Summary
Questo articolo presenta un approccio integrativo allo studio della rete funzionale per la navigazione spaziale nel cervello umano. Questo approccio incorpora un database meta-analitico di neuroimaging su larga scala, una risonanza magnetica funzionale in stato di riposo e tecniche di modellazione di rete e di teoria dei grafi.
Abstract
La navigazione spaziale è una funzione complessa che coinvolge l'integrazione e la manipolazione di informazioni multisensoriali. Utilizzando diversi compiti di navigazione, sono stati ottenuti molti risultati promettenti sulle funzioni specifiche di varie regioni cerebrali (ad esempio, ippocampo, corteccia entorinale e area del luogo paraippocampale). Recentemente, è stato suggerito che un processo di rete non aggregato che coinvolge più regioni cerebrali interagenti possa caratterizzare meglio le basi neurali di questa complessa funzione. Questo articolo presenta un approccio integrativo per la costruzione e l'analisi della rete funzionalmente specifica per la navigazione spaziale nel cervello umano. In breve, questo approccio integrativo consiste in tre fasi principali: 1) identificare le regioni cerebrali importanti per la navigazione spaziale (definizione dei nodi); 2) stimare la connettività funzionale tra ciascuna coppia di queste regioni e costruire la matrice di connettività (costruzione della rete); 3) studiare le proprietà topologiche (e.g., modularità e piccola mondanità) della rete risultante (analisi di rete). L'approccio presentato, dal punto di vista della rete, potrebbe aiutarci a capire meglio come il nostro cervello supporti la navigazione flessibile in ambienti complessi e dinamici, e le proprietà topologiche rivelate della rete possono anche fornire importanti biomarcatori per guidare l'identificazione precoce e la diagnosi della malattia di Alzheimer nella pratica clinica.
Introduction
La specificità funzionale è un principio organizzativo fondamentale del cervello umano, che svolge un ruolo cruciale nel plasmare le funzioni cognitive1. Le anomalie nell'organizzazione della specificità funzionale possono riflettere i disturbi cognitivi distintivi e le basi patologiche associate ai principali disturbi cerebrali come l'autismo e il morbo di Alzheimer 2,3. Mentre le teorie e le ricerche convenzionali tendono a concentrarsi su singole regioni cerebrali, come l'area fusiforme del viso (FFA) per il riconoscimento facciale4 e l'area del posto del paraippocampo (PPA)5 per l'elaborazione della scena, un numero crescente di prove suggerisce che funzioni cognitive complesse, tra cui la navigazione spaziale e il linguaggio, richiedono un'attività coordinata tra più regioni cerebrali6. Indagare i meccanismi alla base delle interazioni a supporto di funzioni cognitive complesse è una questione scientifica critica che aiuterà a far luce sull'architettura funzionale e sul funzionamento del cervello. Qui, prendendo come esempio la navigazione spaziale, presentiamo un metodo integrativo per modellare la rete funzionale per la navigazione spaziale nel cervello umano.
La navigazione spaziale è una funzione cognitiva complessa, che comporta l'integrazione e la manipolazione di più componenti cognitive, come la codifica visuo-spaziale, la memoria e il processo decisionale7. Con la risonanza magnetica funzionale (fMRI), numerosi studi hanno fatto progressi significativi nella comprensione dell'elaborazione cognitiva sottostante e dei meccanismi neurali. Ad esempio, funzioni specifiche sono state collegate a diverse regioni cerebrali utilizzando vari compiti di navigazione: l'elaborazione della scena è specificamente associata alla PPA e la trasformazione delle strategie di navigazione è associata alla corteccia retrospleniale (RSC)8,9. Questi studi hanno fornito importanti informazioni sulle basi neurali della navigazione spaziale. Tuttavia, la navigazione è una funzione dinamica e multimodale internamente e le funzioni delle singole regioni non sono sufficienti a spiegare le grandi differenze individuali nella navigazione spaziale10 che si osservano comunemente.
Con l'emergere della connettomica basata sulla fMRI, i ricercatori hanno iniziato a esplorare il modo in cui alcune regioni chiave del cervello interagiscono tra loro per supportare la navigazione spaziale. Ad esempio, è stato scoperto che la connettività funzionale tra la corteccia entorinale e quella cingolata posteriore è alla base delle discrepanze di navigazione nella malattia di Alzheimer a rischio11. In un altro studio, abbiamo proposto per la prima volta un approccio di rete integrando i metodi del connettoma e quasi tutte le regioni funzionalmente rilevanti (nodi) per la navigazione spaziale, e i risultati hanno mostrato che le proprietà topologiche di questa rete mostravano associazioni specifiche con i comportamenti di navigazione12. Questo studio fornisce nuove intuizioni sulle teorie di come più regioni del cervello interagiscono tra loro per supportare comportamenti di navigazione flessibili10,13.
