Summary
Dette papir præsenterer en integreret tilgang til at undersøge det funktionelle netværk til rumlig navigation i den menneskelige hjerne. Denne tilgang inkorporerer en storstilet neuroimaging metaanalytisk database, hviletilstandsfunktionel magnetisk resonansbilleddannelse og netværksmodellering og grafteoretiske teknikker.
Abstract
Rumlig navigation er en kompleks funktion, der involverer integration og manipulation af multisensorisk information. Ved hjælp af forskellige navigationsopgaver er der opnået mange lovende resultater på de specifikke funktioner i forskellige hjerneområder (fx hippocampus, entorhinal cortex og parahippocampus stedområde). For nylig er det blevet foreslået, at en ikke-samlet netværksproces, der involverer flere interagerende hjerneområder, bedre kan karakterisere det neurale grundlag for denne komplekse funktion. Dette papir præsenterer en integreret tilgang til konstruktion og analyse af det funktionelt specifikke netværk til rumlig navigation i den menneskelige hjerne. Kort fortalt består denne integrerende tilgang af tre hovedtrin: 1) at identificere hjerneområder, der er vigtige for rumlig navigation (nodedefinition); 2) at estimere funktionel forbindelse mellem hvert par af disse regioner og konstruere konnektivitetsmatrixen (netværkskonstruktion); 3) at undersøge de topologiske egenskaber (fx modularitet og lille verden) af det resulterende netværk (netværksanalyse). Den præsenterede tilgang fra et netværksperspektiv kan hjælpe os med bedre at forstå, hvordan vores hjerne understøtter fleksibel navigation i komplekse og dynamiske miljøer, og netværkets afslørede topologiske egenskaber kan også give vigtige biomarkører til vejledning af tidlig identifikation og diagnose af Alzheimers sygdom i klinisk praksis.
Introduction
Funktionel specificitet er et grundlæggende organisationsprincip for den menneskelige hjerne, som spiller en afgørende rolle i udformningen af kognitive funktioner1. Abnormiteter i organisationen af funktionel specificitet kan afspejle kendetegnende kognitive svækkelser og de tilknyttede patologiske grundlag for større hjernesygdomme som autisme og Alzheimers sygdom 2,3. Mens konventionelle teorier og forskning har haft tendens til at fokusere på enkelte hjerneområder, såsom fusiform ansigtsområde (FFA) til ansigtsgenkendelse4 og parahippocampus stedområde (PPA)5 til scenebehandling, tyder en stigende mængde beviser på, at komplekse kognitive funktioner, herunder rumlig navigation og sprog, kræver koordinataktivitet på tværs af flere hjerneområder6. Undersøgelse af de mekanismer, der ligger til grund for interaktionerne til støtte for komplekse kognitive funktioner, er et kritisk videnskabeligt spørgsmål, der vil bidrage til at kaste lys over hjernens funktionelle arkitektur og funktion. Her tager vi rumlig navigation som et eksempel og præsenterer en integreret metode til modellering af det funktionelle netværk til rumlig navigation i den menneskelige hjerne.
Rumlig navigation er en kompleks kognitiv funktion, der involverer integration og manipulation af flere kognitive komponenter, såsom visuel-rumlig kodning, hukommelse og beslutningstagning7. Med funktionel magnetisk resonansbilleddannelse (fMRI) har adskillige undersøgelser gjort betydelige fremskridt i forståelsen af de underliggende kognitive behandlings- og neurale mekanismer. For eksempel er specifikke funktioner blevet knyttet til forskellige hjerneområder ved hjælp af forskellige navigationsopgaver: scenebehandling er specifikt forbundet med PPA, og transformation af navigationsstrategier er forbundet med retrosplenial cortex (RSC)8,9. Disse undersøgelser gav vigtig indsigt i det neurale grundlag for rumlig navigation. Navigation er imidlertid en internt dynamisk og multimodal funktion, og funktionerne i enkelte regioner er ikke tilstrækkelige til at forklare store individuelle forskelle i rumlig navigation10, der almindeligvis observeres.
Med fremkomsten af fMRI-baseret connectomics begyndte forskere at undersøge, hvordan nogle centrale hjerneområder interagerer med hinanden for at understøtte rumlig navigation. For eksempel har funktionel forbindelse mellem entorhinal og posterior cingulate cortices vist sig at understøtte navigationsforskelle i risiko Alzheimers sygdom11. I en anden undersøgelse foreslog vi for første gang en netværkstilgang ved at integrere connectome-metoder og næsten alle funktionelt relevante regioner (noder) til rumlig navigation, og resultaterne viste, at topologiske egenskaber ved dette netværk viste specifikke foreninger med navigationsadfærd12. Denne undersøgelse giver ny indsigt i teorier om, hvordan flere hjerneområder interagerer med hinanden for at understøtte fleksibel navigationsadfærd 10,13.
Dette arbejde demonstrerer en opdateret version af den integrerende tilgang til modellering af det funktionelle netværk. Kort fortalt blev to opdateringer inkluderet: 1) Mens de noder, der blev defineret i den oprindelige undersøgelse, blev identificeret baseret på en tidligere og mindre database (55 undersøgelser med 2,765 aktiveringer, adgang til i 2014), var den nuværende definition baseret på den seneste database (77 undersøgelser med 3,908 aktiveringer, adgang i 2022); 2) For at øge den funktionelle homogenitet af hver knude, udover det oprindelige anatomiske AAL (Anatomical Automatic Labeling) atlas14, anvendte vi en ny hjernepakning, som har en meget finere opløsning og højere funktionel homogenitet (se nedenfor). Vi forventede, at begge opdateringer ville forbedre modelleringen af det funktionelle netværk. Denne opdaterede protokol giver en detaljeret procedure til undersøgelse af det neurale grundlag for rumlig navigation fra et netværksperspektiv og hjælper med at forstå individuelle variationer i navigationsadfærd i sundhed og sygdom. En lignende procedure kan også anvendes til netværksmodellering for andre kognitive konstruktioner (f.eks. Sprog og hukommelse).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
BEMÆRK: Al den software, der bruges her, er vist i materialetabellen. De data, der blev brugt i denne undersøgelse til demonstrationsformål, var fra Human Connectome Project (HCP: http://www. humanconnectome.org)15. Alle eksperimentelle procedurer blev godkendt af Institutional Review Board (IRB) ved Washington University. Billeddata i HCP-datasættet blev erhvervet ved hjælp af en modificeret 3T Siemens Skyra-scanner med en 32-kanals hovedspole. Andre parametre for billedoptagelse er beskrevet i et tidligere papir16. Minimale forbehandlede data blev downloadet til demonstrationen, som var færdig med følgende forbehandlingstrin: gradientforvrængningskorrektion, bevægelseskorrektion, forbehandling af feltkort, rumlig forvrængningskorrektion, rumlig normalisering til Montreal Neurological Institute (MNI) rum, intensitetsnormalisering og fjernelse af biasfelt. Resting-state fMRI-data fra forskernes projekter kan også bruges.
1. Forbehandling af data
- Kontroller datakvaliteten, og ekskluder deltagere med manglende retestdata og overdreven hovedbevægelse (3 mm i oversættelse og 3° i rotation).
BEMÆRK: Fem deltagere blev fjernet, og 38 unge voksne (22-35 år) blev inkluderet i hovedanalyserne. - Åbn grafteoretisk netværksanalyse (GRETNA) værktøjskasse17 i MATLAB for at udføre yderligere forbehandlingstrin. Klik på batchen af FC Matrix Construction. Vælg stien til det funktionelle datasæt for at indlæse NIFTI-dokumenterne, og udfør følgende trin, som vist i pipelineindstillingen i figur 1:
- Fjern de første 10 billeder ved at dobbeltklikke på Tidspunktnummer, der skal fjernes i Fjern første billeder og indtaste 10.
- Rumligt glat (fuld bredde ved halv maksimum [FWHM] = [4 4 4] ved at dobbeltklikke på FWHM (mm) i Rumligt glat og indtaste [4 4 4]).
- Regress ud kovariater. Vælg White matter-signaler, CSF-signaler og Head Motion som TRUE. Vælg den passende maske i henhold til den faktiske voxelstørrelse, for eksempel maske med 2 mm her, og vælg Friston-24-parametre for hovedbevægelse.
- Midlertidigt filter. Indtast værdien af TR i henhold til gentagelsestiden for MR-scanningen (f.eks. 720 ms her), og fjern højfrekvent og lavfrekvent støj ved at dobbeltklikke på Bånd (Hz) og indtaste [0,01 0,1].
