbeeld specifieke functies gekoppeld aan verschillende hersengebieden met behulp van verschillende navigatietaken: scèneverwerking wordt specifiek geassocieerd met PPA en transformatie van navigatiestrategieën wordt geassocieerd met de retrospleniale cortex (RSC)8,9. Deze studies leverden belangrijke inzichten op in de neurale basis van ruimtelijke navigatie. Navigatie is echter een intern dynamische en multimodale functie, en de functies van afzonderlijke regio's zijn niet voldoende om grote individuele verschillen in ruimtelijke navigatie10 te verklaren die vaak worden waargenomen.
Met de opkomst van op fMRI gebaseerde connectomics begonnen onderzoekers te onderzoeken hoe sommige belangrijke hersengebieden met elkaar interageren om ruimtelijke navigatie te ondersteunen. Er is bijvoorbeeld gevonden dat functionele connectiviteit tussen de entorhinale en posterieure cingulate cortex ten grondslag ligt aan navigatiediscrepanties bij de ziekte van Alzheimer die risico loopt11. In een andere studie stelden we voor het eerst een netwerkbenadering voor door connectoommethoden en bijna alle functioneel relevante regio's (knooppunten) voor ruimtelijke navigatie te integreren, en de resultaten toonden aan dat topologische eigenschappen van dit netwerk specifieke associaties vertoonden met navigatiegedrag12. Deze studie biedt nieuwe inzichten in theorieën over hoe meerdere hersengebieden met elkaar interageren om flexibel navigatiegedrag te ondersteunen 10,13.
Het huidige werk demonstreert een bijgewerkte versie van de integratieve benadering voor het modelleren van het functionele netwerk. In het kort waren er twee updates opgenomen: 1) Terwijl de knooppunten die in de oorspronkelijke studie waren gedefinieerd, werden geïdentificeerd op basis van een eerdere en kleinere database (55 studies met 2.765 activeringen, geraadpleegd in 2014), was de huidige definitie gebaseerd op de nieuwste database (77 studies met 3.908 activeringen, geraadpleegd in 2022); 2) om de functionele homogeniteit van elk knooppunt te vergroten, hebben we, naast de originele anatomische AAL (Anatomical Automatic Labeling) atlas14, een nieuwe hersenparcellatie toegepast, die een veel fijnere resolutie en een hogere functionele homogeniteit heeft (zie hieronder). We verwachtten dat beide updates de modellering van het functionele netwerk zouden verbeteren. Dit bijgewerkte protocol biedt een gedetailleerde procedure voor het onderzoeken van de neurale basis van ruimtelijke navigatie vanuit een netwerkperspectief en helpt bij het begrijpen van individuele variaties in navigatiegedrag in gezondheid en ziekte. Een soortgelijke procedure kan ook worden gebruikt voor netwerkmodellering voor andere cognitieve constructen (bijv. taal en geheugen).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOTITIE: Alle software die hier wordt gebruikt, wordt weergegeven in de materiaaltabel. De gegevens die in deze studie voor demonstratiedoeleinden werden gebruikt, waren afkomstig van het Human Connectome Project (HCP: http://www. humanconnectome.org)15. Alle experimentele procedures werden goedgekeurd door de Institutional Review Board (IRB) van de Washington University. Beeldvormingsgegevens in de HCP-dataset werden verkregen met behulp van een gemodificeerde 3T Siemens Skyra-scanner met een 32-kanaals kopspoel. Andere parameters voor beeldacquisitie worden gedetailleerd beschreven in een eerder artikel16. Er werden minimale voorbewerkte gegevens gedownload voor de demonstratie, die de volgende voorbewerkingsstappen had voltooid: gradiëntvervormingscorrectie, bewegingscorrectie, voorbewerking van veldkaarten, correctie van ruimtelijke vervorming, ruimtelijke normalisatie naar de ruimte van het Montreal Neurological Institute (MNI), intensiteitsnormalisatie en verwijdering van biasveld. Rusttoestand fMRI-gegevens van de projecten van onderzoekers kunnen ook worden gebruikt.
1. Voorbewerking van de gegevens
- Controleer de gegevenskwaliteit en sluit deelnemers uit met ontbrekende hertestgegevens en overmatige hoofdbewegingen (3 mm in translatie en 3° in rotatie).
OPMERKING: Vijf deelnemers werden verwijderd en 38 jongvolwassenen (22-35 jaar oud) werden opgenomen in de hoofdanalyses. - Open de graph theoretical network analysis (GRETNA) toolbox17 in MATLAB om verdere voorbewerkingsstappen uit te voeren. Klik op de batch van FC Matrix Construction. Selecteer het pad van de functionele gegevensset om de NIFTI-documenten te laden en voer de volgende stappen uit, zoals weergegeven in de pijplijnoptie in afbeelding 1:
- Verwijder de eerste 10 afbeeldingen door te dubbelklikken op Tijdstip Te verwijderen nummer in Eerste afbeeldingen verwijderen en 10 in te voeren.
