Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Modellierung des funktionalen Netzwerks für die räumliche Navigation im menschlichen Gehirn

Published: October 13, 2023 doi: 10.3791/65150
Automatic Translation
*1, *1, 2, 1,3
1Department of Psychology and Behavioral Sciences, Zhejiang University, 2Department of Neuroscience, Max Planck Institute for Empirical Aesthetics, 3Department of Psychiatry of Sir Run Run Shaw Hospital, Zhejiang University School of Medicine
* These authors contributed equally

Summary

In dieser Arbeit wird ein integrativer Ansatz zur Untersuchung des funktionellen Netzwerks für die räumliche Navigation im menschlichen Gehirn vorgestellt. Dieser Ansatz umfasst eine groß angelegte metaanalytische Datenbank für Neuroimaging, funktionelle Magnetresonanztomographie im Ruhezustand sowie Netzwerkmodellierung und graphentheoretische Techniken.

Abstract

Die räumliche Navigation ist eine komplexe Funktion, die die Integration und Manipulation multisensorischer Informationen beinhaltet. Mit Hilfe verschiedener Navigationsaufgaben wurden viele vielversprechende Ergebnisse zu den spezifischen Funktionen verschiedener Hirnregionen (z.B. Hippocampus, entorhinaler Kortex und parahippocampaler Ortsbereich) erzielt. In jüngster Zeit wurde vorgeschlagen, dass ein nicht-aggregierter Netzwerkprozess, an dem mehrere interagierende Hirnregionen beteiligt sind, die neuronale Basis dieser komplexen Funktion besser charakterisieren könnte. In dieser Arbeit wird ein integrativer Ansatz zur Konstruktion und Analyse des funktionsspezifischen Netzwerks für die räumliche Navigation im menschlichen Gehirn vorgestellt. Kurz gesagt besteht dieser integrative Ansatz aus drei Hauptschritten: 1) Identifizierung von Hirnregionen, die für die räumliche Navigation wichtig sind (Knotendefinition); 2) Abschätzung der funktionalen Konnektivität zwischen jedem Paar dieser Regionen und Konstruktion der Konnektivitätsmatrix (Netzwerkaufbau); 3) die topologischen Eigenschaften (z.B. Modularität und Kleinweltlichkeit) des resultierenden Netzwerks zu untersuchen (Netzwerkanalyse). Der vorgestellte Ansatz aus der Netzwerkperspektive könnte uns helfen, besser zu verstehen, wie unser Gehirn die flexible Navigation in komplexen und dynamischen Umgebungen unterstützt, und die aufgedeckten topologischen Eigenschaften des Netzwerks können auch wichtige Biomarker für die Früherkennung und Diagnose der Alzheimer-Krankheit in der klinischen Praxis liefern.

Introduction

Funktionelle Spezifität ist ein grundlegendes Organisationsprinzip des menschlichen Gehirns, das eine entscheidende Rolle bei der Gestaltung kognitiver Funktionen spielt1. Anomalien in der Organisation der funktionellen Spezifität können charakteristische kognitive Beeinträchtigungen und die damit verbundenen pathologischen Grundlagen wichtiger Hirnerkrankungen wie Autismus und Alzheimer widerspiegeln 2,3. Während sich herkömmliche Theorien und Forschungen eher auf einzelne Hirnregionen konzentrieren, wie z. B. den fusiformen Gesichtsbereich (FFA) für die Gesichtserkennung4 und den Parahippocampus-Platzbereich (PPA)5 für die Szenenverarbeitung, deutet eine zunehmende Zahl von Beweisen darauf hin, dass komplexe kognitive Funktionen, einschließlich räumlicher Navigation und Sprache, eine koordinierte Aktivität über mehrere Gehirnregionen hinweg erfordern6. Die Untersuchung der Mechanismen, die den Interaktionen zur Unterstützung komplexer kognitiver Funktionen zugrunde liegen, ist eine wichtige wissenschaftliche Fragestellung, die dazu beitragen wird, die funktionelle Architektur und Funktionsweise des Gehirns zu beleuchten. Hier stellen wir am Beispiel der räumlichen Navigation eine integrative Methode zur Modellierung des funktionalen Netzwerks für die räumliche Navigation im menschlichen Gehirn vor.

Räumliche Navigation ist eine komplexe kognitive Funktion, die die Integration und Manipulation mehrerer kognitiver Komponenten umfasst, wie z. B. visuell-räumliche Kodierung, Gedächtnis und Entscheidungsfindung7. Mit der funktionellen Magnetresonanztomographie (fMRT) haben zahlreiche Studien bedeutende Fortschritte im Verständnis der zugrundeliegenden kognitiven Verarbeitung und neuronalen Mechanismen erzielt. Zum Beispiel wurden spezifische Funktionen mit verschiedenen Hirnregionen über verschiedene Navigationsaufgaben verknüpft: Die Szenenverarbeitung ist spezifisch mit PPA verbunden, und die Transformation von Navigationsstrategien ist mit dem retrosplenialen Kortex (RSC) verbunden8,9. Diese Studien lieferten wichtige Erkenntnisse über die neuronalen Grundlagen der räumlichen Navigation. Die Navigation ist jedoch eine in sich dynamische und multimodale Funktion, und die Funktionen einzelner Regionen reichen nicht aus, um große individuelle Unterschiede in der räumlichen Navigation10 zu erklären, die häufig beobachtet werden.

