Summary
В данной работе представлен интегративный подход к исследованию функциональной сети пространственной навигации в мозге человека. Этот подход включает в себя крупномасштабную метааналитическую базу данных нейровизуализации, функциональную магнитно-резонансную томографию в состоянии покоя, а также методы моделирования сетей и теории графов.
Abstract
Пространственная навигация – это сложная функция, связанная с интеграцией и манипулированием мультисенсорной информацией. Используя различные навигационные задачи, было получено много многообещающих результатов по специфическим функциям различных областей мозга (например, гиппокампа, энторинальной коры и области парагиппокампа). Недавно было высказано предположение, что несовокупный сетевой процесс, включающий несколько взаимодействующих областей мозга, может лучше охарактеризовать нейронную основу этой сложной функции. В данной работе представлен интегративный подход к построению и анализу функционально-специфической сети пространственной навигации в мозге человека. Вкратце, этот интегративный подход состоит из трех основных этапов: 1) идентификация областей мозга, важных для пространственной навигации (определение узлов); 2) оценить функциональную связность между каждой парой этих регионов и построить матрицу связности (построение сети); 3) исследовать топологические свойства (например, модульность и малую мировость) результирующей сети (сетевой анализ). Представленный подход, с точки зрения сети, может помочь нам лучше понять, как наш мозг поддерживает гибкую навигацию в сложных и динамичных средах, а выявленные топологические свойства сети также могут предоставить важные биомаркеры для руководства ранним выявлением и диагностикой болезни Альцгеймера в клинической практике.
Introduction
Функциональная специфичность является основополагающим принципом организации человеческого мозга, который играет важнейшую роль в формировании когнитивныхфункций1. Аномалии в организации функциональной специфичности могут отражать характерные когнитивные нарушения и связанные с ними патологические основы основных заболеваний головного мозга, таких как аутизм и болезнь Альцгеймера 2,3. В то время как традиционные теории и исследования, как правило, сосредотачиваются на отдельных областях мозга, таких как веретенообразная область лица (FFA)для распознавания лиц 4 и область места парагиппокампа (PPA)5 для обработки сцены, все больше данных свидетельствуют о том, что сложные когнитивные функции, включая пространственную навигацию и язык, требуют координации действий внескольких областях мозга. Исследование механизмов, лежащих в основе взаимодействий в поддержку сложных когнитивных функций, является важнейшим научным вопросом, который поможет пролить свет на функциональную архитектуру и работу мозга. Здесь на примере пространственной навигации представлен интегративный метод моделирования функциональной сети пространственной навигации в мозге человека.
Пространственная навигация представляет собой сложную когнитивную функцию, которая включает в себя интеграцию и манипулирование несколькими когнитивными компонентами, такими как визуально-пространственное кодирование, памятьи принятие решений. С помощью функциональной магнитно-резонансной томографии (фМРТ) многочисленные исследования добились значительного прогресса в понимании лежащих в основе когнитивных процессов и нейронных механизмов. Например, определенные функции были связаны с различными областями мозга с помощью различных навигационных задач: обработка сцен специфически связана с PPA, а трансформация навигационных стратегий связана с ретросплениальной корой (RSC)8,9. Эти исследования позволили получить важную информацию о нейронных основах пространственной навигации. Однако навигация является внутренне динамической и мультимодальной функцией, и функций отдельных регионов недостаточно для объяснения больших индивидуальных различий в пространственнойнавигации10, которые обычно наблюдаются.
С появлением коннектомики на основе фМРТ исследователи начали изучать, как некоторые ключевые области мозга взаимодействуют друг с другом, поддерживая пространственную навигацию. Например, было обнаружено, что функциональная связь между энторинальной и задней поясной корой лежит в основе навигационных расхождений при болезни Альцгеймера у группы риска11. В другом исследовании мы впервые предложили сетевой подход, интегрирующий методы коннектома и почти все функционально значимые области (узлы) для пространственной навигации, и результаты показали, что топологические свойства этой сети обнаруживают специфические связи с навигационным поведением12. Это исследование дает новое представление о теориях о том, как несколько областей мозга взаимодействуют друг с другом для поддержки гибкого навигационного поведения10,13.
В настоящей работе демонстрируется обновленный вариант интегративного подхода к моделированию функциональной сети. Вкратце, были включены два обновления: 1) В то время как узлы, определенные в первоначальном исследовании, были идентифицированы на основе более ранней и меньшей базы данных (55 исследований с 2 765 активациями, доступ к которым был получен в 2014 году), настоящее определение было основано на последней базе данных (77 исследований с 3 908 активациями, доступ к которым был получен в 2022 году); 2) Для повышения функциональной однородности каждого узла, помимо оригинального анатомического атласа AAL (Anatomical Automatic Labeling)14, мы применили новую парцелляцию мозга, которая имеет гораздо более тонкое разрешение и более высокую функциональную однородность (см. ниже). Мы ожидали, что оба обновления улучшат моделирование функциональной сети. Этот обновленный протокол предоставляет подробную процедуру исследования нейронных основ пространственной навигации с точки зрения сети и помогает понять индивидуальные вариации навигационного поведения в норме и при заболевании. Аналогичная процедура может быть использована и для сетевого моделирования других когнитивных конструктов (например, языка и памяти).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
ПРИМЕЧАНИЕ: Все программное обеспечение, используемое здесь, показано в таблице материалов. Данные, использованные в этом исследовании в демонстрационных целях, были взяты из проекта Human Connectome Project (HCP: http://www. humanconnectome.org)15. Все экспериментальные процедуры были одобрены Институциональным наблюдательным советом (IRB) при Вашингтонском университете. Данные визуализации в наборе данных HCP были получены с помощью модифицированного 3T сканера Siemens Skyra с 32-канальной головной катушкой. Другие параметры получения изображений подробно описаны в более ранней статье16. Для демонстрации были загружены минимальные предварительно обработанные данные, которые завершили следующие этапы предварительной обработки: коррекция градиентных искажений, коррекция движения, предварительная обработка карты поля, коррекция пространственных искажений, пространственная нормализация пространства Монреальского неврологического института (MNI), нормализация интенсивности и удаление поля смещения. Также могут быть использованы данные фМРТ в состоянии покоя, полученные в проектах исследователей.
1. Предварительная обработка данных
- Проверьте качество данных и исключите участников с отсутствующими данными повторного тестирования и чрезмерными движениями головы (3 мм при перемещении и 3° при повороте).
ПРИМЕЧАНИЕ: Пять участников были исключены, а 38 молодых людей (22-35 лет) были включены в основной анализ. - Откройте набор инструментов теоретико-сетевого анализа графов (GRETNA)17 в MATLAB, чтобы выполнить дальнейшие шаги предварительной обработки. Щелкните на пакете FC Matrix Construction. Выберите путь к функциональному набору данных для загрузки документов NIFTI и выполните следующие шаги, как показано в опции конвейера на рисунке 1:
- Удалите первые 10 изображений, дважды щелкнув Номер временной точки для удаления в разделе Удалить первые изображения и введя 10.
- Пространственно сглаживание (полная ширина при половинном максимуме [FWHM] = [4 4 4] двойным щелчком FWHM (мм) в поле Пространственно сглаженное и вводом [4 4 4]).
- Регрессия ковариат. Выберите Сигналы белого вещества, Сигналы спинномозговой жидкости и Движение головы как TRUE. Выберите подходящую маску в соответствии с фактическим размером воксела, например, здесь маска с 2 мм, и выберите параметры Friston-24 для Head Motion.
- Временной фильтр. Введите значение TR в соответствии со временем повторения МРТ-сканирования (например, 720 мс) и удалите высокочастотный и низкочастотный шум, дважды щелкнув Полоса (Гц) и введя [0.01 0.1].
ПРИМЕЧАНИЕ: Результаты с регрессией и без регрессии сигналов всего мозга представлены ниже. При использовании непредварительно обработанных данных также рекомендуются хорошо зарекомендовавшие себя конвейеры, такие как fMRI-prep18 и Data Processing Assistant for Resting-State fMRI (DPARSF)19 .
Рисунок 1: Предварительный процесс Rs-fMRI и оценка функциональной связности сети. Изменены настройки предварительной обработки (удаление первых 10 изображений, пространственное сглаживание с FWHM 4 мм, линейное временное устранение тренда, регрессия сигналов белого вещества, сигналов спинномозговой жидкости (СМЖ) и движения головы с 24 параметрами, фильтрация полосы 0,01-0,1 Гц) и статической корреляции с Z-фактором Фишера. Сокращения: Rs-фМРТ = функциональная магнитно-резонансная томография в состоянии покоя; FWHM = полная ширина в половине максимума; Спинномозговая жидкость = спинномозговая жидкость. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
2. Построение и анализ сети
ПРИМЕЧАНИЕ: Общий рабочий процесс построения и анализа навигационной сети сводится к трем основным этапам (рис. 2).
Рисунок 2: Общий рабочий процесс построения и анализа навигационной сети. (A) Выберите навигацию в качестве термина для поиска в базе данных Neurosynth. (B) Может быть сгенерирован список координат активации. (C) Запустите мета-анализ с использованием функций из Neurosynth, чтобы получить несколько карт мозга. (Д,Э) Используя метааналитическую карту и атлас парцелляции всего мозга (AICHA), можно создавать узлы (ROI). (F) Построение навигационной сети с использованием полученных навигационных узлов и их функциональной связности (оценка связности и сетевой анализ). Сокращения: ROI = область интереса; AICHA = атлас внутренней связности гомотопических областей. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
- Определение узла сети
- Загрузите последнюю версию базы данных Neurosynth (neurosynth.org)20, набрав команду на Python:
>импортировать neurosynth как ns
>ns.dataset.download (path='./', unpack = True)
ПРИМЕЧАНИЕ: Архив набора данных ('current_data.tar.gz') содержит два файла: 'database.txt' и 'features.txt'. Они содержат все координаты активации из статей о нейровизуализации и теги мета-анализа, которые встречаются в этой статье с высокой частотой соответственно. - Сгенерируйте новый экземпляр набора данных из database.txt и добавьте объекты к этим данным, введя команду:
> из neurosynth.base.dataset import Dataset
> dataset = Dataset('data/database.txt')
> dataset.add_features('данные/features.txt')
- Запустите мета-анализ с интересующим вас термином (т.е. 'navigation'), введя команду:
> ids = dataset.get_ids_by_features ('navigation', threshold=0.01)
> ma = мета. Метаанализ (набор данных, идентификаторы)
> ma.save_results('.', 'навигация')
ПРИМЕЧАНИЕ: Результатом мета-анализа является несколько карт мозга в формате NIFTI. Для контроля частоты ложных срабатываний применялся порог частоты ложных срабатываний (FDR), равный 0,01. На этом этапе необходимы соответствующие знания, чтобы гарантировать, что регионы, о которых часто сообщают, включены в метааналитическую карту. Аналогичные шаги могут быть применены для проведения мета-анализа других когнитивных функций, таких как язык и память. - Определите интересующие вас кластеры, включив метааналитическую карту и атлас парцелляции всего мозга, введя команду из 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
>кластер -i метка _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 -добавить ... -добавить node_x.nii.gz navi_AICHA/AAL_mask.nii.gz
ПРИМЕЧАНИЕ: Здесь были использованы два атласа: AAL и AICHA. AAL — это атлас, который использовался в первоначальном исследовании для определения узла12. Этот атлас был создан на основе анатомических профилей. Атлас внутренней связности гомотопических областей (AICHA)21 имеет гораздо более высокое разрешение и более высокую функциональную однородность. Мы определили интересующие нас регионы с помощью каждого из атласов. - Наберите скрипты на Python для проверки размера каждого региона на карте:
>для i в np.arange(n)+1:
>____region_list.append(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))
ПРИМЕЧАНИЕ: Целое число n в скрипте указывает общее количество регионов в рамках парцелляции AICHA и AAL (384 и 128 соответственно). Чтобы избежать влияния ложных кластеров, предполагается, что кластеры с относительно небольшими размерами (например, 100 вокселей) могут быть удалены. Используемый здесь атлас AICHA создан на основе данных функциональной связности, при этом каждый регион показывает однородность функциональной временной активности внутри себя.
- Загрузите последнюю версию базы данных Neurosynth (neurosynth.org)20, набрав команду на Python:
- Оценка сетевого подключения
ПРИМЕЧАНИЕ: Набор инструментов GRETNA используется для оценки связности и анализа сети.- Щелкните на пакете FC Matrix Construction. Загрузите предварительно обработанные данные rs-fMRI, выбрав путь к функциональному набору данных. Выберите опцию статической корреляции . Загрузите узел, полученный на предыдущем шаге, в виде атласа для вычисления статической корреляции сигналов rs-fMRI каждой пары областей и переведите их в z-баллы Фишера для улучшения нормальности.
ПРИМЕЧАНИЕ: Подробная операция показана на рисунке 1. Матрицы навигационной сети N × N (N — количество узлов) для каждого участника будут получены в .txt формате. - Получите положительную и взвешенную сеть, выполнив следующие шаги, как показано на рисунке 3.
- Щелкните пакет Сетевой анализ. Добавьте сетевые матрицы в окно Brain Connectivity Matrix и выберите один выходной каталог для подготовки.
- Для параметра конвейера в Network Configuration (Конфигурация сети) выберите positive (Положительный ) в матрице Sign of (Знак признака), который установит отрицательные соединения в матрице соединений функции равным 0 и устранит неоднозначные соединения22. Выберите тип сети как взвешенный , чтобы получить сеть с ненаправленным взвешенным коэффициентом.
ПРИМЕЧАНИЕ: Помимо взвешенных сетей, можно также бинаризовать сети для создания бинарных сетей для последующего анализа (с различными подходами), но взвешенная сеть часто считается более надежной23,24.
- Щелкните на пакете FC Matrix Construction. Загрузите предварительно обработанные данные rs-fMRI, выбрав путь к функциональному набору данных. Выберите опцию статической корреляции . Загрузите узел, полученный на предыдущем шаге, в виде атласа для вычисления статической корреляции сигналов rs-fMRI каждой пары областей и переведите их в z-баллы Фишера для улучшения нормальности.
- Сетевой анализ
- Добавьте малый мир, глобальную эффективность, коэффициент кластеризации, длину кратчайшего пути, степень центральности и локальную эффективность в конвейер сетевого метрического анализа GRETNA, как показано на рисунке 3.
ПРИМЕЧАНИЕ: Малый мир и глобальная эффективность — это две глобальные сетевые метрики. В частности, сеть с малым миром может максимизировать эффективность передачи информации при сравнительно низких затратах на проводку. Глобальная эффективность отражает эффективность передачи параллельной информации в транспортной сети. Для метрик узловой сети степень центральности измеряет количество связей, подключенных к узлу. Кратчайшая длина пути, как и ее название, является основой для измерения интегрирования. Коэффициент кластеризации показывает степень взаимосвязи соседей узлов друг с другом. Локальная эффективность – это эффективность связи с узлом и его соседями (подробная формула и использование приведены в этих статьях) 17,25. Набор инструментов для подключения мозга (BCT)25 и другие наборы инструментов также могут быть использованы для вычисления сетевых метрик. - Выберите Разреженность сети в методе определения пороговых значений, чтобы исключить искажающие эффекты паразитных соединений, и введите набор пороговых последовательностей (т. е. 0,05, 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4, 0,45, 0,5) для дальнейшего определения соответствующего порога в соответствии со статистическими результатами.
ПРИМЕЧАНИЕ: Отношение ребер к максимальному числу ребер в сети с выборочным числом узлов известно как порог разреженности. Порог разреженности гарантирует, что разные особи имеют одинаковое количество ребер. Мы решили изучить различные пороговые значения для валидации, которые могли бы предоставить полезные данные для выбора оптимального порога в будущих исследованиях. - Задайте случайное число сети равным 1 000 для создания случайных сетей с использованием алгоритма связиМаркова 26. Нажмите кнопку Выполнить , чтобы запустить конвейер в GRETNA после настройки всех шагов.
Примечание: Подобно настоящим мозговым сетям, случайные сети поддерживают одинаковое количество узлов, ребер и распределение степеней. Чтобы определить, являются ли они в значительной степени неслучайными топологически построенными, их сравним с сетями мозга. После запуска конвейера будет получена группа оценок для сетевых метрик для каждого из пороговых значений для дальнейшего статистического анализа. - Определите оптимальное количество модулей в сети в четыре шага.
- Рассчитайте усредняющую навигационную сеть. Нажмите на кнопку Сравнение метрик и выберите Подключение. Загрузите сетевые матрицы, полученные выше, и выберите операцию Усредненное (Функциональное). Выберите направление вывода, чтобы сохранить усредненную сетевую матрицу; Подробнее см. рисунок 4 .
- Разделите среднюю сеть, полученную на предыдущем шаге, на 2, 3, 4 и 5 модулей, используя функцию spectralcluster в MATLAB.
- Вычислите долю узлов, разделенных на один модуль в REST 1 и REST 2 после выравнивания делений модуля с помощью скрипта procrustes_alignment.m. Используйте пропорцию в качестве показателя повторяемости раздела модуля.
- Выберите количество модулей с наибольшей повторяемостью.
- Добавьте малый мир, глобальную эффективность, коэффициент кластеризации, длину кратчайшего пути, степень центральности и локальную эффективность в конвейер сетевого метрического анализа GRETNA, как показано на рисунке 3.
- Статистический анализ
ПРИМЕЧАНИЕ: Следующие анализы предназначены в основном для валидации и не являются необходимыми при применении этого протокола к отдельным вариационным исследованиям.- Изучите сходство этих сетевых метрик между двумя сетями с различными типами стратегий определения узлов (т.е. новой, сгенерированной в настоящем исследовании, названной NaviNet_AICHA, и более ранней от Kong et al., названной NaviNet_AAL)12. Вычислите корреляцию Пирсона, используя функцию corrcoef в MATLAB, и повторите анализ для каждого порога разреженности.
ПРИМЕЧАНИЕ: После извлечения сетевых метрик можно проводить любой интересующий вас статистический анализ. - Проверяем тестово-ретестовую надежность этих сетевых метрик с помощью функции ICC в MATLAB27,28, реализующей расчет внутриклассового коэффициента корреляции.
ПРИМЕЧАНИЕ: Исходные нескорректированные значения p были указаны в разделе репрезентативных результатов. 0,2 < ICC < 0,4 интерпретируется как показатель справедливой надежности при повторных испытаниях, а ICC > 0,4 интерпретируется как надежность от умеренной до хорошей29,30. Отрицательные баллы ICC были установлены на нуле, учитывая тот факт, что наличие отрицательных ICC бессмысленно и трудно интерпретируется31.
- Изучите сходство этих сетевых метрик между двумя сетями с различными типами стратегий определения узлов (т.е. новой, сгенерированной в настоящем исследовании, названной NaviNet_AICHA, и более ранней от Kong et al., названной NaviNet_AAL)12. Вычислите корреляцию Пирсона, используя функцию corrcoef в MATLAB, и повторите анализ для каждого порога разреженности.
Рисунок 3: Анализ сетевых метрик. Этот анализ определяет взвешенные положительные сети с 10 пороговыми значениями. Вычислите две метрики глобальной сети (малые слова и эффективность), четыре узловые метрики сети (коэффициент кластеризации), кратчайшую длину пути, эффективность и степень центральности. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 4: Расчет средних навигационных сетей. Усредненная (функциональная) операция помогает рассчитать средние сети всех участников. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Навигационные сети
В настоящем исследовании были идентифицированы 27 областей мозга, которые связаны с пространственной навигацией, с использованием новейшей метааналитической базы данных нейровизуализации и атласа AICHA. Эти области состояли из медиальной, височной и теменной областей, о которых обычно сообщалось в навигационных нейровизуализационных исследованиях. Пространственное распределение этих областей показано на рисунках 5А и 5С. В качестве сравнения мы также визуализировали более раннее определение областей пространственной навигации на рисунках 5B и 5D. Для сравнения были включены двадцать регионов из атласа AAL. Эти два набора регионов показали большое перекрытие.
Рисунок 5: Модульные средние навигационные сети. (A) Модульность NaviNet_AICHA в REST1. (B) Модульность NaviNet_AAL в REST1. (C,D) представляют собой модульность NaviNet_AICHA и NaviNet_AAL в REST1, регрессирующую по всему мозгу сигналы соответственно. Разные цвета узлов указывают на различные модули, идентифицированные в каждой сети. На NaviNet_AICHA и NaviNet_AAL показаны два модуля, которые включают медиальный височный модуль и теменной модуль. Сокращения: AICHA = атлас внутренней связности гомотопических областей; AAL = анатомическая автоматическая маркировка. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Интересно, что эти две сети показали схожее распределение сообществ (рис. 5). В частности, анализ модульности и повторяемости показал наличие двух модулей как в NaviNet_AICHA, так и в NaviNet_AAL (один вентральный модуль, включающий медиальные височные области, и один дорсальный модуль, включающий теменные области) (табл. 1). Вентральный и дорсальный модули были одинаковыми между NaviNet_AICHA и NaviNet_AAL, хотя количество узлов было больше в первом, учитывая более тонкую парцелляцию мозга атласа AICHAI. Эти результаты не зависели от стратегий, используемых для работы с глобальными сигналами в процедуре предварительной обработки (рис. 5). Кроме того, аналогичное распределение сообществ наблюдалось в наборе данных REST2 (дополнительный рисунок S1).
Сходство топологических свойств двух навигационных сетей
Далее мы рассмотрели сходство каждой сетевой меры между двумя сетями. Анализ сходства преследовал две цели: (1) оценить обобщаемость результатов при использовании различных стратегий определения и (2) определить оптимальный сетевой порог для сетевого анализа.
В целом, пять из шести показателей, за исключением коэффициента кластеризации, показали значимые корреляции между двумя сетями с большинством порогов разреженности сети, используемых в сетевом анализе (рис. 6). Значения сходства быстро увеличивались с порогом разреженности для всех метрик, за исключением средней степени узла, которая показывала отличное значение сходства с любым из пороговых значений. Метрика малого мира показала наибольшее сходство при пороге между 0,30 и 0,40, в то время как другие метрики также показали наибольшее сходство. Эти результаты свидетельствуют о том, что анализ на сетевом уровне может отражать стабильные индивидуальные различия, не зависящие от выбора определения узла, и что порог разреженности 0,30-0,40 приведет к лучшей обобщаемости в анализе навигационных сетей. Смотрите дополнительный рисунок S2 для большего сходства с REST2.
Рисунок 6: Сходство топологических свойств двух сетей. Показаны результаты REST 1 (A) без и (B) с регрессией сигналов всего мозга. Коэффициент корреляции Пирсона по оси y указывает на сходство топологических свойств двух сетей. Порог разреженности колеблется от 0,05 до 0,5. Звездочками на рисунках обозначен уровень значимости, где *p < 0,05, **p < 0,01, ***p < 0,001. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Надежность испытаний и ретестов
Проведена оценка тестово-ретестовой надежности топологических мер навигационных сетей. При расчете этих сетевых показателей использовались различные пороговые значения разреженности от 0,05 до 0,50 для устранения потенциальных паразитных связей в сетях (подробнее см. Дополнительную таблицу S1 ). Здесь мы в основном сообщали о результатах с пороговым значением 0,40, учитывая результаты сходства, приведенные выше. Большинство сетевых метрик показали удовлетворительную и хорошую надежность (ICC > 0,2) как в NaviNet_AICHA, так и в NaviNet_AAL, в то время как NaviNet_AAL показал относительно более высокую надежность, чем NaviNet_AICHA. Кроме того, мы обнаружили, что включение глобальной регрессии сигнала в предварительную обработку данных фМРТ может привести к более высокой надежности (рис. 7). Коэффициент кластеризации, кратчайшая длина пути и малый мир в сети NaviNet_AAL показали самую высокую надежность тест-ретест, в то время как коэффициент кластеризации и малый мир в NaviNet_AICHA также показали более высокую надежность тестов-ретестов, чем другие измерения. Эти результаты свидетельствуют о том, что коэффициент кластеризации и малый мир являются наиболее надежными среди этих метрик.
Рисунок 7: Тестирование-ретестирование надежности топологических свойств навигационных сетей. (A) Проверка и повторная проверка надежности данных без регрессии всех сигналов мозга. (Б) Проверка и ретестирование надежности данных, регрессирующих по всем сигналам мозга. Сокращения: ICC = внутриклассовый коэффициент корреляции; Cc = коэффициент кластеризации; Lp = кратчайшая длина пути; Sw = малость мира; Nd = средняя узловая степень; Eg = глобальная эффективность; Eloc = локальная эффективность; AICHA = атлас внутренней связности гомотопических областей; AAL = анатомическая автоматическая маркировка; cNGS = данные без регрессии всех сигналов мозга; cWGS = регрессия всех сигналов мозга. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
| Номера модулей | |||||
| 2 | 3 | 4 | 5 | ||
| NaviNet_AICHA | цНГС | 1 | 1 | 0.96 | 0.67 |
| cWGS | 1 | 0.96 | 0.78 | 0.89 | |
| NaviNet_AAL | цНГС | 1 | 0.95 | 0.95 | 0.65 |
| cWGS | 1 | 0.95 | 0.95 | 0.95 | |
Таблица 1: Повторяемость разделения модулей между REST 1 и REST 2. В первой строке указывается количество модулей. cNGS представляет rs-фМРТ без регрессии глобальных сигналов, а cWGS представляет rs-фМРТ, регрессирующую из глобальных сигналов. Большее число указывает на более высокую повторяемость, и для NaviNet_AICHA и NaviNet_AAL в настоящем тексте выбраны два модуля. Сокращения: AICHA = атлас внутренней связности гомотопических областей; AAL = анатомическая автоматическая маркировка.
Дополнительный рисунок S1: Модульные средние навигационные сети в REST 2. (А,Б) Модульность NaviNet_AICHA и NaviNet_AAL в наборе данных REST 2 без регрессии всех сигналов мозга. (С,Д) Модульность NaviNet_AICHA и NaviNet_AAL в наборе данных REST 2 с регрессией сигналов всего мозга. Разные цвета узлов указывают на различные модули, идентифицированные в каждой сети. Оба модуля показаны в NaviNet_AICHA и NaviNet_AAL. Пожалуйста, нажмите здесь, чтобы скачать этот файл.
Дополнительный рисунок S2: Сходство топологических свойств двух сетей в REST 2. Показаны результаты REST 2 без/с регрессией всех сигналов головного мозга (A и B, соответственно). Коэффициент корреляции Пирсона по оси y указывает на сходство топологических свойств двух сетей. Порог разреженности колеблется от 0,05 до 0,5. Звездочками на рисунках обозначен уровень значимости, где *p < 0,05, **p < 0,01, ***p < 0,001. Пожалуйста, нажмите здесь, чтобы скачать этот файл.
Дополнительная таблица S1: Проверка надежности топологических свойств навигационных сетей с различными порогами разреженности. Значения указывают на внутриклассовый коэффициент корреляции NaviNet_AICHA и NaviNet_AAL с разными порогами разреженности. Сокращения: Cc = коэффициент кластеризации; Lp = кратчайшая длина пути; Sw = малая старость; Nd = средняя узловая степень; Eg = глобальная эффективность; Eloc = локальная эффективность; cNGS = данные без регрессии всех сигналов мозга; cWGS = регрессия всех сигналов мозга. Пожалуйста, нажмите здесь, чтобы скачать этот файл.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Ожидается, что сетевая нейробиология поможет понять, как сеть мозга поддерживает когнитивныефункции человека. Этот протокол демонстрирует интегративный подход к изучению функциональной сети пространственной навигации в человеческом мозге, который также может вдохновить на сетевое моделирование для других когнитивных конструктов (например, языка).
Этот подход состоял из трех основных этапов: определение узла, построение сети и сетевой анализ. Несмотря на то, что построение сети и сетевой анализ аналогичны общим сетевым исследованиям всего мозга, определение узлов является наиболее важным этапом этого протокола. На этом этапе используется крупномасштабный мета-анализ функциональной активации, связанной с пространственной навигацией, для локализации наиболее важных областей мозга для навигационного поведения. Таким образом, мы можем смоделировать функционально значимую сеть, что помогает понять нейронную основу сложной обработки с точки зрения сети. Обратите внимание, что префронтальные области отсутствовали в результатах определения узлов, в то время как растущее число навигационных исследований указывает на критическую роль этих областей33. Это может быть связано с отсутствием активаций этих регионов в исследованиях, связанных с навигацией, в базе данных, что привело к ограниченности данных для мета-анализа. Когда будет доступно больше данных для локализации этих префронтальных областей, связанных с навигацией, было бы интересно исследовать их роль в навигационной сети в будущих исследованиях. Исследователи также могут применить этот протокол для изучения других когнитивных функций, когда локализовать отдельные области мозга возможно. Полевые знания необходимы для выявления областей, представляющих интерес, чтобы обеспечить тесную связь с конкретной функцией.
В этом протоколе мы сосредоточились на пространственной навигационной сети и показали высокий охват различных областей мозга, о которых сообщалось в исследованиях пространственной навигации. Учитывая отсутствие общепринятого определения областей мозга, поддерживающих пространственную навигацию, в демонстрации использовались два набора областей, один из которых был сгенерирован путем включения крупнейшего мета-анализа и атласа AICHA, а другой — с помощью атласа AAL. Топологические свойства сети, основанные на двух определениях, в целом показали высокую схожесть, что в определенной степени подтверждает эффективность функционально-специфического моделирования сети.
Мы отметили, что сила подобия увеличивалась с порогами разреженности, используемыми в сетевом анализе, и результаты показали, что порог разреженности 0,30-0,40 был бы правильным выбором, поскольку все сетевые метрики показали наибольшее сходство с этими порогами. При таких пороговых значениях сетевые метрики также показали удовлетворительную или хорошую надежность при тестировании-ретестировании, особенно для кратчайшей длины пути и малости мира в случае, когда глобальная регрессия сигнала была включена в предварительную обработку данных. Эти результаты в значительной степени поддерживают использование этих показателей в исследованиях индивидуальных различий и связанных с ними расстройств мозга.
Из-за отсутствия корректных поведенческих данных мы не смогли представить в этом протоколе поведенческие корреляты сетевых метрик с пространственной навигацией. Основываясь на нескольких предыдущих исследованиях ассоциаций мозга с поведением метрик функциональной связности областей, связанных с навигацией12,34, мы ожидали, что сетевое моделирование с помощью этого протокола покажет специфическую связь с пространственной навигацией. Для дальнейшего изучения этих связей необходимы крупномасштабные выборки, включающие как нейровизуализационные, так и поведенческие данные. Кроме того, несмотря на то, что результаты надежности тестов и ретестов были не очень высокими, сила была сопоставима с теми, о которых сообщалось в предыдущих исследованиях фМРТ35.
В будущих исследованиях этот протокол может быть применен для лучшего понимания нейронной основы пространственной навигации с точки зрения сети и изучения ее вариаций у людей. Например, исследователи могут использовать этот протокол для изучения траектории развития и старения навигационных сетей, а в клинической практике свойства сети обеспечивают важные биомаркеры для раннего выявления и диагностики заболеваний головного мозга, таких как болезнь Альцгеймера. Кроме того, в будущих исследованиях аналогичный протокол может быть применен для построения сетевых моделей для других когнитивных конструктов.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Авторы заявляют об отсутствии конфликта интересов.
Acknowledgments
Xiang-Zhen Kong был поддержан Национальным фондом естественных наук Китая (32171031), STI 2030 - Major Project (2021ZD0200409), Фондами фундаментальных исследований для центральных университетов (2021XZZX006) и Центром информационных технологий Чжэцзянского университета.
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).