- Ruimtelijk glad (volledige breedte op de helft van het maximum [FWHM] = [4 4 4] door te dubbelklikken op FWHM (mm) in Ruimtelijk glad en [4 4 4]).
- Regressie uit covariabelen. Kies Witte stofsignalen, CSF-signalen en Hoofdbeweging als WAAR. Selecteer het juiste masker op basis van de werkelijke voxelgrootte, bijvoorbeeld masker met 2 mm hier, en kies Friston-24-parameters voor Head Motion.
- Tijdelijk filteren. Voer de waarde van TR in op basis van de herhalingstijd van de MRI-scan (bijv. 720 ms hier) en verwijder hoogfrequente en laagfrequente ruis door te dubbelklikken op Band (Hz) en [0.01 0.1] in te voeren.
OPMERKING: Resultaten met en zonder regressie van signalen van het hele brein worden hieronder weergegeven. Bij het gebruik van niet-voorbewerkte gegevens worden ook gevestigde pijplijnen aanbevolen, zoals fMRI-prep18 en Data Processing Assistant for Resting-State fMRI (DPARSF)19 .
Figuur 1: Schatting van het voorproces van Rs-fMRI en functionele netwerkconnectiviteit. De instellingen van het voorproces (het verwijderen van de eerste 10 beelden, ruimtelijk gladstrijken met FWHM van 4 mm, lineair temporeel detrending, regressie van witte stofsignalen, cerebrospinale vloeistof (CSF) signalen, en hoofdbeweging met 24 parameters, filteren van de band van 0,01-0,1 HZ) en de statische correlatie met fisher' Z getransformeerd. Afkortingen: Rs-fMRI = functionele magnetische resonantiebeeldvorming in rusttoestand; FWHM = volledige breedte op half-maximum; CSF = hersenvocht. Klik hier om een grotere versie van deze figuur te bekijken.
2. Netwerkopbouw en -analyses
OPMERKING: De algemene workflow voor de aanleg en analyse van het navigatienetwerk wordt samengevat in drie hoofdstappen (figuur 2).
Figuur 2: Algemene workflow voor de opbouw en analyse van het navigatienetwerk. (A) Kies navigatie als de term waarnaar moet worden gezocht in de Neurosynth-database. (B) Er kan een lijst met activeringscoördinaten worden gegenereerd. (C) Voer een meta-analyse uit met behulp van functies van de Neurosynth om verschillende hersenkaarten te krijgen. (D,E) Door de meta-analytische kaart en een integraal-brein-parcellatieatlas (AICHA) op te nemen, kunnen knooppunten (ROI) worden gegenereerd. (F) De aanleg van een navigatienetwerk met behulp van de resulterende navigatieknooppunten en hun functionele connectiviteit (connectiviteitsraming en netwerkanalyse). Afkortingen: ROI = regio van belang; AICHA = atlas van intrinsieke connectiviteit van homotope gebieden. Klik hier om een grotere versie van deze figuur te bekijken.
- Definitie van netwerkknooppunten
- Download de nieuwste Neurosynth-database (neurosynth.org)20 door het commando in Python te typen:
>Neurosynth importeren als NS
>ns.dataset.download (path='./', unpack = True)
OPMERKING: Het datasetarchief ('current_data.tar.gz') bevat twee bestanden: 'database.txt' en 'features.txt'. Deze bevatten alle activeringscoördinaten van neuroimaging-artikelen en meta-analysetags die respectievelijk met een hoge frequentie in dat artikel voorkomen. - Genereer een nieuw exemplaar van de gegevensset op basis van de database.txt en voeg functies toe aan deze gegevens door de opdracht te typen:
> van neurosynth.base.dataset gegevensset importeren
> dataset = Dataset('data/database.txt')
> dataset.add_features('gegevens/features.txt')
- Voer een meta-analyse uit met de term van belang (d.w.z. 'navigatie') door het commando te typen:
> ids = dataset.get_ids_by_features ('navigatie', drempelwaarde=0,01)
> ma = meta. MetaAnalyse (dataset, id's)
> ma.save_results('.', 'navigatie')
OPMERKING: De meta-analyse resulteert in verschillende hersenkaarten in NIFTI-formaat. Er werd een FDR-drempel (False Discovery Rate) van 0,01 toegepast om het percentage fout-positieven te controleren. Bij deze stap is gearchiveerde kennis nodig om ervoor te zorgen dat de algemeen gerapporteerde regio's worden opgenomen in de meta-analytische kaart. Soortgelijke stappen kunnen worden toegepast om meta-analyses uit te voeren voor andere cognitieve functies zoals taal en geheugen. - Definieer interessante clusters door de meta-analytische kaart en een parcellatieatlas voor het hele brein op te nemen door het commando van FSL te typen:
>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 ... -add node_x.nii.gz navi_AICHA/AAL_mask.nii.gz