Mit dem Aufkommen der fMRT-basierten Konnektomik begannen Forscher zu untersuchen, wie einige Schlüsselregionen des Gehirns miteinander interagieren, um die räumliche Navigation zu unterstützen. So wurde beispielsweise festgestellt, dass die funktionelle Konnektivität zwischen dem entorhinalen und dem posterioren cingulären Kortex die Navigationsdiskrepanzen bei der gefährdeten Alzheimer-Krankheit untermauert11. In einer anderen Studie schlugen wir zum ersten Mal einen Netzwerkansatz vor, indem wir Konnektommethoden und fast alle funktional relevanten Regionen (Knoten) für die räumliche Navigation integrierten, und die Ergebnisse zeigten, dass topologische Eigenschaften dieses Netzwerks spezifische Assoziationen mit dem Navigationsverhalten zeigten12. Diese Studie liefert neue Einblicke in Theorien, wie mehrere Hirnregionen miteinander interagieren, um flexibles Navigationsverhalten zu unterstützen10,13.

Die vorliegende Arbeit demonstriert eine aktualisierte Version des integrativen Ansatzes zur Modellierung des funktionalen Netzwerks. Kurz gesagt, wurden zwei Aktualisierungen aufgenommen: 1) Während die in der ursprünglichen Studie definierten Knoten auf der Grundlage einer früheren und kleineren Datenbank identifiziert wurden (55 Studien mit 2.765 Aktivierungen, Zugriff im Jahr 2014), basierte die aktuelle Definition auf der neuesten Datenbank (77 Studien mit 3.908 Aktivierungen, Zugriff im Jahr 2022); 2) Um die funktionelle Homogenität jedes Knotens zu erhöhen, haben wir neben dem ursprünglichen anatomischen AAL (Anatomical Automatic Labeling) Atlas14 eine neue Gehirnparzellierung angewendet, die eine viel feinere Auflösung und eine höhere funktionelle Homogenität aufweist (siehe unten). Wir hatten erwartet, dass beide Updates die Modellierung des funktionalen Netzwerks verbessern würden. Dieses aktualisierte Protokoll bietet ein detailliertes Verfahren zur Untersuchung der neuronalen Grundlagen der räumlichen Navigation aus einer Netzwerkperspektive und hilft, individuelle Variationen im Navigationsverhalten bei Gesundheit und Krankheit zu verstehen. Ein ähnliches Verfahren könnte auch für die Netzwerkmodellierung für andere kognitive Konstrukte (z.B. Sprache und Gedächtnis) verwendet werden.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

HINWEIS: Die gesamte hier verwendete Software ist in der Materialtabelle aufgeführt. Die in dieser Studie zu Demonstrationszwecken verwendeten Daten stammen aus dem Human Connectome Project (HCP: http://www. humanconnectome.org)15. Alle experimentellen Verfahren wurden vom Institutional Review Board (IRB) der Washington University genehmigt. Die Bilddaten im HCP-Datensatz wurden mit einem modifizierten 3T-Skyra-Scanner von Siemens mit einer 32-Kanal-Kopfspule aufgenommen. Andere Bildaufnahmeparameter sind in einem früheren Artikel16 beschrieben. Für die Demonstration wurden minimale vorverarbeitete Daten heruntergeladen, die die folgenden Vorverarbeitungsschritte abgeschlossen hatten: Gradientenverzerrungskorrektur, Bewegungskorrektur, Feldkartenvorverarbeitung, räumliche Verzerrungskorrektur, räumliche Normalisierung in den Raum des Montreal Neurological Institute (MNI), Intensitätsnormalisierung und Bias-Feldentfernung. Es können auch fMRT-Daten aus Ruhezustandsprojekten von Forschern verwendet werden.

1. Datenvorverarbeitung

  1. Überprüfen Sie die Datenqualität und schließen Sie Teilnehmer mit fehlenden Wiederholungstestdaten und übermäßiger Kopfbewegung (3 mm in der Translation und 3° in der Rotation) aus.
    HINWEIS: Fünf Teilnehmer wurden ausgeschlossen und 38 junge Erwachsene (22-35 Jahre alt) wurden in die Hauptanalysen einbezogen.
  2. Öffnen Sie die Toolbox17 für die graphtheoretische Netzwerkanalyse (GRETNA) in MATLAB, um weitere Vorverarbeitungsschritte durchzuführen. Klicken Sie auf den Stapel von FC Matrix Construction. Wählen Sie den Pfad des funktionalen Datasets aus, um die NIFTI-Dokumente zu laden, und führen Sie die folgenden Schritte aus, wie in der Pipelineoption in Abbildung 1 dargestellt:
    1. Entfernen Sie die ersten 10 Bilder, indem Sie unter Erste Bilder entfernen auf die zu entfernende Zeitpunktnummer doppelklicken und 10 eingeben.
    2. Räumlich glatt (volle Breite bei halbem Maximum [FWHM] = [4 4 4] durch Doppelklick auf FWHM (mm) in Räumlich glatt und Eingabe von [4 4 4]).
    3. Regression von Kovariaten. Wählen Sie Signale der weißen Substanz, Liquorsignale und Kopfbewegung als WAHR aus. Wählen Sie die passende Maske entsprechend der tatsächlichen Voxelgröße aus, z. B. Maske mit 2 mm hier, und wählen Sie Friston-24-Parameter für Kopfbewegung.
    4. Zeitlicher Filter. Geben Sie den Wert von TR entsprechend der Wiederholungszeit des MRT-Scans ein (z. B. 720 ms hier) und entfernen Sie hochfrequentes und niederfrequentes Rauschen, indem Sie auf Band (Hz) doppelklicken und [0,01 0,1] eingeben.
      HINWEIS: Die Ergebnisse mit und ohne Regression der gesamten Gehirnsignale sind unten dargestellt. Bei der Verwendung von nicht vorverarbeiteten Daten werden auch etablierte Pipelines wie fMRI-prep18 und Data Processing Assistant for Resting-State fMRI (DPARSF)19 empfohlen.

