Summary
מאמר זה מציג גישה אינטגרטיבית לחקר הרשת התפקודית לניווט מרחבי במוח האדם. גישה זו משלבת מסד נתונים מטא-אנליטי בקנה מידה גדול של דימות מוחי, דימות תהודה מגנטית תפקודי במצב מנוחה, מידול רשת וטכניקות גרפיות-תיאורטיות.
Abstract
ניווט מרחבי הוא פונקציה מורכבת הכוללת אינטגרציה ומניפולציה של מידע רב-חושי. באמצעות משימות ניווט שונות, הושגו תוצאות מבטיחות רבות על תפקודים ספציפיים של אזורי מוח שונים (למשל, היפוקמפוס, קליפת המוח האנטורינלית ואזור המקום הפאראהיפוקמפוסי). לאחרונה הוצע כי תהליך רשת לא מצטבר המערב אזורי מוח מרובים המקיימים אינטראקציה עשוי לאפיין טוב יותר את הבסיס העצבי של תפקוד מורכב זה. מאמר זה מציג גישה אינטגרטיבית לבנייה וניתוח של הרשת הספציפית מבחינה תפקודית לניווט מרחבי במוח האנושי. בקצרה, גישה אינטגרטיבית זו מורכבת משלושה שלבים עיקריים: 1) זיהוי אזורים במוח החשובים לניווט מרחבי (הגדרת צמתים); 2) להעריך את הקישוריות הפונקציונלית בין כל זוג אזורים אלה ולבנות את מטריצת הקישוריות (בניית רשת); 3) לחקור את התכונות הטופולוגיות (למשל, מודולריות וארציות קטנה) של הרשת המתקבלת (ניתוח רשת). הגישה המוצגת, מנקודת מבט רשתית, יכולה לעזור לנו להבין טוב יותר כיצד המוח שלנו תומך בניווט גמיש בסביבות מורכבות ודינמיות, והתכונות הטופולוגיות הנחשפות של הרשת יכולות גם לספק סמנים ביולוגיים חשובים להנחיית זיהוי מוקדם ואבחון של מחלת אלצהיימר בפרקטיקה קלינית.
Introduction
ספציפיות תפקודית היא עיקרון ארגוני בסיסי של המוח האנושי, אשר ממלא תפקיד מכריע בעיצוב תפקודים קוגניטיביים1. חריגות בארגון הספציפיות התפקודית יכולות לשקף ליקויים קוגניטיביים בולטים ואת היסודות הפתולוגיים הקשורים להפרעות מוחיות גדולות כגון אוטיזם ואלצהיימר 2,3. בעוד שתיאוריות ומחקרים קונבנציונליים נטו להתמקד באזורי מוח בודדים, כגון אזור הפנים של פיוזיפורם (FFA) עבור זיהוי פנים4 ואזור מקום פרה-היפוקמפוס (PPA)5 עבור עיבוד סצנה, גוף הולך וגדל של ראיות מצביע על כך שתפקודים קוגניטיביים מורכבים, כולל ניווט מרחבי ושפה, דורשים פעילות מתואמת על פני אזורי מוח מרובים6. חקירת המנגנונים העומדים בבסיס האינטראקציות התומכות בתפקודים קוגניטיביים מורכבים היא שאלה מדעית קריטית שתסייע לשפוך אור על הארכיטקטורה התפקודית והפעולה של המוח. כאן, אם ניקח את הניווט המרחבי כדוגמה, אנו מציגים שיטה אינטגרטיבית למידול הרשת התפקודית לניווט מרחבי במוח האנושי.
ניווט מרחבי הוא פונקציה קוגנטיבית מורכבת, הכוללת אינטגרציה ומניפולציה של רכיבים קוגנטיבים מרובים, כגון קידוד חזותי-מרחבי, זיכרון וקבלת החלטות7. באמצעות דימות תהודה מגנטית תפקודי (fMRI), מחקרים רבים התקדמו משמעותית בהבנת העיבוד הקוגניטיבי והמנגנונים העצביים העומדים בבסיסם. לדוגמה, תפקודים מסוימים נקשרו לאזורי מוח שונים באמצעות משימות ניווט שונות: עיבוד סצנות קשור באופן ספציפי ל-PPA, וטרנספורמציה של אסטרטגיות ניווט קשורה לקליפת המוח הרטרוספלנאלית (RSC)8,9. מחקרים אלה סיפקו תובנות חשובות לגבי הבסיס העצבי של ניווט מרחבי. עם זאת, ניווט הוא פונקציה דינמית ורב-מודאלית פנימית, והפונקציות של אזורים בודדים אינן מספיקות כדי להסביר הבדלים אינדיבידואליים גדולים בניווט מרחבי10 הנצפים בדרך כלל.