LET OP: Hier zijn twee atlassen gebruikt: AAL en AICHA. De AAL is de atlas die in de oorspronkelijke studie werd gebruikt voor de knooppuntdefinitie12. Deze atlas is gemaakt op basis van de anatomische profielen. De atlas van intrinsieke connectiviteit van homotope gebieden (AICHA)21 heeft een veel fijnere resolutie en een hogere functionele homogeniteit. Aan de hand van elk van de atlassen hebben we de interessegebieden gedefinieerd. - Typ scripts in Python om de grootte van elke regio op de kaart te controleren:
>For I in np.arange(n)+1:
>____region_list.toevoegen(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))
OPMERKING: Het gehele getal n in het script geeft het totale aantal regio's binnen de AICHA- en AAL-parcellatie aan (respectievelijk 384 en 128). Om de effecten van valse clusters te voorkomen, wordt gesuggereerd dat clusters met relatief kleine afmetingen (bijv. 100 voxels) kunnen worden verwijderd. De AICHA-atlas die hier wordt gebruikt, wordt gegenereerd met behulp van functionele connectiviteitsgegevens, waarbij elke regio homogeniteit van functionele temporele activiteit in zichzelf vertoont.
- Download de nieuwste Neurosynth-database (neurosynth.org)20 door het commando in Python te typen:
- Schatting van de netwerkconnectiviteit
OPMERKING: De GRETNA-toolbox wordt gebruikt voor het schatten van connectiviteit en netwerkanalyse.- Klik op de batch van FC Matrix Construction. Laad de voorbewerkte rs-fMRI-gegevens door het pad van de functionele gegevensset te selecteren. Klik op de optie statische correlatie . Upload het knooppunt dat in de vorige stap is verkregen als een atlas om de statische correlatie van rs-fMRI-signalen van elk paar regio's te berekenen en deze over te brengen naar Fisher's z-scores voor het verbeteren van de normaliteit.
NOTITIE: De gedetailleerde werking wordt weergegeven in afbeelding 1. De navigatienetwerkmatrices van N × N (N staat voor het aantal knooppunten) voor elke deelnemer zouden in .txt formaat worden verkregen. - Krijg een positief en gewogen netwerk met de volgende stappen, zoals weergegeven in figuur 3.
- Klik op de batch Netwerkanalyse. Voeg de netwerkmatrixen toe aan het venster Brain Connectivity Matrix en kies een uitvoermap voor voorbereiding.
- Selecteer voor de pijplijnoptie van Netwerkconfiguratie positief in de tekenmatrix, waardoor negatieve verbindingen in de functieverbindingsmatrix op 0 worden gezet en dubbelzinnige verbindingen22 worden geëlimineerd. Kies het netwerktype als gewogen om het ongerichte gewogen netwerk te krijgen.
OPMERKING: Naast de gewogen netwerken zou men de netwerken ook kunnen binariseren om binaire netwerken te creëren voor latere analyses (met verschillende benaderingen), maar de gewogen netwerken wordt vaak beschouwd als een hogere betrouwbaarheid 23,24.
- Klik op de batch van FC Matrix Construction. Laad de voorbewerkte rs-fMRI-gegevens door het pad van de functionele gegevensset te selecteren. Klik op de optie statische correlatie . Upload het knooppunt dat in de vorige stap is verkregen als een atlas om de statische correlatie van rs-fMRI-signalen van elk paar regio's te berekenen en deze over te brengen naar Fisher's z-scores voor het verbeteren van de normaliteit.
- Netwerk analyse
- Voeg kleine wereld, globale efficiëntie, clustercoëfficiënt, kortste padlengte, mate centraliteit en lokale efficiëntie toe aan de metrische analysepijplijn van het GRETNA-netwerk, zoals weergegeven in afbeelding 3.
OPMERKING: Kleine wereld en wereldwijde efficiëntie zijn twee wereldwijde netwerkstatistieken. In het bijzonder kan het netwerk met kleinschaligheid de efficiëntie van informatieoverdracht maximaliseren tegen relatief lage bedradingskosten. Globale efficiëntie weerspiegelt de transmissie-efficiëntie parallelle informatie in het transportnetwerk. Voor metrische gegevens van knooppuntnetwerken meet de mate van centraliteit het aantal verbindingen dat met een knooppunt is verbonden. De kortste weglengte, zoals de naam al aangeeft, is een basis voor het meten van integratie. De clustercoëfficiënt geeft aan in welke mate de buren van de knooppunten met elkaar verbonden zijn. Lokale efficiëntie is de efficiëntie van de communicatie met het knooppunt en zijn buren (de gedetailleerde formule en het gebruik worden weergegeven in deze papers) 17,25. Brain connectivity toolbox (BCT)25 en andere toolboxen kunnen ook worden gebruikt voor de berekening van de netwerkstatistieken. - Selecteer Network Sparsity in de drempelmethode om de verstorende effecten van onechte verbindingen uit te sluiten en voer een reeks drempelreeksen in (d.w.z. 0,05, 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4, 0,45, 0,5 wordt hier gebruikt) om de juiste drempelwaarde verder te bepalen op basis van de statistische resultaten.