Figure 1
Abbildung 1: Rs-fMRT-Vorverarbeitung und Schätzung der funktionalen Netzwerkkonnektivität. Die Einstellungen der Vorverarbeitung (Entfernen der ersten 10 Bilder, räumliche Glättung mit FWHM von 4 mm, lineare zeitliche Trenddetrendierung, Rückbildung von Signalen der weißen Substanz, Liquorsignale und Kopfbewegung mit 24 Parametern, Filtern des Bandes von 0,01-0,1 HZ) und die statische Korrelation mit Fisher' Z transformiert. Abkürzungen: Rs-fMRT = funktionelle Magnetresonanztomographie im Ruhezustand; FWHM = volle Breite bei halbem Maximum; Liquor = Liquor cerebrospinalis. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

2. Netzwerkaufbau und -analysen

HINWEIS: Der allgemeine Arbeitsablauf für die Erstellung und Analyse des Navigationsnetzes ist in drei Hauptschritten zusammengefasst (Abbildung 2).

Figure 2
Abbildung 2: Allgemeiner Workflow für den Aufbau und die Analyse des Navigationsnetzes. (A) Wählen Sie Navigation als den Begriff, der in der Neurosynth-Datenbank gesucht werden soll. (B) Es kann eine Liste von Aktivierungskoordinaten erstellt werden. (C) Führen Sie eine Meta-Analyse mit Funktionen aus dem Neurosynth durch, um mehrere Gehirnkarten zu erhalten. (D,E) Durch die Einbindung der metaanalytischen Karte und eines Whole-Brain Parcellation Atlas (AICHA) können Knoten (ROI) generiert werden. (F) Die Konstruktion eines Navigationsnetzes unter Verwendung der resultierenden Navigationsknoten und ihrer funktionalen Konnektivität (Konnektivitätsschätzung und Netzwerkanalyse). Abkürzungen: ROI = Region of Interest; AICHA = Atlas der intrinsischen Konnektivität homotopischer Areale. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

  1. Definition des Netzwerkknotens
    1. Laden Sie die neueste Neurosynth-Datenbank (neurosynth.org)20 herunter, indem Sie den folgenden Befehl in Python eingeben:
         
      >Importieren Sie Neurosynth als NS
      >ns.dataset.download (path='./', unpack = True)
         
      HINWEIS: Das Datensatzarchiv ('current_data.tar.gz') enthält zwei Dateien: 'database.txt' und 'features.txt'. Diese enthalten alle Aktivierungskoordinaten aus Neuroimaging-Artikeln bzw. Meta-Analyse-Tags, die in diesem Artikel mit hoher Häufigkeit auftreten.
    2. Generieren Sie eine neue Dataset-Instanz aus dem database.txt und fügen Sie diesen Daten Features hinzu, indem Sie den folgenden Befehl eingeben:
         
      > von neurosynth.base.dataset Datensatz importieren
      > Datensatz = Datensatz('data/database.txt')
      > dataset.add_features('data/features.txt')
         
    3. Führen Sie eine Meta-Analyse mit dem interessierenden Begriff (z. B. "Navigation") durch, indem Sie den folgenden Befehl eingeben:
         
      > ids = dataset.get_ids_by_features ('Navigation', Schwellenwert=0,01)
      > ma = meta. MetaAnalysis (Datensatz, IDs)
      > ma.save_results('.', 'Navigation')
         
      HINWEIS: Die Meta-Analyse führt zu mehreren Gehirnkarten im NIFTI-Format. Ein FDR-Schwellenwert (False Discovery Rate) von 0,01 wurde angewendet, um die Falsch-Positiv-Rate zu kontrollieren. In diesem Schritt ist fundiertes Wissen erforderlich, um sicherzustellen, dass die häufig gemeldeten Regionen in die metaanalytische Karte aufgenommen werden. Ähnliche Schritte können angewendet werden, um Metaanalysen für andere kognitive Funktionen wie Sprache und Gedächtnis durchzuführen.
    4. Definieren Sie Cluster von Interesse, indem Sie die metaanalytische Karte und einen Ganzhirn-Parzellierungsatlas einbinden, indem Sie den Befehl aus FSL eingeben:
         
      >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
         
      HINWEIS: Hier wurden zwei Atlas verwendet: AAL und AICHA. Der AAL ist der Atlas, der in der ursprünglichen Studie für die Knotendefinition12 verwendet wurde. Dieser Atlas wurde auf der Grundlage der anatomischen Profile erstellt. Der Atlas der intrinsischen Konnektivität homotopischer Areale (AICHA)21 hat eine viel feinere Auflösung und eine höhere funktionelle Homogenität. Wir haben die Regions of Interest anhand der einzelnen Atlas definiert.
    5. Geben Sie Skripte in Python ein, um die Größe der einzelnen Regionen in der Karte zu überprüfen:
         
      >für i in np.arange(n)+1:
      >____region_list.Anhang(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))
         