BEMÆRK: Resultater med og uden regression af hele hjernens signaler er præsenteret nedenfor. Ved brug af ikke-forbehandlede data anbefales også veletablerede pipelines såsom fMRI-prep18 og Data Processing Assistant for Resting-State fMRI (DPARSF)19 .
Figur 1: Rs-fMRI-forbehandling og estimering af funktionel netværksforbindelse. Indstillingerne for forprocessen (fjernelse af de første 10 billeder, rumlig udjævning med FWHM på 4 mm, lineær tidsmæssig detrending, regression af hvide stofsignaler, cerebrospinalvæskesignaler (CSF) og hovedbevægelse med 24 parametre, filtrering af båndet på 0,01-0,1 HZ) og den statiske korrelation med fisher' Z transformeret. Forkortelser: Rs-fMRI = hviletilstand funktionel magnetisk resonansbilleddannelse; FWHM = fuld bredde ved halvmaksimum CSF = cerebrospinalvæske. Klik her for at se en større version af denne figur.
2. Opbygning og analyse af netværk
BEMÆRK: Den generelle arbejdsgang for konstruktion og analyse af navigationsnetværket er opsummeret i tre hovedtrin (figur 2).
Figur 2: Generel arbejdsgang for konstruktion og analyse af navigationsnetværket. (A) Vælg navigation som det udtryk, der skal søges i Neurosynth-databasen. (B) Der kan genereres en liste over aktiveringskoordinater. (C) Kør en metaanalyse ved hjælp af funktioner fra Neurosynth for at få flere hjernekort. (D,E) Ved at inkorporere det metaanalytiske kort og et all-brain parcellation atlas (AICHA) kan noder (ROI) genereres. f) Opbygning af et navigationsnet ved hjælp af de resulterende navigationsknudepunkter og deres funktionelle konnektivitet (konnektivitetsestimering og netanalyse). Forkortelser: ROI = region af interesse; AICHA = atlas over iboende forbindelse mellem homotopiske områder. Klik her for at se en større version af denne figur.
- Definition af netværksnode
- Download den seneste Neurosynth-database (neurosynth.org)20 ved at skrive kommandoen i Python:
>importer neurosynth som ns
>ns.dataset.download (sti='./', udpak = sand)
BEMÆRK: Datasætarkivet ("current_data.tar.gz") indeholder to filer: "database.txt" og "features.txt". Disse indeholder alle aktiveringskoordinater fra neuroimaging-artikler og metaanalysetags, der forekommer med en høj frekvens i den pågældende artikel, henholdsvis. - Opret en ny forekomst af datasæt fra database.txt, og føj funktioner til disse data ved at skrive kommandoen:
> fra neurosynth.base.dataset importere datasæt
> datasæt = Datasæt ('data/database.txt')
> dataset.add_features(»data/features.txt«)
- Kør en metaanalyse med interesseudtrykket (dvs. 'navigation') ved at skrive kommandoen:
> ids = dataset.get_ids_by_features ('navigation', tærskel=0,01)
> ma = meta. Metaanalyse (datasæt, id'er)
> ma.save_results('.', 'navigation')
BEMÆRK: Metaanalysen resulterer i flere hjernekort i NIFTI-format. Der blev anvendt en FDR-tærskel (false discovery rate) på 0,01 for at kontrollere den falske positive rate. Arkiveret viden er nødvendig på dette trin for at sikre, at de almindeligt rapporterede regioner er inkluderet i det metaanalytiske kort. Lignende trin kan anvendes til at køre metaanalyser for andre kognitive funktioner såsom sprog og hukommelse. - Definer interesseklynger ved at inkorporere det metaanalytiske kort og et all-brain parcellation atlas ved at skrive kommandoen fra 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 etiket _n.nii.gz
>klynge -i etiket _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 -tilføj ... -tilføj node_x.nii.gz navi_AICHA/AAL_mask.nii.gz
BEMÆRK: To atlas blev brugt her: AAL og AICHA. AAL er det atlas, der blev brugt i den oprindelige undersøgelse til nodedefinitionen12. Dette atlas blev oprettet baseret på de anatomiske profiler. Atlas over iboende konnektivitet af homotopiske områder (AICHA)21 har en meget finere opløsning og højere funktionel homogenitet. Vi definerede interesseregionerne ved hjælp af hvert af atlasset. - Skriv scripts i Python for at kontrollere størrelsen på hver region på kortet:
>for i i i np.arange(n)+1:
>____region_list.Tillæg(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))
BEMÆRK: Heltallet n i scriptet angiver det samlede antal regioner inden for AICHA- og AAL-parcelleringen (henholdsvis 384 og 128). For at undgå virkningerne af falske klynger foreslås det, at klynger med relativt små størrelser (f.eks. 100 voxels) kan fjernes. AICHA-atlasset, der bruges her, genereres ved hjælp af funktionelle forbindelsesdata, hvor hver region viser homogenitet af funktionel tidsmæssig aktivitet i sig selv.
- Download den seneste Neurosynth-database (neurosynth.org)20 ved at skrive kommandoen i Python:
- Estimering af netværksforbindelse
BEMÆRK: GRETNA-værktøjskassen bruges til estimering af tilslutningsmuligheder og netværksanalyse.- Klik på batchen af FC Matrix Construction. Indlæs de forbehandlede rs-fMRI-data ved at vælge stien til det funktionelle datasæt. Klik på indstillingen statisk korrelation . Upload noden opnået i det foregående trin som et atlas for at beregne den statiske korrelation af rs-fMRI-signaler for hvert par regioner og overføre dem til Fishers z-score for at forbedre normaliteten.
BEMÆRK: Den detaljerede betjening er vist i figur 1. Navigationsnetværksmatricerne for N × N (N repræsenterer antallet af noder) for hver deltager ville blive opnået i .txt format. - Få et positivt og vægtet netværk med følgende trin, som vist i figur 3.
- Klik på batchen af Netværksanalyse. Tilføj netværksmatricerne i vinduet Brain Connectivity Matrix , og vælg en outputmappe til forberedelse.
- For pipeline-indstillingen for Netværkskonfiguration skal du vælge positiv i matrixtegnet som indstiller negative forbindelser i funktionsforbindelsesmatrixen til 0 og eliminerer tvetydige forbindelser22. Vælg netværkstypen som vægtet for at få det ikke-dirigerede vægtede netværk.
BEMÆRK: Udover de vægtede netværk kunne man også binarisere netværkene for at oprette binære netværk til efterfølgende analyser (med forskellige tilgange), men det vægtede netværk anses ofte for at vise højere pålidelighed23,24.
- Klik på batchen af FC Matrix Construction. Indlæs de forbehandlede rs-fMRI-data ved at vælge stien til det funktionelle datasæt. Klik på indstillingen statisk korrelation . Upload noden opnået i det foregående trin som et atlas for at beregne den statiske korrelation af rs-fMRI-signaler for hvert par regioner og overføre dem til Fishers z-score for at forbedre normaliteten.
- Analyse af netværk
- Tilføj lille verden, global effektivitet, klyngekoefficient, korteste vejlængde, grad centralitet og lokal effektivitet til GRETNA-netværkets metriske analysepipeline, som vist i figur 3.
BEMÆRK: Lille verden og global effektivitet er to globale netværksmålinger. Specifikt kan netværket med småverden maksimere effektiviteten af informationsoverførsel til forholdsvis lave ledningsomkostninger. Global effektivitet afspejler transmissionseffektiviteten parallel information i transportnetværket. For nodalnetværksmålinger måler graden centralitet antallet af links, der er forbundet til en node. Den korteste vejlængde, som navnet hedder, er et grundlag for måling af integration. Klyngekoefficienten angiver, i hvilken grad knudepunkternes naboer er indbyrdes forbundne. Lokal effektivitet er effektiviteten af kommunikation med noden og dens naboer (den detaljerede formel og brug er vist i disse papirer) 17,25. Brain connectivity toolbox (BCT)25 og andre værktøjskasser kan også bruges til beregning af netværksmålingerne. - Vælg Network Sparsity i tærskelmetoden for at udelukke de forvirrende virkninger af falske forbindelser, og indtast et sæt tærskelsekvenser (dvs. 0,05, 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4, 0,45, 0,5 bruges her) for yderligere at bestemme den passende tærskel i henhold til de statistiske resultater.
BEMÆRK: Forholdet mellem kanter og det maksimale antal kanter i et netværk med eksempelantallet af noder kaldes sparsomhedstærsklen. En sparsomhedstærskel garanterer, at forskellige individer har det samme antal kanter. Vi valgte at undersøge forskellige tærskler for validering, som kunne give nyttige data til valg af en optimal tærskel i fremtidige undersøgelser. - Indstil det tilfældige netværksnummer som 1,000 for at generere tilfældige netværk ved hjælp af en Markov-ledningsalgoritme26. Klik på Kør for at køre pipelinen i GRETNA, når alle trin er konfigureret.
BEMÆRK: I lighed med ægte hjernenetværk opretholder de tilfældige netværk det samme antal noder, kanter og gradfordeling. For at afgøre, om de er betydeligt ikke-tilfældigt topologisk konstrueret, vil de blive sammenlignet med hjernenetværk. Efter at have kørt pipelinen vil der blive opnået en gruppe scorer for netværksmålingerne for hver af tærsklerne til yderligere statistiske analyser. - Bestem det optimale antal moduler i netværket i fire trin.
- Beregn det gennemsnitlige navigationsnetværk. Klik på badet for metrisk sammenligning, og vælg Forbindelse. Indlæs netværksmatricerne opnået ovenfor, og vælg den gennemsnitlige (funktionelle) operation. Vælg en outputretning for at bevare den gennemsnitlige netværksmatrix; Se figur 4 for yderligere oplysninger.
- Opdel det gennemsnitlige netværk opnået fra ovenstående trin i 2, 3, 4 og 5 moduler ved hjælp af funktionsspektralklyngen i MATLAB.
- Beregn andelen af noder opdelt i det samme modul i REST 1 og REST 2 efter justering af modulinddelingerne ved hjælp af scriptet procrustes_alignment.m. Brug andelen som indeks for repeterbarhed af modulpartitionen.
- Vælg antallet af moduler med den højeste repeterbarhed.
- Tilføj lille verden, global effektivitet, klyngekoefficient, korteste vejlængde, grad centralitet og lokal effektivitet til GRETNA-netværkets metriske analysepipeline, som vist i figur 3.
- Statistiske analyser
BEMÆRK: Følgende analyser er primært til validering og vil ikke være nødvendige, når denne protokol anvendes på individuelle variationsundersøgelser.- Undersøg ligheden mellem disse netværksmålinger mellem to netværk med forskellige typer strategier for nodedefinition (dvs. den nye, der blev genereret i denne undersøgelse, betegnet som NaviNet_AICHA og den tidligere fra Kong et al., betegnet som NaviNet_AAL)12. Beregn Pearson-korrelationen ved hjælp af funktionskorrcoef i MATLAB, og gentag analyserne for hver sparsomhedstærskel.
BEMÆRK: Efter udtrækning af netværksmålingerne kan man foretage de statistiske analyser, de er interesseret i. - Kontroller test-retest-pålideligheden af disse netværksmålinger ved hjælp af funktionen ICC i MATLAB27,28, som implementerer beregningen af korrelationskoefficienten inden for klassen.
BEMÆRK: De oprindelige ikke-korrigerede p-værdier blev rapporteret i afsnittet repræsentative resultater. 0,2 < ICC < 0,4 fortolkes som tegn på en rimelig test-retest pålidelighed og ICC > 0,4 fortolkes som moderat til god test-retest pålidelighed29,30. Negative ICC-scorer blev sat til nul, da tilstedeværelsen af negative ICC'er er meningsløs og vanskelig at fortolke31.
- Undersøg ligheden mellem disse netværksmålinger mellem to netværk med forskellige typer strategier for nodedefinition (dvs. den nye, der blev genereret i denne undersøgelse, betegnet som NaviNet_AICHA og den tidligere fra Kong et al., betegnet som NaviNet_AAL)12. Beregn Pearson-korrelationen ved hjælp af funktionskorrcoef i MATLAB, og gentag analyserne for hver sparsomhedstærskel.
Figur 3: Analyse af netværksmålinger. Denne analyse definerer de vægtede positive netværk med 10 tærskler. Beregn to globale netværksmålinger for små ord og effektivitet, fire nodale netværksmålinger af klyngekoefficient, korteste vejlængde, effektivitet og grad centralitet. Klik her for at se en større version af denne figur.
Figur 4: Beregning af gennemsnitlige navigationsnet. Den gennemsnitlige (funktionelle) operation hjælper med at beregne de gennemsnitlige netværk for alle deltagere. Klik her for at se en større version af denne figur.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Navigationsnetværkene
Denne undersøgelse identificerede 27 hjerneområder, der er forbundet med rumlig navigation, ved at inkorporere den nyeste metaanalyse neuroimaging database og AICHA atlas. Disse regioner bestod af de mediale temporale og parietale regioner, der almindeligvis er rapporteret i navigationsneuroimaging undersøgelser. Den geografiske fordeling af disse regioner er vist i figur 5A og figur 5C. Til sammenligning visualiserede vi også en tidligere definition af de rumlige navigationsregioner i figur 5B og figur 5D. Tyve regioner fra AAL-atlasset blev medtaget som sammenligning. Disse to sæt regioner udviste en stor overlapning.
Figur 5: De modulære gennemsnitlige navigationsnet. (A) Modularitet af NaviNet_AICHA i REST1. b) Modularitet af NaviNet_AAL i REST1. (C,D) repræsenterer modulariteten af NaviNet_AICHA og NaviNet_AAL i REST1, der regresserer henholdsvis hele hjernesignalerne. Forskellige nodefarver angiver forskellige moduler, der er identificeret i hvert netværk. To moduler vises i NaviNet_AICHA og NaviNet_AAL, som omfatter et medialt tidsmodul og et parietalmodul. Forkortelser: AICHA = atlas over iboende forbindelse mellem homotopiske områder; AAL = anatomisk automatisk mærkning. Klik her for at se en større version af denne figur.
Interessant nok viste disse to netværk lignende samfundsfordeling (figur 5). Specifikt viste modularitets- og repeterbarhedsanalyser to moduler i både NaviNet_AICHA og NaviNet_AAL (et ventralt modul inklusive de mediale temporale regioner og et dorsalmodul inklusive parietale regioner) (tabel 1). De ventrale og dorsale moduler var ens mellem NaviNet_AICHA og NaviNet_AAL, selvom antallet af knuder var større i førstnævnte i betragtning af den finere hjernepakning af AICHAI-atlaset. Disse resultater var uafhængige af de strategier, der blev anvendt til håndtering af globale signaler i forbehandlingsproceduren (figur 5). Derudover blev lignende samfundsfordelinger observeret i REST2-datasættet (supplerende figur S1).
Lighed mellem de topologiske egenskaber ved to navigationsnetværk
Dernæst undersøgte vi ligheden mellem de to netværk for hver netværksforanstaltning. Formålet med lighedsanalyserne var dobbelt: (1) at evaluere generaliserbarheden af resultaterne ved anvendelse af forskellige definitionsstrategier og (2) at bestemme en optimal netværkstærskel for netværksanalyserne.
Generelt viste fem af de seks parametre, bortset fra klyngekoefficienten, signifikante korrelationer mellem de to netværk med størstedelen af de netværkssparsomhedstærskler, der blev anvendt i netværksanalyserne (figur 6). Lighedsværdierne steg hurtigt med sparsomhedstærsklen for alle metrics, bortset fra den gennemsnitlige nodegrad, som viste en fremragende lighedsværdi med begge tærskler. Den lille verdens metrik viste den højeste lighed ved en tærskel mellem 0,30 og 0,40, hvor andre målinger også viste den højeste lighed. Disse resultater tyder på, at analyserne på netværksniveau kunne afspejle stabile individuelle forskelle uafhængigt af nodedefinitionsvalg, og at sparsomhedstærsklen på 0,30-0,40 ville resultere i bedre generaliserbarhed i navigationsnetværksanalyser. Se supplerende figur S2 for flere ligheder med REST2.
Figur 6: Lighed mellem topologiske egenskaber ved to netværk. Resultaterne af REST 1 (A) uden og (B) med regression af hele hjernesignaler vises. Pearson-korrelationskoefficienten på y-aksen angiver ligheden mellem topologiske egenskaber for de to netværk. Sparsomhedstærsklen varierer fra 0, 05 til 0, 5. Stjernerne i figurerne angiver signifikansniveauet, hvor *p < 0,05, **p < 0,01, ***p < 0,001. Klik her for at se en større version af denne figur.
Test-retest pålidelighed
Vi evaluerede også test-retest-pålideligheden af navigationsnettenes topologiske målinger. Ved beregningen af disse netmål blev der anvendt forskellige sparsomhedstærskler på mellem 0,05 og 0,50 for at fjerne potentiel falsk konnektivitet i nettene (se supplerende tabel S1 for nærmere oplysninger). Her rapporterede vi hovedsageligt resultater med en tærskel på 0,40 i betragtning af lighedsresultaterne ovenfor. Størstedelen af netværksmålingerne viste rimelig til god pålidelighed (ICC > 0,2) både i netværkets NaviNet_AICHA og NaviNet_AAL, mens NaviNet_AAL viste relativt højere pålidelighed end NaviNet_AICHA. Derudover fandt vi, at inkludering af global signalregression i forbehandling af fMRI-data kunne resultere i en højere pålidelighed (figur 7). Klyngekoefficienten, korteste vejlængde og den lille verden i NaviNet_AAL-netværket viste den højeste test-retest-pålidelighed, mens klyngekoefficienten og den lille verden i NaviNet_AICHA også viste højere test-retest-pålidelighed end andre målinger. Disse resultater tyder på, at klyngekoefficienten og den lille verden er de mest pålidelige blandt disse målinger.
Figur 7: Test-retest pålidelighed af navigationsnets topologiske egenskaber. (A) Test-retest pålidelighed for data uden at regressere hele hjernesignalerne. (B) Test-retest pålidelighed for data, der regresserer hele hjernesignalerne. Forkortelser: ICC = korrelationskoefficient inden for klassen; Cc = klyngekoefficient; Lp = korteste vejlængde; Sw = lille verden; Nd = gennemsnitlig nodal grad; F.eks. = global effektivitet; Eloc = lokal effektivitet; AICHA = atlas over iboende forbindelse mellem homotopiske områder; AAL = anatomisk automatisk mærkning; cNGS = data uden at regressere hele hjernesignalerne; cWGS = regression ud af hele hjernens signaler. Klik her for at se en større version af denne figur.
| Modulnumre | |||||
| 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 | |
Tabel 1: Repeterbarheden af modulpartitionen mellem REST 1 og REST 2. Den første række angiver antallet af moduler. cNGS repræsenterer rs-fMRI uden at regressere de globale signaler, og cWGS repræsenterer rs-fMRI regresseret ud af de globale signaler. Et større tal indikerer en højere repeterbarhed, og to moduler vælges til NaviNet_AICHA og NaviNet_AAL i den nuværende tekst. Forkortelser: AICHA = atlas over iboende forbindelse mellem homotopiske områder; AAL = anatomisk automatisk mærkning.
Supplerende figur S1: De modulopbyggede gennemsnitlige navigationsnet i REST 2. (A,B) Modulariteten af NaviNet_AICHA og NaviNet_AAL i REST 2-datasættet uden at regressere hele hjernesignalerne. (C,D) Modulariteten af NaviNet_AICHA og NaviNet_AAL i REST 2-datasættet med hele hjernen signalerer regression. Forskellige nodefarver angiver forskellige moduler, der er identificeret i hvert netværk. Begge to moduler vises i NaviNet_AICHA og NaviNet_AAL. Klik her for at downloade denne fil.
Supplerende figur S2: Lighed mellem topologiske egenskaber for to netværk i REST 2. Resultaterne af REST 2 uden/med regression af hele hjernens signaler vises (henholdsvis A og B). Pearson-korrelationskoefficienten på y-aksen angiver ligheden mellem topologiske egenskaber for de to netværk. Sparsomhedstærsklen varierer fra 0, 05 til 0, 5. Stjernerne i figurerne angiver signifikansniveauet, hvor *p < 0,05, **p < 0,01, ***p < 0,001. Klik her for at downloade denne fil.
Supplerende tabel S1: Test/retest pålideligheden af topologiske egenskaber ved navigationsnet med forskellige sparsomhedstærskler. Værdierne angiver korrelationskoefficienten inden for klassen for NaviNet_AICHA og NaviNet_AAL med forskellige sparsomhedstærskler. Forkortelser: Cc = klyngekoefficient; Lp = korteste vejlængde; Sw = lille woldness; Nd = gennemsnitlig nodal grad; F.eks. = global effektivitet; Eloc = lokal effektivitet; cNGS = data uden at regressere hele hjernesignalerne; cWGS = regression ud af hele hjernens signaler. Klik her for at downloade denne fil.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Netværksneurovidenskab forventes at hjælpe med at forstå, hvordan hjernenetværket understøtter menneskelige kognitive funktioner32. Denne protokol demonstrerer en integreret tilgang til at studere det funktionelle netværk til rumlig navigation i den menneskelige hjerne, som også kan inspirere netværksmodellering til andre kognitive konstruktioner (f.eks. Sprog).