OPMERKING: De verhouding tussen randen en het maximale aantal randen in een netwerk met het steekproefaantal knooppunten staat bekend als de schaarsheidsdrempel. Een sparsiteitsdrempel garandeert dat verschillende individuen hetzelfde aantal randen hebben. We hebben ervoor gekozen om verschillende drempels voor validatie te onderzoeken, wat nuttige gegevens zou kunnen opleveren voor het kiezen van een optimale drempel in toekomstige studies. - Stel het willekeurige netwerknummer in op 1.000 om willekeurige netwerken te genereren met behulp van een Markov-bedradingsalgoritme26. Klik op Uitvoeren om de pijplijn in GRETNA uit te voeren nadat alle stappen zijn ingesteld.
OPMERKING: Net als bij echte hersennetwerken, behouden de willekeurige netwerken hetzelfde aantal knooppunten, randen en graadverdeling. Om te bepalen of ze topologisch aanzienlijk niet-willekeurig zijn geconstrueerd, worden ze vergeleken met hersennetwerken. Na het uitvoeren van de pijplijn zou een groep scores voor de netwerkstatistieken voor elk van de drempels worden verkregen voor verdere statistische analyses. - Bepaal in vier stappen het optimale aantal modules in het netwerk.
- Bereken het gemiddelde navigatienetwerk. Klik op het bad van Metrische vergelijking en kies Verbinding. Laad de hierboven verkregen netwerkmatrixen en kies de Gemiddelde (functionele) bewerking. Selecteer een uitgangsrichting om de gemiddelde netwerkmatrix te behouden; zie figuur 4 voor meer details.
- Verdeel het gemiddelde netwerk dat uit de bovenstaande stap is verkregen in 2, 3, 4 en 5 modules met behulp van de functie spectraalcluster in MATLAB.
- Bereken het aandeel knooppunten dat in dezelfde module is verdeeld in REST 1 en REST 2 na het uitlijnen van de module-indelingen met behulp van het script procrustes_alignment.m. Gebruik de verhouding als de index van de herhaalbaarheid van de modulepartitie.
- Selecteer het aantal modules met de hoogste herhaalbaarheid.
- Voeg kleine wereld, globale efficiëntie, clustercoëfficiënt, kortste padlengte, mate centraliteit en lokale efficiëntie toe aan de metrische analysepijplijn van het GRETNA-netwerk, zoals weergegeven in afbeelding 3.
- Statistische analyses
OPMERKING: De volgende analyses zijn voornamelijk bedoeld voor validatie en zijn niet nodig bij het toepassen van dit protocol op individuele variatiestudies.- Onderzoek de gelijkenis van deze netwerkmetrieken tussen twee netwerken met verschillende soorten strategieën voor knooppuntdefinitie (d.w.z. de nieuwe die in de huidige studie wordt gegenereerd, aangeduid als NaviNet_AICHA en de eerdere van Kong et al., aangeduid als NaviNet_AAL)12. Bereken de Pearson-correlatie met behulp van de functie corrcoef in MATLAB en herhaal de analyses voor elke sparsiteitsdrempel.
OPMERKING: Na het extraheren van de netwerkstatistieken, kan men alle statistische analyses uitvoeren waarin ze geïnteresseerd zijn. - Controleer de test-hertestbetrouwbaarheid van deze netwerkmetrieken met behulp van de functie ICC in MATLAB27,28, die de berekening van de intraklassecorrelatiecoëfficiënt implementeert.
OPMERKING: De oorspronkelijke niet-gecorrigeerde p-waarden werden gerapporteerd in de sectie representatieve resultaten. 0,2 < ICC < 0,4 wordt geïnterpreteerd als indicatief voor een redelijke test-hertestbetrouwbaarheid en ICC > 0,4 wordt geïnterpreteerd als matige tot goede test-hertestbetrouwbaarheid29,30. Negatieve ICC-scores werden op nul gezet, gezien het feit dat de aanwezigheid van negatieve ICC's zinloos en moeilijk te interpreteren is31.