עם הופעתה של קונקטומיה מבוססת fMRI, חוקרים החלו לחקור כיצד כמה אזורי מפתח במוח מתקשרים זה עם זה כדי לתמוך בניווט מרחבי. לדוגמה, קישוריות תפקודית בין פיתול החגורה האנטורינלי והאחורי נמצאה כמבססת פערי ניווט במחלת אלצהיימר בסיכון11. במחקר אחר הצענו לראשונה גישת רשת על ידי שילוב שיטות קונקטום וכמעט כל האזורים הרלוונטיים מבחינה תפקודית (צמתים) לניווט מרחבי, והתוצאות הראו כי תכונות טופולוגיות של רשת זו הראו קשרים ספציפיים עם התנהגויות ניווט12. מחקר זה מספק תובנות חדשות לגבי תיאוריות על האופן שבו אזורי מוח מרובים מתקשרים זה עם זה כדי לתמוך בהתנהגויות ניווט גמישות10,13.
העבודה הנוכחית מדגימה גרסה מעודכנת של הגישה האינטגרטיבית למידול הרשת הפונקציונלית. בקצרה, נכללו שני עדכונים: 1) בעוד הצמתים שהוגדרו במחקר המקורי זוהו על בסיס מסד נתונים מוקדם וקטן יותר (55 מחקרים עם 2,765 הפעלות, גישה בשנת 2014), ההגדרה הנוכחית התבססה על מסד הנתונים העדכני ביותר (77 מחקרים עם 3,908 הפעלות, גישה בשנת 2022); 2) כדי להגביר את ההומוגניות התפקודית של כל צומת, מלבד האטלס המקורי של AAL אנטומי (תיוג אנטומי אוטומטי)14, יישמנו פרצלציה חדשה במוח, בעלת רזולוציה עדינה בהרבה והומוגניות תפקודית גבוהה יותר (ראה להלן). ציפינו ששני העדכונים ישפרו את המידול של הרשת הפונקציונלית. פרוטוקול מעודכן זה מספק הליך מפורט לחקירת הבסיס העצבי של ניווט מרחבי מנקודת מבט של רשת ומסייע להבין וריאציות אינדיבידואליות בהתנהגויות ניווט בבריאות ובחולי. הליך דומה יכול לשמש גם עבור מידול רשת עבור מבנים קוגניטיביים אחרים (למשל, שפה וזיכרון).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
הערה: כל התוכנות המשמשות כאן מוצגות בטבלת החומרים. הנתונים ששימשו במחקר זה למטרות הדגמה היו מפרויקט הקונקטום האנושי (HCP: http://www. humanconnectome.org)15. כל הליכי הניסוי אושרו על ידי מועצת הביקורת המוסדית (IRB) באוניברסיטת וושינגטון. נתוני הדמיה במערך הנתונים של HCP נרכשו באמצעות סורק 3T Siemens Skyra שונה עם סליל ראש של 32 ערוצים. פרמטרים אחרים של רכישת תמונה מפורטים במאמר קודם16. לצורך ההדגמה הורדו נתונים מינימליים מעובדים מראש, שהסתיימו לאחר שלבי העיבוד המוקדם: תיקון עיוות הדרגתי, תיקון תנועה, עיבוד מקדים של מפת השדה, תיקון עיוות מרחבי, נורמליזציה מרחבית למרחב המכון הנוירולוגי של מונטריאול (MNI), נורמליזציה של עוצמה והסרת שדה הטיה. ניתן להשתמש גם בנתוני fMRI במצב מנוחה מפרויקטים של חוקרים.
1. עיבוד מקדים של נתונים
- בדוק את איכות הנתונים ואל תכלול משתתפים עם נתוני בדיקה חוזרת חסרים ותנועת ראש מוגזמת (3 מ"מ בתרגום ו- 3° בסיבוב).
הערה: חמישה משתתפים הוסרו, ו -38 צעירים (בגילאי 22-35) נכללו בניתוחים העיקריים. - פתחו את ארגז הכלים GRETNA (Graph Theoretical Network Analysis)17 ב-MATLAB כדי לבצע שלבי עיבוד מקדים נוספים. לחץ על האצווה של FC Matrix Construction. בחר את הנתיב של ערכת הנתונים הפונקציונלית כדי לטעון את מסמכי NIFTI ולבצע את השלבים הבאים, כפי שמוצג באפשרות הצינור באיור 1:
- הסר את 10 התמונות הראשונות על-ידי לחיצה כפולה על מספר נקודת זמן להסרה תחת הסר תמונות ראשונות והזנת 10.
- חלק מרחבית (רוחב מלא בחצי מקסימום [FWHM] = [4, 4, 4] על-ידי לחיצה כפולה על FWHM (מ"מ) ב'חלק מרחבית' והזנת [4, 4, 4]).
- נסיגה החוצה covariates. בחר אותות חומר לבן, אותות CSF ותנועת ראש כ- TRUE. בחר את המסכה המתאימה בהתאם לגודל הווקסל בפועל, לדוגמה, מסיכה עם 2 מ"מ כאן, ובחר פרמטרים Friston-24 עבור תנועת ראש.
- סינון זמני. הזן את הערך של TR בהתאם לזמן החזרה של סריקת MRI (לדוגמה, 720 אלפיות השנייה כאן) והסר רעש בתדר גבוה ובתדר נמוך על-ידי לחיצה כפולה על פס (Hz) והזנת [0.01 0.1].