Il presente lavoro illustra una versione aggiornata dell'approccio integrativo per la modellazione della rete funzionale. In breve, sono stati inclusi due aggiornamenti: 1) Mentre i nodi definiti nello studio originale sono stati identificati sulla base di un database precedente e più piccolo (55 studi con 2.765 attivazioni, consultato nel 2014), la presente definizione si è basata sul database più recente (77 studi con 3.908 attivazioni, consultato nel 2022); 2) per aumentare l'omogeneità funzionale di ciascun nodo, oltre all'originale atlante anatomico AAL (Anatomical Automatic Labeling)14, abbiamo applicato una nuova parcellazione cerebrale, che ha una risoluzione molto più fine e una maggiore omogeneità funzionale (vedi sotto). Ci aspettavamo che entrambi gli aggiornamenti avrebbero migliorato la modellazione della rete funzionale. Questo protocollo aggiornato fornisce una procedura dettagliata per studiare le basi neurali della navigazione spaziale dal punto di vista della rete e aiuta a comprendere le variazioni individuali nei comportamenti di navigazione in salute e malattia. Una procedura simile potrebbe essere utilizzata anche per la modellazione di reti per altri costrutti cognitivi (ad esempio, il linguaggio e la memoria).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOTA: Tutto il software utilizzato qui è mostrato nella Tabella dei materiali. I dati utilizzati in questo studio a scopo dimostrativo provengono dallo Human Connectome Project (HCP: http://www. humanconnectome.org)15. Tutte le procedure sperimentali sono state approvate dall'Institutional Review Board (IRB) dell'Università di Washington. I dati di imaging nel set di dati HCP sono stati acquisiti utilizzando uno scanner 3T Siemens Skyra modificato con una bobina di testa a 32 canali. Altri parametri di acquisizione delle immagini sono descritti in dettaglio in un precedente articolo16. Per la dimostrazione, che ha completato le seguenti fasi di pre-elaborazione, sono stati scaricati dati pre-elaborati minimi: correzione della distorsione del gradiente, correzione del movimento, pre-elaborazione della mappa di campo, correzione della distorsione spaziale, normalizzazione spaziale nello spazio del Montreal Neurological Institute (MNI), normalizzazione dell'intensità e rimozione del campo di polarizzazione. Possono essere utilizzati anche i dati fMRI in stato di riposo provenienti dai progetti dei ricercatori.
1. Pre-elaborazione dei dati
- Controllare la qualità dei dati ed escludere i partecipanti con dati di ripetizione mancanti e movimento eccessivo della testa (3 mm in traslazione e 3° in rotazione).
NOTA: Cinque partecipanti sono stati rimossi e 38 giovani adulti (22-35 anni) sono stati inclusi nelle analisi principali. - Aprire la casella degli strumenti GRETNA (Graph Theoretical Network Analysis)17 in MATLAB per eseguire ulteriori passaggi di pre-elaborazione. Fare clic sul batch di FC Matrix Construction. Selezionare il percorso del set di dati funzionali per caricare i documenti NIFTI ed eseguire i passaggi seguenti, come mostrato nell'opzione pipeline nella Figura 1:
- Per rimuovere le prime 10 immagini, fare doppio clic su Numero punto temporale da rimuovere in Rimuovi prime immagini e immettere 10.
- Spazialmente liscio (larghezza completa a metà massimo [FWHM] = [4 4 4] facendo doppio clic su FWHM (mm) in Spazialmente liscio e immettendo [4 4 4]).
- Regressione delle covariate. Scegliete Segnali di sostanza bianca, Segnali CSF e Movimento della testa come TRUE. Selezionare la maschera appropriata in base alla dimensione effettiva del voxel, ad esempio, maschera con 2 mm qui, e scegliere i parametri Friston-24 per Head Motion.
- Filtra temporalmente. Immettere il valore di TR in base al tempo di ripetizione della scansione MRI (ad esempio, 720 ms qui) e rimuovere il rumore ad alta e bassa frequenza facendo doppio clic su Banda (Hz) e inserendo [0.01 0.1].
NOTA: Di seguito sono riportati i risultati con e senza regressione dei segnali dell'intero cervello. Quando si utilizzano dati non pre-elaborati, si consiglia anche pipeline consolidate come fMRI-prep18 e Data Processing Assistant for Resting-State fMRI (DPARSF)19 .
Figura 1: Stima del pre-processo Rs-fMRI e della connettività funzionale della rete. Le impostazioni di pre-processo (rimozione delle prime 10 immagini, livellamento spaziale con FWHM di 4 mm, detrending temporale lineare, regressione dei segnali di sostanza bianca, segnali del liquido cerebrospinale (CSF) e movimento della testa con 24 parametri, filtraggio della banda di 0,01-0,1 HZ) e la correlazione statica con la Z di Fisher trasformata. Abbreviazioni: Rs-fMRI = risonanza magnetica funzionale a riposo; FWHM = larghezza totale a metà massimo; CSF = liquido cerebrospinale. Fare clic qui per visualizzare una versione più grande di questa figura.
2. Costruzione e analisi della rete
NOTA: Il flusso di lavoro generale per la costruzione e l'analisi della rete di navigazione è riassunto in tre fasi principali (Figura 2).
Figura 2: Flusso di lavoro generale per la costruzione e l'analisi della rete di navigazione. (A) Scegliere navigazione come termine da cercare nel database Neurosynth. (B) È possibile generare un elenco di coordinate di attivazione. (C) Eseguire una meta-analisi utilizzando le funzioni del Neurosynth per ottenere diverse mappe cerebrali. (D,E) Incorporando la mappa meta-analitica e un atlante di parcellazione dell'intero cervello (AICHA), è possibile generare i nodi (ROI). (F) La costruzione di una rete di navigazione utilizzando i nodi di navigazione risultanti e la loro connettività funzionale (Connectivity Estimation and Network Analysis). Abbreviazioni: ROI = regione di interesse; AICHA = atlante della connettività intrinseca delle aree omotopiche. Fare clic qui per visualizzare una versione più grande di questa figura.