- Onderzoek de gelijkenis van deze netwerkmetrieken tussen twee netwerken met verschillende soorten strategieën voor knooppuntdefinitie (d.w.z. de nieuwe die in de huidige studie wordt gegenereerd, aangeduid als NaviNet_AICHA en de eerdere van Kong et al., aangeduid als NaviNet_AAL)12. Bereken de Pearson-correlatie met behulp van de functie corrcoef in MATLAB en herhaal de analyses voor elke sparsiteitsdrempel.
Afbeelding 3: Analyse van netwerkstatistieken. Deze analyse definieert de gewogen positieve netwerken met 10 drempels. Bereken twee globale netwerkmaatstaven van klein woord en efficiëntie, vier knooppuntnetwerkmaatstaven van clustercoëfficiënt, kortste padlengte, efficiëntie en mate van centraliteit. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 4: De berekening van de gemiddelde vaarnetwerken. De gemiddelde (functionele) operatie helpt bij het berekenen van de gemiddelde netwerken van alle deelnemers. Klik hier om een grotere versie van deze figuur te bekijken.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
De navigatienetwerken
De huidige studie identificeerde 27 hersenregio's, die geassocieerd zijn met ruimtelijke navigatie, door de nieuwste meta-analyse neuroimaging-database en de AICHA-atlas op te nemen. Deze regio's bestonden uit de mediale temporale en de pariëtale regio's die vaak zijn gerapporteerd in neuroimaging-navigatiestudies. De ruimtelijke spreiding van deze regio's is weergegeven in figuur 5A en figuur 5C. Ter vergelijking hebben we ook een eerdere definitie van de ruimtelijke navigatieregio's gevisualiseerd in Figuur 5B en Figuur 5D. Twintig regio's uit de AAL-atlas werden ter vergelijking opgenomen. Deze twee reeksen regio's vertoonden een grote overlapping.
Figuur 5: De modulaire gemiddelde navigatienetwerken. (A) Modulariteit van NaviNet_AICHA in REST1. b) Modulariteit van NaviNet_AAL in REST1. (C,D) vertegenwoordigen de modulariteit van NaviNet_AICHA en NaviNet_AAL in REST1 die respectievelijk de signalen van het hele brein regresseren. Verschillende knooppuntkleuren geven verschillende modules aan die in elk netwerk zijn geïdentificeerd. Er worden twee modules getoond in NaviNet_AICHA en NaviNet_AAL, waaronder een mediale temporele module en een pariëtale module. Afkortingen: AICHA = atlas van intrinsieke connectiviteit van homotope gebieden; AAL = anatomische automatische etikettering. Klik hier om een grotere versie van deze figuur te bekijken.
Interessant is dat deze twee netwerken een vergelijkbare gemeenschapsverdeling vertoonden (Figuur 5). In het bijzonder toonden modulariteits- en herhaalbaarheidsanalyses twee modules in zowel NaviNet_AICHA als NaviNet_AAL (één ventrale module met de mediale temporale regio's en één dorsale module met de pariëtale regio's) (tabel 1). De ventrale en dorsale modules waren vergelijkbaar tussen NaviNet_AICHA en NaviNet_AAL, hoewel het aantal knooppunten groter was in de eerste, gezien de fijnere hersenparcellatie van de AICHAI-atlas. Deze resultaten waren onafhankelijk van de strategieën die werden gebruikt voor het omgaan met globale signalen in de voorbewerkingsprocedure (figuur 5). Bovendien werden vergelijkbare gemeenschapsverdelingen waargenomen in de REST2-dataset (aanvullende figuur S1).
Gelijkenis van de topologische eigenschappen van twee navigatienetwerken
Vervolgens onderzochten we de gelijkenis van elke netwerkmaatregel tussen de twee netwerken. Het doel van de similariteitsanalyses was tweeledig: (1) het evalueren van de generaliseerbaarheid van de resultaten bij het gebruik van verschillende definitiestrategieën en (2) het bepalen van een optimale netwerkdrempel voor de netwerkanalyses.
Over het algemeen vertoonden vijf van de zes maatstaven, met uitzondering van de clustercoëfficiënt, significante correlaties tussen de twee netwerken, waarbij de meerderheid van de netwerkschaarstedrempels die in de netwerkanalyses werden gebruikt, significante correlaties vertoonden (figuur 6). De gelijkeniswaarden namen snel toe met de schaarstedrempel voor alle metrische gegevens, met uitzondering van de gemiddelde knooppuntgraad, die een uitstekende gelijkeniswaarde met beide drempelwaarden liet zien. De statistiek van de kleine wereld vertoonde de hoogste gelijkenis bij een drempel tussen 0,30 en 0,40, waar andere statistieken ook de hoogste gelijkenis vertoonden. Deze resultaten suggereren dat de analyses op netwerkniveau stabiele individuele verschillen kunnen weerspiegelen, onafhankelijk van de keuze van knooppuntdefinities, en dat de schaarsheidsdrempel van 0,30-0,40 zou resulteren in een betere generaliseerbaarheid in navigatienetwerkanalyses. Zie aanvullende figuur S2 voor meer overeenkomsten met REST2.
