Summary
Este artículo presenta un enfoque integrador para investigar la red funcional para la navegación espacial en el cerebro humano. Este enfoque incorpora una base de datos metaanalítica de neuroimagen a gran escala, imágenes de resonancia magnética funcional en estado de reposo y técnicas de modelado de redes y teoría de grafos.
Abstract
La navegación espacial es una función compleja que implica la integración y manipulación de información multisensorial. Utilizando diferentes tareas de navegación, se han logrado muchos resultados prometedores sobre las funciones específicas de varias regiones del cerebro (por ejemplo, el hipocampo, la corteza entorrinal y el área del lugar parahipocampal). Recientemente, se ha sugerido que un proceso de red no agregada que involucra múltiples regiones cerebrales que interactúan puede caracterizar mejor la base neuronal de esta función compleja. Este artículo presenta un enfoque integrador para la construcción y el análisis de la red funcionalmente específica para la navegación espacial en el cerebro humano. Brevemente, este enfoque integrador consta de tres pasos principales: 1) identificar regiones cerebrales importantes para la navegación espacial (definición de nodos); 2) estimar la conectividad funcional entre cada par de estas regiones y construir la matriz de conectividad (construcción de redes); 3) investigar las propiedades topológicas (por ejemplo, modularidad y pequeño mundanidad) de la red resultante (análisis de redes). El enfoque presentado, desde una perspectiva de red, podría ayudarnos a comprender mejor cómo nuestro cerebro soporta la navegación flexible en entornos complejos y dinámicos, y las propiedades topológicas reveladas de la red también pueden proporcionar biomarcadores importantes para guiar la identificación temprana y el diagnóstico de la enfermedad de Alzheimer en la práctica clínica.
Introduction
La especificidad funcional es un principio de organización fundamental del cerebro humano, que desempeña un papel crucial en la configuraciónde las funciones cognitivas. Las anomalías en la organización de la especificidad funcional pueden reflejar deficiencias cognitivas distintivas y las bases patológicas asociadas a los principales trastornos cerebrales, como el autismo y la enfermedad de Alzheimer 2,3. Si bien las teorías y la investigación convencionales han tendido a centrarse en regiones cerebrales individuales, como el área facial fusiforme (FFA) para el reconocimiento facial4 y el área de lugar del parahipocampo (PPA) 5 para el procesamiento de escenas, un creciente cuerpo de evidencia sugiere que las funciones cognitivas complejas, incluida la navegación espacial y el lenguaje, requieren una actividad coordinada en múltiples regionescerebrales 6. Investigar los mecanismos subyacentes a las interacciones en apoyo de funciones cognitivas complejas es una pregunta científica crítica que ayudará a arrojar luz sobre la arquitectura funcional y el funcionamiento del cerebro. Aquí, tomando como ejemplo la navegación espacial, presentamos un método integrador para modelar la red funcional para la navegación espacial en el cerebro humano.
La navegación espacial es una función cognitiva compleja, que implica la integración y manipulación de múltiples componentes cognitivos, como la codificación visoespacial, la memoria y la toma de decisiones7. Con la resonancia magnética funcional (fMRI), numerosos estudios han logrado avances significativos en la comprensión del procesamiento cognitivo subyacente y los mecanismos neuronales. Por ejemplo, funciones específicas se han relacionado con diferentes regiones del cerebro utilizando diversas tareas de navegación: el procesamiento de escenas se asocia específicamente con PPA, y la transformación de las estrategias de navegación se asocia con la corteza retroesplenial (RSC)8,9. Estos estudios proporcionaron información importante sobre las bases neuronales de la navegación espacial. Sin embargo, la navegación es una función internamente dinámica y multimodal, y las funciones de regiones individuales no son suficientes para explicar las grandes diferencias individuales en la navegación espacial10 que se observan comúnmente.
Con la aparición de la conectómica basada en la resonancia magnética funcional, los investigadores comenzaron a explorar cómo algunas regiones clave del cerebro interactúan entre sí para apoyar la navegación espacial. Por ejemplo, se ha encontrado que la conectividad funcional entre las cortezas entorrinal y cingulada posterior sustenta las discrepancias de navegación en la enfermedad de Alzheimer en riesgo11. En otro estudio, propusimos por primera vez un enfoque de red mediante la integración de métodos de conectoma y casi todas las regiones funcionalmente relevantes (nodos) para la navegación espacial, y los resultados mostraron que las propiedades topológicas de esta red mostraron asociaciones específicas con los comportamientos de navegación12. Este estudio proporciona nuevos conocimientos sobre las teorías de cómo múltiples regiones del cerebro interactúan entre sí para apoyar comportamientos de navegación flexibles10,13.
El presente trabajo demuestra una versión actualizada del enfoque integrador para modelar la red funcional. Brevemente, se incluyeron dos actualizaciones: 1) Si bien los nodos definidos en el estudio original se identificaron a partir de una base de datos anterior y más pequeña (55 estudios con 2.765 activaciones, a los que se accedió en 2014), la definición actual se basó en la última base de datos (77 estudios con 3.908 activaciones, a los que se accedió en 2022); 2) para aumentar la homogeneidad funcional de cada ganglio, además del atlas anatómico original AAL (Anatomical Automatic Labeling)14, aplicamos una nueva parcelación cerebral, que tiene una resolución mucho más fina y una mayor homogeneidad funcional (ver más abajo). Esperábamos que ambas actualizaciones mejoraran el modelado de la red funcional. Este protocolo actualizado proporciona un procedimiento detallado para investigar la base neuronal de la navegación espacial desde una perspectiva de red y ayuda a comprender las variaciones individuales en los comportamientos de navegación en la salud y la enfermedad. Un procedimiento similar también podría utilizarse para el modelado de redes para otros constructos cognitivos (por ejemplo, el lenguaje y la memoria).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOTA: Todo el software utilizado aquí se muestra en la Tabla de Materiales. Los datos utilizados en este estudio con fines demostrativos fueron del Proyecto Conectoma Humano (HCP: http://www. humanconnectome.org)15. Todos los procedimientos experimentales fueron aprobados por la Junta de Revisión Institucional (IRB, por sus siglas en inglés) de la Universidad de Washington. Los datos de imágenes en el conjunto de datos de HCP se adquirieron utilizando un escáner 3T Siemens Skyra modificado con una bobina de cabezal de 32 canales. Otros parámetros de adquisición de imágenes se detallan en un artículo anterior16. Se descargaron datos preprocesados mínimos para la demostración, que había terminado siguiendo los pasos de preprocesamiento: corrección de la distorsión del gradiente, corrección del movimiento, preprocesamiento del mapa de campo, corrección de la distorsión espacial, normalización espacial en el espacio del Instituto Neurológico de Montreal (MNI), normalización de la intensidad y eliminación del campo de sesgo. También se pueden utilizar los datos de resonancia magnética funcional en estado de reposo de los proyectos de los investigadores.
1. Preprocesamiento de datos
- Verifique la calidad de los datos y excluya a los participantes con datos faltantes de la repetición de la prueba y movimiento excesivo de la cabeza (3 mm en traslación y 3° en rotación).
NOTA: Se eliminaron cinco participantes y se incluyeron 38 adultos jóvenes (22-35 años) en los análisis principales. - Abra la caja de herramientas de análisis de redes teóricas de grafos (GRETNA)17 en MATLAB para realizar más pasos de preprocesamiento. Haga clic en el lote de FC Matrix Construction. Seleccione la ruta del conjunto de datos funcional para cargar los documentos NIFTI y ejecute los siguientes pasos, como se muestra en la opción de canalización de la Figura 1:
- Elimine las primeras 10 imágenes haciendo doble clic en Número de punto de tiempo para eliminar en Eliminar primeras imágenes e ingresando 10.
- Suavizado espacial (ancho completo a la mitad del máximo [FWHM] = [4, 4, 4] haciendo doble clic en FWHM (mm) en Suavizado espacial e introduciendo [4, 4, 4]).
- Regresión, covariables. Elija Señales de materia blanca, Señales de LCR y Movimiento de la cabeza como VERDADERO. Seleccione la máscara adecuada de acuerdo con el tamaño real del vóxel, por ejemplo, máscara con 2 mm aquí, y elija los parámetros de Friston-24 para Movimiento de la cabeza.
- Filtrar temporalmente. Introduzca el valor de TR de acuerdo con el tiempo de repetición de la resonancia magnética (por ejemplo, 720 ms aquí) y elimine el ruido de alta y baja frecuencia haciendo doble clic en Banda (Hz) e introduciendo [0,01 0,1].
NOTA: A continuación se presentan los resultados con y sin regresión de las señales cerebrales completas. Cuando se utilizan datos no preprocesados, también se recomiendan canalizaciones bien establecidas, como fMRI-prep18 y Data Processing Assistant for Resting-State fMRI (DPARSF)19 .
Figura 1: Preprocesamiento de Rs-fMRI y estimación de la conectividad funcional de la red. Los ajustes del preprocesamiento (eliminación de las primeras 10 imágenes, suavizado espacial con FWHM de 4 mm, eliminación de tendencia temporal lineal, regresión de las señales de materia blanca, señales de líquido cefalorraquídeo (LCR) y movimiento de la cabeza con 24 parámetros, filtrado de la banda de 0,01-0,1 HZ) y la correlación estática con la transformación Z de Fisher. Abreviaturas: Rs-fMRI = resonancia magnética funcional en estado de reposo; FWHM = ancho completo a la mitad del máximo; LCR = líquido cefalorraquídeo. Haga clic aquí para ver una versión más grande de esta figura.
2. Construcción y análisis de redes
NOTA: El flujo de trabajo general para la construcción y el análisis de la red de navegación se resumen en tres pasos principales (Figura 2).
Figura 2: Flujo de trabajo general para la construcción y análisis de la red de navegación. (A) Elija navegación como el término a buscar en la base de datos de Neurosynth. (B) Se puede generar una lista de coordenadas de activación. (C) Ejecutar un meta-análisis utilizando funciones del Neurosynth para obtener varios mapas cerebrales. (D,E) Al incorporar el mapa metaanalítico y un atlas de parcelación de todo el cerebro (AICHA), se pueden generar nodos (ROI). (F) La construcción de una red de navegación utilizando los nodos de navegación resultantes y su conectividad funcional (Estimación de conectividad y análisis de red). Abreviaturas: ROI = región de interés; AICHA = atlas de conectividad intrínseca de áreas homotópicas. Haga clic aquí para ver una versión más grande de esta figura.
- Definición de nodo de red
- Descargue la última versión de la base de datos de Neurosynth (neurosynth.org)20 escribiendo el comando en Python:
>importar neurosintetizador como ns
>ns.dataset.download (ruta='./', desempaquetar = True)
NOTA: El archivo del conjunto de datos ('current_data.tar.gz') contiene dos archivos: 'database.txt' y 'features.txt'. Estos contienen todas las coordenadas de activación de los artículos de neuroimagen y las etiquetas de metaanálisis que se producen con una alta frecuencia en ese artículo, respectivamente. - Genere una nueva instancia de Dataset a partir del database.txt y agregue características a estos datos escribiendo el comando:
> de neurosynth.base.dataset import Dataset
> conjunto de datos = Conjunto de datos('datos/database.txt')
> dataset.add_features(«datos/features.txt»)
- Ejecute un metaanálisis con el término de interés (es decir, 'navegación') escribiendo el comando:
> ids = dataset.get_ids_by_features ('navegación', umbral=0.01)
> ma = meta. MetaAnálisis (conjunto de datos, identificadores)
> ma.save_results('.', 'navegación')
NOTA: El meta-análisis da como resultado varios mapas cerebrales en formato NIFTI. Se aplicó un umbral de tasa de falsos descubrimientos (FDR) de 0,01 para controlar la tasa de falsos positivos. En este paso se necesita el conocimiento archivado para garantizar que las regiones comúnmente reportadas se incluyan en el mapa metaanalítico. Se pueden aplicar pasos similares para ejecutar metaanálisis de otras funciones cognitivas, como el lenguaje y la memoria. - Defina grupos de interés incorporando el mapa metaanalítico y un atlas de parcelación de todo el cerebro escribiendo el 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 etiqueta _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: Aquí se utilizaron dos atlas: AAL y AICHA. El AAL es el atlas que se utilizó en el estudio original para la definición de nodos12. Este atlas se creó en base a los perfiles anatómicos. El atlas de conectividad intrínseca de áreas homotópicas (AICHA)21 tiene una resolución mucho más fina y una mayor homogeneidad funcional. Definimos las regiones de interés utilizando cada uno de los atlas. - Escriba scripts en Python para comprobar el tamaño de cada región en el mapa:
>Para i en np.arange(n)+1:
>____region_list.anexar(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: El número entero n en el script indica el número total de regiones dentro de la parcelación AICHA y AAL (384 y 128, respectivamente). Para evitar los efectos de los clústeres espurios, se sugiere que se eliminen los clústeres con tamaños relativamente pequeños (por ejemplo, 100 vóxeles). El atlas AICHA utilizado aquí se genera utilizando datos de conectividad funcional, y cada región muestra homogeneidad de actividad temporal funcional dentro de sí misma.
- Descargue la última versión de la base de datos de Neurosynth (neurosynth.org)20 escribiendo el comando en Python:
- Estimación de la conectividad de red
NOTA: La caja de herramientas GRETNA se utiliza para la estimación de conectividad y el análisis de red.- Haga clic en el lote de FC Matrix Construction. Cargue los datos de rs-fMRI preprocesados seleccionando la ruta del conjunto de datos funcional. Haga clic en la opción de correlación estática . Cargue el nodo obtenido en el paso anterior como un atlas para calcular la correlación estática de las señales de rs-fMRI de cada par de regiones y transfiéralas a las puntuaciones z de Fisher para mejorar la normalidad.
NOTA: La operación detallada se muestra en la Figura 1. Las matrices de la red de navegación de N × N (N representa el número de nodos) para cada participante se obtendrían en .txt formato. - Obtenga una red positiva y ponderada con los siguientes pasos, como se muestra en la figura 3.
- Haga clic en el lote de Análisis de red. Agregue las matrices de red en la ventana Matriz de conectividad cerebral y elija un directorio de salida para la preparación.
- Para la opción de canalización de Configuración de red, seleccione positivo en la matriz Signo de, que establecerá las conexiones negativas en la matriz de conexión de funciones en 0 y eliminará las conexiones ambiguas22. Elija el tipo de red como ponderado para obtener la red ponderada no dirigida.
NOTA: Además de las redes ponderadas, también se podrían binarizar las redes para crear redes binarias para análisis posteriores (con diferentes enfoques), pero a menudo se considera que la ponderada muestra una mayor confiabilidad23,24.
- Haga clic en el lote de FC Matrix Construction. Cargue los datos de rs-fMRI preprocesados seleccionando la ruta del conjunto de datos funcional. Haga clic en la opción de correlación estática . Cargue el nodo obtenido en el paso anterior como un atlas para calcular la correlación estática de las señales de rs-fMRI de cada par de regiones y transfiéralas a las puntuaciones z de Fisher para mejorar la normalidad.
- Análisis de redes
- Agregue mundo pequeño, eficiencia global, coeficiente de agrupación en clústeres, longitud de ruta más corta, centralidad de grados y eficiencia local a la canalización de análisis de métricas de red GRETNA, como se muestra en la Figura 3.
NOTA: El mundo pequeño y la eficiencia global son dos métricas de red global. Específicamente, la red con un mundo pequeño puede maximizar la eficiencia de la transferencia de información a un costo de cableado comparativamente bajo. La eficiencia global refleja la eficiencia de transmisión de información paralela en la red de transporte. En el caso de las métricas de red nodal, el grado de centralidad mide el número de vínculos conectados a un nodo. La longitud de ruta más corta, como su nombre, es una base para medir la integración. El coeficiente de agrupación en clústeres indica el grado en que los vecinos de los nodos están interrelacionados entre sí. La eficiencia local es la eficiencia de la comunicación con el nodo y sus vecinos (la fórmula detallada y el uso se muestran en estos documentos) 17,25. La caja de herramientas de conectividad cerebral (BCT)25 y otras cajas de herramientas también se pueden utilizar para el cálculo de las métricas de red. - Seleccione Dispersión de red en el método de umbral para excluir los efectos de confusión de las conexiones no esenciales e introduzca un conjunto de secuencias de umbral (es decir, 0,05, 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4, 0,45, 0,5 ) para determinar aún más el umbral adecuado de acuerdo con los resultados estadísticos.
NOTA: La relación entre los ejes y el número máximo de ejes de una red con el número de nodos de muestra se conoce como umbral de dispersión. Un umbral de dispersión garantiza que diferentes individuos tengan el mismo número de aristas. Se optó por explorar diferentes umbrales de validación, lo que podría proporcionar datos útiles para elegir un umbral óptimo en estudios futuros. - Establezca el número de red aleatorio en 1.000 para generar redes aleatorias utilizando un algoritmo de cableado de Markov26. Haga clic en Ejecutar para ejecutar la canalización en GRETNA después de configurar todos los pasos.
NOTA: Al igual que las redes cerebrales genuinas, las redes aleatorias mantienen el mismo número de nodos, bordes y distribución de grados. Para determinar si están construidos topológicamente de forma considerablemente no aleatoria, se compararán con las redes cerebrales. Después de ejecutar la canalización, se obtendría un grupo de puntuaciones para las métricas de red para cada uno de los umbrales para realizar análisis estadísticos posteriores. - Determine el número óptimo de módulos en la red en cuatro pasos.
- Calcule el promedio de la red de navegación. Haga clic en el baño de Comparación de métricas y elija Conexión. Cargue las matrices de red obtenidas anteriormente y elija la operación Promediada (funcional). Seleccione una dirección de salida para conservar la matriz de red promediada; consulte la Figura 4 para obtener más detalles.
- Divida la red promedio obtenida en el paso anterior en 2, 3, 4 y 5 módulos utilizando la función spectralcluster en MATLAB.
- Calcule la proporción de nodos divididos en el mismo módulo en REST 1 y REST 2 después de alinear las divisiones de módulos utilizando el script procrustes_alignment.m. Utilice la proporción como índice de repetibilidad de la partición del módulo.
- Seleccione el número de módulos con mayor repetibilidad.
- Agregue mundo pequeño, eficiencia global, coeficiente de agrupación en clústeres, longitud de ruta más corta, centralidad de grados y eficiencia local a la canalización de análisis de métricas de red GRETNA, como se muestra en la Figura 3.
- Análisis estadístico
NOTA: Los siguientes análisis son principalmente para validación y no serían necesarios cuando se aplica este protocolo a estudios de variación individuales.- Examinar la similitud de estas métricas de red entre dos redes con diferentes tipos de estrategias para la definición de nodos (es decir, la nueva generada en el presente estudio, denominada como NaviNet_AICHA y la anterior de Kong et al., denominada como NaviNet_AAL)12. Calcule la correlación de Pearson utilizando la función corrcoef en MATLAB y repita los análisis para cada umbral de dispersión.
NOTA: Después de extraer las métricas de la red, uno puede realizar cualquier análisis estadístico que le interese. - Compruebe la fiabilidad test-retest de estas métricas de red utilizando la función ICC en MATLAB27,28, que implementa el cálculo del coeficiente de correlación intraclase.
NOTA: Los valores de p originales no corregidos se informaron en la sección de resultados representativos. 0,2 < < de CCI 0,4 se interpreta como indicativo de una fiabilidad de prueba-repetición de prueba aceptable y la > de ICC de 0,4 se interpreta como una fiabilidad de prueba de moderada a buena29,30. Las puntuaciones negativas de la CCI se fijaron en cero, dado que la presencia de CCI negativas no tiene sentido y es difícil de interpretar31.
- Examinar la similitud de estas métricas de red entre dos redes con diferentes tipos de estrategias para la definición de nodos (es decir, la nueva generada en el presente estudio, denominada como NaviNet_AICHA y la anterior de Kong et al., denominada como NaviNet_AAL)12. Calcule la correlación de Pearson utilizando la función corrcoef en MATLAB y repita los análisis para cada umbral de dispersión.
Figura 3: Análisis de métricas de red. Este análisis define las redes positivas ponderadas con 10 umbrales. Calcule dos métricas de red global de palabra pequeña y eficiencia, cuatro métricas de red nodal de coeficiente de agrupación, longitud de ruta más corta, eficiencia y centralidad de grado. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: Cálculo de las redes de navegación medias. La operación promediada (funcional) ayuda a calcular las redes medias de todos los participantes. Haga clic aquí para ver una versión más grande de esta figura.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Las redes de navegación
El presente estudio identificó 27 regiones cerebrales, que están asociadas con la navegación espacial, mediante la incorporación de la última base de datos de neuroimágenes de metaanálisis y el atlas AICHA. Estas regiones consistieron en las regiones temporal medial y parietal que se han reportado comúnmente en los estudios de neuroimagen de navegación. La distribución espacial de estas regiones se muestra en la Figura 5A y la Figura 5C. A modo de comparación, también visualizamos una definición anterior de las regiones de navegación espacial en la Figura 5B y la Figura 5D. Veinte regiones del atlas AAL se incluyeron como comparación. Estos dos conjuntos de regiones mostraron una gran superposición.
Figura 5: Redes de navegación medias modulares. (A) Modularidad de NaviNet_AICHA en REST1. (B) Modularidad de NaviNet_AAL en REST1. (C,D) representan la modularidad de NaviNet_AICHA y NaviNet_AAL en REST1 haciendo una regresión de todas las señales cerebrales respectivamente. Los diferentes colores de los nodos indican diferentes módulos identificados en cada red. En NaviNet_AICHA y NaviNet_AAL se muestran dos módulos, que incluyen un módulo temporal medial y un módulo parietal. Abreviaturas: AICHA = atlas de conectividad intrínseca de áreas homotópicas; AAL = etiquetado automático anatómico. Haga clic aquí para ver una versión más grande de esta figura.
Curiosamente, estas dos redes mostraron una distribución comunitaria similar (Figura 5). Específicamente, los análisis de modularidad y repetibilidad mostraron dos módulos tanto en NaviNet_AICHA como en NaviNet_AAL (un módulo ventral que incluye las regiones temporales mediales y un módulo dorsal que incluye las regiones parietales) (Tabla 1). Los módulos ventral y dorsal fueron similares entre NaviNet_AICHA y NaviNet_AAL, aunque el número de ganglios fue mayor en el primero, dada la parcelación cerebral más fina del atlas AICHAI. Estos resultados fueron independientes de las estrategias utilizadas para el tratamiento de las señales globales en el procedimiento de preprocesamiento (Figura 5). Además, se observaron distribuciones de comunidades similares en el conjunto de datos REST2 (Figura suplementaria S1).
Similitud de las propiedades topológicas de dos redes de navegación
A continuación, examinamos la similitud de cada medida de red entre las dos redes. El propósito de los análisis de similitud era doble: (1) evaluar la generalización de los resultados cuando se utilizan diferentes estrategias de definición y (2) determinar un umbral de red óptimo para los análisis de red.
En general, cinco de las seis métricas, excepto el coeficiente de agrupamiento, mostraron correlaciones significativas entre las dos redes con la mayoría de los umbrales de dispersión de la red utilizados en los análisis de redes (Figura 6). Los valores de similitud aumentaron rápidamente con el umbral de dispersión para todas las métricas, excepto para el grado medio del nodo, que mostró un excelente valor de similitud con cualquiera de los umbrales. La métrica de mundo pequeño mostró la mayor similitud en un umbral entre 0,30 y 0,40, mientras que otras métricas también mostraron la mayor similitud. Estos resultados sugieren que los análisis a nivel de red podrían reflejar diferencias individuales estables independientemente de las opciones de definición de nodos, y que el umbral de dispersión de 0,30-0,40 daría lugar a una mejor generalización en los análisis de redes de navegación. Consulte la Figura complementaria S2 para obtener más similitudes con REST2.
Figura 6: Similitud de las propiedades topológicas de dos redes. Se muestran los resultados de REST 1 (A) sin y (B) con regresión de señales cerebrales completas. El coeficiente de correlación de Pearson en el eje y indica la similitud de las propiedades topológicas de las dos redes. El umbral de dispersión oscila entre 0,05 y 0,5. Los asteriscos de las figuras indican el nivel de significación, donde *p < 0,05, **p < 0,01, ***p < 0,001. Haga clic aquí para ver una versión más grande de esta figura.
La fiabilidad test-retest
También se evaluó la fiabilidad test-retest de las medidas topológicas de las redes de navegación. Al calcular estas medidas de red se utilizaron varios umbrales de dispersión entre 0,05 y 0,50 para eliminar la posible conectividad no esencial en las redes (véase el Cuadro complementario S1 para más detalles). En este caso, informamos principalmente los resultados con un umbral de 0,40, dados los resultados de similitud anteriores. La mayoría de las métricas de la red mostraron una fiabilidad de regular a buena (ICC > 0,2) tanto en el NaviNet_AICHA como en el NaviNet_AAL de la red, mientras que el NaviNet_AAL mostró una fiabilidad relativamente mayor que el NaviNet_AICHA. Además, descubrimos que incluir la regresión global de la señal en el preprocesamiento de datos de fMRI podría resultar en una mayor confiabilidad (Figura 7). El coeficiente de agrupamiento, la longitud de ruta más corta y el mundo pequeño en la red NaviNet_AAL mostraron la mayor confiabilidad de prueba-reprueba, mientras que el coeficiente de agrupamiento y el mundo pequeño en NaviNet_AICHA también mostraron una mayor confiabilidad de prueba-repetición de prueba que otras medidas. Estos resultados sugieren que el coeficiente de agrupamiento y el mundo pequeño son los más confiables entre estas métricas.
Figura 7: Fiabilidad test-retest de las propiedades topológicas de las redes de navegación. (A) Fiabilidad test-retest de los datos sin hacer una regresión de todas las señales cerebrales. (B) Fiabilidad test-retest para los datos que hacen una regresión de las señales cerebrales completas. Abreviaturas: ICC = coeficiente de correlación intraclase; Cc = coeficiente de agrupamiento; Lp = longitud de trayecto más corta; Sw = pequeño-mundano; Nd = grado ganglionar medio; Ej = eficiencia global; Eloc = eficiencia local; AICHA = atlas de conectividad intrínseca de áreas homotópicas; AAL = etiquetado automático anatómico; cNGS = datos sin regresión de todas las señales cerebrales; cWGS = regresión de todas las señales cerebrales. Haga clic aquí para ver una versión más grande de esta figura.
| Números de módulo | |||||
| 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 | |
Tabla 1: Repetibilidad de la partición del módulo entre REST 1 y REST 2. La primera fila indica el número de módulos. La cNGS representa la rs-fMRI sin retroceder las señales globales y la cWGS representa la rs-fMRI con regresión de las señales globales. Un número mayor indica una mayor repetibilidad, y se eligen dos módulos para NaviNet_AICHA y NaviNet_AAL en el presente texto. Abreviaturas: AICHA = atlas de conectividad intrínseca de áreas homotópicas; AAL = etiquetado automático anatómico.
Figura suplementaria S1: Las redes modulares de navegación media en REST 2. (A,B) La modularidad de NaviNet_AICHA y NaviNet_AAL en el conjunto de datos REST 2 sin hacer retroceder todas las señales cerebrales. (C,D) La modularidad de NaviNet_AICHA y NaviNet_AAL en el conjunto de datos REST 2 con la regresión de señales cerebrales completas. Los diferentes colores de los nodos indican diferentes módulos identificados en cada red. Ambos módulos se muestran en NaviNet_AICHA y NaviNet_AAL. Haga clic aquí para descargar este archivo.
Figura suplementaria S2: Similitud de las propiedades topológicas de dos redes en REST 2. Se muestran los resultados de REST 2 sin/con regresión de señales cerebrales completas (A y B, respectivamente). El coeficiente de correlación de Pearson en el eje y indica la similitud de las propiedades topológicas de las dos redes. El umbral de dispersión oscila entre 0,05 y 0,5. Los asteriscos de las figuras indican el nivel de significación, donde *p < 0,05, **p < 0,01, ***p < 0,001. Haga clic aquí para descargar este archivo.
Cuadro suplementario S1: Fiabilidad test-retest de las propiedades topológicas de las redes de navegación con diferentes umbrales de dispersión. Los valores indican el coeficiente de correlación intraclase de NaviNet_AICHA y NaviNet_AAL con diferentes umbrales de dispersión. Abreviaturas: Cc = coeficiente de agrupamiento; Lp = longitud de trayecto más corta; Sw = pequeña woldness; Nd = grado ganglionar medio; Ej = eficiencia global; Eloc = eficiencia local; cNGS = datos sin regresión de todas las señales cerebrales; cWGS = regresión de todas las señales cerebrales. Haga clic aquí para descargar este archivo.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Se espera que la neurociencia de redes ayude a comprender cómo la red cerebral apoya las funciones cognitivas humanas32. Este protocolo demuestra un enfoque integrador para estudiar la red funcional para la navegación espacial en el cerebro humano, que también puede inspirar el modelado de redes para otras construcciones cognitivas (por ejemplo, el lenguaje).
Este enfoque consistió en tres pasos principales: definición de nodos, construcción de redes y análisis de redes. Si bien la construcción de redes y el análisis de redes son los mismos que en los estudios generales de redes de todo el cerebro, la definición de nodos es el paso más crítico de este protocolo. Este paso hace uso de un meta-análisis a gran escala de la activación funcional relacionada con la navegación espacial para localizar las regiones cerebrales más importantes para los comportamientos de navegación. Por lo tanto, podemos modelar la red funcionalmente significativa, lo que ayuda a comprender la base neuronal del procesamiento complejo desde una perspectiva de red. Obsérvese que las regiones prefrontales faltaban en los resultados de la definición de los nodos, mientras que un número creciente de estudios de navegación han sugerido funciones críticas de estas regiones33. Esto podría deberse a la falta de activaciones de estas regiones en los estudios relacionados con la navegación dentro de la base de datos, lo que dio lugar a datos limitados para el metanálisis. Cuando se disponga de más datos para localizar estas regiones prefrontales relacionadas con la navegación, sería interesante investigar su papel en la red de navegación en futuros estudios. Los investigadores también podrían aplicar este protocolo para estudiar otras funciones cognitivas cuando sea posible localizar regiones individuales del cerebro. El conocimiento de campo es necesario para identificar las regiones de interés a fin de garantizar una estrecha asociación con la función específica.
En este protocolo, nos centramos en la red de navegación espacial y mostramos una alta cobertura de varias regiones cerebrales reportadas en estudios de navegación espacial. Dada la ausencia de una definición universalmente aceptada de las regiones cerebrales que apoyan la navegación espacial, la demostración utilizó dos conjuntos de regiones, uno generado mediante la incorporación del metaanálisis más grande y el atlas AICHA, y el otro con el atlas AAL. Las propiedades topológicas de la red basadas en las dos definiciones mostraron generalmente una gran similitud, lo que respalda la efectividad del modelado de red funcional específico hasta cierto punto.
Observamos que la fuerza de similitud aumentó con los umbrales de dispersión utilizados en los análisis de red, y los resultados sugirieron que un umbral de dispersión de 0,30-0,40 sería una opción adecuada, ya que todas las métricas de la red mostraron la mayor similitud con estos umbrales. Con estos umbrales, las métricas de la red también mostraron una fiabilidad de prueba a prueba de regular a buena, especialmente para la longitud de ruta más corta y el mundo pequeño en el caso de que se incluyera la regresión de la señal global en el preprocesamiento de datos. Estos resultados apoyan en gran medida el uso de estas métricas en estudios de diferencias individuales y trastornos cerebrales relacionados.
Debido a la falta de datos de comportamiento adecuados, no pudimos presentar correlaciones de comportamiento de las métricas de la red con la navegación espacial en este protocolo. Con base en algunos estudios previos sobre las asociaciones cerebro-comportamiento de las métricas de conectividad funcional de las regiones relacionadas con la navegación12,34, esperábamos que el modelado de redes con este protocolo mostrara una asociación específica con la navegación espacial. Se necesitan muestras a gran escala con datos de neuroimagen y comportamiento para investigar más a fondo estas asociaciones. Además, aunque los resultados de la fiabilidad test-retest no fueron muy altos, la fuerza fue comparable con los reportados por estudios previos de fMRI35.
Futuros estudios pueden aplicar este protocolo para comprender mejor las bases neuronales de la navegación espacial desde una perspectiva de red y explorar sus variaciones en humanos. Por ejemplo, los investigadores pueden hacer uso de este protocolo para investigar el desarrollo y la trayectoria de envejecimiento de las redes de navegación y, en la práctica clínica, las propiedades de la red proporcionan biomarcadores importantes para guiar la identificación temprana y el diagnóstico de trastornos cerebrales como la enfermedad de Alzheimer. Además, futuros estudios también podrían aplicar un protocolo similar para construir los modelos de red para otros constructos cognitivos.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores declaran que no existe conflicto de intereses.
Acknowledgments
Xiang-Zhen Kong contó con el apoyo de la Fundación Nacional de Ciencias Naturales de China (32171031), STI 2030 - Proyecto Principal (2021ZD0200409), Fondos de Investigación Fundamental para las Universidades Centrales (2021XZZX006) y el Centro de Tecnología de la Información de la Universidad 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).