הערה: תוצאות עם וללא רגרסיה של אותות מוח שלמים מוצגות להלן. בעת שימוש בנתונים לא מעובדים מראש, מומלץ גם צינורות מבוססים היטב כגון fMRI-prep18 ו- Data Processing Assistant for Resting-State fMRI (DPARSF)19 .
איור 1: Rs-fMRI קדם-תהליך ואומדן קישוריות רשת פונקציונלית. ההגדרות של קדם-תהליך (הסרת 10 התמונות הראשונות, החלקה מרחבית עם FWHM של 4 מ"מ, דה-טרנד זמני ליניארי, נסיגה החוצה של אותות חומר לבן, אותות נוזל מוחי (CSF) ותנועת ראש עם 24 פרמטרים, סינון הרצועה של 0.01-0.1 הרץ) והמתאם הסטטי עם פישר Z השתנו. קיצורים: Rs-fMRI = דימות תהודה מגנטית תפקודי במצב מנוחה; FWHM = רוחב מלא בחצי מקסימום; CSF = נוזל מוחי שדרתי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
2. בניית רשת וניתוחיה
הערה: זרימת העבודה הכללית עבור הבנייה והניתוח של רשת הניווט מסוכמת לשלושה שלבים עיקריים (איור 2).
איור 2: זרימת עבודה כללית לבנייה ולניתוח של רשת הניווט. (A) בחר ניווט כמונח שיש לחפש במסד הנתונים Neurosynth. (B) ניתן ליצור רשימה של קואורדינטות הפעלה. (C) להריץ מטא-אנליזה תוך שימוש בפונקציות מהנוירוסינתוס כדי לקבל כמה מפות מוחיות. (ד,ה) על ידי שילוב המפה המטא-אנליטית ואטלס פרצלציה של המוח כולו (AICHA), ניתן ליצור צמתים (ROI). (ו) בניית רשת ניווט באמצעות צמתי הניווט המתקבלים והקישוריות התפקודית שלהם (הערכת קישוריות וניתוח רשת). קיצורים: החזר השקעה = אזור עניין; AICHA = אטלס של קישוריות פנימית של אזורים הומוטופיים. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
- הגדרת צומת רשת
- הורד את מסד הנתונים העדכני ביותר של Neurosynth (neurosynth.org)20 על ידי הקלדת הפקודה בפייתון:
> ייבוא נוירוסינתוס כ-NS
>ns.dataset.download (path='./', unpack = True)
הערה: ארכיון ערכת הנתונים ('current_data.tar.gz') מכיל שני קבצים: 'database.txt' ו- 'features.txt'. אלה מכילים את כל קואורדינטות ההפעלה ממאמרי הדמיה מוחית ותגי מטא-אנליזה המתרחשים בתדירות גבוהה באותו מאמר, בהתאמה. - צור מופע חדש של ערכת נתונים מה- database.txt והוסף תכונות לנתונים אלה על-ידי הקלדת הפקודה:
> מ- neurosynth.base.dataset ייבוא ערכת נתונים
ערכת נתונים > = Dataset('data/database.txt')
> dataset.add_features('נתונים/features.txt')
- הפעל מטא-אנליזה עם מונח העניין (כלומר, 'ניווט') על-ידי הקלדת הפקודה:
מזהי > = dataset.get_ids_by_features ('ניווט', סף = 0.01)
> ma = מטא. MetaAnalysis (ערכת נתונים, מזהים)
> ma.save_results('.', 'ניווט')
הערה: המטא-אנליזה מניבה מספר מפות מוח בפורמט NIFTI. סף שיעור גילוי שגוי (FDR) של 0.01 הוחל כדי לשלוט בשיעור החיוביים הכוזבים. בשלב זה יש צורך בידע מתויק כדי להבטיח שהאזורים המדווחים הנפוצים ייכללו במפה המטא-אנליטית. צעדים דומים יכולים להיות מיושמים כדי להפעיל מטה-אנליזות עבור תפקודים קוגניטיביים אחרים כגון שפה וזיכרון. - הגדר אשכולות עניין על ידי שילוב המפה המטא-אנליטית ואטלס פרצלציה של המוח כולו על ידי הקלדת הפקודה מ- FSL:
>fslmaths navigation_0.01.nii.gz -bin navi_bin.nii.gz
>fslmaths navi_bin.nii.gz -מול 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
>אשכול -i תווית _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 -להוסיף ... -להוסיף node_x.nii.gz navi_AICHA/AAL_mask.nii.gz
הערה: שני אטלס שימשו כאן: AAL ו- AICHA. AAL הוא האטלס ששימש במחקר המקורי להגדרת צומת12. אטלס זה נוצר על בסיס הפרופילים האנטומיים. האטלס של קישוריות פנימית של אזורים הומוטופיים (AICHA)21 הוא בעל רזולוציה עדינה בהרבה והומוגניות תפקודית גבוהה יותר. הגדרנו את אזורי העניין באמצעות כל אחד מהאטלסים. - הקלד סקריפטים בפייתון לבדיקת הגודל של כל אזור במפה:
>עבור i ב- np.arange(n)+1:
>____region_list.נספח(ט)
>____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))
הערה: המספר השלם n בסקריפט מציין את המספר הכולל של אזורים בתוך פרצלציה AICHA ו-AAL (384 ו-128, בהתאמה). כדי להימנע מההשפעות של אשכולות מזויפים, מוצע להסיר אשכולות בעלי גדלים קטנים יחסית (למשל, 100 ווקסלים). אטלס AICHA המשמש כאן נוצר באמצעות נתוני קישוריות פונקציונליים, כאשר כל אזור מראה הומוגניות של פעילות זמנית פונקציונלית בתוך עצמו.