      HINWEIS: Die ganze Zahl n im Skript gibt die Gesamtzahl der Regionen innerhalb der AICHA- und AAL-Parzellierung an (384 bzw. 128). Um die Auswirkungen von unechten Clustern zu vermeiden, wird vorgeschlagen, Cluster mit relativ kleinen Größen (z. B. 100 Voxel) zu entfernen. Der hier verwendete AICHA-Atlas wird unter Verwendung von funktionalen Konnektivitätsdaten generiert, wobei jede Region eine Homogenität der funktionellen zeitlichen Aktivität in sich selbst aufweist.
  2. Schätzung der Netzwerkkonnektivität
    HINWEIS: Die GRETNA-Toolbox wird für die Konnektivitätsschätzung und Netzwerkanalyse verwendet.
    1. Klicken Sie auf den Stapel von FC Matrix Construction. Laden Sie die vorverarbeiteten rs-fMRI-Daten, indem Sie den Pfad des funktionalen Datensatzes auswählen. Klicken Sie auf die Option für die statische Korrelation . Laden Sie den im vorherigen Schritt erhaltenen Knoten als Atlas hoch, um die statische Korrelation der rs-fMRT-Signale jedes Regionenpaares zu berechnen, und übertragen Sie sie in die z-Werte von Fisher, um die Normalverteilung zu verbessern.
      HINWEIS: Der detaillierte Vorgang ist in Abbildung 1 dargestellt. Die Navigationsnetzmatrizen von N × N (N steht für die Anzahl der Knoten) für jeden Teilnehmer würden in .txt Format erhalten.
    2. Erhalten Sie mit den folgenden Schritten ein positives und gewichtetes Netzwerk, wie in Abbildung 3 dargestellt.
      1. Klicken Sie auf den Stapel der Netzwerkanalyse. Fügen Sie die Netzwerkmatrizen in das Fenster Brain Connectivity Matrix ein, und wählen Sie ein Ausgabeverzeichnis für die Vorbereitung aus.
      2. Wählen Sie für die Pipeline-Option der Netzwerkkonfiguration in der Vorzeichenmatrix die Option positiv aus, wodurch negative Verbindungen in der Funktionsverbindungsmatrix auf 0 gesetzt und mehrdeutige Verbindungen22 eliminiert werden. Wählen Sie den gewichteten Netzwerktyp aus, um das ungerichtete gewichtete Netzwerk zu erhalten.
        ANMERKUNG: Neben den gewichteten Netzwerken könnte man die Netzwerke auch binarisieren, um binäre Netzwerke für nachfolgende Analysen (mit unterschiedlichen Ansätzen) zu erstellen, aber das gewichtete Netzwerk wird oft als höher zuverlässig angesehen23,24.
  3. Netzwerkanalyse
    1. Fügen Sie der GRETNA-Netzwerkmetrikanalyse-Pipeline eine kleine Welt, eine globale Effizienz, einen Clustering-Koeffizienten, eine kürzeste Pfadlänge, eine Gradzentralität und eine lokale Effizienz hinzu, wie in Abbildung 3 dargestellt.
      HINWEIS: "Kleine Welt" und "Globale Effizienz" sind zwei globale Netzwerkmetriken. Insbesondere kann das Netzwerk mit Small-Worldness die Effizienz der Informationsübertragung bei vergleichsweise geringen Verkabelungskosten maximieren. Die globale Effizienz spiegelt die Übertragungseffizienz wider, die parallel zu Informationen im Transportnetz erfolgt. Bei Knotennetzwerkmetriken misst die Gradzentralität die Anzahl der Verbindungen, die mit einem Knoten verbunden sind. Die kürzeste Weglänge ist, wie der Name schon sagt, eine Grundlage für die Messung der Integration. Der Clustering-Koeffizient gibt den Grad an, in dem die Nachbarn der Knoten miteinander in Beziehung stehen. Die lokale Effizienz ist die Effizienz der Kommunikation mit dem Knoten und seinen Nachbarn (die detaillierte Formel und Verwendung sind in diesen Papieren dargestellt) 17,25. Die Brain Connectivity Toolbox (BCT)25 und andere Toolboxen können auch für die Berechnung der Netzwerkmetriken verwendet werden.
    2. Wählen Sie Network Sparsity in der Schwellenwertmethode aus, um die Störeffekte von Störverbindungen auszuschließen, und geben Sie eine Reihe von Schwellenwertsequenzen ein (d. h. 0,05, 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4, 0,45, 0,5 wird hier verwendet), um den geeigneten Schwellenwert entsprechend den statistischen Ergebnissen weiter zu bestimmen.
      HINWEIS: Das Verhältnis von Kanten zur maximalen Anzahl von Kanten in einem Netzwerk mit der Stichprobenanzahl von Knoten wird als Schwellenwert für die Dichte bezeichnet. Ein Schwellenwert für die geringe Dichte garantiert, dass verschiedene Individuen die gleiche Anzahl von Kanten haben. Wir haben uns entschieden, verschiedene Schwellenwerte für die Validierung zu untersuchen, die hilfreiche Daten für die Auswahl eines optimalen Schwellenwerts in zukünftigen Studien liefern könnten.
    3. Legen Sie die zufällige Netzwerknummer auf 1.000 fest, um zufällige Netzwerke unter Verwendung eines Markov-Verdrahtungsalgorithmus26 zu erzeugen. Klicken Sie auf Ausführen , um die Pipeline in GRETNA auszuführen, nachdem alle Schritte eingerichtet wurden.
      HINWEIS: Ähnlich wie echte Gehirnnetzwerke behalten die Zufallsnetzwerke die gleiche Anzahl von Knoten, Kanten und Gradverteilung bei. Um festzustellen, ob sie topologisch weitgehend nicht-zufällig konstruiert sind, werden sie mit Gehirnnetzwerken verglichen. Nach dem Ausführen der Pipeline wird eine Gruppe von Bewertungen für die Netzwerkmetriken für jeden der Schwellenwerte für weitere statistische Analysen abgerufen.
    4. Ermitteln Sie in vier Schritten die optimale Anzahl der Module im Netzwerk.
      1. Berechnen Sie das Navigationsnetzwerk für die Mittelwertbildung. Klicken Sie auf das Bad des Metrikvergleichs und wählen Sie Verbindung. Laden Sie die oben erhaltenen Netzwerkmatrizen, und wählen Sie die Operation Gemittelt (funktional) aus. Wählen Sie eine Ausgaberichtung aus, um die gemittelte Netzwerkmatrix beizubehalten. Weitere Informationen finden Sie in Abbildung 4 .
      2. Unterteilen Sie das durchschnittliche Netzwerk, das Sie im obigen Schritt erhalten haben, in 2, 3, 4 und 5 Module, indem Sie die Funktion spectralcluster in MATLAB verwenden.
      3. Berechnen Sie den Anteil der Knoten, die in REST 1 und REST 2 in dasselbe Modul aufgeteilt sind, nachdem Sie die Modulteilungen mit dem Skript procrustes_alignment.m ausgerichtet haben. Verwenden Sie den Anteil als Index für die Wiederholbarkeit der Modulpartition.
      4. Wählen Sie die Anzahl der Module mit der höchsten Wiederholgenauigkeit aus.
  4. Statistische Auswertungen
    HINWEIS: Die folgenden Analysen dienen hauptsächlich der Validierung und wären bei der Anwendung dieses Protokolls auf einzelne Variationsstudien nicht erforderlich.
    1. Untersuchen Sie die Ähnlichkeit dieser Netzwerkmetriken zwischen zwei Netzwerken mit unterschiedlichen Arten von Strategien zur Knotendefinition (d. h. der neuen, in der vorliegenden Studie generierten Strategie, die als NaviNet_AICHA bezeichnet wird, und der früheren von Kong et al., die als NaviNet_AAL)12 bezeichnet wird. Berechnen Sie die Pearson-Korrelation mit der Funktion corrcoef in MATLAB und wiederholen Sie die Analysen für jeden Schwellenwert für die geringe Dichte.
      HINWEIS: Nach dem Extrahieren der Netzwerkmetriken können Sie alle statistischen Analysen durchführen, an denen Sie interessiert sind.
    2. Überprüfen Sie die Test-Retest-Reliabilität dieser Netzwerkmetriken mit der Funktion ICC in MATLAB27,28, die die Berechnung des Intraklassen-Korrelationskoeffizienten implementiert.
      HINWEIS: Die ursprünglichen, unkorrigierten p-Werte wurden im Abschnitt "Repräsentative Ergebnisse" angegeben. 0,2 < ICC < 0,4 wird als Hinweis auf eine faire Test-Retest-Reliabilität interpretiert und ICC > 0,4 wird als moderate bis gute Test-Retest-Reliabilität interpretiert29,30. Negative ICC-Werte wurden auf Null gesetzt, da das Vorhandensein negativer ICCs bedeutungslos und schwer zu interpretieren ist31.

