Summary
Este artigo apresenta uma abordagem integrativa para investigar a rede funcional para navegação espacial no cérebro humano. Esta abordagem incorpora um banco de dados meta-analítico de neuroimagem em larga escala, ressonância magnética funcional de repouso e modelagem de redes e técnicas teóricas de grafos.
Abstract
A navegação espacial é uma função complexa que envolve a integração e manipulação de informações multissensoriais. Usando diferentes tarefas de navegação, muitos resultados promissores foram alcançados nas funções específicas de várias regiões cerebrais (por exemplo, hipocampo, córtex entorrinal e área do lugar para-hipocampal). Recentemente, tem sido sugerido que um processo de rede não agregado envolvendo múltiplas regiões cerebrais interagindo pode caracterizar melhor a base neural dessa função complexa. Este artigo apresenta uma abordagem integrativa para a construção e análise de redes funcionalmente específicas para navegação espacial no cérebro humano. Resumidamente, essa abordagem integrativa consiste em três etapas principais: 1) identificar regiões cerebrais importantes para a navegação espacial (definição de nós); 2) estimar a conectividade funcional entre cada par dessas regiões e construir a matriz de conectividade (construção de rede); 3) investigar as propriedades topológicas (por exemplo, modularidade e pequena mundanidade) da rede resultante (análise de rede). A abordagem apresentada, a partir de uma perspectiva de rede, poderia nos ajudar a entender melhor como nosso cérebro suporta navegação flexível em ambientes complexos e dinâmicos, e as propriedades topológicas reveladas da rede também podem fornecer biomarcadores importantes para orientar a identificação precoce e o diagnóstico da doença de Alzheimer na prática clínica.
Introduction
A especificidade funcional é um princípio organizacional fundamental do cérebro humano, que desempenha um papel crucial na formação das funções cognitivas1. Anormalidades na organização da especificidade funcional podem refletir deficiências cognitivas marcantes e os fundamentos patológicos associados de grandes distúrbios cerebrais, como autismo e doença de Alzheimer 2,3. Embora as teorias e pesquisas convencionais tendam a se concentrar em regiões cerebrais únicas, como a área da face fusiforme (FFA) para reconhecimento facial4 e a área do lugar do parahipocampo (PPA)5 para processamento de cenas, um corpo crescente de evidências sugere que funções cognitivas complexas, incluindo navegação espacial e linguagem, requerem atividade coordenada em várias regiões cerebrais6. Investigar os mecanismos subjacentes às interações em apoio a funções cognitivas complexas é uma questão científica crítica que ajudará a lançar luz sobre a arquitetura funcional e o funcionamento do cérebro. Aqui, tomando a navegação espacial como exemplo, apresentamos um método integrativo para modelagem da rede funcional para navegação espacial no cérebro humano.
A navegação espacial é uma função cognitiva complexa, que envolve a integração e manipulação de múltiplos componentes cognitivos, como codificação visuoespacial, memória e tomada de decisão7. Com a ressonância magnética funcional (RMf), numerosos estudos fizeram avanços significativos na compreensão do processamento cognitivo subjacente e dos mecanismos neurais. Por exemplo, funções específicas têm sido associadas a diferentes regiões cerebrais usando várias tarefas de navegação: o processamento de cenas está especificamente associado à APP, e a transformação das estratégias de navegação está associada ao córtex retroesplenial (CRE)8,9. Esses estudos forneceram informações importantes sobre as bases neurais da navegação espacial. No entanto, a navegação é uma função internamente dinâmica e multimodal, e as funções de regiões isoladas não são suficientes para explicar grandes diferenças individuais na navegação espacial10 que são comumente observadas.
Com o surgimento da conectômica baseada em fMRI, os pesquisadores começaram a explorar como algumas regiões-chave do cérebro interagem entre si para apoiar a navegação espacial. Por exemplo, descobriu-se que a conectividade funcional entre os córtices entorrinal e cingulado posterior sustenta discrepâncias de navegação na doença de Alzheimer em risco11. Em outro estudo, propusemos pela primeira vez uma abordagem de rede integrando métodos de conectoma e quase todas as regiões (nós) funcionalmente relevantes para navegação espacial, e os resultados mostraram que as propriedades topológicas dessa rede mostraram associações específicas com comportamentos de navegação12. Este estudo fornece novos insights sobre teorias de como múltiplas regiões cerebrais interagem entre si para suportar comportamentos flexíveis de navegação10,13.
O presente trabalho demonstra uma versão atualizada da abordagem integrativa para modelagem de redes funcionais. Resumidamente, duas atualizações foram incluídas: 1) Enquanto os nós definidos no estudo original foram identificados com base em uma base de dados anterior e menor (55 estudos com 2.765 ativações, acessados em 2014), a presente definição foi baseada na base de dados mais recente (77 estudos com 3.908 ativações, acessados em 2022); 2) para aumentar a homogeneidade funcional de cada nódulo, além do atlas anatômico original AAL (Anatomical Automatic Labeling)14, aplicamos uma nova parcelação cerebral, que tem uma resolução muito mais fina e maior homogeneidade funcional (veja abaixo). Esperávamos que ambas as atualizações melhorassem a modelagem da rede funcional. Este protocolo atualizado fornece um procedimento detalhado para investigar a base neural da navegação espacial a partir de uma perspectiva de rede e ajuda a entender as variações individuais nos comportamentos de navegação em saúde e doença. Um procedimento semelhante também poderia ser usado para modelagem de rede para outros construtos cognitivos (por exemplo, linguagem e memória).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOTA: Todo o software usado aqui é mostrado na Tabela de Materiais. Os dados utilizados neste estudo para fins de demonstração foram do Projeto Conectoma Humano (HCP: http://www. humanconnectome.org)15. Todos os procedimentos experimentais foram aprovados pelo Comitê de Ética em Pesquisa (CEP) da Universidade de Washington. Os dados de imagem no conjunto de dados do HCP foram adquiridos usando um scanner 3T modificado Siemens Skyra com uma bobina de cabeça de 32 canais. Outros parâmetros de aquisição de imagens estão detalhados em um trabalho anterior16. Dados mínimos pré-processados foram baixados para a demonstração, que terminou as seguintes etapas de pré-processamento: correção de distorção de gradiente, correção de movimento, pré-processamento de mapa de campo, correção de distorção espacial, normalização espacial para o espaço do Montreal Neurological Institute (MNI), normalização da intensidade e remoção do campo de viés. Dados de RMf em repouso de projetos de pesquisadores também podem ser usados.
1. Pré-processamento de dados
- Verifique a qualidade dos dados e exclua os participantes com dados de reteste ausentes e movimento excessivo da cabeça (3 mm em translação e 3° em rotação).
NOTA: Cinco participantes foram removidos, e 38 adultos jovens (22-35 anos) foram incluídos nas análises principais. - Abra a caixa de ferramentas de análise teórica de rede gráfica (GRETNA)17 no MATLAB para executar etapas adicionais de pré-processamento. Clique no lote de FC Matrix Construction. Selecione o caminho do conjunto de dados funcional para carregar os documentos NIFTI e execute as seguintes etapas, conforme mostrado na opção de pipeline na Figura 1:
- Remova as primeiras 10 imagens clicando duas vezes em Número do Ponto de Tempo para Remover em Remover Primeiras Imagens e inserindo 10.
- Espacialmente suave (largura total na metade do máximo [FWHM] = [4 4 4] clicando duas vezes em FWHM (mm) em Espacialmente suave e digitando [4 4 4]).
- Regressar covariáveis. Escolha Sinais de substância branca, sinais de CSF e movimento de cabeça como TRUE. Selecione a máscara apropriada de acordo com o tamanho real do voxel, por exemplo, máscara com 2 mm aqui, e escolha os parâmetros Friston-24 para Movimento da cabeça.
- Filtro temporal. Insira o valor do TR de acordo com o tempo de repetição do exame de RM (por exemplo, 720 ms aqui) e remova o ruído de alta e baixa frequência clicando duas vezes em Banda (Hz) e digitando [0,01 0,1].
NOTA: Os resultados com e sem regressão de sinais cerebrais inteiros são apresentados abaixo. Ao usar dados não pré-processados, pipelines bem estabelecidos, como fMRI-prep18 e Data Processing Assistant for Resting-State fMRI (DPARSF)19 , também são recomendados.
Figura 1: Estimativa do pré-processo e da conectividade de rede funcional do Rs-fMRI. As configurações de pré-processamento (remoção das primeiras 10 imagens, suavização espacial com FWHM de 4 mm, destendência temporal linear, regressão dos sinais da substância branca, sinais do líquido cefalorraquidiano (LCR) e movimento da cabeça com 24 parâmetros, filtrando a banda de 0,01-0,1 HZ) e a correlação estática com o Z de fisher transformado. Abreviações: Rs-fMRI = ressonância magnética funcional em repouso; FWHM = largura total na metade-máximo; LCR = líquido cefalorraquidiano. Clique aqui para ver uma versão maior desta figura.
2. Construção e análise de redes
NOTA: O fluxo de trabalho geral para a construção e análise da rede de navegação é resumido em três etapas principais (Figura 2).
Figura 2: Fluxo de trabalho geral para a construção e análise da rede de navegação. (A) Escolha navegação como o termo a ser pesquisado no banco de dados Neurosynth. (B) Uma lista de coordenadas de ativação pode ser gerada. (C) Execute uma meta-análise usando funções do Neurosynth para obter vários mapas cerebrais. (D,E) Ao incorporar o mapa meta-analítico e um atlas de parcelamento de todo o cérebro (AICHA), nós (ROI) podem ser gerados. (F) A construção de uma rede de navegação utilizando os nós de navegação resultantes e sua conectividade funcional (Estimativa de Conectividade e Análise de Rede). Abreviações: ROI = região de interesse; AICHA = atlas de conectividade intrínseca de áreas homotópicas. Clique aqui para ver uma versão maior desta figura.
- Definição do nó de rede
- Baixe o banco de dados Neurosynth mais recente (neurosynth.org)20 digitando o comando em Python:
>importar neurosynth como ns
>ns.dataset.download (path='./', descompactar = True)
Observação : O arquivo de conjunto de dados ('current_data.tar.gz') contém dois arquivos: 'database.txt' e 'features.txt'. Eles contêm todas as coordenadas de ativação de artigos de neuroimagem e tags de meta-análise que ocorrem com alta frequência naquele artigo, respectivamente. - Gere uma nova instância de Conjunto de Dados a partir do database.txt e adicione recursos a esses dados digitando o comando:
> de neurosynth.base.dataset import Dataset
> dataset = Dataset('data/database.txt')
> dataset.add_features(«dados/features.txt»)
- Execute uma meta-análise com o termo de interesse (ou seja, 'navegação') digitando o comando:
> ids = dataset.get_ids_by_features ('navegação', limite=0,01)
> ma = meta. Meta-análise (conjunto de dados, ids)
> ma.save_results('.', 'navegação')
NOTA: A meta-análise resulta em vários mapas cerebrais no formato NIFTI. Um limiar de taxa de descoberta falsa (FDR) de 0,01 foi aplicado para controlar a taxa de falsos positivos. O conhecimento arquivado é necessário nesta etapa para garantir que as regiões comumente relatadas sejam incluídas no mapa meta-analítico. Etapas semelhantes podem ser aplicadas para executar meta-análises para outras funções cognitivas, como linguagem e memória. - Defina clusters de interesse incorporando o mapa meta-analítico e um atlas de parcelamento de todo o cérebro digitando o comando de 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 rótulo _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
NOTA: Dois atlas foram usados aqui: AAL e AICHA. O AAL é o atlas utilizado no estudo original para a definição do nó12. Este atlas foi criado com base nos perfis anatômicos. O atlas de conectividade intrínseca de áreas homotópicas (AICHA)21 tem resolução muito mais fina e maior homogeneidade funcional. Definimos as regiões de interesse usando cada um dos atlas. - Digite scripts em Python para verificar o tamanho de cada região no mapa:
>Para i em np.arange(n)+1:
>____region_list.Apêndice(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))
NOTA: O número inteiro n no script indica o número total de regiões dentro da parcelação AICHA e AAL (384 e 128, respectivamente). Para evitar os efeitos de aglomerados espúrios, sugere-se que aglomerados com tamanhos relativamente pequenos (por exemplo, 100 voxels) poderiam ser removidos. O atlas AICHA usado aqui é gerado usando dados de conectividade funcional, com cada região mostrando homogeneidade da atividade temporal funcional dentro de si.
- Baixe o banco de dados Neurosynth mais recente (neurosynth.org)20 digitando o comando em Python:
- Estimativa de conectividade de rede
NOTA: A caixa de ferramentas GRETNA é usada para estimativa de conectividade e análise de rede.- Clique no lote de FC Matrix Construction. Carregue os dados rs-fMRI pré-processados selecionando o caminho do conjunto de dados funcional. Clique na opção de correlação estática . Carregue o nó obtido na etapa anterior como um atlas para calcular a correlação estática dos sinais rs-fMRI de cada par de regiões e transferi-los para os escores z de Fisher para melhorar a normalidade.
Observação : a operação detalhada é mostrada na figura 1. As matrizes de rede de navegação de N × N (N representa o número de nós) para cada participante seriam obtidas em .txt formato. - Obtenha uma rede positiva e ponderada com as etapas a seguir, conforme mostrado na Figura 3.
- Clique no lote de Análise de Rede. Adicione as matrizes de rede na janela Matriz de conectividade do cérebro e escolha um diretório de saída para preparação.
- Para a opção de pipeline de Configuração de Rede, selecione positivo no Sinal de matriz, que definirá conexões negativas na matriz de conexão de função como 0 e eliminará conexões ambíguas22. Escolha o tipo de rede como ponderado para obter a rede ponderada não direcionada.
NOTA: Além das redes ponderadas, pode-se também binarizar as redes para criar redes binárias para análises posteriores (com diferentes abordagens), mas a ponderada é frequentemente considerada como apresentando maior confiabilidade23,24.
- Clique no lote de FC Matrix Construction. Carregue os dados rs-fMRI pré-processados selecionando o caminho do conjunto de dados funcional. Clique na opção de correlação estática . Carregue o nó obtido na etapa anterior como um atlas para calcular a correlação estática dos sinais rs-fMRI de cada par de regiões e transferi-los para os escores z de Fisher para melhorar a normalidade.
- Análise de rede
- Adicione mundo pequeno, eficiência global, coeficiente de clustering, comprimento de caminho mais curto, grau de centralidade e eficiência local ao pipeline de análise métrica de rede GRETNA, conforme mostrado na Figura 3.
NOTA: Mundo pequeno e eficiência global são duas métricas de rede global. Especificamente, a rede com mundanidade pequena pode maximizar a eficiência da transferência de informações a um custo de fiação comparativamente baixo. A eficiência global reflete a eficiência da transmissão de informações paralelas na rede de transporte. Para métricas de rede nodal, a centralidade de grau mede o número de links conectados a um nó. O comprimento de caminho mais curto, como o próprio nome, é uma base para medir a integração. O coeficiente de agrupamento indica o grau em que os vizinhos dos nós estão inter-relacionados entre si. Eficiência local é a eficiência da comunicação com o nó e seus vizinhos (a fórmula detalhada e o uso são mostrados nestes trabalhos) 17,25. A caixa de ferramentas de conectividade cerebral (BCT)25 e outras caixas de ferramentas também podem ser usadas para o cálculo das métricas de rede. - Selecione Esparsidade de rede no método de limiar para excluir os efeitos de confusão de conexões espúrias e insira um conjunto de sequências de limite (ou seja, 0,05, 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4, 0,45, 0,5 é usado aqui) para determinar ainda mais o limite apropriado de acordo com os resultados estatísticos.
Observação : a proporção de arestas para o número máximo de arestas em uma rede com o número de amostra de nós é conhecida como o limite de esparsidade. Um limiar de esparsidade garante que diferentes indivíduos tenham o mesmo número de arestas. Optou-se por explorar diferentes limiares para validação, o que poderia fornecer dados úteis para a escolha de um limiar ótimo em estudos futuros. - Defina o número de rede aleatório como 1.000 para gerar redes aleatórias usando um algoritmo de fiação Markov26. Clique em Executar para executar o pipeline no GRETNA depois que todas as etapas forem configuradas.
NOTA: Semelhante às redes cerebrais genuínas, as redes aleatórias mantêm o mesmo número de nós, arestas e distribuição de graus. Para determinar se eles são consideravelmente construídos topologicamente de forma não aleatória, eles serão comparados com redes cerebrais. Depois de executar o pipeline, um grupo de pontuações para as métricas de rede para cada um dos limiares seria obtido para análises estatísticas adicionais. - Determine o número ideal de módulos na rede em quatro etapas.
- Calcule a média da rede de navegação. Clique no banho de Comparação de Métricas e escolha Conexão. Carregue as matrizes de rede obtidas acima e escolha a operação Averaged (Funcional). Selecione uma direção de saída para preservar a matriz de rede média; consulte a Figura 4 para obter mais detalhes.
- Divida a rede média obtida da etapa acima em 2, 3, 4 e 5 módulos usando a função spectralcluster no MATLAB.
- Calcule a proporção de nós divididos no mesmo módulo em REST 1 e REST 2 depois de alinhar as divisões de módulo usando o script procrustes_alignment.m. Use a proporção como o índice de repetibilidade da partição do módulo.
- Selecione o número de módulos com maior repetibilidade.
- Adicione mundo pequeno, eficiência global, coeficiente de clustering, comprimento de caminho mais curto, grau de centralidade e eficiência local ao pipeline de análise métrica de rede GRETNA, conforme mostrado na Figura 3.
- Análise estatística
NOTA: As análises a seguir são principalmente para validação e não seriam necessárias ao aplicar este protocolo a estudos de variação individuais.- Examine a similaridade dessas métricas de rede entre duas redes com diferentes tipos de estratégias para definição de nós (i.e., a nova gerada no presente estudo, denominada como NaviNet_AICHA e a anterior de Kong et al., denominada NaviNet_AAL)12. Calcular a correlação de Pearson usando a função corrcoef no MATLAB e repetir as análises para cada limiar de esparsidade.
NOTA: Depois de extrair as métricas de rede, pode-se realizar quaisquer análises estatísticas em que estejam interessados. - Verificar a confiabilidade teste-reteste dessas métricas de rede utilizando a função ICC no MATLAB27,28, que implementa o cálculo do Coeficiente de Correlação Intraclasse.
NOTA: Os valores de p originais não corrigidos foram relatados na seção de resultados representativos. 0,2 < ICC < 0,4 é interpretado como indicativo de confiabilidade teste-reteste razoável e ICC > 0,4 é interpretado como confiabilidade teste-reteste de moderada a boa29,30. Os escores negativos do ICC foram zerados, dado que a presença de ICCs negativos é insignificante e de difícilinterpretação31.
- Examine a similaridade dessas métricas de rede entre duas redes com diferentes tipos de estratégias para definição de nós (i.e., a nova gerada no presente estudo, denominada como NaviNet_AICHA e a anterior de Kong et al., denominada NaviNet_AAL)12. Calcular a correlação de Pearson usando a função corrcoef no MATLAB e repetir as análises para cada limiar de esparsidade.
Figura 3: Análise de métricas de rede. Esta análise define as redes positivas ponderadas com 10 limiares. Calcule duas métricas de rede global de palavra pequena e eficiência, quatro métricas de rede nodal de coeficiente de clustering, comprimento de caminho mais curto, eficiência e centralidade de grau. Clique aqui para ver uma versão maior desta figura.
Figura 4: Cálculo das redes de navegação médias. A operação média (funcional) ajuda a calcular a média das redes de todos os participantes. Clique aqui para ver uma versão maior desta figura.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
As redes de navegação
O presente estudo identificou 27 regiões cerebrais associadas à navegação espacial, incorporando o mais recente banco de dados de neuroimagem de meta-análise e o atlas AICHA. Essas regiões consistiram das regiões medial temporal e parietal que têm sido comumente relatadas em estudos de neuroimagem de navegação. A distribuição espacial dessas regiões é mostrada nas Figuras 5A e 5C. Como comparação, também visualizamos uma definição anterior das regiões de navegação espacial na Figura 5B e na Figura 5D. Vinte regiões do atlas da AAL foram incluídas como comparação. Esses dois conjuntos de regiões apresentaram grande sobreposição.
Figura 5: As redes de navegação média modulares. (A) Modularidade de NaviNet_AICHA em REST1. (B) Modularidade do NaviNet_AAL em REST1. (C,D) representam a modularidade de NaviNet_AICHA e NaviNet_AAL em REST1 regredindo todos os sinais cerebrais, respectivamente. Diferentes cores de nó indicam diferentes módulos identificados em cada rede. Dois módulos são mostrados em NaviNet_AICHA e NaviNet_AAL, que inclui um módulo temporal medial e um módulo parietal. Abreviações: AICHA = atlas de conectividade intrínseca de áreas homotópicas; AAL = marcação automática anatômica. Clique aqui para ver uma versão maior desta figura.
Curiosamente, essas duas redes apresentaram distribuição comunitária semelhante (Figura 5). Especificamente, as análises de modularidade e repetibilidade mostraram dois módulos em ambos os NaviNet_AICHA e NaviNet_AAL (um módulo ventral incluindo as regiões temporais mediais e um módulo dorsal incluindo as regiões parietais) (Tabela 1). Os módulos ventral e dorsal foram semelhantes entre NaviNet_AICHA e NaviNet_AAL, embora o número de nódulos tenha sido maior no primeiro, dada a parcelação cerebral mais fina do atlas AICHAI. Esses resultados foram independentes das estratégias utilizadas para lidar com sinais globais no procedimento de pré-processamento (Figura 5). Além disso, distribuições comunitárias semelhantes foram observadas no conjunto de dados REST2 (Figura Suplementar S1).
Similaridade das propriedades topológicas de duas redes de navegação
Em seguida, examinamos a similaridade de cada medida de rede entre as duas redes. O objetivo das análises de similaridade foi duplo: (1) avaliar a generalização dos resultados ao usar diferentes estratégias de definição e (2) determinar um limiar ótimo de rede para as análises de rede.
Em geral, cinco das seis métricas, com exceção do coeficiente de clustering, mostraram correlações significativas entre as duas redes com a maioria dos limiares de esparsidade de rede utilizados nas análises de rede (Figura 6). Os valores de similaridade aumentaram rapidamente com o limiar de esparsidade para todas as métricas, exceto para o grau médio do nó, que mostrou um excelente valor de similaridade com ambos os limiares. A métrica de mundo pequeno apresentou a maior similaridade em um limiar entre 0,30 e 0,40, enquanto outras métricas também mostraram a maior similaridade. Esses resultados sugerem que as análises em nível de rede poderiam refletir diferenças individuais estáveis independentemente das escolhas de definição de nós, e que o limiar de esparsidade de 0,30-0,40 resultaria em melhor generalizabilidade nas análises de redes de navegação. Consulte a Figura Suplementar S2 para obter mais semelhanças com o REST2.
Figura 6: Similaridade das propriedades topológicas de duas redes. Os resultados do REST 1 (A) sem e (B) com regressão dos sinais cerebrais são mostrados. O coeficiente de correlação de Pearson no eixo y indica a similaridade das propriedades topológicas das duas redes. O limiar de esparsidade varia de 0,05 a 0,5. Os asteriscos nas figuras indicam o nível de significância, onde *p < 0,05, **p < 0,01, ***p < 0,001. Clique aqui para ver uma versão maior desta figura.
A confiabilidade teste-reteste
Também avaliamos a confiabilidade teste-reteste das medidas topológicas das redes de navegação. Vários limiares de esparsidade entre 0,05 e 0,50 foram usados no cálculo dessas medidas de rede para remover a conectividade espúria potencial nas redes (consulte a Tabela Suplementar S1 para obter detalhes). Aqui, relatamos principalmente resultados com um limiar de 0,40, dados os resultados de similaridade acima. A maioria das métricas de rede mostrou confiabilidade de regular a boa (ICC > 0,2) tanto no NaviNet_AICHA de rede quanto no NaviNet_AAL, enquanto o NaviNet_AAL mostrou confiabilidade relativamente maior que o NaviNet_AICHA. Além disso, observamos que a inclusão da regressão global do sinal no pré-processamento dos dados de RMf poderia resultar em maior confiabilidade (Figura 7). O coeficiente de agrupamento, o menor comprimento do caminho e o mundo pequeno na rede NaviNet_AAL apresentaram a maior confiabilidade teste-reteste, enquanto o coeficiente de agrupamento e o pequeno mundo em NaviNet_AICHA também apresentaram maior confiabilidade teste-reteste do que outras medidas. Esses resultados sugerem que o coeficiente de agrupamento e o mundo pequeno são os mais confiáveis entre essas métricas.
Figura 7: Confiabilidade teste-reteste das propriedades topológicas das redes de navegação. (A) Confiabilidade teste-reteste para dados sem regredir os sinais cerebrais inteiros. (B) Confiabilidade teste-reteste para dados que regredem os sinais cerebrais inteiros. Abreviaturas: ICC = coeficiente de correlação intraclasse; Cc = coeficiente de agrupamento; Lp = menor comprimento do caminho; Sw = mundanidade; Nd = grau nodal médio; Ex: = eficiência global; Eloc = eficiência local; AICHA = atlas de conectividade intrínseca de áreas homotópicas; AAL = marcação automática anatômica; cNGS = dados sem regredir todos os sinais cerebrais; cWGS = regressão de todos os sinais cerebrais. Clique aqui para ver uma versão maior desta figura.
| Números de módulo | |||||
| 2 | 3 | 4 | 5 | ||
| NaviNet_AICHA | cNGS | 1 | 1 | 0.96 | 0.67 |
| CGcWGS | 1 | 0.96 | 0.78 | 0.89 | |
| NaviNet_AAL | cNGS | 1 | 0.95 | 0.95 | 0.65 |
| CGcWGS | 1 | 0.95 | 0.95 | 0.95 | |
Tabela 1: A repetibilidade da partição do módulo entre REST 1 e REST 2. A primeira linha indica o número de módulos. cNGS representa o rs-fMRI sem regredir os sinais globais e cWGS representa o rs-fMRI regrediu os sinais globais. Um número maior indica maior repetibilidade, e dois módulos são escolhidos para NaviNet_AICHA e NaviNet_AAL no presente texto. Abreviações: AICHA = atlas de conectividade intrínseca de áreas homotópicas; AAL = marcação automática anatômica.
Figura suplementar S1: As redes de navegação médias modulares no REST 2. (A,B) A modularidade de NaviNet_AICHA e NaviNet_AAL no conjunto de dados REST 2 sem regredir os sinais cerebrais inteiros. (C,D) A modularidade de NaviNet_AICHA e NaviNet_AAL no conjunto de dados REST 2 com a regressão de sinais cerebrais inteiros. Diferentes cores de nó indicam diferentes módulos identificados em cada rede. Ambos os módulos são mostrados em NaviNet_AICHA e NaviNet_AAL. Clique aqui para baixar este arquivo.
Figura suplementar S2: Similaridade das propriedades topológicas de duas redes no REST 2. Os resultados do REST 2 sem/com regressão dos sinais cerebrais são mostrados (A e B, respectivamente). O coeficiente de correlação de Pearson no eixo y indica a similaridade das propriedades topológicas das duas redes. O limiar de esparsidade varia de 0,05 a 0,5. Os asteriscos nas figuras indicam o nível de significância, onde *p < 0,05, **p < 0,01, ***p < 0,001. Clique aqui para baixar este arquivo.
Tabela Suplementar S1: Confiabilidade teste-reteste das propriedades topológicas de redes de navegação com diferentes limiares de esparsidade. Os valores indicam o coeficiente de correlação intraclasse de NaviNet_AICHA e NaviNet_AAL com diferentes limiares de esparsidade. Abreviaturas: Cc = coeficiente de agrupamento; Lp = menor comprimento do caminho; Sw = pequena idade; Nd = grau nodal médio; Ex: = eficiência global; Eloc = eficiência local; cNGS = dados sem regredir todos os sinais cerebrais; cWGS = regressão de todos os sinais cerebrais. Clique aqui para baixar este arquivo.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Espera-se que a neurociência em rede ajude a entender como a rede cerebral suporta as funções cognitivas humanas32. Este protocolo demonstra uma abordagem integrativa para estudar a rede funcional para navegação espacial no cérebro humano, que também pode inspirar a modelagem de redes para outros construtos cognitivos (por exemplo, linguagem).
Essa abordagem consistiu em três etapas principais: definição de nós, construção de rede e análise de rede. Enquanto a construção de rede e a análise de rede são as mesmas que nos estudos gerais de rede de todo o cérebro, a definição de nós é a etapa mais crítica deste protocolo. Esta etapa faz uso de uma meta-análise em larga escala da ativação funcional relacionada à navegação espacial para localizar as regiões cerebrais mais importantes para os comportamentos de navegação. Assim, podemos modelar a rede funcionalmente significativa, o que ajuda a entender a base neural do processamento complexo a partir de uma perspectiva de rede. Nota-se que regiões pré-frontais estavam ausentes nos resultados da definição do nó, enquanto um número crescente de estudos de navegação tem sugerido papéis críticos dessas regiões33. Isso pode ser devido à falta de ativações dessas regiões em estudos relacionados à navegação dentro da base de dados, o que resultou em dados limitados para a metanálise. Quando mais dados estiverem disponíveis para localizar essas regiões pré-frontais relacionadas à navegação, seria uma questão interessante investigar seu papel na rede de navegação em estudos futuros. Os pesquisadores também poderiam aplicar este protocolo para estudar outras funções cognitivas quando a localização de regiões cerebrais individuais é possível. O conhecimento de campo é necessário para identificar regiões de interesse para garantir associações estreitas com a função específica.
Neste protocolo, focamos na rede de navegação espacial e mostramos uma alta cobertura de várias regiões cerebrais relatadas em estudos de navegação espacial. Dada a ausência de uma definição universalmente acordada de regiões cerebrais que suportam a navegação espacial, a demonstração usou dois conjuntos de regiões, um gerado pela incorporação da maior meta-análise e do atlas AICHA, e o outro com o atlas AAL. As propriedades topológicas de rede baseadas nas duas definições geralmente mostraram alta similaridade, o que suporta a eficácia da modelagem de rede funcional-específica até certo ponto.
Observou-se que a força de similaridade aumentou com os limiares de esparsidade utilizados nas análises de rede, e os resultados sugeriram que um limiar de esparsidade de 0,30-0,40 seria uma escolha adequada, uma vez que todas as métricas de rede apresentaram a maior similaridade com esses limiares. Com tais limiares, as métricas de rede também mostraram confiabilidade teste-reteste de regular a boa, particularmente para o menor comprimento do caminho e pequena mundanidade no caso em que a regressão global do sinal foi incluída no pré-processamento dos dados. Esses resultados apoiam amplamente o uso dessas métricas em estudos de diferenças individuais e distúrbios cerebrais relacionados.
Devido à falta de dados comportamentais adequados, não foi possível apresentar correlatos comportamentais das métricas de rede com a navegação espacial neste protocolo. Com base em alguns estudos anteriores sobre associações cérebro-comportamento de métricas funcionais de conectividade de regiões relacionadas à navegação12,34, esperava-se que a modelagem de rede com esse protocolo mostrasse uma associação específica com a navegação espacial. Amostras em larga escala com dados de neuroimagem e comportamentais são necessárias para investigar melhor essas associações. Além disso, embora os resultados da confiabilidade teste-reteste não tenham sido muito altos, a força foi comparável aos relatados por estudos anteriores de RMf35.
Estudos futuros podem aplicar este protocolo para melhor compreender as bases neurais da navegação espacial a partir de uma perspectiva de rede e explorar suas variações em humanos. Por exemplo, os pesquisadores podem fazer uso desse protocolo para investigar a trajetória de desenvolvimento e envelhecimento das redes de navegação e, na prática clínica, as propriedades da rede fornecem biomarcadores importantes para orientar a identificação e o diagnóstico precoces de distúrbios cerebrais, como a doença de Alzheimer. Além disso, estudos futuros também poderiam aplicar um protocolo semelhante para construir modelos de rede para outros construtos cognitivos.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Os autores declaram não haver conflito de interesses.
Acknowledgments
Xiang-Zhen Kong foi apoiado pela Fundação Nacional de Ciências Naturais da China (32171031), STI 2030 - Projeto Principal (2021ZD0200409), Fundos de Pesquisa Fundamental para as Universidades Centrais (2021XZZX006) e Centro de Tecnologia da Informação da Universidade de Zhejiang.
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).