- הורד את מסד הנתונים העדכני ביותר של Neurosynth (neurosynth.org)20 על ידי הקלדת הפקודה בפייתון:
- הערכת קישוריות רשת
הערה: ארגז הכלים של GRETNA משמש להערכת קישוריות ולניתוח רשתות.- לחץ על האצווה של FC Matrix Construction. טען את נתוני rs-fMRI המעובדים מראש על-ידי בחירת הנתיב של ערכת הנתונים הפונקציונלית. לחץ על אפשרות המתאם הסטטי . העלה את הצומת שהתקבל בשלב הקודם כאטלס כדי לחשב את המתאם הסטטי של אותות rs-fMRI של כל זוג אזורים והעבר אותם לציוני z של פישר לשיפור הנורמליות.
הערה: הפעולה המפורטת מוצגת באיור 1. מטריצות רשת הניווט של N × N (N מייצג את מספר הצמתים) עבור כל משתתף יתקבלו בפורמט .txt. - קבל רשת חיובית ומשוקללת באמצעות השלבים הבאים, כפי שמוצג באיור 3.
- לחץ על האצווה של ניתוח רשת. הוסף את מטריצות הרשת לחלון מטריצת קישוריות המוח ובחר ספריית פלט אחת להכנה.
- עבור אפשרות הצינור של תצורת רשת, בחר חיובי במטריצה סימן של, אשר תגדיר חיבורים שליליים במטריצת חיבור הפונקציה ל- 0 ותבטל חיבורים דו-משמעיים22. בחר את סוג הרשת כמשוקלל כדי לקבל את הרשת המשוקללת הלא מנותבת.
הערה: מלבד הרשתות המשוקללות, ניתן גם לבצע בינאריזציה של הרשתות כדי ליצור רשתות בינאריות לניתוחים הבאים (עם גישות שונות), אך המשוקללת נחשבת לעתים קרובות כמראה אמינות גבוהה יותר23,24.
- לחץ על האצווה של FC Matrix Construction. טען את נתוני rs-fMRI המעובדים מראש על-ידי בחירת הנתיב של ערכת הנתונים הפונקציונלית. לחץ על אפשרות המתאם הסטטי . העלה את הצומת שהתקבל בשלב הקודם כאטלס כדי לחשב את המתאם הסטטי של אותות rs-fMRI של כל זוג אזורים והעבר אותם לציוני z של פישר לשיפור הנורמליות.
- ניתוח רשתות
- הוסף עולם קטן, יעילות גלובלית, מקדם אשכולות, אורך הנתיב הקצר ביותר, מרכזיות מעלות ויעילות מקומית לצנרת ניתוח המדדים של רשת GRETNA, כפי שמוצג באיור 3.
הערה: עולם קטן ויעילות גלובלית הם שני מדדי רשת גלובליים. באופן ספציפי, הרשת עם עולם קטן יכולה למקסם את היעילות של העברת מידע בעלות חיווט נמוכה יחסית. יעילות גלובלית משקפת את יעילות ההולכה מידע מקביל ברשת התחבורה. עבור מדדי רשת צמתים, מרכזיות הדרגה מודדת את מספר הקישורים המחוברים לצומת. אורך הנתיב הקצר ביותר, כשמו, הוא בסיס למדידת אינטגרציה. מקדם האשכולות מציין את המידה שבה שכניהם של הצמתים קשורים זה בזה. יעילות מקומית היא יעילות התקשורת עם הצומת ושכניו (הנוסחה המפורטת והשימוש מוצגים במאמרים אלה) 17,25. ארגז כלים לקישוריות מוחית (BCT)25 וארגזי כלים אחרים יכולים לשמש גם לחישוב מדדי הרשת. - בחר 'דלילות רשת' בשיטת הסף כדי לא לכלול את ההשפעות המבלבלות של חיבורים מזויפים, והזן קבוצה של רצפי סף (כלומר, 0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5 ) כדי לקבוע עוד יותר את הסף המתאים בהתאם לתוצאות הסטטיסטיות.
הערה: יחס הקצוות למספר הקצוות המרבי ברשת עם מספר הצמתים לדוגמה נקרא סף הדלילות. סף דלילות מבטיח שלאנשים שונים יהיה אותו מספר קצוות. בחרנו לחקור ערכי סף שונים לתיקוף, שיכולים לספק נתונים מועילים לבחירת סף אופטימלי במחקרים עתידיים. - הגדר את מספר הרשת האקראית כ- 1,000 כדי ליצור רשתות אקראיות באמצעות אלגוריתם חיווט מרקוב26. לחץ על הפעל כדי להפעיל את הצינור ב- GRETNA לאחר הגדרת כל השלבים.