Figure 3
Abbildung 3: Analyse der Netzwerkmetriken. Diese Analyse definiert die gewichteten positiven Netzwerke mit 10 Schwellenwerten. Berechnen Sie zwei globale Netzwerkmetriken für Small Word und Effizienz, vier Knotennetzwerkmetriken für den Clustering-Koeffizienten, die kürzeste Pfadlänge, die Effizienz und die Gradzentralität. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 4
Abbildung 4: Die Berechnung der durchschnittlichen Navigationsnetze. Die gemittelte (funktionale) Operation hilft bei der Berechnung der durchschnittlichen Netzwerke aller Teilnehmer. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Die Navigationsnetze
Die vorliegende Studie identifizierte 27 Hirnregionen, die mit der räumlichen Navigation assoziiert sind, indem sie die neueste Meta-Analyse-Neuroimaging-Datenbank und den AICHA-Atlas einbezog. Diese Regionen bestanden aus den medialen temporalen und den parietalen Regionen, die häufig in Navigations-Neuroimaging-Studien berichtet wurden. Die räumliche Verteilung dieser Regionen ist in den Abbildungen 5A und 5C dargestellt. Zum Vergleich haben wir auch eine frühere Definition der räumlichen Navigationsregionen in Abbildung 5B und Abbildung 5D visualisiert. Zwanzig Regionen aus dem AAL-Atlas wurden zum Vergleich einbezogen. Diese beiden Gruppen von Regionen wiesen eine große Überlappung auf.

Figure 5
Abbildung 5: Die modularen durchschnittlichen Navigationsnetze. (A) Modularität der NaviNet_AICHA in REST1. (B) Modularität der NaviNet_AAL in REST1. (C,D) repräsentieren die Modularität von NaviNet_AICHA und NaviNet_AAL in REST1, wobei die gesamten Gehirnsignale zurückgebildet werden. Unterschiedliche Knotenfarben weisen auf unterschiedliche Module hin, die in jedem Netzwerk identifiziert wurden. In NaviNet_AICHA und NaviNet_AAL werden zwei Module gezeigt, die ein mediales temporales Modul und ein parietales Modul umfassen. Abkürzungen: AICHA = Atlas der intrinsischen Konnektivität homotopischer Areale; AAL = anatomische automatische Markierung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Interessanterweise zeigten diese beiden Netzwerke eine ähnliche Verteilung in der Community (Abbildung 5). Insbesondere zeigten Modularitäts- und Wiederholbarkeitsanalysen zwei Module sowohl in NaviNet_AICHA als auch in NaviNet_AAL (ein ventrales Modul einschließlich der medialen temporalen Regionen und ein dorsales Modul einschließlich der parietalen Regionen) (Tabelle 1). Die ventralen und dorsalen Module waren zwischen NaviNet_AICHA und NaviNet_AAL ähnlich, obwohl die Anzahl der Knoten bei ersteren aufgrund der feineren Parzellierung des Gehirns im AICHAI-Atlas größer war. Diese Ergebnisse waren unabhängig von den Strategien, die für den Umgang mit globalen Signalen in der Vorverarbeitung verwendet wurden (Abbildung 5). Darüber hinaus wurden ähnliche Community-Verteilungen im REST2-Datensatz beobachtet (Ergänzende Abbildung S1).