Denne tilgang bestod af tre hovedtrin: nodedefinition, netværkskonstruktion og netværksanalyse. Mens netværkskonstruktion og netværksanalyse er de samme som i generelle netværksstudier af hele hjernen, er knudedefinition det mest kritiske trin i denne protokol. Dette trin gør brug af en storstilet metaanalyse af funktionel aktivering relateret til rumlig navigation for at lokalisere de vigtigste hjerneområder for navigationsadfærd. Således kan vi modellere det funktionelt meningsfulde netværk, hvilket hjælper med at forstå det neurale grundlag for den komplekse behandling fra et netværksperspektiv. Bemærk, at præfrontale regioner manglede i nodedefinitionsresultaterne, mens et stigende antal navigationsundersøgelser har foreslået kritiske roller for disse regioner33. Dette kan skyldes manglende aktiveringer af disse regioner i navigationsrelaterede undersøgelser inden for databasen, hvilket resulterede i begrænsede data til metaanalysen. Når der foreligger flere data til lokalisering af disse navigationsrelaterede præfrontale regioner, ville det være et interessant spørgsmål at undersøge deres roller i navigationsnetværket i fremtidige undersøgelser. Forskere kan også anvende denne protokol til at studere andre kognitive funktioner, når lokalisering af individuelle hjerneområder er mulig. Feltviden er nødvendig for at identificere regioner af interesse for at sikre tætte forbindelser med den specifikke funktion.
I denne protokol fokuserede vi på det rumlige navigationsnetværk og viste en høj dækning af forskellige hjerneområder rapporteret i rumlige navigationsundersøgelser. I betragtning af fraværet af en universelt aftalt definition af hjerneområder, der understøtter rumlig navigation, brugte demonstrationen to sæt regioner, den ene genereret ved at inkorporere den største metaanalyse og AICHA-atlaset og den anden med AAL-atlasset. De netværkstopologiske egenskaber baseret på de to definitioner viste generelt stor lighed, hvilket til en vis grad understøtter effektiviteten af den funktionsspecifikke netværksmodellering.
Vi bemærkede, at lighedsstyrken steg med de sparsomhedstærskler, der blev brugt i netværksanalyserne, og resultaterne antydede, at en sparsomhedstærskel på 0,30-0,40 ville være et rigtigt valg, da alle netværksmålinger viste den højeste lighed med disse tærskler. Med sådanne tærskler viste netværksmålingerne også rimelig til god test-retest-pålidelighed, især for den korteste vejlængde og lille verden i tilfælde, hvor global signalregression var inkluderet i dataforbehandlingen. Disse resultater understøtter i vid udstrækning brugen af disse målinger i undersøgelser af individuelle forskelle og relaterede hjernesygdomme.
På grund af mangel på ordentlige adfærdsdata kunne vi ikke præsentere adfærdsmæssige korrelater af netværksmålingerne med rumlig navigation i denne protokol. Baseret på et par tidligere undersøgelser af hjerneadfærdsforeninger af funktionelle forbindelsesmålinger af navigationsrelaterede regioner12,34 forventede vi, at netværksmodelleringen med denne protokol ville vise en specifik tilknytning til rumlig navigation. Store prøver med både neuroimaging og adfærdsmæssige data er nødvendige for yderligere at undersøge disse foreninger. Selvom test-retest-pålidelighedsresultaterne ikke var særlig høje, var styrken sammenlignelig med dem, der blev rapporteret i tidligere fMRI-studier35.
Fremtidige undersøgelser kan anvende denne protokol til bedre at forstå det neurale grundlag for rumlig navigation fra et netværksperspektiv og udforske dets variationer hos mennesker. For eksempel kan forskere gøre brug af denne protokol til at undersøge navigationsnetværkets udvikling og aldringsbane, og i klinisk praksis giver netværksegenskaberne vigtige biomarkører til vejledning af tidlig identifikation og diagnose af hjernesygdomme som Alzheimers sygdom. Desuden kunne fremtidige undersøgelser også anvende en lignende protokol til at konstruere netværksmodellerne til andre kognitive konstruktioner.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne erklærer, at der ikke er nogen interessekonflikt.
Acknowledgments
Xiang-Zhen Kong blev støttet af National Natural Science Foundation of China (32171031), STI 2030 - Major Project (2021ZD0200409), Fundamental Research Funds for the Central Universities (2021XZZX006) og 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).
