Summary
Denna artikel presenterar ett integrativt tillvägagångssätt för att undersöka det funktionella nätverket för rumslig navigering i den mänskliga hjärnan. Detta tillvägagångssätt innehåller en storskalig metaanalytisk databas för neuroavbildning, funktionell magnetisk resonanstomografi i vilotillstånd och nätverksmodellering och grafteoretiska tekniker.
Abstract
Rumslig navigering är en komplex funktion som involverar integration och manipulering av multisensorisk information. Med hjälp av olika navigationsuppgifter har många lovande resultat uppnåtts på de specifika funktionerna i olika hjärnregioner (t.ex. hippocampus, entorhinala cortex och parahippocampus platsområde). Nyligen har det föreslagits att en icke-aggregerad nätverksprocess som involverar flera interagerande hjärnregioner bättre kan karakterisera den neurala grunden för denna komplexa funktion. Denna artikel presenterar ett integrativt tillvägagångssätt för att konstruera och analysera det funktionellt specifika nätverket för rumslig navigering i den mänskliga hjärnan. Kortfattat består detta integrativa tillvägagångssätt av tre huvudsteg: 1) att identifiera hjärnregioner som är viktiga för rumslig navigering (noddefinition); 2) att uppskatta funktionell konnektivitet mellan varje par av dessa regioner och konstruera konnektivitetsmatrisen (nätverkskonstruktion); 3) att undersöka de topologiska egenskaperna (t.ex. modularitet och litenhet) hos det resulterande nätverket (nätverksanalys). Det presenterade tillvägagångssättet, ur ett nätverksperspektiv, kan hjälpa oss att bättre förstå hur vår hjärna stöder flexibel navigering i komplexa och dynamiska miljöer, och de avslöjade topologiska egenskaperna hos nätverket kan också ge viktiga biomarkörer för att vägleda tidig identifiering och diagnos av Alzheimers sjukdom i klinisk praxis.
Introduction
Funktionell specificitet är en grundläggande organisationsprincip för den mänskliga hjärnan, som spelar en avgörande roll för att forma kognitiva funktioner1. Avvikelser i organisationen av funktionell specificitet kan återspegla kännetecknande kognitiva funktionsnedsättningar och de associerade patologiska grunderna för allvarliga hjärnsjukdomar som autism och Alzheimers sjukdom 2,3. Medan konventionella teorier och forskning har tenderat att fokusera på enskilda hjärnregioner, såsom fusiforma ansiktsområdet (FFA) för ansiktsigenkänning4 och parahippocampus place area (PPA)5 för scenbearbetning, tyder en ökande mängd bevis på att komplexa kognitiva funktioner, inklusive rumslig navigering och språk, kräver koordinerad aktivitet över flera hjärnregioner6. Att undersöka de mekanismer som ligger till grund för interaktionerna till stöd för komplexa kognitiva funktioner är en kritisk vetenskaplig fråga som kommer att bidra till att belysa hjärnans funktionella arkitektur och funktion. Här, med spatial navigering som exempel, presenterar vi en integrativ metod för att modellera det funktionella nätverket för rumslig navigering i den mänskliga hjärnan.
Rumslig navigering är en komplex kognitiv funktion som involverar integration och manipulering av flera kognitiva komponenter, såsom visuell-rumslig kodning, minne och beslutsfattande7. Med funktionell magnetisk resonanstomografi (fMRI) har många studier gjort betydande framsteg när det gäller att förstå den underliggande kognitiva bearbetningen och neurala mekanismer. Till exempel har specifika funktioner kopplats till olika hjärnregioner med hjälp av olika navigeringsuppgifter: scenbearbetning är specifikt associerad med PPA, och omvandling av navigationsstrategier är associerad med retrosplenial cortex (RSC)8,9. Dessa studier gav viktiga insikter om den neurala grunden för rumslig navigering. Navigering är dock en internt dynamisk och multimodal funktion, och funktionerna i enskilda regioner är inte tillräckliga för att förklara de stora individuella skillnader i rumslig navigering10 som ofta observeras.
Med framväxten av fMRI-baserad connectomics började forskare utforska hur vissa viktiga hjärnregioner interagerar med varandra för att stödja rumslig navigering. Till exempel har funktionell konnektivitet mellan entorhinala och bakre cingulate cortices visat sig ligga till grund för navigationsavvikelser vid Alzheimers sjukdom i riskzonen11. I en annan studie föreslog vi för första gången en nätverksstrategi genom att integrera connectome-metoder och nästan alla funktionellt relevanta regioner (noder) för rumslig navigering, och resultaten visade att topologiska egenskaper hos detta nätverk visade specifika samband med navigationsbeteenden12. Denna studie ger nya insikter i teorier om hur flera hjärnregioner interagerar med varandra för att stödja flexibla navigeringsbeteenden 10,13.