הערה: בדומה לרשתות מוח אמיתיות, הרשתות האקראיות שומרות על אותו מספר של צמתים, קצוות והתפלגות מעלות. כדי לקבוע אם הם בנויים טופולוגית באופן לא אקראי במידה ניכרת, הם יושוו לרשתות מוחיות. לאחר הפעלת הצינור, תתקבל קבוצת ציונים למדדי הרשת עבור כל אחד מערכי הסף לצורך ניתוחים סטטיסטיים נוספים. - קבע את המספר האופטימלי של מודולים ברשת בארבעה שלבים.
- חישוב ממוצע רשת הניווט. לחץ על האמבטיה של השוואת מדדים ובחר חיבור. טען את מטריצות הרשת שהתקבלו לעיל ובחר את הפעולה הממוצעת (פונקציונלית). בחר כיוון פלט כדי לשמור על מטריצת הרשת הממוצעת; ראו איור 4 לפרטים נוספים.
- חלק את הרשת הממוצעת המתקבלת מהשלב לעיל למודולים 2, 3, 4 ו- 5 באמצעות הפונקציה spectralcluster ב- MATLAB.
- חשב את החלק היחסי של הצמתים המחולקים לאותו מודול ב- REST 1 וב- REST 2 לאחר יישור חלוקות המודולים באמצעות קובץ ה- Script procrustes_alignment.m. השתמש ביחס היחסי כאינדקס של יכולת החזרה של מחיצת המודול.
- בחר את מספר המודולים עם יכולת החזרה הגבוהה ביותר.
- הוסף עולם קטן, יעילות גלובלית, מקדם אשכולות, אורך הנתיב הקצר ביותר, מרכזיות מעלות ויעילות מקומית לצנרת ניתוח המדדים של רשת GRETNA, כפי שמוצג באיור 3.
- ניתוחים סטטיסטיים
הערה: הניתוחים הבאים מיועדים בעיקר לאימות ולא יהיה צורך בהם בעת יישום פרוטוקול זה על מחקרי וריאציה בודדים.- בחן את הדמיון בין מדדי רשת אלה בין שתי רשתות עם סוגים שונים של אסטרטגיות להגדרת צומת (כלומר, החדשה שנוצרה במחקר הנוכחי, המכונה NaviNet_AICHA והקודמת מקונג ואחרים, המכונה NaviNet_AAL)12. חשב את מתאם פירסון באמצעות הפונקציה corrcoef ב- MATLAB וחזור על הניתוחים עבור כל סף דלילות.
הערה: לאחר חילוץ מדדי הרשת, ניתן לבצע כל ניתוח סטטיסטי בו הוא מעוניין. - בדוק את אמינות הבדיקה החוזרת של מדדי רשת אלה באמצעות הפונקציה ICC ב- MATLAB27,28, המיישמת את חישוב מקדם המתאם התוך-מחלקתי.
הערה: ערכי p המקוריים שלא תוקנו דווחו במקטע תוצאות מייצגות. 0.2 < ICC < 0.4 מתפרש כמעיד על אמינות בדיקה חוזרת הוגנת ו-ICC > 0.4 מתפרש כאמינות בינונית עד טובה של בדיקה חוזרת29,30. ציוני ICC שליליים נקבעו לאפס, בהתחשב בעובדה שנוכחותם של ICCs שליליים היא חסרת משמעות וקשה לפרש31.
- בחן את הדמיון בין מדדי רשת אלה בין שתי רשתות עם סוגים שונים של אסטרטגיות להגדרת צומת (כלומר, החדשה שנוצרה במחקר הנוכחי, המכונה NaviNet_AICHA והקודמת מקונג ואחרים, המכונה NaviNet_AAL)12. חשב את מתאם פירסון באמצעות הפונקציה corrcoef ב- MATLAB וחזור על הניתוחים עבור כל סף דלילות.
איור 3: ניתוח מדדי רשת. ניתוח זה מגדיר את הרשתות החיוביות המשוקללות עם 10 ערכי סף. חשב שני מדדי רשת גלובליים של מילה קטנה ויעילות, ארבעה מדדי רשת צמתים של מקדם אשכולות, אורך הנתיב הקצר ביותר, יעילות ומרכזיות תואר. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
תרשים 4: חישוב ממוצע רשתות הניווט. הפעולה הממוצעת (פונקציונלית) מסייעת לחשב את הרשתות הממוצעות של כל המשתתפים. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
רשתות הניווט
המחקר הנוכחי זיהה 27 אזורי מוח, הקשורים לניווט מרחבי, על ידי שילוב מסד הנתונים האחרון של דימות מוחי מטא-אנליזה ואטלס AICHA. אזורים אלה כללו את האזורים הרקתיים האמצעיים ואת האזורים הקודקודיים שדווחו בדרך כלל במחקרי דימות מוחי ניווט. ההתפלגות המרחבית של האזורים האלה מוצגת באיור 5A ובאיור 5C. לשם השוואה, דמיינו גם הגדרה מוקדמת יותר של אזורי הניווט המרחבי באיור 5B ובאיור 5D. עשרים אזורים מאטלס AAL נכללו כהשוואה. שתי קבוצות אזורים אלה הראו חפיפה גדולה.
איור 5: ממוצע רשתות הניווט המודולריות. (A) מודולריות של NaviNet_AICHA ב-REST1. (B) מודולריות של NaviNet_AAL ב-REST1. (C,D) מייצגים את המודולריות של NaviNet_AICHA ו-NaviNet_AAL ב-REST1 ונסוגים החוצה מכל אותות המוח בהתאמה. צבעי צומת שונים מציינים מודולים שונים המזוהים בכל רשת. שני מודולים מוצגים ב-NaviNet_AICHA וב-NaviNet_AAL, הכולל מודול טמפורלי מדיאלי ומודול קודקוד. קיצורים: AICHA = אטלס של קישוריות פנימית של אזורים הומוטופיים; AAL = תיוג אנטומי אוטומטי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
באופן מעניין, שתי הרשתות הללו הראו התפלגות קהילתית דומה (איור 5). באופן ספציפי, ניתוחי מודולריות וחזרתיות הראו שני מודולים הן ב-NaviNet_AICHA והן ב-NaviNet_AAL (מודול גחוני אחד הכולל את האזורים הרקתיים המדיאליים ומודול גבי אחד הכולל את האזורים הקודקודיים) (טבלה 1). המודולים הגחונים והגביים היו דומים בין NaviNet_AICHA ל-NaviNet_AAL, אם כי מספר הצמתים היה גדול יותר בראשון, בהתחשב בפרצלציה המוחית העדינה יותר של אטלס AICHAI. תוצאות אלה היו בלתי תלויות באסטרטגיות ששימשו להתמודדות עם אותות גלובליים בתהליך העיבוד המוקדם (איור 5). בנוסף, התפלגות קהילתית דומה נצפתה במערך הנתונים REST2 (איור משלים S1).
דמיון התכונות הטופולוגיות של שתי רשתות ניווט
לאחר מכן, בחנו את הדמיון בין כל מדד רשת בין שתי הרשתות. מטרת ניתוחי הדמיון הייתה כפולה: (1) להעריך את יכולת ההכללה של התוצאות בעת שימוש באסטרטגיות הגדרה שונות ו-(2) לקבוע סף רשת אופטימלי עבור ניתוחי הרשת.
באופן כללי, חמישה מתוך ששת המדדים, למעט מקדם האשכולות, הראו מתאם מובהק בין שתי הרשתות, כאשר רוב ספי הדלילות של הרשת שימשו בניתוחי הרשת (איור 6). ערכי הדמיון גדלו במהירות עם סף הדלילות עבור כל המדדים, למעט דרגת הצומת הממוצעת, שהראתה ערך דמיון מצוין עם כל אחד מהספים. מדד העולם הקטן הראה את הדמיון הגבוה ביותר בסף שבין 0.30 ל-0.40, כאשר גם מדדים אחרים הראו את הדמיון הגבוה ביותר. תוצאות אלה מצביעות על כך שהניתוחים ברמת הרשת יכולים לשקף הבדלים אינדיבידואליים יציבים ללא תלות בבחירות הגדרת הצמתים, וכי סף הדלילות של 0.30-0.40 יביא להכללה טובה יותר בניתוחי רשתות ניווט. ראו איור משלים S2 לקבלת קווי דמיון נוספים עם REST2.
איור 6: דמיון התכונות הטופולוגיות של שתי רשתות. התוצאות של REST 1 (A) ללא ו-(B) עם נסיגה החוצה של אותות מוח שלמים מוצגות. מקדם המתאם של פירסון על ציר y מצביע על הדמיון בין התכונות הטופולוגיות של שתי הרשתות. סף הדלילות נע בין 0.05 ל-0.5. הכוכביות באיורים מציינות את רמת המובהקות, כאשר *p < 0.05, **p < 0.01, ***p < 0.001. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
אמינות הבדיקה החוזרת
כמו כן, הערכנו את אמינות הבדיקה החוזרת של המדדים הטופולוגיים של רשתות הניווט. ספי דלילות שונים בין 0.05 ל- 0.50 שימשו בעת חישוב מדדי רשת אלה כדי להסיר קישוריות מזויפת פוטנציאלית ברשתות (ראה טבלה משלימה S1 לפרטים). כאן, דיווחנו בעיקר על תוצאות עם סף של 0.40, בהתחשב בתוצאות הדמיון לעיל. רוב מדדי הרשת הראו אמינות הוגנת עד טובה (ICC > 0.2) הן ברשת NaviNet_AICHA והן NaviNet_AAL, בעוד NaviNet_AAL הראה אמינות גבוהה יחסית NaviNet_AICHA. נוסף על כך, מצאנו שהכללת רגרסיה גלובלית של אותות בעיבוד מקדים של נתוני fMRI עשויה לגרום לאמינות גבוהה יותר (איור 7). מקדם האשכולות, אורך הנתיב הקצר ביותר והעולם הקטן ברשת NaviNet_AAL הראו את אמינות הבדיקה החוזרת הגבוהה ביותר, בעוד מקדם האשכולות והעולם הקטן NaviNet_AICHA הראו גם אמינות גבוהה יותר של בדיקה חוזרת בהשוואה למדדים אחרים. תוצאות אלה מצביעות על כך שמקדם האשכולות והעולם הקטן הם האמינים ביותר מבין מדדים אלה.
איור 7: מהימנות בדיקה-בדיקה חוזרת של תכונות טופולוגיות של רשתות ניווט. (A) מהימנות בדיקה-בדיקה חוזרת של נתונים מבלי לסגת החוצה מכל אותות המוח. (B) אמינות בדיקה חוזרת עבור נתונים הנסוגים החוצה את כל אותות המוח. קיצורים: ICC = מקדם מתאם תוך-מחלקתי; Cc = מקדם אשכולות; Lp = אורך הנתיב הקצר ביותר; Sw = עולם קטן; Nd = דרגת nodal ממוצעת; למשל = יעילות גלובלית; Eloc = יעילות מקומית; AICHA = אטלס של קישוריות פנימית של אזורים הומוטופיים; AAL = תיוג אוטומטי אנטומי; cNGS = נתונים מבלי לסגת החוצה את כל אותות המוח; cWGS = נסיגה החוצה של כל אותות המוח. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
| מספרי מודולים | |||||
| 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 | |
טבלה 1: יכולת החזרה של מחיצת מודול בין REST 1 ו- REST 2. השורה הראשונה מציינת את מספר המודולים. cNGS מייצג את ה-rs-fMRI מבלי לסגת החוצה מהאותות הגלובליים ו-cWGS מייצג את ה-rs-fMRI שנסוג החוצה מהאותות הגלובליים. מספר גדול יותר מציין יכולת חזרה גבוהה יותר, ושני מודולים נבחרים עבור NaviNet_AICHA ו- NaviNet_AAL בטקסט הנוכחי. קיצורים: AICHA = אטלס של קישוריות פנימית של אזורים הומוטופיים; AAL = תיוג אנטומי אוטומטי.
תרשים משלים S1: ממוצע רשתות הניווט המודולרי ב-REST 2. (א,ב) המודולריות של NaviNet_AICHA ו- NaviNet_AAL במערך הנתונים של REST 2 מבלי לסגת החוצה את כל אותות המוח. (ג,ד) המודולריות של NaviNet_AICHA ו- NaviNet_AAL במערך הנתונים של REST 2 עם כל המוח אותות רגרסיה. צבעי צומת שונים מציינים מודולים שונים המזוהים בכל רשת. שני המודולים מוצגים ב-NaviNet_AICHA וב-NaviNet_AAL. אנא לחץ כאן כדי להוריד קובץ זה.
איור משלים S2: דמיון התכונות הטופולוגיות של שתי רשתות ב-REST 2. התוצאות של REST 2 ללא/עם נסיגה החוצה של אותות מוח שלמים מוצגות (A ו - B, בהתאמה). מקדם המתאם של פירסון על ציר y מצביע על הדמיון בין התכונות הטופולוגיות של שתי הרשתות. סף הדלילות נע בין 0.05 ל-0.5. הכוכביות באיורים מציינות את רמת המובהקות, כאשר *p < 0.05, **p < 0.01, ***p < 0.001. אנא לחץ כאן כדי להוריד קובץ זה.
טבלה משלימה S1: מהימנות בדיקה-בדיקה חוזרת של תכונות טופולוגיות של רשתות ניווט עם ספי דלילות שונים. הערכים מציינים את מקדם המתאם התוך-מעמדי של NaviNet_AICHA ו-NaviNet_AAL עם ספי דלילות שונים. קיצורים: Cc = מקדם אשכולות; Lp = אורך הנתיב הקצר ביותר; Sw = זקן קטן; Nd = דרגת nodal ממוצעת; למשל = יעילות גלובלית; Eloc = יעילות מקומית; cNGS = נתונים מבלי לסגת החוצה את כל אותות המוח; cWGS = נסיגה החוצה של כל אותות המוח. אנא לחץ כאן כדי להוריד קובץ זה.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
מדעי המוח ברשת צפויים לסייע בהבנת האופן שבו הרשת המוחית תומכת בתפקודים קוגניטיביים אנושיים32. פרוטוקול זה מדגים גישה אינטגרטיבית לחקר הרשת התפקודית לניווט מרחבי במוח האנושי, אשר יכולה גם להוות השראה למידול רשת עבור מבנים קוגניטיביים אחרים (למשל, שפה).
גישה זו כללה שלושה שלבים עיקריים: הגדרת צומת, בניית רשת וניתוח רשת. בעוד שבניית רשתות וניתוח רשתות זהים לאלה שבמחקרי רשת כלליים של המוח כולו, הגדרת צומת היא השלב הקריטי ביותר בפרוטוקול זה. צעד זה עושה שימוש במטא-אנליזה בקנה מידה גדול של הפעלה תפקודית הקשורה לניווט מרחבי כדי למקם את אזורי המוח החשובים ביותר עבור התנהגויות ניווט. כך, אנו יכולים למדל את הרשת בעלת המשמעות התפקודית, אשר מסייעת להבין את הבסיס העצבי של העיבוד המורכב מנקודת מבט של רשת. שימו לב שאזורים קדם-מצחיים היו חסרים בתוצאות הגדרת הצומת, בעוד שמספר גדל והולך של מחקרי ניווט הציעו תפקידים קריטיים של אזורים אלה33. זה יכול להיות בגלל היעדר הפעלות של אזורים אלה במחקרים הקשורים לניווט בתוך מסד הנתונים, מה שהביא לנתונים מוגבלים עבור מטא-אנליזה. כאשר יהיו נתונים נוספים זמינים עבור לוקליזציה של אזורים קדם-מצחיים הקשורים לניווט, תהיה זו שאלה מעניינת לחקור את תפקידם ברשת הניווט במחקרים עתידיים. חוקרים יכולים גם ליישם פרוטוקול זה כדי לחקור תפקודים קוגניטיביים אחרים כאשר מיקום אזורי מוח בודדים אפשרי. ידע בשטח נדרש לזיהוי אזורי עניין כדי להבטיח קשרים הדוקים עם הפונקציה הספציפית.
בפרוטוקול הזה התמקדנו ברשת הניווט המרחבי והראינו כיסוי גבוה של אזורי מוח שונים שדווחו במחקרי ניווט מרחבי. בהינתן היעדר הגדרה מוסכמת אוניברסלית של אזורי מוח התומכים בניווט מרחבי, ההדגמה השתמשה בשתי קבוצות של אזורים, האחת נוצרה על ידי שילוב המטא-אנליזה הגדולה ביותר ואטלס AICHA, והשנייה עם אטלס AAL. המאפיינים הטופולוגיים של הרשת המבוססים על שתי ההגדרות הראו בדרך כלל דמיון גבוה, התומך במידה מסוימת ביעילות מידול הרשת הספציפי לפונקציונליות.
ציינו כי עוצמת הדמיון גדלה עם ספי הדלילות המשמשים בניתוחי הרשת, והתוצאות הצביעו על כך שסף דלילות של 0.30-0.40 יהיה בחירה נכונה מכיוון שכל מדדי הרשת הראו את הדמיון הגבוה ביותר עם ערכי סף אלה. עם ערכי סף כאלה, מדדי הרשת הראו גם אמינות הוגנת עד טובה לבדיקה חוזרת, במיוחד עבור אורך הנתיב הקצר ביותר והעולם הקטן במקרה שבו רגרסיה גלובלית של אותות נכללה בעיבוד מקדים של הנתונים. תוצאות אלה תומכות במידה רבה בשימוש במדדים אלה במחקרים על הבדלים אינדיבידואליים והפרעות מוחיות קשורות.
בשל היעדר נתונים התנהגותיים נאותים, לא יכולנו להציג קורלציות התנהגותיות של מדדי הרשת עם ניווט מרחבי בפרוטוקול זה. בהתבסס על כמה מחקרים קודמים על קשרים בין המוח להתנהגות של מדדי קישוריות תפקודית באזורים הקשורים לניווט12,34, ציפינו שמידול הרשת עם פרוטוקול זה יראה קשר ספציפי עם ניווט מרחבי. יש צורך בדגימות בקנה מידה גדול עם דימות מוחי ונתונים התנהגותיים כדי להמשיך לחקור את הקשרים האלה. בנוסף, בעוד שתוצאות הבדיקות החוזרות לא היו גבוהות במיוחד, החוזק היה דומה לאלה שדווחו במחקרי fMRI קודמים35.
מחקרים עתידיים יכולים ליישם פרוטוקול זה כדי להבין טוב יותר את הבסיס העצבי של ניווט מרחבי מנקודת מבט של רשת ולחקור את הווריאציות שלו בבני אדם. לדוגמה, חוקרים יכולים להשתמש בפרוטוקול זה כדי לחקור את מסלול ההתפתחות וההזדקנות של רשתות ניווט, ובפרקטיקה הקלינית, תכונות הרשת מספקות סמנים ביולוגיים חשובים להנחיית זיהוי מוקדם ואבחון של הפרעות מוחיות כגון מחלת אלצהיימר. חוץ מזה, מחקרים עתידיים יכולים גם ליישם פרוטוקול דומה כדי לבנות את מודלי הרשת עבור מבנים קוגניטיביים אחרים.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
המחברים מצהירים כי אין ניגוד עניינים.
Acknowledgments
שיאנג-ג'ן קונג נתמך על ידי הקרן הלאומית למדעי הטבע של סין (32171031), STI 2030 - פרויקט מרכזי (2021ZD0200409), קרנות מחקר בסיסיות לאוניברסיטאות המרכזיות (2021XZZX006), ומרכז טכנולוגיית המידע של אוניברסיטת ג'ג'יאנג.
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).
