Summary
Denne artikkelen presenterer en integrert tilnærming til å undersøke det funksjonelle nettverket for romlig navigasjon i den menneskelige hjerne. Denne tilnærmingen inkorporerer en storskala neuroimaging metaanalytisk database, hvile-tilstand funksjonell magnetisk resonansavbildning og nettverksmodellering og grafteoretiske teknikker.
Abstract
Romlig navigasjon er en kompleks funksjon som involverer integrering og manipulering av multisensorisk informasjon. Ved hjelp av forskjellige navigasjonsoppgaver har mange lovende resultater blitt oppnådd på de spesifikke funksjonene til forskjellige hjernegrupper (f.eks. hippocampus, entorhinal cortex og parahippocampal stedsområde). Nylig har det blitt foreslått at en ikke-aggregert nettverksprosess som involverer flere samvirkende hjernegrupper, bedre kan karakterisere det nevrale grunnlaget for denne komplekse funksjonen. Denne artikkelen presenterer en integrert tilnærming for å konstruere og analysere det funksjonelt spesifikke nettverket for romlig navigasjon i den menneskelige hjerne. Kort fortalt består denne integrerende tilnærmingen av tre hovedtrinn: 1) å identifisere hjernegrupper som er viktige for romlig navigasjon (nodedefinisjon); 2) å estimere funksjonell tilkobling mellom hvert par av disse regionene og konstruere tilkoblingsmatrisen (nettverkskonstruksjon); 3) å undersøke de topologiske egenskapene (f.eks. modularitet og liten verdenhet) til det resulterende nettverket (nettverksanalyse). Den presenterte tilnærmingen, fra et nettverksperspektiv, kan hjelpe oss med å bedre forstå hvordan hjernen vår støtter fleksibel navigasjon i komplekse og dynamiske miljøer, og de avslørte topologiske egenskapene til nettverket kan også gi viktige biomarkører for å veilede tidlig identifisering og diagnose av Alzheimers sykdom i klinisk praksis.
Introduction
Funksjonell spesifisitet er et grunnleggende organisasjonsprinsipp i den menneskelige hjerne, som spiller en avgjørende rolle i utformingen av kognitive funksjoner1. Abnormaliteter i organiseringen av funksjonell spesifisitet kan gjenspeile kjennetegn kognitive funksjonsnedsettelser og tilhørende patologiske grunnlag for store hjernesykdommer som autisme og Alzheimers sykdom 2,3. Mens konvensjonelle teorier og forskning har hatt en tendens til å fokusere på enkelthjernegrupper, for eksempel fusiform ansiktsområde (FFA) for ansiktsgjenkjenning4 og parahippocampus stedsområde (PPA) 5 for scenebehandling, tyder en økende mengde bevis på at komplekse kognitive funksjoner, inkludert romlig navigasjon og språk, krever koordinataktivitet på tvers av flere hjernegrupper6. Å undersøke mekanismene som ligger til grunn for samspillet til støtte for komplekse kognitive funksjoner er et kritisk vitenskapelig spørsmål som vil bidra til å kaste lys over hjernens funksjonelle arkitektur og drift. Her, med romlig navigasjon som eksempel, presenterer vi en integrert metode for modellering av det funksjonelle nettverket for romlig navigasjon i den menneskelige hjerne.
Romlig navigasjon er en kompleks kognitiv funksjon, som innebærer integrering og manipulering av flere kognitive komponenter, for eksempel visuell-romlig koding, minne og beslutningstaking7. Med funksjonell magnetisk resonansavbildning (fMRI) har mange studier gjort betydelige fremskritt i å forstå den underliggende kognitive behandlingen og nevrale mekanismer. For eksempel har spesifikke funksjoner vært knyttet til forskjellige hjernegrupper ved hjelp av ulike navigasjonsoppgaver: scenebehandling er spesielt knyttet til PPA, og transformasjon av navigasjonsstrategier er assosiert med retrosplenial cortex (RSC) 8,9. Disse studiene ga viktig innsikt i det nevrale grunnlaget for romlig navigasjon. Navigasjon er imidlertid en internt dynamisk og multimodal funksjon, og funksjonene til enkeltregioner er ikke tilstrekkelige til å forklare store individuelle forskjeller i romlig navigasjon10 som ofte observeres.