Detta arbete demonstrerar en uppdaterad version av det integrativa tillvägagångssättet för modellering av det funktionella nätverket. I korthet inkluderades två uppdateringar: 1) Medan noderna som definierades i den ursprungliga studien identifierades baserat på en tidigare och mindre databas (55 studier med 2 765 aktiveringar, åtkomst 2014), baserades den nuvarande definitionen på den senaste databasen (77 studier med 3 908 aktiveringar, åtkomst 2022); 2) För att öka den funktionella homogeniteten hos varje nod, förutom den ursprungliga anatomiska AAL (Anatomical Automatic Labeling) atlas14, applicerade vi en ny hjärnparcellation, som har en mycket finare upplösning och högre funktionell homogenitet (se nedan). Vi förväntade oss att båda uppdateringarna skulle förbättra modelleringen av det funktionella nätverket. Detta uppdaterade protokoll ger en detaljerad procedur för att undersöka den neurala grunden för rumslig navigering ur ett nätverksperspektiv och hjälper till att förstå individuella variationer i navigeringsbeteenden i hälsa och sjukdom. En liknande procedur kan också användas för nätverksmodellering för andra kognitiva konstruktioner (t.ex. språk och minne).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
OBS: All programvara som används här visas i materialtabellen. De data som användes i denna studie i demonstrationssyfte kom från Human Connectome Project (HCP: http://www. humanconnectome.org)15. Alla experimentella procedurer godkändes av Institutional Review Board (IRB) vid Washington University. Bilddata i HCP-materialet samlades in med hjälp av en modifierad 3T Siemens Skyra-skanner med en 32-kanals huvudspole. Andra bildinsamlingsparametrar beskrivs i detalj i en tidigare artikel16. Minimala förbehandlade data laddades ned för demonstrationen, som hade slutförts följande förbehandlingssteg: korrigering av gradientförvrängning, rörelsekorrigering, förbehandling av fältkartor, korrigering av rumslig distorsion, rumslig normalisering till Montreal Neurological Institute (MNI)-utrymmet, intensitetsnormalisering och borttagning av biasfält. Vilolägesdata från forskarnas projekt kan också användas.
1. Förbehandling av uppgifter
- Kontrollera datakvaliteten och uteslut deltagare med saknade omtestdata och överdriven huvudrörelse (3 mm i översättning och 3° i rotation).
OBS: Fem deltagare togs bort och 38 unga vuxna (22-35 år) inkluderades i huvudanalyserna. - Öppna grafteoretisk nätverksanalys (GRETNA) verktygslåda17 i MATLAB för att utföra ytterligare förbehandlingssteg. Klicka på bunten med FC Matrix Construction. Välj sökvägen till den funktionella datauppsättningen för att läsa in NIFTI-dokumenten och utför följande steg, som du ser i pipelinealternativet i bild 1:
- Ta bort de första 10 bilderna genom att dubbelklicka på Tidpunktsnummer att ta bort i Ta bort första bilderna och ange 10.
- Rumsligt utjämnad (full bredd vid halva maximum [FWHM] = [4 4 4] genom att dubbelklicka på FWHM (mm) i Rumsligt utjämnad och ange [4 4 4]).
- Regressera ut kovariater. Välj Vit substans-signaler, CSF-signaler och Huvudrörelse som SANT. Välj lämplig mask enligt den faktiska voxelstorleken, till exempel mask med 2 mm här, och välj Friston-24-parametrar för Head Motion.
- Filtrera temporärt. Mata in värdet på TR enligt repetitionstiden för MRT-skanningen (t.ex. 720 ms här) och ta bort högfrekvent och lågfrekvent brus genom att dubbelklicka på Band (Hz) och ange [0.01 0.1].
OBS: Resultat med och utan regression av helhjärnans signaler presenteras nedan. När du använder oförbehandlade data rekommenderas även väletablerade pipelines som fMRI-prep18 och Data Processing Assistant for Resting-State fMRI (DPARSF)19 .
Bild 1: Rs-fMRI-förprocess och uppskattning av funktionell nätverksanslutning. Inställningarna för förbehandling (ta bort de första 10 bilderna, rumslig utjämning med FWHM på 4 mm, linjär tidsmässig detrending, regressering av signaler för vit substans, cerebrospinalvätskesignaler (CSF) och huvudrörelse med 24 parametrar, filtrering av bandet 0,01-0,1 HZ) och den statiska korrelationen med fisher' Z transformerade. Förkortningar: Rs-fMRI = funktionell magnetisk resonanstomografi i viloläge; FWHM = full bredd vid högst halv bredd, CSF = cerebrospinalvätska. Klicka här för att se en större version av denna figur.
2. Nätkonstruktion och analyser
Det allmänna arbetsflödet för konstruktion och analys av navigationsnätet sammanfattas i tre huvudsteg (figur 2).
Figur 2: Allmänt arbetsflöde för konstruktion och analys av navigationsnätet. (A) Välj navigering som den term som ska sökas i Neurosynth-databasen. (B) En lista med aktiveringskoordinater kan genereras. (C) Kör en metaanalys med hjälp av funktioner från Neurosynth för att få flera hjärnkartor. (D,E) Genom att införliva den metaanalytiska kartan och en helhjärnsparcellationsatlas (AICHA) kan noder (ROI) genereras. (F) Uppbyggnad av ett navigationsnät med hjälp av de resulterande navigationsnoderna och deras funktionella konnektivitet (uppskattning av konnektivitet och nätverksanalys). Förkortningar: ROI = intresseområde; AICHA = atlas över inneboende konnektivitet av homotopiska områden. Klicka här för att se en större version av denna figur.