Figuur 6: Gelijkenis van topologische eigenschappen van twee netwerken. De resultaten van REST 1 (A) zonder en (B) met regressie uit de signalen van het hele brein worden getoond. De Pearson-correlatiecoëfficiënt op de y-as geeft de gelijkenis van topologische eigenschappen van de twee netwerken aan. De sparsiteitsdrempel varieert van 0,05 tot 0,5. De sterretjes in de figuren geven de mate van significantie aan, waarbij *p 0,05 <, **p < 0,01, ***p < 0,001. Klik hier om een grotere versie van deze figuur te bekijken.
De test-hertest betrouwbaarheid
We evalueerden ook de test-hertestbetrouwbaarheid van de topologische metingen van de navigatienetwerken. Bij de berekening van deze netwerkmaatregelen werden verschillende schaarstedrempels tussen 0,05 en 0,50 gebruikt om potentiële oneigenlijke connectiviteit in de netwerken te elimineren (zie aanvullende tabel S1 voor details). Hier rapporteerden we voornamelijk resultaten met een drempel van 0,40, gezien de bovenstaande gelijkenisresultaten. De meerderheid van de netwerkstatistieken vertoonde een redelijke tot goede betrouwbaarheid (ICC > 0,2), zowel in de netwerk NaviNet_AICHA als in de NaviNet_AAL, terwijl de NaviNet_AAL een relatief hogere betrouwbaarheid vertoonden dan de NaviNet_AICHA. Daarnaast ontdekten we dat het opnemen van globale signaalregressie in de voorverwerking van fMRI-gegevens zou kunnen resulteren in een hogere betrouwbaarheid (Figuur 7). De clustercoëfficiënt, de kortste weglengte en de kleine wereld in het NaviNet_AAL-netwerk vertoonden de hoogste test-hertestbetrouwbaarheid, terwijl de clusteringscoëfficiënt en de kleine wereld in NaviNet_AICHA ook een hogere test-hertestbetrouwbaarheid vertoonden dan andere metingen. Deze resultaten suggereren dat de clustercoëfficiënt en de kleine wereld de meest betrouwbare zijn van deze statistieken.
Figuur 7: Test-hertest betrouwbaarheid van topologische eigenschappen van navigatienetwerken. (A) Test-hertest betrouwbaarheid voor gegevens zonder de signalen van het hele brein uit te schakelen. (B) Test-hertest betrouwbaarheid voor gegevens die de signalen van het hele brein regresseren. Afkortingen: ICC = intra-class correlatiecoëfficiënt; Cc = clustercoëfficiënt; Lp = kortste weglengte; Sw = klein-wereld-heid; Nd = gemiddelde knoopgraad; Bv = globale efficiëntie; Eloc = lokale efficiëntie; AICHA = atlas van intrinsieke connectiviteit van homotope gebieden; AAL = anatomische automatische etikettering; cNGS = gegevens zonder regressie van de signalen van het hele brein; cWGS = regressie van de signalen van het hele brein. Klik hier om een grotere versie van deze figuur te bekijken.
| Module nummers | |||||
| 2 | 3 | 4 | 5 | ||
| NaviNet_AICHA | cNGS | 1 | 1 | 0.96 | 0.67 |
| cWGS | 1 | 0.96 | 0.78 | 0.89 | |
| NaviNet_AAL | cNGS | 1 | 0.95 | 0.95 | 0.65 |
| cWGS | 1 | 0.95 | 0.95 | 0.95 | |
Tabel 1: De herhaalbaarheid van de modulepartitie tussen REST 1 en REST 2. De eerste rij geeft het aantal modules aan. cNGS vertegenwoordigt de rs-fMRI zonder de globale signalen uit te schakelen en cWGS vertegenwoordigt de rs-fMRI die uit de globale signalen is geregresseerd. Een groter getal duidt op een hogere herhaalbaarheid, en in de huidige tekst zijn twee modules gekozen voor NaviNet_AICHA en NaviNet_AAL. Afkortingen: AICHA = atlas van intrinsieke connectiviteit van homotope gebieden; AAL = anatomische automatische etikettering.
Aanvullende figuur S1: De modulaire gemiddelde navigatienetwerken in REST 2. (A,B) De modulariteit van NaviNet_AICHA en NaviNet_AAL in de REST 2-dataset zonder de signalen van het hele brein te regresseren. (C,D) De modulariteit van NaviNet_AICHA en NaviNet_AAL in de REST 2-dataset met het hele brein signaleert regressie. Verschillende knooppuntkleuren geven verschillende modules aan die in elk netwerk zijn geïdentificeerd. Beide modules worden getoond in NaviNet_AICHA en NaviNet_AAL. Klik hier om dit bestand te downloaden.
Aanvullende figuur S2: Gelijkenis van topologische eigenschappen van twee netwerken in REST 2. De resultaten van REST 2 zonder/met regressieve signalen van het hele brein worden getoond (respectievelijk A en B). De Pearson-correlatiecoëfficiënt op de y-as geeft de gelijkenis van topologische eigenschappen van de twee netwerken aan. De sparsiteitsdrempel varieert van 0,05 tot 0,5. De sterretjes in de figuren geven de mate van significantie aan, waarbij *p 0,05 <, **p < 0,01, ***p < 0,001. Klik hier om dit bestand te downloaden.
Aanvullende tabel S1: Test-hertest betrouwbaarheid van topologische eigenschappen van navigatienetwerken met verschillende schaarstedrempels. De waarden geven de intra-klasse correlatiecoëfficiënt aan van NaviNet_AICHA en NaviNet_AAL met verschillende schaarstedrempels. Afkortingen: Cc = clustercoëfficiënt; Lp = kortste weglengte; Sw = kleine woldness; Nd = gemiddelde knoopgraad; Bv = globale efficiëntie; Eloc = lokale efficiëntie; cNGS = gegevens zonder regressie van de signalen van het hele brein; cWGS = regressie van de signalen van het hele brein. Klik hier om dit bestand te downloaden.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Netwerkneurowetenschap zal naar verwachting helpen begrijpen hoe het hersennetwerk menselijke cognitieve functies ondersteunt32. Dit protocol demonstreert een integratieve benadering voor het bestuderen van het functionele netwerk voor ruimtelijke navigatie in het menselijk brein, wat ook kan inspireren tot netwerkmodellering voor andere cognitieve constructen (bijv. taal).
Deze aanpak bestond uit drie hoofdstappen: knooppuntdefinitie, netwerkconstructie en netwerkanalyse. Hoewel netwerkconstructie en netwerkanalyse hetzelfde zijn als die in algemene netwerkstudies van het hele brein, is knooppuntdefinitie de meest kritische stap van dit protocol. Deze stap maakt gebruik van een grootschalige meta-analyse van functionele activering gerelateerd aan ruimtelijke navigatie om de belangrijkste hersengebieden voor navigatiegedrag te lokaliseren. Zo kunnen we het functioneel betekenisvolle netwerk modelleren, wat helpt om de neurale basis van de complexe verwerking vanuit een netwerkperspectief te begrijpen. Merk op dat prefrontale regio's ontbraken in de resultaten van de knooppuntdefinitie, terwijl een toenemend aantal navigatiestudies een cruciale rol van deze regio's heeft gesuggereerd33. Dit kan te wijten zijn aan het gebrek aan activeringen van deze regio's in navigatiegerelateerde studies binnen de database, wat resulteerde in beperkte gegevens voor de meta-analyse. Wanneer er meer gegevens beschikbaar zijn voor het lokaliseren van deze navigatiegerelateerde prefrontale regio's, zou het een interessante vraag zijn om hun rol in het navigatienetwerk in toekomstige studies te onderzoeken. Onderzoekers zouden dit protocol ook kunnen toepassen om andere cognitieve functies te bestuderen wanneer het lokaliseren van individuele hersengebieden mogelijk is. Veldkennis is nodig voor het identificeren van interessegebieden om te zorgen voor nauwe associaties met de specifieke functie.
In dit protocol concentreerden we ons op het ruimtelijke navigatienetwerk en toonden we een hoge dekking van verschillende hersengebieden die werden gerapporteerd in ruimtelijke navigatiestudies. Gezien het ontbreken van een universeel overeengekomen definitie van hersengebieden die ruimtelijke navigatie ondersteunen, gebruikte de demonstratie twee sets regio's, één gegenereerd door de grootste meta-analyse en de AICHA-atlas op te nemen, en de andere met de AAL-atlas. De netwerktopologische eigenschappen op basis van de twee definities vertoonden over het algemeen een grote gelijkenis, wat de effectiviteit van de functioneel-specifieke netwerkmodellering tot op zekere hoogte ondersteunt.
We merkten op dat de gelijkenissterkte toenam met de schaarstedrempels die in de netwerkanalyses werden gebruikt, en de resultaten suggereerden dat een schaarsheidsdrempel van 0,30-0,40 een goede keuze zou zijn, aangezien alle netwerkstatistieken de grootste gelijkenis vertoonden met deze drempels. Met dergelijke drempels toonden de netwerkstatistieken ook een redelijke tot goede test-hertestbetrouwbaarheid, met name voor de kortste padlengte en kleinschaligheid in het geval dat globale signaalregressie was opgenomen in de voorverwerking van gegevens. Deze resultaten ondersteunen grotendeels het gebruik van deze statistieken in onderzoeken naar individuele verschillen en gerelateerde hersenaandoeningen.
Vanwege een gebrek aan goede gedragsgegevens konden we in dit protocol geen gedragscorrelaten van de netwerkstatistieken met ruimtelijke navigatie presenteren. Op basis van een paar eerdere studies over hersengedragsassociaties van functionele connectiviteitsstatistieken van navigatiegerelateerde regio's12,34, verwachtten we dat de netwerkmodellering met dit protocol een specifieke associatie met ruimtelijke navigatie zou laten zien. Grootschalige steekproeven met zowel neuroimaging als gedragsgegevens zijn nodig om deze associaties verder te onderzoeken. Bovendien, hoewel de resultaten van de test-hertest niet erg hoog waren, was de sterkte vergelijkbaar met die gerapporteerd door eerdere fMRI-onderzoeken35.
Toekomstige studies kunnen dit protocol toepassen om de neurale basis van ruimtelijke navigatie vanuit een netwerkperspectief beter te begrijpen en de variaties ervan bij mensen te onderzoeken. Onderzoekers kunnen dit protocol bijvoorbeeld gebruiken om de ontwikkeling en het verouderingstraject van navigatienetwerken te onderzoeken, en in de klinische praktijk bieden de netwerkeigenschappen belangrijke biomarkers voor het begeleiden van vroege identificatie en diagnose van hersenaandoeningen zoals de ziekte van Alzheimer. Bovendien zouden toekomstige studies ook een soortgelijk protocol kunnen toepassen om de netwerkmodellen voor andere cognitieve constructen te construeren.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De auteurs verklaren dat er geen sprake is van belangenverstrengeling.
Acknowledgments
Xiang-Zhen Kong werd ondersteund door de National Natural Science Foundation of China (32171031), STI 2030 - Major Project (2021ZD0200409), Fundamental Research Funds for the Central Universities (2021XZZX006) en Information Technology Center van Zhejiang University.
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. |
References
- 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).
- 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).
- 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).
- 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).
- Epstein, R., Harris, A., Stanley, D., Kanwisher, N. The parahippocampal place area: recognition, navigation, or encoding. Neuron. 23 (1), 115-125 (1999).
- 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).
- Baumann, O., Mattingley, J. B. Extrahippocampal contributions to spatial navigation in humans: A review of the neuroimaging evidence. Hippocampus. 31 (7), 640-657 (2021).
- Auger, S. D., Mullally, S. L., Maguire, E. A. Retrosplenial cortex codes for permanent landmarks. PloS One. 7 (8), e43620 (2012).
- Zhen, Z., et al. Quantifying the variability of scene-selective regions: Interindividual, interhemispheric, and sex differences. Human Brain Mapping. 38 (4), 2260-2275 (2017).
- 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).
- 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).
- Kong, X. Z., et al. Human navigation network: the intrinsic functional organization and behavioral relevance. Brain Structure & Function. 222 (2), 749-764 (2017).
- 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).
- 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).
- Van Essen, D. C., et al. The WU-Minn human connectome project: an overview. Neuroimage. 80, 62-79 (2013).
- Smith, S. M., et al. Resting-state fMRI in the human connectome project. Neuroimage. 80, 144-168 (2013).
- Wang, L., et al. GRETNA: a graph theoretical network analysis toolbox for imaging connectomics. Frontiers in Human Neuroscience. 9, 386 (2015).
- Esteban, O., et al. fMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16 (1), 111-116 (2019).
- Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for" pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13 (2010).
- 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).
- Joliot, M., et al. AICHA: An atlas of intrinsic connectivity of homotopic areas. Journal of Neuroscience Methods. 254, 46-59 (2015).
- 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).
- 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).
- 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).
- Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
- Maslov, S., Sneppen, K. Specificity and stability in topology of protein networks. Science. 296 (5569), 910-913 (2002).
- Shrout, P. E., Fleiss, J. L. Intraclass correlations: uses in assessing rater reliability. Psychological Bulletin. 86 (2), 420 (1979).
- McGraw, K. O., Wong, S. P. Forming inferences about some intraclass correlation coefficients. Psychological Methods. 1 (1), 30 (1996).
- 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).
- 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).
- Rousson, V., Gasser, T., Seifert, B. Assessing intrarater, interrater and test-retest reliability of continuous measurements. Statistics in medicine. 21 (22), 3431-3446 (2002).
- Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10 (3), 186-198 (2009).
- Patai, E. Z., Spiers, H. J. The versatile wayfinder: prefrontal contributions to spatial navigation. Trends in Cognitive Sciences. 25 (6), 520-533 (2021).
- 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).
- 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).