Med fremveksten av fMRI-basert connectomics begynte forskere å utforske hvordan noen viktige hjernegrupper samhandler med hverandre for å støtte romlig navigasjon. For eksempel har funksjonell tilkobling mellom entorhinal og posterior cingulate cortices blitt funnet å underbygge navigasjonsavvik i risikofylt Alzheimers sykdom11. I en annen studie foreslo vi for første gang en nettverkstilnærming ved å integrere tilkoblingsmetoder og nesten alle funksjonelt relevante regioner (noder) for romlig navigasjon, og resultatene viste at topologiske egenskaper til dette nettverket viste spesifikke assosiasjoner med navigasjonsadferd12. Denne studien gir ny innsikt i teorier om hvordan flere hjernegrupper samhandler med hverandre for å støtte fleksibel navigasjonsatferd 10,13.
Det foreliggende arbeidet demonstrerer en oppdatert versjon av den integrerende tilnærmingen for modellering av det funksjonelle nettverket. Kort fortalt ble to oppdateringer inkludert: 1) Mens nodene definert i den opprinnelige studien ble identifisert basert på en tidligere og mindre database (55 studier med 2 765 aktiveringer, åpnet i 2014), var den nåværende definisjonen basert på den nyeste databasen (77 studier med 3 908 aktiveringer, åpnet i 2022); 2) For å øke funksjonell homogenitet av hver node, i tillegg til den opprinnelige anatomiske AAL (Anatomical Automatic Labeling) atlas14, brukte vi en ny hjerneparcellasjon, som har en mye finere oppløsning og høyere funksjonell homogenitet (se nedenfor). Vi forventet at begge oppdateringene ville forbedre modelleringen av det funksjonelle nettverket. Denne oppdaterte protokollen gir en detaljert prosedyre for å undersøke det nevrale grunnlaget for romlig navigasjon fra et nettverksperspektiv og hjelper til med å forstå individuelle variasjoner i navigasjonsatferd i helse og sykdom. En lignende prosedyre kan også brukes til nettverksmodellering for andre kognitive konstruksjoner (f.eks. Språk og minne).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
MERK: All programvaren som brukes her, vises i materialfortegnelsen. Dataene som ble brukt i denne studien til demonstrasjonsformål var fra Human Connectome Project (HCP: http://www. humanconnectome.org)15. Alle eksperimentelle prosedyrer ble godkjent av Institutional Review Board (IRB) ved Washington University. Bildedata i HCP-datasettet ble samlet inn ved hjelp av en modifisert 3T Siemens Skyra-skanner med en 32-kanals hodespole. Andre parametere for bildeinnsamling er beskrevet i en tidligere artikkel16. Minimalt med forhåndsprosesserte data ble lastet ned for demonstrasjonen, som var ferdig med følgende trinn for forbehandling: korrigering av gradientforvrengning, bevegelseskorreksjon, forbehandling av feltkart, romlig forvrengningskorreksjon, romlig normalisering til rommet Montreal Neurological Institute (MNI), intensitetsnormalisering og fjerning av skjevhetsfelt. Resting-state fMRI-data fra forskernes prosjekter kan også brukes.
1. Forhåndsbehandling av data
- Kontroller datakvaliteten og ekskluder deltakere med manglende retestdata og overdreven hodebevegelse (3 mm i oversettelse og 3 ° i rotasjon).
MERK: Fem deltakere ble fjernet, og 38 unge voksne (22-35 år) ble inkludert i hovedanalysene. - Åpne verktøykassen GRETNA (graph theoretical network analysis)17 i MATLAB for å utføre ytterligere trinn for forhåndsbehandling. Klikk på partiet med FC Matrix Construction. Velg banen til det funksjonelle datasettet for å laste inn NIFTI-dokumentene og utføre følgende trinn, som vist i pipeline-alternativet i figur 1:
- Fjern de første 10 bildene ved å dobbeltklikke Timepoint Number for å fjerne i Fjern første bilder og skrive inn 10.
- Romlig jevn (full bredde ved halv maksimum [FWHM] = [4, 4, 4] ved å dobbeltklikke på FWHM (mm) i Romlig jevning og skrive inn [4, 4, 4]).
- Regress ut kovariater. Velg hvite materiesignaler, CSF-signaler og hodebevegelse som SANN. Velg riktig maske i henhold til den faktiske voxelstørrelsen, for eksempel maske med 2 mm her, og velg Friston-24-parametere for Head Motion.
- Tidsmessig filter. Skriv inn verdien av TR i henhold til repetisjonstiden for MR-skanningen (f.eks. 720 ms her) og fjern høyfrekvent og lavfrekvent støy ved å dobbeltklikke på bånd (Hz) og skrive inn [0,01 0,1].
MERK: Resultater med og uten regresjon av hele hjernesignaler er presentert nedenfor. Ved bruk av forhåndsbehandlede data anbefales også veletablerte datasamlebånd som fMRI-prep18 og Data Processing Assistant for Resting-State fMRI (DPARSF)19 .
Figur 1: Rs-fMRI forprosess og estimering av funksjonell nettverkstilkobling. Innstillingene for forprosess (fjerning av de første 10 bildene, romlig glatting med FWHM på 4 mm, lineær temporalt detrending, regressering av signaler fra hvit substans, cerebrospinalvæskesignaler (CSF) og hodebevegelse med 24 parametere, filtrering av båndet på 0,01-0,1 HZ) og den statiske korrelasjonen med fisher' Z transformert. Forkortelser: Rs-fMRI = hviletilstand funksjonell magnetisk resonansavbildning; FWHM = full bredde ved halv maksimum; CSF = cerebrospinalvæske. Klikk her for å se en større versjon av denne figuren.
2. Nettverksbygging og analyser
MERK: Den generelle arbeidsflyten for konstruksjon og analyse av navigasjonsnettverket er oppsummert i tre hovedtrinn (figur 2).
Figur 2: Generell arbeidsflyt for konstruksjon og analyser av navigasjonsnettverket. (A) Velg navigasjon som begrepet som skal søkes i Neurosynth-databasen. (B) En liste over aktiveringskoordinater kan genereres. (C) Kjør en meta-analyse ved hjelp av funksjoner fra Neurosynth for å få flere hjernekart. (D,E) Ved å inkorporere det metaanalytiske kartet og et helhjerneparcellasjonsatlas (AICHA), kan noder (ROI) genereres. (F) Konstruksjon av et navigasjonsnettverk ved hjelp av de resulterende navigasjonsnodene og deres funksjonelle tilkobling (Connectivity Estimation and Network Analysis). Forkortelser: ROI = interesseområde; AICHA = atlas over iboende tilkobling av homotopiske områder. Klikk her for å se en større versjon av denne figuren.
- Definisjon av nettverksnoder
- Last ned den nyeste Neurosynth-databasen (neurosynth.org)20 ved å skrive kommandoen i Python:
>import nevrosynth som NS
>ns.dataset.download (path = './', pakke ut = True)
MERK: Datasettarkivet ('current_data.tar.gz') inneholder to filer: 'database.txt' og 'features.txt'. Disse inneholder alle aktiveringskoordinatene fra nevroavbildningsartikler og metaanalysekoder som forekommer med høy frekvens i den artikkelen, henholdsvis. - Generer en ny datasettforekomst fra database.txt og legg til funksjoner i disse dataene ved å skrive inn kommandoen:
> fra neurosynth.base.dataset import Datasett
> datasett = Datasett('data/database.txt')
> dataset.add_features('data/features.txt')
- Kjør en metaanalyse med interessebegrepet (dvs. 'navigasjon') ved å skrive inn kommandoen:
> ids = dataset.get_ids_by_features ('navigasjon', terskel = 0,01)
> ma = meta. Metaanalyse (datasett, ids)
> ma.save_results('.', 'navigasjon')
MERK: Metaanalysen resulterer i flere hjernekart i NIFTI-format. En terskel for falsk oppdagelsesrate (FDR) på 0,01 ble brukt for å kontrollere frekvensen for falskt positive. Arkivert kunnskap er nødvendig på dette trinnet for å sikre at de vanlig rapporterte regionene er inkludert i det metaanalytiske kartet. Lignende trinn kan brukes til å kjøre metaanalyser for andre kognitive funksjoner som språk og hukommelse. - Definer interesseklynger ved å inkludere det metaanalytiske kartet og et parcellationatlas for hele hjernen ved å skrive kommandoen fra FSL:
>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 etikett _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
MERK: To atlas ble brukt her: AAL og AICHA. AAL er atlaset som ble brukt i den opprinnelige studien for nodedefinisjonen12. Dette atlaset ble opprettet basert på de anatomiske profilene. Atlaset over inneboende tilkobling av homotopiske områder (AICHA)21 har en mye finere oppløsning og høyere funksjonell homogenitet. Vi definerte interesseområdene ved hjelp av hvert av atlaset. - Skriv inn skript i Python for å sjekke størrelsen på hver region på kartet:
>for i i np.arange(n)+1:
>____region_list.Vedlegg(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))
MERK: Heltallet n i skriptet angir totalt antall regioner i AICHA- og AAL-parcellasjonen (henholdsvis 384 og 128). For å unngå effekten av falske klynger, foreslås det at klynger med relativt små størrelser (f.eks. 100 voxels) kan fjernes. AICHA-atlaset som brukes her, genereres ved hjelp av funksjonelle tilkoblingsdata, der hver region viser homogenitet av funksjonell tidsmessig aktivitet i seg selv.
- Last ned den nyeste Neurosynth-databasen (neurosynth.org)20 ved å skrive kommandoen i Python:
- Estimering av nettverkstilkobling
MERK: GRETNA-verktøykassen brukes til estimering av tilkobling og nettverksanalyse.- Klikk på partiet med FC Matrix Construction. Last inn de forhåndsbehandlede rs-fMRI-dataene ved å velge banen til det funksjonelle datasettet. Klikk på alternativet for statisk korrelasjon . Last opp noden som ble oppnådd i forrige trinn som et atlas for å beregne den statiske korrelasjonen mellom rs-fMRI-signaler for hvert regionpar og overføre dem til Fishers z-score for å forbedre normaliteten.
MERK: Den detaljerte operasjonen er vist i figur 1. Navigasjonsnettverksmatrisene til N × N (N representerer antall noder) for hver deltaker vil bli oppnådd i .txt format. - Få et positivt og vektet nettverk med følgende trinn, som vist i figur 3.
- Klikk på partiet med Nettverksanalyse. Legg til nettverksmatrisene i vinduet Brain Connectivity Matrix og velg en utdatakatalog for forberedelse.
- For rørledningsalternativet Nettverkskonfigurasjon, velg positivt i matrisetegnet, som vil sette negative forbindelser i funksjonstilkoblingsmatrisen til 0 og eliminere tvetydige tilkoblinger22. Velg nettverkstypen som vektet for å få det ikke-rettede vektede nettverket.
MERK: I tillegg til de vektede nettverkene, kan man også binarisere nettverkene for å lage binære nettverk for påfølgende analyser (med forskjellige tilnærminger), men den vektede anses ofte å vise høyere pålitelighet23,24.
- Klikk på partiet med FC Matrix Construction. Last inn de forhåndsbehandlede rs-fMRI-dataene ved å velge banen til det funksjonelle datasettet. Klikk på alternativet for statisk korrelasjon . Last opp noden som ble oppnådd i forrige trinn som et atlas for å beregne den statiske korrelasjonen mellom rs-fMRI-signaler for hvert regionpar og overføre dem til Fishers z-score for å forbedre normaliteten.
- Nettverksanalyse
- Legg til liten verden, global effektivitet, klyngekoeffisient, korteste banelengde, gradsentralitet og lokal effektivitet til GRETNA-nettverksmetrisk analysepipeline, som vist i figur 3.
MERK: Liten verden og global effektivitet er to globale nettverksmålinger. Spesielt kan nettverket med liten verden maksimere effektiviteten av informasjonsoverføring til en relativt lav ledningskostnad. Global effektivitet gjenspeiler overføringseffektiviteten parallelt med informasjonen i transportnettverket. For nodale nettverksberegninger måler gradsentraliteten antall koblinger som er koblet til en node. Den korteste stilengden, som navnet, er et grunnlag for å måle integrasjon. Klyngekoeffisienten indikerer i hvilken grad nodenes naboer er sammenhengende med hverandre. Lokal effektivitet er effektiviteten i kommunikasjonen med noden og dens naboer (den detaljerte formelen og bruken er vist i disse papirene) 17,25. Brain connectivity toolbox (BCT)25 og andre verktøykasser kan også brukes til beregning av nettverksmålingene. - Velg Nettverkstetthet i terskelmetoden for å ekskludere de forvirrende effektene av falske tilkoblinger, og angi et sett med terskelsekvenser (dvs. 0,05, 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4, 0,45, 0,5 brukes her) for ytterligere å bestemme riktig terskel i henhold til de statistiske resultatene.
MERK: Forholdet mellom kanter og maksimalt antall kanter i et nettverk med prøveantallet noder er kjent som terskelen for sparsitet. En sparsitetsterskel garanterer at forskjellige individer har samme antall kanter. Vi valgte å utforske ulike terskler for validering, noe som kunne gi nyttige data for å velge en optimal terskel i fremtidige studier. - Sett det tilfeldige nettverksnummeret som 1,000 for å generere tilfeldige nettverk ved hjelp av en Markov-ledningsalgoritme26. Klikk Kjør for å kjøre pipelinen i GRETNA etter at alle trinnene er definert.
MERK: I likhet med ekte hjernenettverk opprettholder de tilfeldige nettverkene samme antall noder, kanter og gradfordeling. For å avgjøre om de er betydelig ikke-tilfeldig topologisk konstruert, vil de bli sammenlignet med hjernenettverk. Etter å ha kjørt pipelinen, vil en gruppe score for nettverksmålingene for hver av tersklene bli oppnådd for videre statistiske analyser. - Bestem det optimale antall moduler i nettverket i fire trinn.
- Beregn det gjennomsnittlige navigasjonsnettverket. Klikk på badet til Metrisk sammenligning og velg Tilkobling. Last inn nettverksmatrisene som er oppnådd ovenfor, og velg gjennomsnittlig (funksjonell) operasjon. Velg en utgangsretning for å bevare den gjennomsnittlige nettverksmatrisen; se figur 4 for flere detaljer.
- Del det gjennomsnittlige nettverket oppnådd fra trinnene ovenfor i 2, 3, 4 og 5 moduler ved hjelp av funksjonsspektralklyngen i MATLAB.
- Beregn andelen noder delt inn i samme modul i REST 1 og REST 2 etter justering av moduldivisjonene ved hjelp av skriptet procrustes_alignment.m. Bruk andelen som indeks for repeterbarhet av modulpartisjonen.
- Velg antall moduler med høyest repeterbarhet.
- Legg til liten verden, global effektivitet, klyngekoeffisient, korteste banelengde, gradsentralitet og lokal effektivitet til GRETNA-nettverksmetrisk analysepipeline, som vist i figur 3.
- Statistiske analyser
MERK: Følgende analyser er hovedsakelig for validering og vil ikke være nødvendige ved bruk av denne protokollen på individuelle variasjonsstudier.- Undersøk likheten til disse nettverksberegningene mellom to nettverk med forskjellige typer strategier for nodedefinisjon (dvs. den nye som ble generert i denne studien, betegnet som NaviNet_AICHA og den tidligere fra Kong et al., betegnet som NaviNet_AAL)12. Beregn Pearson-korrelasjonen ved hjelp av funksjonen corrcoef i MATLAB og gjenta analysene for hver sparsitetsterskel.
MERK: Etter å ha trukket ut nettverksberegningene, kan man utføre statistiske analyser de er interessert i. - Kontroller test-retest-påliteligheten til disse nettverksmålingene ved hjelp av funksjonen ICC i MATLAB27,28, som implementerer beregningen av intraklassekorrelasjonskoeffisienten.
MERK: De opprinnelige ukorrigerte p-verdiene ble rapportert i avsnittet om representative resultater. 0,2 < ICC < 0,4 tolkes som en indikasjon på en rettferdig test-retest-reliabilitet og ICC > 0,4 tolkes som moderat til god test-retest-reliabilitet29,30. Negativ ICC-skår ble satt til null, gitt at forekomsten av negative ICC-er er meningsløs og vanskelig å tolke31.
- Undersøk likheten til disse nettverksberegningene mellom to nettverk med forskjellige typer strategier for nodedefinisjon (dvs. den nye som ble generert i denne studien, betegnet som NaviNet_AICHA og den tidligere fra Kong et al., betegnet som NaviNet_AAL)12. Beregn Pearson-korrelasjonen ved hjelp av funksjonen corrcoef i MATLAB og gjenta analysene for hver sparsitetsterskel.
Figur 3: Analyse av nettverksmålinger. Denne analysen definerer de vektede positive nettverkene med 10 terskler. Beregn to globale nettverksberegninger av små ord og effektivitet, fire nodale nettverksmetrikker for klyngekoeffisient, korteste banelengde, effektivitet og gradssentralitet. Klikk her for å se en større versjon av denne figuren.