Ähnlichkeit der topologischen Eigenschaften zweier Navigationsnetze
Als nächstes untersuchten wir die Ähnlichkeit der einzelnen Netzwerkmaßnahmen zwischen den beiden Netzwerken. Die Ähnlichkeitsanalysen dienten zwei Zwecken: (1) die Generalisierbarkeit der Ergebnisse bei Verwendung verschiedener Definitionsstrategien zu bewerten und (2) eine optimale Netzwerkschwelle für die Netzwerkanalysen zu bestimmen.

Im Allgemeinen zeigten fünf der sechs Metriken, mit Ausnahme des Clustering-Koeffizienten, signifikante Korrelationen zwischen den beiden Netzwerken mit der Mehrheit der in den Netzwerkanalysen verwendeten Schwellenwerte für die Netzwerkdichte (Abbildung 6). Die Ähnlichkeitswerte stiegen schnell mit dem Schwellenwert für die geringe Dichte für alle Metriken an, mit Ausnahme des mittleren Knotengrades, der einen hervorragenden Ähnlichkeitswert mit beiden Schwellenwerten aufwies. Die Small-World-Metrik zeigte die höchste Ähnlichkeit bei einem Schwellenwert zwischen 0,30 und 0,40, wobei auch andere Metriken die höchste Ähnlichkeit aufwiesen. Diese Ergebnisse deuten darauf hin, dass die Analysen auf Netzwerkebene stabile individuelle Unterschiede unabhängig von der Wahl der Knotendefinition widerspiegeln könnten und dass die Dünnschichtschwelle von 0,30-0,40 zu einer besseren Generalisierbarkeit in Navigationsnetzwerkanalysen führen würde. Siehe Ergänzende Abbildung S2 für weitere Ähnlichkeiten mit REST2.

Figure 6
Abbildung 6: Ähnlichkeit der topologischen Eigenschaften zweier Netzwerke. Die Ergebnisse von REST 1 (A) ohne und (B) mit Rückbildung ganzer Hirnsignale werden gezeigt. Der Pearson-Korrelationskoeffizient auf der y-Achse gibt die Ähnlichkeit der topologischen Eigenschaften der beiden Netzwerke an. Der Schwellenwert für die Dichte liegt zwischen 0,05 und 0,5. Die Sternchen in den Abbildungen geben das Signifikanzniveau an, wobei *p < 0,05, **p < 0,01, ***p < 0,001 ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Die Test-Retest-Zuverlässigkeit
Wir haben auch die Test-Retest-Reliabilität der topologischen Messungen der Navigationsnetzwerke evaluiert. Bei der Berechnung dieser Netzmaße wurden verschiedene Schwellenwerte zwischen 0,05 und 0,50 verwendet, um mögliche Störverbindungen in den Netzen zu beseitigen (siehe Zusatztabelle S1 für Details). Hier berichteten wir hauptsächlich Ergebnisse mit einem Schwellenwert von 0,40, angesichts der oben genannten Ähnlichkeitsergebnisse. Die Mehrzahl der Netzwerkmetriken zeigte eine mittelmäßige bis gute Reliabilität (ICC > 0,2) sowohl in der NaviNet_AICHA als auch in der NaviNet_AAL, während die NaviNet_AAL eine relativ höhere Reliabilität als die NaviNet_AICHA aufwies. Darüber hinaus fanden wir heraus, dass die Einbeziehung der globalen Signalregression in die fMRT-Datenvorverarbeitung zu einer höheren Zuverlässigkeit führen könnte (Abbildung 7). Der Clustering-Koeffizient, die kürzeste Pfadlänge und die kleine Welt im NaviNet_AAL-Netzwerk zeigten die höchste Test-Retest-Reliabilität, während der Clustering-Koeffizient und die Small-World in NaviNet_AICHA auch eine höhere Test-Retest-Reliabilität zeigten als andere Messungen. Diese Ergebnisse deuten darauf hin, dass der Clustering-Koeffizient und die kleine Welt die zuverlässigsten unter diesen Metriken sind.

Figure 7
Abbildung 7: Test-Retest-Reliabilität topologischer Eigenschaften von Navigationsnetzwerken. (A) Test-Retest-Reliabilität für Daten, ohne die gesamten Gehirnsignale zu regressieren. (B) Test-Retest-Reliabilität für Daten, die die gesamten Gehirnsignale regressieren. Abkürzungen: ICC = Intra-Class Correlation Coefficient; Cc = Clustering-Koeffizient; Lp = kürzeste Weglänge; Sw = Kleinweltlichkeit; Nd = mittlerer Knotengrad; Eg = globale Effizienz; Eloc = lokaler Wirkungsgrad; AICHA = Atlas der intrinsischen Konnektivität homotopischer Areale; AAL = anatomische automatische Markierung; cNGS = Daten ohne Rückbildung der gesamten Gehirnsignale; cWGS = Rückbildung der gesamten Gehirnsignale. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Modul-Nummern
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

Tabelle 1: Die Wiederholbarkeit der Modulpartition zwischen REST 1 und REST 2. Die erste Zeile gibt die Anzahl der Module an. cNGS repräsentiert die rs-fMRT, ohne die globalen Signale zu regressieren, und cWGS repräsentiert die rs-fMRT, die aus den globalen Signalen zurückgebildet wurden. Eine größere Zahl deutet auf eine höhere Wiederholbarkeit hin, und im vorliegenden Text werden zwei Module für NaviNet_AICHA und NaviNet_AAL ausgewählt. Abkürzungen: AICHA = Atlas der intrinsischen Konnektivität homotopischer Areale; AAL = anatomische automatische Markierung.