- Definizione del nodo di rete
- Scarica l'ultimo database Neurosynth (neurosynth.org)20 digitando il comando in Python:
>Importa neurosynth come NS
>ns.dataset.download (percorso='./', decomprimere = True)
NOTA: l'archivio del set di dati ('current_data.tar.gz') contiene due file: 'database.txt' e 'features.txt'. Questi contengono tutte le coordinate di attivazione degli articoli di neuroimaging e dei tag di meta-analisi che si verificano ad alta frequenza in quell'articolo, rispettivamente. - Generare una nuova istanza Dataset dal database.txt e aggiungere funzionalitàa questi dati digitando il comando:
> dal set di dati di importazione neurosynth.base.dataset
> dataset = Set di dati('dati/database.txt')
> dataset.add_features(«dati/features.txt»)
- Eseguire una meta-analisi con il termine di interesse (ad esempio, 'navigazione') digitando il comando:
> ids = dataset.get_ids_by_features ('navigazione', soglia=0,01)
> ma = meta. Metaanalisi (set di dati, ids)
> ma.save_results('.', 'navigazione')
NOTA: La meta-analisi si traduce in diverse mappe cerebrali in formato NIFTI. È stata applicata una soglia di tasso di falsi di scoperta (FDR) di 0,01 per controllare il tasso di falsi positivi. In questa fase è necessaria la conoscenza archiviata per garantire che le regioni comunemente segnalate siano incluse nella mappa metaanalitica. Passaggi simili possono essere applicati per eseguire meta-analisi per altre funzioni cognitive come il linguaggio e la memoria. - Definisci i cluster di interesse incorporando la mappa meta-analitica e un atlante di parcellizzazione dell'intero cervello digitando il comando da 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 etichetta _n.nii.gz
>cluster -i etichetta _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: In questo caso sono stati utilizzati due atlanti: AAL e AICHA. L'AAL è l'atlante utilizzato nello studio originale per la definizione del nodo12. Questo atlante è stato creato sulla base dei profili anatomici. L'atlante della connettività intrinseca delle aree omotopiche (AICHA)21 ha una risoluzione molto più fine e una maggiore omogeneità funzionale. Abbiamo definito le regioni di interesse utilizzando ciascuno degli atlanti. - Script di digitazione in Python per controllare le dimensioni di ogni regione nella mappa:
>per i in 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))
NOTA: Il numero intero n nello script indica il numero totale di regioni all'interno della parcellazione AICHA e AAL (rispettivamente 384 e 128). Per evitare gli effetti dei cluster spuri, si suggerisce di rimuovere cluster con dimensioni relativamente piccole (ad esempio, 100 voxel). L'atlante AICHA qui utilizzato è generato utilizzando i dati di connettività funzionale, con ogni regione che mostra l'omogeneità dell'attività temporale funzionale al suo interno.
- Scarica l'ultimo database Neurosynth (neurosynth.org)20 digitando il comando in Python:
- Stima della connettività di rete
NOTA: Il toolbox GRETNA viene utilizzato per la stima della connettività e l'analisi della rete.- Fare clic sul batch di FC Matrix Construction. Caricare i dati rs-fMRI pre-elaborati selezionando il percorso del set di dati funzionali. Fare clic sull'opzione di correlazione statica . Caricare il nodo ottenuto nel passaggio precedente come atlante per calcolare la correlazione statica dei segnali rs-fMRI di ogni coppia di regioni e trasferirli nei punteggi z di Fisher per migliorare la normalità.
NOTA: L'operazione dettagliata è mostrata nella Figura 1. Le matrici della rete di navigazione di N × N (N rappresenta il numero di nodi) per ogni partecipante sarebbero ottenute in .txt formato. - Ottenere una rete positiva e ponderata con i passaggi seguenti, come illustrato nella Figura 3.
- Fare clic sul batch di Analisi di rete. Aggiungere le matrici di rete nella finestra Matrice di connettività Brain e scegliere una directory di output per la preparazione.
- Per l'opzione pipeline di Configurazione di rete, selezionare positivo nel segno della matrice, che imposterà le connessioni negative nella matrice di connessione della funzione su 0 ed eliminerà le connessioni ambigue22. Scegliere il tipo di rete come ponderato per ottenere la rete ponderata non orientata.
NOTA: Oltre alle reti pesate, si potrebbero anche binarizzare le reti per creare reti binarie per analisi successive (con approcci diversi), ma quella pesata è spesso considerata per mostrare una maggiore affidabilità23,24.
- Fare clic sul batch di FC Matrix Construction. Caricare i dati rs-fMRI pre-elaborati selezionando il percorso del set di dati funzionali. Fare clic sull'opzione di correlazione statica . Caricare il nodo ottenuto nel passaggio precedente come atlante per calcolare la correlazione statica dei segnali rs-fMRI di ogni coppia di regioni e trasferirli nei punteggi z di Fisher per migliorare la normalità.
- Analisi di rete
- Aggiungi small world, efficienza globale, coefficiente di clustering, lunghezza del percorso più breve, centralità dei gradi ed efficienza locale alla pipeline di analisi metrica della rete GRETNA, come mostrato nella Figura 3.
NOTA: Small World ed efficienza globale sono due metriche di rete globali. In particolare, la rete con un mondo di piccole dimensioni può massimizzare l'efficienza del trasferimento delle informazioni a un costo di cablaggio relativamente basso. L'efficienza globale riflette le informazioni parallele sull'efficienza di trasmissione nella rete di trasporto. Per le metriche di rete nodale, il grado di centralità misura il numero di collegamenti connessi a un nodo. La lunghezza del percorso più breve, come dice il nome, è una base per misurare l'integrazione. Il coefficiente di clustering indica il grado in cui i nodi adiacenti sono correlati tra loro. L'efficienza locale è l'efficienza della comunicazione con il nodo e i suoi vicini (la formula dettagliata e l'uso sono mostrati in questi documenti) 17,25. Per il calcolo delle metriche di rete è possibile utilizzare anche il Brain connectivity toolbox (BCT)25 e altri toolbox. - Selezionare Sparsità di rete nel metodo di soglia per escludere gli effetti confondenti delle connessioni spurie e immettere una serie di sequenze di soglia (ad esempio, 0,05, 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4, 0,45, 0,5 viene utilizzato qui) per determinare ulteriormente la soglia appropriata in base ai risultati statistici.
NOTA: il rapporto tra gli archi e il numero massimo di archi in una rete con il numero campione di nodi è noto come soglia di sparsità. Una soglia di sparsità garantisce che individui diversi abbiano lo stesso numero di bordi. Abbiamo scelto di esplorare diverse soglie per la validazione, che potrebbero fornire dati utili per la scelta di una soglia ottimale in studi futuri. - Impostare il numero di rete casuale su 1.000 per generare reti casuali utilizzando un algoritmo di cablaggio Markov26. Fare clic su Esegui per eseguire la pipeline in GRETNA dopo aver impostato tutti i passaggi.
NOTA: Analogamente alle reti cerebrali autentiche, le reti casuali mantengono lo stesso numero di nodi, bordi e distribuzione dei gradi. Per determinare se sono costruiti topologicamente in modo non casuale, saranno confrontati con le reti cerebrali. Dopo aver eseguito la pipeline, viene ottenuto un gruppo di punteggi per le metriche di rete per ciascuna delle soglie per ulteriori analisi statistiche. - Determinare il numero ottimale di moduli nella rete in quattro passaggi.
- Calcola la media della rete di navigazione. Fare clic sul bagno di Confronto metrico e scegliere Connessione. Caricare le matrici di rete ottenute in precedenza e scegliere l'operazione Media (Funzionale). Selezionare una direzione di output per mantenere la matrice di rete mediata; vedere la Figura 4 per ulteriori dettagli.
- Dividi la rete media ottenuta dal passaggio precedente in 2, 3, 4 e 5 moduli utilizzando la funzione spectralcluster in MATLAB.
- Calcolare la proporzione di nodi divisi nello stesso modulo in REST 1 e REST 2 dopo aver allineato le divisioni dei moduli utilizzando lo script procrustes_alignment.m. Utilizzare la proporzione come indice di ripetibilità della partizione del modulo.
- Selezionare il numero di moduli con la massima ripetibilità.
- Aggiungi small world, efficienza globale, coefficiente di clustering, lunghezza del percorso più breve, centralità dei gradi ed efficienza locale alla pipeline di analisi metrica della rete GRETNA, come mostrato nella Figura 3.
- Analisi statistiche
NOTA: Le seguenti analisi sono principalmente a scopo di convalida e non sono necessarie quando si applica questo protocollo a singoli studi di variazione.- Esaminare la somiglianza di queste metriche di rete tra due reti con diversi tipi di strategie per la definizione dei nodi (ad esempio, quella nuova generata nel presente studio, definita come NaviNet_AICHA e quella precedente di Kong et al., definita come NaviNet_AAL)12. Calcola la correlazione di Pearson utilizzando la funzione corrcoef in MATLAB e ripeti le analisi per ogni soglia di sparsità.
NOTA: Dopo aver estratto le metriche di rete, è possibile condurre tutte le analisi statistiche a cui si è interessati. - Verificare l'affidabilità test-retest di queste metriche di rete utilizzando la funzione ICC in MATLAB27,28, che implementa il calcolo dell'Intraclass Correlation Coefficient.
NOTA: I valori p originali non corretti sono stati riportati nella sezione dei risultati rappresentativi. 0,2 < ICC < 0,4 è interpretato come indicativo di una discreta affidabilità test-retest e ICC > 0,4 è interpretato come affidabilità da moderata a buona test-retest29,30. I punteggi ICC negativi sono stati impostati a zero, dato che la presenza di ICC negativi è priva di significato e difficile da interpretare31.
- Esaminare la somiglianza di queste metriche di rete tra due reti con diversi tipi di strategie per la definizione dei nodi (ad esempio, quella nuova generata nel presente studio, definita come NaviNet_AICHA e quella precedente di Kong et al., definita come NaviNet_AAL)12. Calcola la correlazione di Pearson utilizzando la funzione corrcoef in MATLAB e ripeti le analisi per ogni soglia di sparsità.
Figura 3: Analisi delle metriche di rete. Questa analisi definisce le reti positive ponderate con 10 soglie. Calcola due metriche di rete globali di parola minuscola ed efficienza, quattro metriche di rete nodale di coefficiente di clustering, lunghezza del percorso più breve, efficienza e centralità del grado. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 4: Calcolo delle reti di navigazione medie. L'operazione mediata (funzionale) aiuta a calcolare le reti medie di tutti i partecipanti. Fare clic qui per visualizzare una versione più grande di questa figura.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Le reti di navigazione
Il presente studio ha identificato 27 regioni cerebrali, che sono associate alla navigazione spaziale, incorporando l'ultimo database di neuroimaging di meta-analisi e l'atlante AICHA. Queste regioni erano costituite dalle regioni mediale, temporale e parietale che sono state comunemente riportate negli studi di neuroimaging di navigazione. La distribuzione spaziale di queste regioni è mostrata nella Figura 5A e nella Figura 5C. A titolo di confronto, è stata visualizzata anche una definizione precedente delle regioni di navigazione spaziale nella Figura 5B e nella Figura 5D. Venti regioni dell'atlante AAL sono state incluse come confronto. Questi due insiemi di regioni hanno mostrato una grande sovrapposizione.
Figura 5: Le reti modulari di navigazione media. (A) Modularità dei NaviNet_AICHA in REST1. (B) Modularità di NaviNet_AAL in REST1. (C,D) rappresentano la modularità di NaviNet_AICHA e NaviNet_AAL in REST1 che fanno regredire rispettivamente l'intero segnale cerebrale. Colori diversi dei nodi indicano moduli diversi identificati in ciascuna rete. Due moduli sono mostrati in NaviNet_AICHA e NaviNet_AAL, che include un modulo temporale mediale e un modulo parietale. Abbreviazioni: AICHA = atlante della connettività intrinseca delle aree omotopiche; AAL = etichettatura anatomica automatica. Fare clic qui per visualizzare una versione più grande di questa figura.
È interessante notare che queste due reti hanno mostrato una distribuzione comunitaria simile (Figura 5). In particolare, le analisi di modularità e ripetibilità hanno mostrato due moduli sia in NaviNet_AICHA che in NaviNet_AAL (un modulo ventrale che include le regioni temporali mediali e un modulo dorsale che include le regioni parietali) (Tabella 1). I moduli ventrale e dorsale erano simili tra NaviNet_AICHA e NaviNet_AAL, anche se il numero di nodi era maggiore nel primo, data la parcellazione cerebrale più fine dell'atlante AICHAI. Questi risultati erano indipendenti dalle strategie utilizzate per gestire i segnali globali nella procedura di pre-elaborazione (Figura 5). Inoltre, distribuzioni comunitarie simili sono state osservate nel set di dati REST2 (Figura supplementare S1).
Somiglianza delle proprietà topologiche di due reti di navigazione
Successivamente, abbiamo esaminato la somiglianza di ciascuna misura di rete tra le due reti. Lo scopo delle analisi di similarità era duplice: (1) valutare la generalizzabilità dei risultati quando si utilizzano diverse strategie di definizione e (2) determinare una soglia di rete ottimale per le analisi di rete.
In generale, cinque delle sei metriche, ad eccezione del coefficiente di clustering, hanno mostrato correlazioni significative tra le due reti con la maggior parte delle soglie di sparsità di rete utilizzate nelle analisi di rete (Figura 6). I valori di somiglianza sono aumentati rapidamente con la soglia di sparsità per tutte le metriche, ad eccezione del grado medio del nodo, che ha mostrato un eccellente valore di somiglianza con entrambe le soglie. La metrica del mondo piccolo ha mostrato la somiglianza più alta a una soglia compresa tra 0,30 e 0,40, mentre anche altre metriche hanno mostrato la somiglianza più alta. Questi risultati suggeriscono che le analisi a livello di rete potrebbero riflettere differenze individuali stabili indipendentemente dalle scelte di definizione dei nodi e che la soglia di sparsità di 0,30-0,40 si tradurrebbe in una migliore generalizzabilità nelle analisi delle reti di navigazione. Vedere la Figura supplementare S2 per ulteriori somiglianze con REST2.
Figura 6: Somiglianza delle proprietà topologiche di due reti. Vengono mostrati i risultati di REST 1 (A) senza e (B) con la regressione dei segnali dell'intero cervello. Il coefficiente di correlazione di Pearson sull'asse y indica la somiglianza delle proprietà topologiche delle due reti. La soglia di sparsità varia da 0,05 a 0,5. Gli asterischi nelle figure indicano il livello di significatività, dove *p < 0,05, **p < 0,01, ***p < 0,001. Fare clic qui per visualizzare una versione più grande di questa figura.
L'affidabilità test-retest
È stata inoltre valutata l'affidabilità test-retest delle misure topologiche delle reti di navigazione. Nel calcolo di queste misure di rete sono state utilizzate varie soglie di sparsità comprese tra 0,05 e 0,50 per rimuovere la potenziale connettività spuria nelle reti (cfr. tabella supplementare S1 per i dettagli). In questo caso, abbiamo riportato principalmente risultati con una soglia di 0,40, dati i risultati di somiglianza di cui sopra. La maggior parte delle metriche di rete ha mostrato un'affidabilità da discreta a buona (ICC > 0,2) sia nella NaviNet_AICHA di rete che in NaviNet_AAL, mentre la NaviNet_AAL ha mostrato un'affidabilità relativamente più elevata rispetto alla NaviNet_AICHA. Inoltre, abbiamo scoperto che l'inclusione della regressione del segnale globale nella pre-elaborazione dei dati fMRI potrebbe comportare una maggiore affidabilità (Figura 7). Il coefficiente di clustering, la lunghezza del percorso più breve e il mondo piccolo nella rete NaviNet_AAL hanno mostrato la più alta affidabilità test-retest, mentre il coefficiente di clustering e small-world in NaviNet_AICHA hanno mostrato anche un'affidabilità test-retest più elevata rispetto ad altre misure. Questi risultati suggeriscono che il coefficiente di clustering e small-world sono i più affidabili tra queste metriche.
Figura 7: Affidabilità test-retest delle proprietà topologiche delle reti di navigazione. (A) Affidabilità test-retest per i dati senza far regredire l'intero segnale cerebrale. (B) Affidabilità test-retest per i dati che fanno regredire l'intero segnale cerebrale. Abbreviazioni: ICC = coefficiente di correlazione intra-classe; Cc = coefficiente di raggruppamento; Lp = lunghezza del percorso più breve; Sw = piccolezza; Nd = grado nodale medio; Eg = efficienza globale; Eloc = efficienza locale; AICHA = atlante della connettività intrinseca delle aree omotopiche; AAL = etichettatura anatomica automatica; cNGS = dati senza regredire i segnali dell'intero cervello; cWGS = regredire l'intero segnale cerebrale. Fare clic qui per visualizzare una versione più grande di questa figura.
| Numeri di modulo | |||||
| 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 | |
Tabella 1: Ripetibilità della partizione del modulo tra REST 1 e REST 2. La prima riga indica il numero di moduli. cNGS rappresenta l'rs-fMRI senza far regredire i segnali globali e cWGS rappresenta l'rs-fMRI regredito dai segnali globali. Un numero maggiore indica una maggiore ripetibilità e nel presente testo vengono scelti due moduli per NaviNet_AICHA e NaviNet_AAL. Abbreviazioni: AICHA = atlante della connettività intrinseca delle aree omotopiche; AAL = etichettatura anatomica automatica.
Figura supplementare S1: Le reti di navigazione medie modulari in REST 2. (A,B) La modularità di NaviNet_AICHA e NaviNet_AAL nel set di dati REST 2 senza far regredire l'intero segnale cerebrale. (C,D) La modularità di NaviNet_AICHA e NaviNet_AAL nel set di dati REST 2 con l'intero cervello segnala la regressione. Colori diversi dei nodi indicano moduli diversi identificati in ciascuna rete. Entrambi i moduli sono mostrati in NaviNet_AICHA e NaviNet_AAL. Fare clic qui per scaricare il file.
Figura supplementare S2: Somiglianza delle proprietà topologiche di due reti in REST 2. Vengono mostrati i risultati di REST 2 senza/con regressione dei segnali dell'intero cervello (A e B, rispettivamente). Il coefficiente di correlazione di Pearson sull'asse y indica la somiglianza delle proprietà topologiche delle due reti. La soglia di sparsità varia da 0,05 a 0,5. Gli asterischi nelle figure indicano il livello di significatività, dove *p < 0,05, **p < 0,01, ***p < 0,001. Fare clic qui per scaricare il file.
Tabella supplementare S1: Affidabilità test-retest delle proprietà topologiche delle reti di navigazione con diverse soglie di sparsità. I valori indicano il coefficiente di correlazione intraclasse di NaviNet_AICHA e NaviNet_AAL con soglie di sparsità diverse. Abbreviazioni: Cc = coefficiente di clustering; Lp = lunghezza del percorso più breve; Sw = piccola inzuppamento; Nd = grado nodale medio; Eg = efficienza globale; Eloc = efficienza locale; cNGS = dati senza regredire i segnali dell'intero cervello; cWGS = regredire l'intero segnale cerebrale. Fare clic qui per scaricare il file.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Ci si aspetta che le neuroscienze di rete aiutino a capire come la rete cerebrale supporta le funzioni cognitive umane32. Questo protocollo dimostra un approccio integrativo allo studio della rete funzionale per la navigazione spaziale nel cervello umano, che può anche ispirare la modellazione di reti per altri costrutti cognitivi (ad esempio, il linguaggio).
Questo approccio consisteva in tre fasi principali: definizione del nodo, costruzione della rete e analisi della rete. Mentre la costruzione e l'analisi della rete sono le stesse degli studi generali di rete dell'intero cervello, la definizione dei nodi è la fase più critica di questo protocollo. Questa fase si avvale di una meta-analisi su larga scala dell'attivazione funzionale correlata alla navigazione spaziale per localizzare le regioni cerebrali più importanti per i comportamenti di navigazione. Pertanto, possiamo modellare la rete funzionalmente significativa, che aiuta a comprendere le basi neurali dell'elaborazione complessa dal punto di vista della rete. Si noti che le regioni prefrontali mancavano nei risultati della definizione dei nodi, mentre un numero crescente di studi di navigazione ha suggerito ruoli critici di queste regioni33. Ciò potrebbe essere dovuto alla mancanza di attivazioni di queste regioni negli studi relativi alla navigazione all'interno del database, che ha portato a dati limitati per la meta-analisi. Quando saranno disponibili più dati per localizzare queste regioni prefrontali legate alla navigazione, sarebbe una questione interessante indagare il loro ruolo nella rete di navigazione in studi futuri. I ricercatori potrebbero anche applicare questo protocollo per studiare altre funzioni cognitive quando è possibile localizzare le singole regioni del cervello. Le conoscenze sul campo sono necessarie per identificare le regioni di interesse al fine di garantire strette associazioni con la funzione specifica.
In questo protocollo, ci siamo concentrati sulla rete di navigazione spaziale e abbiamo mostrato un'elevata copertura di varie regioni cerebrali riportate negli studi di navigazione spaziale. Data l'assenza di una definizione universalmente accettata di regioni cerebrali che supportano la navigazione spaziale, la dimostrazione ha utilizzato due serie di regioni, una generata incorporando la più grande meta-analisi e l'atlante AICHA, e l'altra con l'atlante AAL. Le proprietà topologiche della rete basate sulle due definizioni hanno generalmente mostrato un'elevata somiglianza, il che supporta in una certa misura l'efficacia della modellazione della rete specifica funzionale.
Abbiamo notato che la forza di somiglianza aumentava con le soglie di sparsità utilizzate nelle analisi di rete e i risultati suggerivano che una soglia di sparsità di 0,30-0,40 sarebbe una scelta appropriata poiché tutte le metriche di rete mostravano la massima somiglianza con queste soglie. Con tali soglie, le metriche di rete hanno anche mostrato un'affidabilità test-retest da discreta a buona, in particolare per la lunghezza del percorso più breve e la piccolezza nel caso in cui la regressione del segnale globale sia stata inclusa nella pre-elaborazione dei dati. Questi risultati supportano in gran parte l'uso di queste metriche negli studi sulle differenze individuali e sui disturbi cerebrali correlati.
A causa della mancanza di dati comportamentali adeguati, non è stato possibile presentare i correlati comportamentali delle metriche di rete con la navigazione spaziale in questo protocollo. Sulla base di alcuni studi precedenti sulle associazioni cervello-comportamento delle metriche di connettività funzionale delle regioni correlate alla navigazione12,34, ci aspettavamo che la modellazione di rete con questo protocollo mostrasse un'associazione specifica con la navigazione spaziale. Sono necessari campioni su larga scala con dati di neuroimaging e comportamentali per indagare ulteriormente queste associazioni. Inoltre, mentre i risultati dell'affidabilità test-retest non erano molto elevati, la resistenza era paragonabile a quella riportata da precedenti studi fMRI35.
Studi futuri possono applicare questo protocollo per comprendere meglio le basi neurali della navigazione spaziale dal punto di vista della rete ed esplorare le sue variazioni negli esseri umani. Ad esempio, i ricercatori possono utilizzare questo protocollo per studiare lo sviluppo e la traiettoria di invecchiamento delle reti di navigazione e, nella pratica clinica, le proprietà della rete forniscono importanti biomarcatori per guidare l'identificazione precoce e la diagnosi di disturbi cerebrali come il morbo di Alzheimer. Inoltre, studi futuri potrebbero anche applicare un protocollo simile per costruire i modelli di rete per altri costrutti cognitivi.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Gli autori dichiarano che non vi è alcun conflitto di interessi.
Acknowledgments
Xiang-Zhen Kong è stato sostenuto dalla National Natural Science Foundation of China (32171031), STI 2030 - Major Project (2021ZD0200409), Fundamental Research Funds for the Central Universities (2021XZZX006) e Information Technology Center of Zhejiang University.
Materials
| Name | Company | Catalog Number | Comments |
| Brain connectivity toolbox (BCT) | Mikail Rubinov & Olaf Sporns | 2019 | The Brain Connectivity Toolbox (brain-connectivity-toolbox.net) is a MATLAB toolbox for complex-network (graph) analysis of structural and functional brain-connectivity data sets. |
| GRETNA | Jinhui Wang et al. | 2 | GRETNA is a graph theoretical network analysis toolbox which allows researchers to perform comprehensive analysis on the topology of brain connectome by integrating the most of network measures studied in current neuroscience field. |
| MATLAB | MathWorks | 2021a | MATLAB is a programming and numeric computing platform used by millions of engineers and scientists to analyze data, develop algorithms, and create models. |
| Python | Guido van Rossum et al. | 3.8.6 | Python is a programming language that lets you work more quickly and integrate your systems more effectively. |
| Statistical Parametric Mapping (SPM) | Karl Friston et.al | 12 | Statistical Parametric Mapping refers to the construction and assessment of spatially extended statistical processes used to test hypotheses about functional imaging data. |
References
- Kanwisher, N. Functional specificity in the human brain: a window into the functional architecture of the mind. Proceedings of the National Academy of Sciences of the United States of America. 107 (25), 11163-11170 (2010).
- Coughlan, G., Laczo, J., Hort, J., Minihane, A. M., Hornberger, M. Spatial navigation deficits - overlooked cognitive marker for preclinical Alzheimer disease. Nature Reviews Neurology. 14 (8), 496-506 (2018).
- Gilbert, S. J., Meuwese, J. D., Towgood, K. J., Frith, C. D., Burgess, P. W. Abnormal functional specialization within medial prefrontal cortex in high-functioning autism: a multi-voxel similarity analysis. Brain. 132 (4), 869-878 (2009).
- Kanwisher, N., McDermott, J., Chun, M. M. The fusiform face area: a module in human extrastriate cortex specialized for face perception. Journal of Neuroscience. 17 (11), 4302-4311 (1997).
- Epstein, R., Harris, A., Stanley, D., Kanwisher, N. The parahippocampal place area: recognition, navigation, or encoding. Neuron. 23 (1), 115-125 (1999).
- Epstein, R. A., Patai, E. Z., Julian, J. B., Spiers, H. J. The cognitive map in humans: spatial navigation and beyond. Nature Neuroscience. 20 (11), 1504-1513 (2017).
- Baumann, O., Mattingley, J. B. Extrahippocampal contributions to spatial navigation in humans: A review of the neuroimaging evidence. Hippocampus. 31 (7), 640-657 (2021).
- Auger, S. D., Mullally, S. L., Maguire, E. A. Retrosplenial cortex codes for permanent landmarks. PloS One. 7 (8), e43620 (2012).
- Zhen, Z., et al. Quantifying the variability of scene-selective regions: Interindividual, interhemispheric, and sex differences. Human Brain Mapping. 38 (4), 2260-2275 (2017).
- Ekstrom, A. D., Huffman, D. J., Starrett, M. Interacting networks of brain regions underlie human spatial navigation: a review and novel synthesis of the literature. Journal of Neurophysiology. 118 (6), 3328-3344 (2017).
- Coughlan, G., et al. Functional connectivity between the entorhinal and posterior cingulate cortices underpins navigation discrepancies in at-risk Alzheimer's disease. Neurobiology of Aging. 90, 110-118 (2020).
- Kong, X. Z., et al. Human navigation network: the intrinsic functional organization and behavioral relevance. Brain Structure & Function. 222 (2), 749-764 (2017).
- Weisberg, S. M., Ekstrom, A. D. Hippocampal volume and navigational ability: The map (ping) is not to scale. Neuroscience & Biobehavioral Reviews. 126, 102-112 (2021).
- Tzourio-Mazoyer, N., et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain. Neuroimage. 15 (1), 273-289 (2002).
- Van Essen, D. C., et al. The WU-Minn human connectome project: an overview. Neuroimage. 80, 62-79 (2013).
- Smith, S. M., et al. Resting-state fMRI in the human connectome project. Neuroimage. 80, 144-168 (2013).
- Wang, L., et al. GRETNA: a graph theoretical network analysis toolbox for imaging connectomics. Frontiers in Human Neuroscience. 9, 386 (2015).
- Esteban, O., et al. fMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16 (1), 111-116 (2019).
- Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for" pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13 (2010).
- Yarkoni, T., Poldrack, R. A., Nichols, T. E., Van Essen, D. C., Wager, T. D. Large-scale automated synthesis of human functional neuroimaging data. Nature Methods. 8 (8), 665-670 (2011).
- Joliot, M., et al. AICHA: An atlas of intrinsic connectivity of homotopic areas. Journal of Neuroscience Methods. 254, 46-59 (2015).
- Murphy, K., Birn, R. M., Handwerker, D. A., Jones, T. B., Bandettini, P. A. The impact of global signal regression on resting state correlations: are anti-correlated networks introduced. Neuroimage. 44 (3), 893-905 (2009).
- Fox, M. D., Zhang, D., Snyder, A. Z., Raichle, M. E. The global signal and observed anticorrelated resting state brain networks. Journal of Neurophysiology. 101 (6), 3270-3283 (2009).
- Xiang, J., et al. Graph-based network analysis of resting-state fMRI: test-retest reliability of binarized and weighted networks. Brain Imaging and Behavior. 14, 1361-1372 (2020).
- Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
- Maslov, S., Sneppen, K. Specificity and stability in topology of protein networks. Science. 296 (5569), 910-913 (2002).
- Shrout, P. E., Fleiss, J. L. Intraclass correlations: uses in assessing rater reliability. Psychological Bulletin. 86 (2), 420 (1979).
- McGraw, K. O., Wong, S. P. Forming inferences about some intraclass correlation coefficients. Psychological Methods. 1 (1), 30 (1996).
- Andellini, M., Cannatà, V., Gazzellini, S., Bernardi, B., Napolitano, A. Test-retest reliability of graph metrics of resting state MRI functional brain networks: A review. Journal of Neuroscience Methods. 253, 183-192 (2015).
- Cao, H., et al. Test-retest reliability of fMRI-based graph theoretical properties during working memory, emotion processing, and resting state. Neuroimage. 84, 888-900 (2014).
- Rousson, V., Gasser, T., Seifert, B. Assessing intrarater, interrater and test-retest reliability of continuous measurements. Statistics in medicine. 21 (22), 3431-3446 (2002).
- Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10 (3), 186-198 (2009).
- Patai, E. Z., Spiers, H. J. The versatile wayfinder: prefrontal contributions to spatial navigation. Trends in Cognitive Sciences. 25 (6), 520-533 (2021).
- Wegman, J., Janzen, G. Neural encoding of objects relevant for navigation and resting state correlations with navigational ability. Journal of Cognitive Neuroscience. 23 (12), 3841-3854 (2011).
- Braun, U., et al. Test-retest reliability of resting-state connectivity network characteristics using fMRI and graph theoretical measures. Neuroimage. 59 (2), 1404-1412 (2012).