Figur 4: Beregningen av gjennomsnittlige navigasjonsnettverk. Den gjennomsnittlige (funksjonelle) operasjonen bidrar til å beregne gjennomsnittlig nettverk av alle deltakere. Klikk her for å se en større versjon av denne figuren.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Navigasjonsnettverkene
Den nåværende studien identifiserte 27 hjernegrupper, som er assosiert med romlig navigasjon, ved å inkorporere den nyeste meta-analyse-neuroimaging-databasen og AICHA-atlaset. Disse regionene besto av mediale temporale og parietale regioner som har blitt hyppig rapportert i navigasjonsneuroimaging studier. Den romlige fordelingen av disse regionene er vist i figur 5A og figur 5C. Til sammenligning visualiserte vi også en tidligere definisjon av de romlige navigasjonsområdene i figur 5B og figur 5D. Tjue regioner fra AAL-atlaset ble inkludert som en sammenligning. Disse to settene med regioner viste en stor overlapping.
Figur 5: De modulære gjennomsnittlige navigasjonsnettverkene. (A) Modulariteten til NaviNet_AICHA i REST1. (B) Modularitet av NaviNet_AAL i REST1. (C,D) representerer modulariteten til NaviNet_AICHA og NaviNet_AAL i REST1 som regresserer ut hele hjernesignalene henholdsvis. Ulike nodefarger indikerer forskjellige moduler identifisert i hvert nettverk. To moduler er vist i NaviNet_AICHA og NaviNet_AAL, som inkluderer en medial temporal modul og en parietalmodul. Forkortelser: AICHA = atlas over inneboende tilkobling av homotopiske områder; AAL = anatomisk automatisk merking. Klikk her for å se en større versjon av denne figuren.
Interessant nok viste disse to nettverkene lignende samfunnsfordeling (figur 5). Spesifikt viste modularitets- og repeterbarhetsanalyser to moduler i både NaviNet_AICHA og NaviNet_AAL (én ventralmodul inkludert mediale temporalregioner og én dorsalmodul inkludert parietalregionene) (tabell 1). De ventrale og dorsale modulene var like mellom NaviNet_AICHA og NaviNet_AAL, selv om antall noder var større i førstnevnte, gitt den finere hjerneparcellasjonen til AICHAI-atlaset. Disse resultatene var uavhengige av strategiene som ble brukt for å håndtere globale signaler i forbehandlingsprosedyren (figur 5). I tillegg ble lignende samfunnsfordelinger observert i REST2-datasettet (tilleggsfigur S1).
Likhet mellom de topologiske egenskapene til to navigasjonsnettverk
Deretter undersøkte vi likheten til hvert nettverksmål mellom de to nettverkene. Hensikten med likhetsanalysene var todelt: (1) å evaluere generaliserbarheten av resultatene ved bruk av ulike definisjonsstrategier og (2) å bestemme en optimal nettverksterskel for nettverksanalysene.
Generelt viste fem av de seks beregningene, med unntak av klyngekoeffisienten, signifikante korrelasjoner mellom de to nettverkene med flertallet av nettverkssparsitetstersklene som ble brukt i nettverksanalysene (figur 6). Likhetsverdiene økte raskt med sparsitetsterskelen for alle beregninger, bortsett fra gjennomsnittlig nodegrad, som viste en utmerket likhetsverdi med begge terskelen. Småverdenmetrikken viste den høyeste likheten ved en terskel mellom 0,30 og 0,40, der andre beregninger også viste den høyeste likheten. Disse resultatene tyder på at analysene på nettverksnivå vil kunne gjenspeile stabile individuelle forskjeller uavhengig av nodedefinisjonsvalg, og at sparsitetsterskelen på 0,30-0,40 vil gi bedre generaliserbarhet i navigasjonsnettanalyser. Se tilleggsfigur S2 for flere likheter med REST2.
Figur 6: Likhet av topologiske egenskaper til to nettverk. Resultatene av REST 1 (A) uten og (B) med regressering av hele hjernesignaler vises. Pearson-korrelasjonskoeffisienten på y-aksen indikerer likheten mellom topologiske egenskaper til de to nettverkene. Sparsitetsterskelen varierer fra 0,05 til 0,5. Stjernene i figurene angir signifikansnivået, der *p < 0,05, **p < 0,01, ***p < 0,001. Klikk her for å se en større versjon av denne figuren.
Test-retest-påliteligheten
Vi evaluerte også test-retest-påliteligheten til de topologiske målingene i navigasjonsnettverkene. Ulike sparsitetsterskler mellom 0,05 og 0,50 ble brukt ved beregning av disse nettverkstiltakene for å fjerne potensiell falsk tilkobling i nettverkene (se tilleggstabell S1 for detaljer). Her rapporterte vi hovedsakelig resultater med en terskel på 0,40, gitt likhetsresultatene ovenfor. Flertallet av nettverksmålingene viste god til god pålitelighet (ICC > 0.2) både i nettverket NaviNet_AICHA og NaviNet_AAL, mens NaviNet_AAL viste relativt høyere pålitelighet enn NaviNet_AICHA. I tillegg fant vi at å inkludere global signalregresjon i fMRI-dataforbehandling kunne resultere i høyere pålitelighet (figur 7). Klyngekoeffisienten, korteste banelengde og liten verden i det NaviNet_AAL nettverket viste den høyeste test-retest-påliteligheten, mens klyngekoeffisienten og den lille verden i NaviNet_AICHA også viste høyere test-retest-pålitelighet enn andre mål. Disse resultatene antyder at klyngekoeffisienten og den lille verden er den mest pålitelige blant disse beregningene.
Figur 7: Test-retest-pålitelighet av topologiske egenskaper til navigasjonsnettverk. (A) Test-retest pålitelighet for data uten å regressere ut hele hjernen signaler. (B) Test-retest pålitelighet for data som regresserer ut hele hjernen signaler. Forkortelser: ICC = intra-klasse korrelasjonskoeffisient; Cc = klyngekoeffisient; Lp = korteste banelengde; Sw = små-worldness; Nd = gjennomsnittlig nodal grad; F.eks = global effektivitet; Eloc = lokal effektivitet; AICHA = atlas av inneboende tilkobling av homotopiske områder; AAL = anatomisk automatisk merking; cNGS = data uten å regressere ut hele hjernesignalene; cWGS = regressere ut hele hjernesignalene. Klikk her for å se en større versjon av denne figuren.
| Modul tall | |||||
| 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 | |
Tabell 1: Repeterbarheten av modulpartisjonen mellom REST 1 og REST 2. Den første raden angir antall moduler. cNGS representerer rs-fMRI uten å regressere ut de globale signalene og cWGS representerer rs-fMRI regressert ut de globale signalene. Et større tall indikerer høyere repeterbarhet, og to moduler er valgt for NaviNet_AICHA og NaviNet_AAL i den nåværende teksten. Forkortelser: AICHA = atlas over inneboende tilkobling av homotopiske områder; AAL = anatomisk automatisk merking.
Tilleggsfigur S1: De modulære gjennomsnittlige navigasjonsnettene i REST 2. (A,B) Modulariteten til NaviNet_AICHA og NaviNet_AAL i REST 2-datasettet uten å regressere ut hele hjernesignalene. (C,D) Modulariteten til NaviNet_AICHA og NaviNet_AAL i REST 2-datasettet med hele hjernen signaliserer regresjon. Ulike nodefarger indikerer forskjellige moduler identifisert i hvert nettverk. Begge to modulene er vist i NaviNet_AICHA og NaviNet_AAL. Klikk her for å laste ned denne filen.
Tilleggsfigur S2: Likhet av topologiske egenskaper til to nettverk i REST 2. Resultatene av REST 2 uten/med regresserende hele hjernesignaler er vist (henholdsvis A og B). Pearson-korrelasjonskoeffisienten på y-aksen indikerer likheten mellom topologiske egenskaper til de to nettverkene. Sparsitetsterskelen varierer fra 0,05 til 0,5. Stjernene i figurene angir signifikansnivået, der *p < 0,05, **p < 0,01, ***p < 0,001. Klikk her for å laste ned denne filen.
Tilleggstabell S1: Test-retest-pålitelighet av topologiske egenskaper til navigasjonsnett med ulike sparsitetsterskler. Verdiene angir korrelasjonskoeffisienten mellom klassene på NaviNet_AICHA og NaviNet_AAL med ulike sparsitetsterskler. Forkortelser: Cc = klyngekoeffisient; Lp = korteste banelengde; Sw = liten woldness; Nd = gjennomsnittlig nodal grad; F.eks = global effektivitet; Eloc = lokal effektivitet; cNGS = data uten å regressere ut hele hjernesignalene; cWGS = regressere ut hele hjernesignalene. Klikk her for å laste ned denne filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Nettverksnevrovitenskap forventes å bidra til å forstå hvordan hjernenettverket støtter menneskelige kognitive funksjoner32. Denne protokollen demonstrerer en integrert tilnærming til å studere det funksjonelle nettverket for romlig navigasjon i den menneskelige hjerne, som også kan inspirere nettverksmodellering for andre kognitive konstruksjoner (f.eks. Språk).
Denne tilnærmingen besto av tre hovedtrinn: nodedefinisjon, nettverkskonstruksjon og nettverksanalyse. Mens nettverkskonstruksjon og nettverksanalyse er de samme som i generelle nettverksstudier av hele hjernen, er nodedefinisjon det mest kritiske trinnet i denne protokollen. Dette trinnet bruker en storskala metaanalyse av funksjonell aktivering relatert til romlig navigasjon for å lokalisere de viktigste hjernegruppene for navigasjonsatferd. Dermed kan vi modellere det funksjonelt meningsfulle nettverket, som bidrar til å forstå det nevrale grunnlaget for den komplekse behandlingen fra et nettverksperspektiv. Merk at prefrontale regioner manglet i nodedefinisjonsresultatene, mens et økende antall navigasjonsstudier har antydet kritiske roller for disse regionene33. Dette kan skyldes mangel på aktivering av disse regionene i navigasjonsrelaterte studier i databasen, noe som resulterte i begrensede data for metaanalysen. Når flere data er tilgjengelige for å lokalisere disse navigasjonsrelaterte prefrontale regionene, ville det være et interessant spørsmål å undersøke deres roller i navigasjonsnettverket i fremtidige studier. Forskere kan også bruke denne protokollen til å studere andre kognitive funksjoner når lokalisering av individuelle hjernegrupper er mulig. Feltkunnskap er nødvendig for å identifisere regioner av interesse for å sikre nær tilknytning til den spesifikke funksjonen.
I denne protokollen fokuserte vi på det romlige navigasjonsnettverket og viste et høyt dekke av ulike hjernegrupper rapportert i romlige navigasjonsstudier. Gitt fraværet av en universelt avtalt definisjon av hjernegrupper som støtter romlig navigasjon, brukte demonstrasjonen to sett med regioner, en generert ved å inkorporere den største metaanalysen og AICHA-atlaset, og den andre med AAL-atlaset. De nettverkstopologiske egenskapene basert på de to definisjonene viste generelt høy likhet, noe som til en viss grad støtter effektiviteten til den funksjonsspesifikke nettverksmodelleringen.
Vi bemerket at likhetsstyrken økte med sparsitetstersklene som ble brukt i nettverksanalysene, og resultatene antydet at en sparsitetsterskel på 0,30-0,40 ville være et riktig valg da alle nettverksmålingene viste den høyeste likheten med disse terskler. Med slike terskler viste nettverksmålingene også rettferdig til god test-retest-pålitelighet, spesielt for korteste banelengde og liten verden i tilfelle der global signalregresjon var inkludert i dataforbehandlingen. Disse resultatene støtter i stor grad bruken av disse beregningene i studier av individuelle forskjeller og relaterte hjernesykdommer.
På grunn av mangel på riktige atferdsdata kunne vi ikke presentere atferdskorrelater av nettverksmetrikken med romlig navigasjon i denne protokollen. Basert på noen tidligere studier på hjerneatferdsforeninger av funksjonelle tilkoblingsberegninger av navigasjonsrelaterte regioner12,34, forventet vi at nettverksmodelleringen med denne protokollen ville vise en spesifikk tilknytning til romlig navigasjon. Store prøver med både neuroimaging og atferdsdata er nødvendig for å undersøke disse foreningene ytterligere. I tillegg, mens test-retest-pålitelighetsresultatene ikke var veldig høye, var styrken sammenlignbar med de som ble rapportert av tidligere fMRI-studier35.
Fremtidige studier kan bruke denne protokollen for å bedre forstå det nevrale grunnlaget for romlig navigasjon fra et nettverksperspektiv og utforske variasjonene hos mennesker. For eksempel kan forskere benytte seg av denne protokollen for å undersøke utviklingen og aldringsbanen til navigasjonsnettverk, og i klinisk praksis gir nettverksegenskapene viktige biomarkører for å veilede tidlig identifisering og diagnostisering av hjernesykdommer som Alzheimers sykdom. Dessuten kan fremtidige studier også bruke en lignende protokoll for å konstruere nettverksmodellene for andre kognitive konstruksjoner.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne erklærer at det ikke foreligger noen interessekonflikt.
Acknowledgments
Xiang-Zhen Kong ble støttet av National Natural Science Foundation of China (32171031), STI 2030 - Major Project (2021ZD0200409), Fundamental Research Funds for the Central Universities (2021XZZX006), og Information Technology Center of 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).