Ergänzende Abbildung S1: Die modularen durchschnittlichen Navigationsnetze in REST 2. (A,B) Die Modularität von NaviNet_AICHA und NaviNet_AAL im REST 2-Datensatz, ohne die gesamten Gehirnsignale zu regressieren. (C,D) Die Modularität von NaviNet_AICHA und NaviNet_AAL im REST 2-Datensatz mit der Regression der gesamten Gehirnsignale. Unterschiedliche Knotenfarben weisen auf unterschiedliche Module hin, die in jedem Netzwerk identifiziert wurden. Beide Module werden in NaviNet_AICHA und NaviNet_AAL gezeigt. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S2: Ähnlichkeit der topologischen Eigenschaften zweier Netzwerke in REST 2. Die Ergebnisse von REST 2 ohne/mit Rückbildung ganzer Hirnsignale sind dargestellt (A bzw. B). Der Pearson-Korrelationskoeffizient auf der y-Achse gibt die Ähnlichkeit der topologischen Eigenschaften der beiden Netzwerke an. Der Schwellenwert für die Dichte liegt zwischen 0,05 und 0,5. Die Sternchen in den Abbildungen geben das Signifikanzniveau an, wobei *p < 0,05, **p < 0,01, ***p < 0,001 ist. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle S1: Test-Retest-Reliabilität der topologischen Eigenschaften von Navigationsnetzen mit unterschiedlichen Schwellenwerten für die geringe Dichte. Die Werte geben den klasseninternen Korrelationskoeffizienten von NaviNet_AICHA und NaviNet_AAL mit unterschiedlichen Schwellenwerten für die Dichte an. Abkürzungen: Cc = Clustering-Koeffizient; Lp = kürzeste Weglänge; Sw = kleine Wölbung; Nd = mittlerer Knotengrad; Eg = globale Effizienz; Eloc = lokaler Wirkungsgrad; cNGS = Daten ohne Rückbildung der gesamten Gehirnsignale; cWGS = Rückbildung der gesamten Gehirnsignale. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Es wird erwartet, dass die Netzwerkneurowissenschaften dazu beitragen werden, zu verstehen, wie das Gehirnnetzwerk die menschlichen kognitiven Funktionen unterstützt32. Dieses Protokoll demonstriert einen integrativen Ansatz zur Untersuchung des funktionalen Netzwerks für die räumliche Navigation im menschlichen Gehirn, der auch die Netzwerkmodellierung für andere kognitive Konstrukte (z. B. Sprache) inspirieren kann.

Dieser Ansatz bestand aus drei Hauptschritten: Knotendefinition, Netzwerkaufbau und Netzwerkanalyse. Während die Netzwerkkonstruktion und die Netzwerkanalyse die gleichen sind wie bei allgemeinen Netzwerkstudien des gesamten Gehirns, ist die Knotendefinition der kritischste Schritt dieses Protokolls. Dieser Schritt nutzt eine groß angelegte Meta-Analyse der funktionellen Aktivierung im Zusammenhang mit der räumlichen Navigation, um die wichtigsten Hirnregionen für das Navigationsverhalten zu lokalisieren. Auf diese Weise können wir das funktional sinnvolle Netzwerk modellieren, was hilft, die neuronalen Grundlagen der komplexen Verarbeitung aus einer Netzwerkperspektive zu verstehen. Es ist zu beachten, dass präfrontale Regionen in den Ergebnissen der Knotendefinition fehlten, während eine zunehmende Anzahl von Navigationsstudien auf eine kritische Rolle dieser Regionen hindeutet33. Dies könnte darauf zurückzuführen sein, dass diese Regionen in navigationsbezogenen Studien innerhalb der Datenbank nicht aktiviert wurden, was zu begrenzten Daten für die Metaanalyse führte. Wenn mehr Daten für die Lokalisierung dieser navigationsbezogenen präfrontalen Regionen zur Verfügung stehen, wäre es eine interessante Frage, ihre Rolle im Navigationsnetzwerk in zukünftigen Studien zu untersuchen. Forscher könnten dieses Protokoll auch anwenden, um andere kognitive Funktionen zu untersuchen, wenn die Lokalisierung einzelner Hirnregionen möglich ist. Für die Identifizierung von Interessengebieten sind Feldkenntnisse erforderlich, um eine enge Verknüpfung mit der spezifischen Funktion zu gewährleisten.

In diesem Protokoll konzentrierten wir uns auf das räumliche Navigationsnetzwerk und zeigten eine hohe Abdeckung verschiedener Hirnregionen, die in räumlichen Navigationsstudien berichtet wurden. In Ermangelung einer allgemein anerkannten Definition von Hirnregionen, die die räumliche Navigation unterstützen, wurden in der Demonstration zwei Gruppen von Regionen verwendet, von denen eine durch die Einbeziehung der größten Metaanalyse und des AICHA-Atlasses und die andere mit dem AAL-Atlas generiert wurde. Die topologischen Eigenschaften des Netzwerks, die auf den beiden Definitionen basieren, zeigten im Allgemeinen eine hohe Ähnlichkeit, was die Effektivität der funktionsspezifischen Netzwerkmodellierung bis zu einem gewissen Grad unterstützt.

Wir stellten fest, dass die Ähnlichkeitsstärke mit den in den Netzwerkanalysen verwendeten Schwellenwerten für die geringe Dichte zunahm, und die Ergebnisse deuteten darauf hin, dass ein Schwellenwert für die geringe Dichte von 0,30 bis 0,40 eine geeignete Wahl wäre, da alle Netzwerkmetriken die höchste Ähnlichkeit mit diesen Schwellenwerten aufwiesen. Mit solchen Schwellenwerten zeigten die Netzwerkmetriken auch eine mittelmäßige bis gute Test-Retest-Reliabilität, insbesondere für die kürzeste Pfadlänge und Kleinwelt, wenn die globale Signalregression in die Datenvorverarbeitung einbezogen wurde. Diese Ergebnisse unterstützen weitgehend die Verwendung dieser Metriken in Studien zu individuellen Unterschieden und verwandten Hirnerkrankungen.