- Definition av nätverksnod
- Ladda ned den senaste Neurosynth-databasen (neurosynth.org)20 genom att skriva kommandot i Python:
>importera neurosynth som ns
>ns.dataset.download (sökväg='./', packa upp = Sant)
Datasetarkivet ('current_data.tar.gz') innehåller två filer: 'database.txt' och 'features.txt'. Dessa innehåller alla aktiveringskoordinater från neuroradiologiska artiklar och metaanalystaggar som förekommer med hög frekvens i den artikeln. - Generera en ny Dataset-instans från database.txt och lägg till funktioner i dessa data genom att skriva kommandot:
> från neurosynth.base.dataset importera datauppsättning
> dataset = Dataset('data/database.txt')
> dataset.add_features('data/features.txt')
- Kör en metaanalys med termen av intresse (dvs. "navigation") genom att skriva kommandot:
> id:n = dataset.get_ids_by_features ('navigering', tröskelvärde=0,01)
> ma = meta. MetaAnalys (dataset, ids)
> ma.save_results('.', 'navigering')
OBS: Metaanalysen resulterar i flera hjärnkartor i NIFTI-format. Ett tröskelvärde för falsk upptäcktsfrekvens (FDR) på 0,01 tillämpades för att kontrollera den falska positiva frekvensen. Arkiverad kunskap behövs i detta steg för att säkerställa att de gemensamt rapporterade regionerna inkluderas i den metaanalytiska kartan. Liknande steg kan användas för att köra metaanalyser för andra kognitiva funktioner som språk och minne. - Definiera kluster av intresse genom att införliva den metaanalytiska kartan och en atlas över hela hjärnans parcellation genom att skriva kommandot från FSL:
>fslmaths navigation_0.01.nii.gz -bin navi_bin.nii.gz
>fslmaths navi_bin.nii.gz -mul AICHA/AAL.nii.gz navi_label_aicha/aal.nii.gz
>fslmaths navi_label_aicha/aal.nii.gz -thr n -uthr n label _n.nii.gz
>cluster -i 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
OBS: Två atlaser användes här: AAL och AICHA. AAL är den atlas som användes i den ursprungliga studien för noddefinition12. Denna atlas skapades utifrån de anatomiska profilerna. Atlas of intrinsic connectivity of homotopic areas (AICHA)21 har en mycket finare upplösning och högre funktionell homogenitet. Vi definierade de intressanta regionerna med hjälp av var och en av atlaserna. - Skriv skript i Python för att kontrollera storleken på varje region på kartan:
>För I i NP.arange(n)+1:
>____region_list.Tillägg(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))
Heltalet n i skriptet anger det totala antalet regioner inom AICHA- och AAL-parcellationen (384 respektive 128). För att undvika effekterna av falska kluster föreslås det att kluster med relativt små storlekar (t.ex. 100 voxlar) kan tas bort. AICHA-atlasen som används här genereras med hjälp av funktionella konnektivitetsdata, där varje region visar homogenitet av funktionell tidsaktivitet inom sig själv.
- Ladda ned den senaste Neurosynth-databasen (neurosynth.org)20 genom att skriva kommandot i Python:
- Uppskattning av nätverksanslutning
GRETNA-verktygslådan används för uppskattning av anslutningar och nätverksanalys.- Klicka på bunten med FC Matrix Construction. Läs in förbearbetade rs-fMRI-data genom att välja sökvägen till den funktionella datauppsättningen. Klicka på alternativet statisk korrelation . Ladda upp noden som erhölls i föregående steg som en atlas för att beräkna den statiska korrelationen mellan rs-fMRI-signaler för varje par av regioner och överför dem till Fishers z-poäng för att förbättra normaliteten.
OBS: Den detaljerade operationen visas i figur 1. Navigationsnätverksmatriserna N × N (N representerar antalet noder) för varje deltagare skulle erhållas i .txt format. - Få ett positivt och viktat nätverk med följande steg, som du ser i bild 3.
- Klicka på batchen med Nätverksanalys. Lägg till nätverksmatriserna i fönstret Brain Connectivity Matrix och välj en utdatakatalog för förberedelse.
- För pipelinealternativet för Nätverkskonfiguration väljer du positiv i matrisens tecken, vilket ställer in negativa anslutningar i funktionsanslutningsmatrisen till 0 och eliminerar tvetydiga anslutningar22. Välj nätverkstypen som viktad för att få det oriktade viktade nätverket.
OBS: Förutom de viktade nätverken kan man också binarisera nätverken för att skapa binära nätverk för efterföljande analyser (med olika tillvägagångssätt), men den viktade anses ofta visa högre tillförlitlighet 23,24.
- Klicka på bunten med FC Matrix Construction. Läs in förbearbetade rs-fMRI-data genom att välja sökvägen till den funktionella datauppsättningen. Klicka på alternativet statisk korrelation . Ladda upp noden som erhölls i föregående steg som en atlas för att beräkna den statiska korrelationen mellan rs-fMRI-signaler för varje par av regioner och överför dem till Fishers z-poäng för att förbättra normaliteten.
- Analys av nätverk
- Lägg till liten värld, global effektivitet, klustringskoefficient, kortaste väglängd, gradcentralitet och lokal effektivitet till GRETNA-nätverksmåttanalyspipelinen, som du ser i figur 3.
OBS: Liten värld och global effektivitet är två globala nätverksmått. Specifikt kan nätverket med liten värld maximera effektiviteten i informationsöverföringen till en jämförelsevis låg ledningskostnad. Global effektivitet återspeglar den parallella informationen om överföringseffektivitet i transportnätet. För nodnätverksmått mäter gradcentraliteten antalet länkar som är anslutna till en nod. Den kortaste sökvägslängden, som namnet heter, är en grund för att mäta integration. Klustringskoefficienten anger i vilken grad nodernas grannar är relaterade till varandra. Lokal effektivitet är effektiviteten i kommunikationen med noden och dess grannar (den detaljerade formeln och användningen visas i dessa artiklar) 17,25. Brain connectivity toolbox (BCT)25 och andra verktygslådor kan också användas för beräkning av nätverksmåtten. - Välj Nätverksgleshet i tröskelmetoden för att utesluta förväxlingseffekterna av falska anslutningar, och ange en uppsättning tröskelsekvenser (dvs. 0,05, 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4, 0,45, 0,5 används här) för att ytterligare bestämma lämpligt tröskelvärde enligt de statistiska resultaten.
OBS: Förhållandet mellan kanter och det maximala antalet kanter i ett nätverk med det slumpmässiga antalet noder kallas gleshetströskeln. En gleshetströskel garanterar att olika individer har samma antal kanter. Vi valde att utforska olika trösklar för validering, vilket skulle kunna ge användbara data för att välja ett optimalt tröskelvärde i framtida studier. - Ställ in det slumpmässiga nätverksnumret som 1 000 för att generera slumpmässiga nätverk med hjälp av en Markov-ledningsalgoritm26. Klicka på Kör för att köra pipelinen i GRETNA när alla steg har konfigurerats.
OBS: I likhet med äkta hjärnnätverk har de slumpmässiga nätverken samma antal noder, kanter och gradfördelning. För att avgöra om de är väsentligt icke-slumpmässigt topologiskt konstruerade kommer de att jämföras med hjärnnätverk. När pipelinen har körts hämtas en grupp poäng för nätverksmåtten för vart och ett av tröskelvärdena för ytterligare statistiska analyser. - Bestäm det optimala antalet moduler i nätverket i fyra steg.
- Beräkna det genomsnittliga navigeringsnätverket. Klicka på badet för Måttjämförelse och välj Anslutning. Läs in nätverksmatriserna som hämtats ovan och välj åtgärden Genomsnittlig (funktionell). Välj en utgångsriktning för att bevara den genomsnittliga nätverksmatrisen. se figur 4 för mer information.
- Dela upp det genomsnittliga nätverket som erhålls från ovanstående steg i 2, 3, 4 och 5 moduler med hjälp av funktionen spektralkluster i MATLAB.
- Beräkna andelen noder uppdelade i samma modul i REST 1 och REST 2 efter att ha justerat modulindelningarna med hjälp av skriptet procrustes_alignment.m. Använd proportionen som index för repeterbarhet för modulpartitionen.
- Välj antalet moduler med högst repeterbarhet.
- Lägg till liten värld, global effektivitet, klustringskoefficient, kortaste väglängd, gradcentralitet och lokal effektivitet till GRETNA-nätverksmåttanalyspipelinen, som du ser i figur 3.
- Statistiska analyser
Anmärkning: Följande analyser är huvudsakligen avsedda för validering och är inte nödvändiga vid tillämpning av detta protokoll på enskilda variationsstudier.- Undersök likheten mellan dessa nätverksmått mellan två nätverk med olika typer av strategier för noddefinition (dvs. den nya som genererades i denna studie, benämnd som NaviNet_AICHA och den tidigare från Kong et al., benämnd som NaviNet_AAL)12. Beräkna Pearson-korrelationen med hjälp av funktionen corrcoef i MATLAB och upprepa analyserna för varje gleshetströskel.
OBS: Efter att ha extraherat nätverksmåtten kan man utföra alla statistiska analyser de är intresserade av. - Kontrollera test-retest-tillförlitligheten för dessa nätverksmått med hjälp av funktionen ICC i MATLAB27,28, som implementerar beräkningen av korrelationskoefficienten inom klassen.
OBS: De ursprungliga okorrigerade p-värdena rapporterades i avsnittet representativa resultat. 0,2 < ICC < 0,4 tolkas som en indikation på en rättvis test-retest-reliabilitet och ICC > 0,4 tolkas som måttlig till god test-retest-reliabilitet29,30. Negativa ICC-poäng sattes till noll, med tanke på att förekomsten av negativa ICC är meningslös och svår att tolka31.
- Undersök likheten mellan dessa nätverksmått mellan två nätverk med olika typer av strategier för noddefinition (dvs. den nya som genererades i denna studie, benämnd som NaviNet_AICHA och den tidigare från Kong et al., benämnd som NaviNet_AAL)12. Beräkna Pearson-korrelationen med hjälp av funktionen corrcoef i MATLAB och upprepa analyserna för varje gleshetströskel.
Bild 3: Analys av nätverksmått. Den här analysen definierar de viktade positiva nätverken med 10 tröskelvärden. Beräkna två globala nätverksmått för småord och effektivitet, fyra nodnätverksmått för klustringskoefficient, kortaste väglängd, effektivitet och gradcentralitet. Klicka här för att se en större version av denna figur.
Figur 4: Beräkning av genomsnittliga navigeringsnät. Den genomsnittliga (funktionella) åtgärden hjälper till att beräkna de genomsnittliga nätverken för alla deltagare. Klicka här för att se en större version av denna figur.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Navigationsnäten
Den aktuella studien identifierade 27 hjärnregioner, som är associerade med rumslig navigering, genom att införliva den senaste metaanalysdatabasen för neuroimaging och AICHA-atlasen. Dessa regioner bestod av de mediala temporala och parietala regionerna som ofta har rapporterats i navigationsneuroradiologiska studier. Den rumsliga fördelningen av dessa regioner visas i figur 5A och figur 5C. Som en jämförelse visualiserade vi också en tidigare definition av de rumsliga navigeringsregionerna i figur 5B och figur 5D. Tjugo regioner från AAL-atlasen inkluderades som en jämförelse. Dessa två uppsättningar av regioner uppvisade en stor överlappning.
Figur 5: De modulära genomsnittliga navigeringsnäten. A) Modularitet för NaviNet_AICHA i REST1. b) Modularitet för NaviNet_AAL i REST1. (C,D) representerar modulariteten av NaviNet_AICHA och NaviNet_AAL i REST1 som regresserar hela hjärnsignalerna. Olika nodfärger indikerar olika moduler som identifieras i varje nätverk. Två moduler visas i NaviNet_AICHA och NaviNet_AAL, som inkluderar en medial temporalmodul och en parietalmodul. Förkortningar: AICHA = atlas över inneboende konnektivitet av homotopiska områden; AAL = anatomisk automatisk märkning. Klicka här för att se en större version av denna figur.
Intressant nog uppvisade dessa två nätverk liknande samhällsfördelning (figur 5). Specifikt visade modularitets- och repeterbarhetsanalyser två moduler i både NaviNet_AICHA och NaviNet_AAL (en ventral modul inklusive de mediala temporala regionerna och en dorsal modul inklusive parietalregionerna) (Tabell 1). De ventrala och dorsala modulerna var likartade mellan NaviNet_AICHA och NaviNet_AAL, även om antalet noder var större i den förstnämnda, med tanke på den finare hjärnparcellationen i AICHAI-atlasen. Dessa resultat var oberoende av de strategier som användes för att hantera globala signaler i förbehandlingsproceduren (Figur 5). Dessutom observerades liknande samhällsfördelningar i REST2-datasetet (tilläggsfigur S1).
Likheten mellan de topologiska egenskaperna hos två navigationsnät
Därefter undersökte vi likheten mellan de två nätverken mellan de två nätverken. Syftet med likhetsanalyserna var tvåfaldigt: (1) att utvärdera resultatens generaliserbarhet vid användning av olika definitionsstrategier och (2) att bestämma en optimal nätverkströskel för nätverksanalyserna.
I allmänhet visade fem av de sex mätvärdena, förutom klustringskoefficienten, signifikanta korrelationer mellan de två nätverken med majoriteten av de tröskelvärden för nätverksgleshet som användes i nätverksanalyserna (figur 6). Likhetsvärdena ökade snabbt med gleshetströskeln för alla mått, förutom den genomsnittliga nodgraden, som visade ett utmärkt likhetsvärde med något av tröskelvärdena. Måttet för små världar visade den högsta likheten vid ett tröskelvärde mellan 0,30 och 0,40, där andra mått också visade den högsta likheten. Dessa resultat tyder på att analyserna på nätverksnivå skulle kunna återspegla stabila individuella skillnader oberoende av val av noddefinition, och att gleshetströskeln på 0,30-0,40 skulle resultera i bättre generaliserbarhet i navigationsnätverksanalyser. Se tilläggsfigur S2 för fler likheter med REST2.
Figur 6: Likhet mellan topologiska egenskaper hos två nätverk. Resultaten av REST 1 (A) utan och (B) med regresserande signaler från hela hjärnan visas. Pearsons korrelationskoefficient på y-axeln indikerar likheten i topologiska egenskaper hos de två nätverken. Gleshetströskeln sträcker sig från 0,05 till 0,5. Asteriskerna i figurerna anger signifikansnivån, där *p < 0,05, **p < 0,01, ***p < 0,001. Klicka här för att se en större version av denna figur.
Tillförlitligheten för test-omtest
Vi utvärderade också test-retest-reliabiliteten för de topologiska måtten i navigationsnätverken. Olika gleshetsgränser mellan 0,05 och 0,50 användes vid beräkningen av dessa nätmått för att ta bort potentiell falsk konnektivitet i näten (se tilläggstabell S1 för närmare uppgifter). Här rapporterade vi främst resultat med ett tröskelvärde på 0,40, givet likhetsresultaten ovan. Majoriteten av nätverksmåtten visade hyfsad till god tillförlitlighet (ICC > 0,2) både i nätverkets NaviNet_AICHA och NaviNet_AAL, medan NaviNet_AAL visade relativt högre tillförlitlighet än NaviNet_AICHA. Dessutom fann vi att inkludering av global signalregression i förbehandling av fMRI-data kunde resultera i en högre tillförlitlighet (figur 7). Klustringskoefficienten, kortaste väglängden och småvärlden i NaviNet_AAL-nätverket visade den högsta test-omtest-reliabiliteten, medan klustringskoefficienten och småvärlden i NaviNet_AICHA också visade högre test-omtest-reliabilitet än andra mått. Dessa resultat tyder på att klustringskoefficienten och småvärlden är de mest tillförlitliga bland dessa mått.
Figur 7: Test-retest reliabilitet för topologiska egenskaper hos navigationsnätverk. (A) Test-retest tillförlitlighet för data utan att regressionslinjen för hela hjärnsignalerna försvinner. (B) Test-retest-reliabilitet för data som regresserar hela hjärnsignalerna. Förkortningar: ICC = korrelationskoefficient inom klassen; Cc = klustringskoefficient; Lp = kortaste banlängd; Sw = småvärldslighet; Nd = medelnodgrad; Eg = global effektivitet; Eloc = lokal effektivitet; AICHA = atlas över inneboende konnektivitet av homotopiska områden; AAL = anatomisk automatisk märkning; cNGS = data utan att regressera hela hjärnsignalerna; cWGS = regressera hela hjärnans signaler. Klicka här för att se en större version av denna figur.
| Modulnummer | |||||
| 2 | 3 | 4 | 5 | ||
| NaviNet_AICHA | cNGS | 1 | 1 | 0.96 | 0.67 |
| cWGS | 1 | 0.96 | 0.78 | 0.89 | |
| NaviNet_AAL | cNGS | 1 | 0.95 | 0.95 | 0.65 |
| cWGS | 1 | 0.95 | 0.95 | 0.95 | |
Tabell 1: Repeterbarheten för modulpartitionen mellan REST 1 och REST 2. Den första raden anger antalet moduler. cNGS representerar rs-fMRI utan att regressera ut de globala signalerna och cWGS representerar rs-fMRI regresserade ut de globala signalerna. En större siffra indikerar en högre repeterbarhet, och två moduler väljs för NaviNet_AICHA och NaviNet_AAL i den aktuella texten. Förkortningar: AICHA = atlas över inneboende konnektivitet av homotopiska områden; AAL = anatomisk automatisk märkning.
Kompletterande figur S1: De modulära genomsnittliga navigeringsnäten i REST 2. (A,B) Modulariteten för NaviNet_AICHA och NaviNet_AAL i REST 2-datauppsättningen utan att regressera hela hjärnsignalerna. (C,D) Modulariteten för NaviNet_AICHA och NaviNet_AAL i REST 2-datauppsättningen med regression av hela hjärnsignalerna. Olika nodfärger indikerar olika moduler som identifieras i varje nätverk. Båda två modulerna visas i NaviNet_AICHA och NaviNet_AAL. Klicka här för att ladda ner den här filen.
Tilläggsfigur S2: Likhet mellan topologiska egenskaper hos två nätverk i REST 2. Resultaten av REST 2 utan/med regresserande signaler från hela hjärnan visas (A respektive B). Pearsons korrelationskoefficient på y-axeln indikerar likheten i topologiska egenskaper hos de två nätverken. Gleshetströskeln sträcker sig från 0,05 till 0,5. Asteriskerna i figurerna anger signifikansnivån, där *p < 0,05, **p < 0,01, ***p < 0,001. Klicka här för att ladda ner den här filen.
Tilläggstabell S1: Test-retest-tillförlitlighet för topologiska egenskaper hos navigationsnät med olika gleshetströsklar. Värdena anger korrelationskoefficienten inom klassen för NaviNet_AICHA och NaviNet_AAL med olika gleshetströsklar. Förkortningar: Cc = klustringskoefficient; Lp = kortaste banlängd; Sw = liten woldness; Nd = medelnodgrad; Eg = global effektivitet; Eloc = lokal effektivitet; cNGS = data utan att regressera hela hjärnsignalerna; cWGS = regressera hela hjärnans signaler. Klicka här för att ladda ner den här filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Nätverksneurovetenskap förväntas hjälpa till att förstå hur hjärnans nätverk stöder mänskliga kognitiva funktioner32. Detta protokoll visar ett integrativt tillvägagångssätt för att studera det funktionella nätverket för rumslig navigering i den mänskliga hjärnan, vilket också kan inspirera nätverksmodellering för andra kognitiva konstruktioner (t.ex. språk).
Detta tillvägagångssätt bestod av tre huvudsteg: noddefinition, nätverkskonstruktion och nätverksanalys. Även om nätverkskonstruktion och nätverksanalys är desamma som i allmänna nätverksstudier av hela hjärnan, är noddefinition det mest kritiska steget i detta protokoll. Detta steg använder sig av en storskalig metaanalys av funktionell aktivering relaterad till rumslig navigering för att lokalisera de viktigaste hjärnregionerna för navigeringsbeteenden. Således kan vi modellera det funktionellt meningsfulla nätverket, vilket hjälper till att förstå den neurala grunden för den komplexa bearbetningen ur ett nätverksperspektiv. Observera att prefrontala regioner saknades i noddefinitionsresultaten medan ett ökande antal navigationsstudier har föreslagit kritiska roller för dessa regioner33. Detta kan bero på bristen på aktiveringar av dessa regioner i navigationsrelaterade studier i databasen, vilket resulterade i begränsade data för metaanalysen. När mer data finns tillgängliga för att lokalisera dessa navigationsrelaterade prefrontala regioner, skulle det vara en intressant fråga att undersöka deras roller i navigationsnätverket i framtida studier. Forskare kan också tillämpa detta protokoll för att studera andra kognitiva funktioner när det är möjligt att lokalisera enskilda hjärnregioner. Fältkunskap behövs för att identifiera intressanta regioner för att säkerställa nära kopplingar till den specifika funktionen.
I detta protokoll fokuserade vi på det rumsliga navigationsnätverket och visade en hög täckning av olika hjärnregioner som rapporterats i rumsliga navigationsstudier. Med tanke på frånvaron av en universellt överenskommen definition av hjärnregioner som stöder rumslig navigering, använde demonstrationen två uppsättningar regioner, en genererad genom att införliva den största metaanalysen och AICHA-atlasen, och den andra med AAL-atlasen. De nätverkstopologiska egenskaperna baserade på de två definitionerna uppvisade generellt hög likhet, vilket i viss mån stöder effektiviteten av den funktionsspecifika nätverksmodelleringen.
Vi noterade att likhetsstyrkan ökade med gleshetströskelvärdena som användes i nätverksanalyserna, och resultaten tydde på att ett gleshetströskelvärde på 0,30-0,40 skulle vara ett lämpligt val eftersom alla nätverksmått visade den högsta likheten med dessa tröskelvärden. Med sådana trösklar visade nätverksmåtten också hyfsad till god test-retest-tillförlitlighet, särskilt för den kortaste väglängden och småvärldsligheten i det fall där global signalregression inkluderades i dataförbehandlingen. Dessa resultat stöder till stor del användningen av dessa mått i studier av individuella skillnader och relaterade hjärnsjukdomar.
På grund av brist på korrekta beteendedata kunde vi inte presentera beteendekorrelat för nätverksmåtten med rumslig navigering i detta protokoll. Baserat på några tidigare studier om hjärnbeteendeassociationer av funktionella konnektivitetsmått i navigationsrelaterade regioner12,34, förväntade vi oss att nätverksmodellering med detta protokoll skulle visa ett specifikt samband med rumslig navigering. Storskaliga prover med både hjärnavbildning och beteendedata behövs för att ytterligare undersöka dessa samband. Dessutom, även om test-retest-reliabilitetsresultaten inte var särskilt höga, var styrkan jämförbar med de som rapporterats av tidigare fMRI-studier35.
Framtida studier kan tillämpa detta protokoll för att bättre förstå den neurala grunden för rumslig navigering ur ett nätverksperspektiv och utforska dess variationer hos människor. Till exempel kan forskare använda detta protokoll för att undersöka utvecklingen och åldrandet av navigationsnätverk, och i klinisk praxis ger nätverksegenskaperna viktiga biomarkörer för att vägleda tidig identifiering och diagnos av hjärnsjukdomar som Alzheimers sjukdom. Dessutom skulle framtida studier också kunna tillämpa ett liknande protokoll för att konstruera nätverksmodellerna för andra kognitiva konstruktioner.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna förklarar att det inte föreligger någon intressekonflikt.
Acknowledgments
Xiang-Zhen Kong stöddes av National Natural Science Foundation of China (32171031), STI 2030 - Major Project (2021ZD0200409), Fundamental Research Funds for the Central Universities (2021XZZX006) och Information Technology Center vid Zhejiang University.
Materials
| Name | Company | Catalog Number | Comments |
| Brain connectivity toolbox (BCT) | Mikail Rubinov & Olaf Sporns | 2019 | The Brain Connectivity Toolbox (brain-connectivity-toolbox.net) is a MATLAB toolbox for complex-network (graph) analysis of structural and functional brain-connectivity data sets. |
| GRETNA | Jinhui Wang et al. | 2 | GRETNA is a graph theoretical network analysis toolbox which allows researchers to perform comprehensive analysis on the topology of brain connectome by integrating the most of network measures studied in current neuroscience field. |
| MATLAB | MathWorks | 2021a | MATLAB is a programming and numeric computing platform used by millions of engineers and scientists to analyze data, develop algorithms, and create models. |
| Python | Guido van Rossum et al. | 3.8.6 | Python is a programming language that lets you work more quickly and integrate your systems more effectively. |
| Statistical Parametric Mapping (SPM) | Karl Friston et.al | 12 | Statistical Parametric Mapping refers to the construction and assessment of spatially extended statistical processes used to test hypotheses about functional imaging data. |
References
- Kanwisher, N. Functional specificity in the human brain: a window into the functional architecture of the mind. Proceedings of the National Academy of Sciences of the United States of America. 107 (25), 11163-11170 (2010).
- Coughlan, G., Laczo, J., Hort, J., Minihane, A. M., Hornberger, M. Spatial navigation deficits - overlooked cognitive marker for preclinical Alzheimer disease. Nature Reviews Neurology. 14 (8), 496-506 (2018).
- Gilbert, S. J., Meuwese, J. D., Towgood, K. J., Frith, C. D., Burgess, P. W. Abnormal functional specialization within medial prefrontal cortex in high-functioning autism: a multi-voxel similarity analysis. Brain. 132 (4), 869-878 (2009).
- Kanwisher, N., McDermott, J., Chun, M. M. The fusiform face area: a module in human extrastriate cortex specialized for face perception. Journal of Neuroscience. 17 (11), 4302-4311 (1997).
- Epstein, R., Harris, A., Stanley, D., Kanwisher, N. The parahippocampal place area: recognition, navigation, or encoding. Neuron. 23 (1), 115-125 (1999).
- Epstein, R. A., Patai, E. Z., Julian, J. B., Spiers, H. J. The cognitive map in humans: spatial navigation and beyond. Nature Neuroscience. 20 (11), 1504-1513 (2017).
- Baumann, O., Mattingley, J. B. Extrahippocampal contributions to spatial navigation in humans: A review of the neuroimaging evidence. Hippocampus. 31 (7), 640-657 (2021).
- Auger, S. D., Mullally, S. L., Maguire, E. A. Retrosplenial cortex codes for permanent landmarks. PloS One. 7 (8), e43620 (2012).
- Zhen, Z., et al. Quantifying the variability of scene-selective regions: Interindividual, interhemispheric, and sex differences. Human Brain Mapping. 38 (4), 2260-2275 (2017).
- Ekstrom, A. D., Huffman, D. J., Starrett, M. Interacting networks of brain regions underlie human spatial navigation: a review and novel synthesis of the literature. Journal of Neurophysiology. 118 (6), 3328-3344 (2017).
- Coughlan, G., et al. Functional connectivity between the entorhinal and posterior cingulate cortices underpins navigation discrepancies in at-risk Alzheimer's disease. Neurobiology of Aging. 90, 110-118 (2020).
- Kong, X. Z., et al. Human navigation network: the intrinsic functional organization and behavioral relevance. Brain Structure & Function. 222 (2), 749-764 (2017).
- Weisberg, S. M., Ekstrom, A. D. Hippocampal volume and navigational ability: The map (ping) is not to scale. Neuroscience & Biobehavioral Reviews. 126, 102-112 (2021).
- Tzourio-Mazoyer, N., et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain. Neuroimage. 15 (1), 273-289 (2002).
- Van Essen, D. C., et al. The WU-Minn human connectome project: an overview. Neuroimage. 80, 62-79 (2013).
- Smith, S. M., et al. Resting-state fMRI in the human connectome project. Neuroimage. 80, 144-168 (2013).
- Wang, L., et al. GRETNA: a graph theoretical network analysis toolbox for imaging connectomics. Frontiers in Human Neuroscience. 9, 386 (2015).
- Esteban, O., et al. fMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16 (1), 111-116 (2019).
- Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for" pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13 (2010).
- Yarkoni, T., Poldrack, R. A., Nichols, T. E., Van Essen, D. C., Wager, T. D. Large-scale automated synthesis of human functional neuroimaging data. Nature Methods. 8 (8), 665-670 (2011).
- Joliot, M., et al. AICHA: An atlas of intrinsic connectivity of homotopic areas. Journal of Neuroscience Methods. 254, 46-59 (2015).
- Murphy, K., Birn, R. M., Handwerker, D. A., Jones, T. B., Bandettini, P. A. The impact of global signal regression on resting state correlations: are anti-correlated networks introduced. Neuroimage. 44 (3), 893-905 (2009).
- Fox, M. D., Zhang, D., Snyder, A. Z., Raichle, M. E. The global signal and observed anticorrelated resting state brain networks. Journal of Neurophysiology. 101 (6), 3270-3283 (2009).
- Xiang, J., et al. Graph-based network analysis of resting-state fMRI: test-retest reliability of binarized and weighted networks. Brain Imaging and Behavior. 14, 1361-1372 (2020).
- Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
- Maslov, S., Sneppen, K. Specificity and stability in topology of protein networks. Science. 296 (5569), 910-913 (2002).
- Shrout, P. E., Fleiss, J. L. Intraclass correlations: uses in assessing rater reliability. Psychological Bulletin. 86 (2), 420 (1979).
- McGraw, K. O., Wong, S. P. Forming inferences about some intraclass correlation coefficients. Psychological Methods. 1 (1), 30 (1996).
- Andellini, M., Cannatà, V., Gazzellini, S., Bernardi, B., Napolitano, A. Test-retest reliability of graph metrics of resting state MRI functional brain networks: A review. Journal of Neuroscience Methods. 253, 183-192 (2015).
- Cao, H., et al. Test-retest reliability of fMRI-based graph theoretical properties during working memory, emotion processing, and resting state. Neuroimage. 84, 888-900 (2014).
- Rousson, V., Gasser, T., Seifert, B. Assessing intrarater, interrater and test-retest reliability of continuous measurements. Statistics in medicine. 21 (22), 3431-3446 (2002).
- Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10 (3), 186-198 (2009).
- Patai, E. Z., Spiers, H. J. The versatile wayfinder: prefrontal contributions to spatial navigation. Trends in Cognitive Sciences. 25 (6), 520-533 (2021).
- Wegman, J., Janzen, G. Neural encoding of objects relevant for navigation and resting state correlations with navigational ability. Journal of Cognitive Neuroscience. 23 (12), 3841-3854 (2011).
- Braun, U., et al. Test-retest reliability of resting-state connectivity network characteristics using fMRI and graph theoretical measures. Neuroimage. 59 (2), 1404-1412 (2012).