Aufgrund eines Mangels an geeigneten Verhaltensdaten konnten wir in diesem Protokoll keine Verhaltenskorrelate der Netzwerkmetriken mit räumlicher Navigation darstellen. Basierend auf einigen früheren Studien zu Gehirn-Verhaltens-Assoziationen von funktionalen Konnektivitätsmetriken navigationsbezogener Regionen12,34 erwarteten wir, dass die Netzwerkmodellierung mit diesem Protokoll eine spezifische Assoziation mit der räumlichen Navigation zeigen würde. Um diese Zusammenhänge weiter zu untersuchen, sind groß angelegte Proben mit Neuroimaging- und Verhaltensdaten erforderlich. Darüber hinaus waren die Test-Retest-Reliabilitätsergebnisse zwar nicht sehr hoch, aber die Stärke war vergleichbar mit denen, die in früheren fMRT-Studien berichtet wurden35.

Zukünftige Studien können dieses Protokoll anwenden, um die neuronalen Grundlagen der räumlichen Navigation aus der Netzwerkperspektive besser zu verstehen und ihre Variationen beim Menschen zu untersuchen. Zum Beispiel können Forscher dieses Protokoll nutzen, um die Entwicklung und den Alterungsverlauf von Navigationsnetzwerken zu untersuchen, und in der klinischen Praxis liefern die Netzwerkeigenschaften wichtige Biomarker für die Früherkennung und Diagnose von Hirnerkrankungen wie der Alzheimer-Krankheit. Darüber hinaus könnten zukünftige Studien ein ähnliches Protokoll anwenden, um die Netzwerkmodelle für andere kognitive Konstrukte zu konstruieren.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren erklären, dass kein Interessenkonflikt besteht.

Acknowledgments

Xiang-Zhen Kong wurde von der National Natural Science Foundation of China (32171031), STI 2030 - Major Project (2021ZD0200409), Fundamental Research Funds for the Central Universities (2021XZZX006) und dem Information Technology Center der Zhejiang University unterstützt.

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.

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. Epstein, R., Harris, A., Stanley, D., Kanwisher, N. The parahippocampal place area: recognition, navigation, or encoding. Neuron. 23 (1), 115-125 (1999).
  6. 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).
  7. Baumann, O., Mattingley, J. B. Extrahippocampal contributions to spatial navigation in humans: A review of the neuroimaging evidence. Hippocampus. 31 (7), 640-657 (2021).
  8. Auger, S. D., Mullally, S. L., Maguire, E. A. Retrosplenial cortex codes for permanent landmarks. PloS One. 7 (8), e43620 (2012).
  9. Zhen, Z., et al. Quantifying the variability of scene-selective regions: Interindividual, interhemispheric, and sex differences. Human Brain Mapping. 38 (4), 2260-2275 (2017).
  10. 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).
  11. 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).
  12. Kong, X. Z., et al. Human navigation network: the intrinsic functional organization and behavioral relevance. Brain Structure & Function. 222 (2), 749-764 (2017).
  13. 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).
  14. 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).
  15. Van Essen, D. C., et al. The WU-Minn human connectome project: an overview. Neuroimage. 80, 62-79 (2013).
  16. Smith, S. M., et al. Resting-state fMRI in the human connectome project. Neuroimage. 80, 144-168 (2013).
  17. Wang, L., et al. GRETNA: a graph theoretical network analysis toolbox for imaging connectomics. Frontiers in Human Neuroscience. 9, 386 (2015).
  18. Esteban, O., et al. fMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16 (1), 111-116 (2019).
  19. Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for" pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13 (2010).
  20. 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).
  21. Joliot, M., et al. AICHA: An atlas of intrinsic connectivity of homotopic areas. Journal of Neuroscience Methods. 254, 46-59 (2015).
  22. 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).
  23. 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).
  24. 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).
  25. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  26. Maslov, S., Sneppen, K. Specificity and stability in topology of protein networks. Science. 296 (5569), 910-913 (2002).
  27. Shrout, P. E., Fleiss, J. L. Intraclass correlations: uses in assessing rater reliability. Psychological Bulletin. 86 (2), 420 (1979).
  28. McGraw, K. O., Wong, S. P. Forming inferences about some intraclass correlation coefficients. Psychological Methods. 1 (1), 30 (1996).
  29. 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).
  30. 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).
  31. Rousson, V., Gasser, T., Seifert, B. Assessing intrarater, interrater and test-retest reliability of continuous measurements. Statistics in medicine. 21 (22), 3431-3446 (2002).
  32. Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10 (3), 186-198 (2009).
  33. Patai, E. Z., Spiers, H. J. The versatile wayfinder: prefrontal contributions to spatial navigation. Trends in Cognitive Sciences. 25 (6), 520-533 (2021).
  34. 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).
  35. 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).

Tags

Funktionelles Netzwerk Räumliche Navigation Menschliches Gehirn Multisensorische Informationen Navigationsaufgaben Hirnregionen Hippocampus Entorhinaler Kortex parahippocampaler Ortsbereich nicht-aggregierter Netzwerkprozess interagierende Hirnregionen Integrativer Ansatz Knotendefinition Funktionale Konnektivität Konnektivitätsmatrix Topologische Eigenschaften Modularität Small Worldness Netzwerkanalyse Flexible Navigation Dynamische Umgebungen Biomarker Alzheimer-Krankheit
Modellierung des funktionalen Netzwerks für die räumliche Navigation im menschlichen Gehirn
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Zhang, F., Zhang, C., Pu, Y., Kong,… More

Zhang, F., Zhang, C., Pu, Y., Kong, X. Z. Modeling the Functional Network for Spatial Navigation in the Human Brain. J. Vis. Exp. (200), e65150, doi:10.3791/65150 (2023).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter