İnsan Beyninde Uzamsal Navigasyon için İşlevsel Ağın Modellenmesi

Uzamsal navigasyon, beyinde dağıtılmış bir ağ içeren karmaşık bir süreçtir. Çalışmamız, FMRI verilerini kullanarak uzamsal navigasyon için işlevsel bir ağı modellemek için bütünleştirici bir yaklaşım sunmaktadır. En uygun ağ modeli, ağ içindeki beyin bölgelerinin nasıl etkileşime girdiğini anlamak için yeni bilgiler sağlar.

Ağ modeli ayrıca hem sağlık hem de hastalıktaki davranışlardaki değişkenliği daha iyi yakalayabilir. Yöntemimiz çalışmalara veya diğer karmaşık işlevlere de uygulanabilir. Örneğin, benzer bir prosedür, dil ve hafıza için beyin ağını modellemek için kullanılabilir.

Başlamak için veri kalitesini kontrol edin ve tekrar test verileri eksik ve aşırı kafa hareketi olan katılımcıları hariç tutun. Ardından MATLAB'da grafik teorik ağ analizini veya GRETNA araç kutusunu açın. Sekmeye tıklayın FC Matris Yapısı"ve şık belgeleri yüklemek için işlevsel veri kümesinin yolunu seçin.

İşlem hattı seçeneğinde görüntülenen adımları yürütün. Ardından, ağ düğümü tanımını gerçekleştirmek için aşağıdaki komutu yazarak en son Neurosynth veritabanını indirin. Ardından veritabanından yeni bir veri kümesi örneği oluşturun.

txt yazın ve bu komutu yazarak bu verilere özellikler ekleyin. Komutu yazarak gezinme gibi ilgilendiğiniz terimin meta analizini çalıştırın. Ardından, FSL'den bu komutu yazarak meta analitik haritayı ve AICHA veya AAL gibi tüm beyin parselleme atlasını dahil ederek ilgilenilen kümeleri tanımlayın.

Ardından, haritadaki her bölgenin boyutunu kontrol etmek için Python'da aşağıdaki betikleri yazın. Bundan sonra, tüm beyin bölgelerini FSL'de FSL Maths tarafından bir şablona entegre edin. Ağ bağlantısı tahmini için, GRETNA yazılımında FC Matris Yapısı'na tıklayın ve Statik Korelasyon'a tıklayın.

Her bir bölge çiftinin rs-fMRI sinyallerinin statik korelasyonunu hesaplamak ve bunları Fisher'ın Z skorlarına aktarmak için ağ düğümü tanımından elde edilen düğümü bir atlas olarak yükleyin. Boru hattı seçeneğinde görüntülenen adımlarla pozitif ve ağırlıklı bir ağ elde etmek için Ağ Analizi'ne tıklayın. Ardından ağ matrislerini beyin bağlantı matrisi penceresine ekleyin ve hazırlık için bir çıktı dizini seçin.

GRETNA ağ metrik analiz hattına küçük bir dünya, küresel verimlilik, kümeleme katsayısı, en kısa yol uzunluğu, derece merkeziliği ve yerel verimlilik ekleyin. Matris işaretinde pozitifi seçin. Eşik yönteminde ağ seyrekliğini seçin ve bir dizi eşik dizisi girin.

Ağ türünü ağırlıklı olarak seçin. Rastgele ağ numarasını 1.000 olarak ayarlayın ve Çalıştır'a tıklayın. Ağdaki en uygun modül sayısını belirlemek için, önce ortalama navigasyon ağını hesaplayın.

Ardından, MATLAB'da spektral küme işlevini kullanarak elde edilen ortalama ağı 2, 3, 4 ve 5 modüle bölün. Ardından komut dosyasını kullanarak modül bölümlerini hizalayın procrustes_alignment. m ve geri kalan bir ve geri kalan ikide aynı modüle bölünmüş düğümlerin kısmını hesaplayın.

En yüksek tekrarlanabilirliğe sahip modül sayısını seçin. Ağ analizini gerçekleştirmek için, NaviNet AICHA ve NaviNet AAL gibi tanımsız farklı strateji türlerine sahip iki ağ arasındaki bu ağ ölçümlerinin benzerliğini inceleyin. MATLAB'deki ICC işlevini kullanarak bu ağ ölçümlerinin test yeniden test güvenilirliğini kontrol edin.

Bu çalışmada, AICHA atlası kullanılarak uzamsal navigasyon ile ilişkili 27 beyin bölgesi tanımlanmıştır. Bu bölgeler, navigasyon nörogörüntüleme çalışmalarında bildirilen medial temporal ve parietal bölgelerden oluşuyordu. Karşılaştırma olarak, AAL atlasından 20 bölge dahil edildi.

Her iki ağda da benzer ventral ve dorsal modüller dahil olmak üzere iki set arasında büyük bir örtüşme ve benzer topluluk dağılımı gösterdi. Ayrıca, kümeleme katsayısı hariç altı metrikten beşi, iki ağ arasında önemli korelasyonlar gösterdi. Benzerlik değerleri, hemen hemen tüm metrikler için seyreklik eşiği ile artmıştır, bu da ağ seviyesi analizinin düğüm tanımı seçimlerinden bağımsız olarak istikrarlı bireysel farklılıkları yansıtabileceğini ve 0,30 ila 0,40 arasındaki seyreklik eşiğinin navigasyon ağı analizinde daha iyi genellenebilirlik ile sonuçlanacağını düşündürmektedir.

Ayrıca, navigasyon ağlarının topolojik ölçümlerinin geri kalan yeniden test güvenilirliğinin değerlendirilmesi, ağın ölçümlerinin çoğunun AICHA'da orta ila iyi güvenilirlik gösterdiğini, AAL ağının ise nispeten daha yüksek güvenilirlik gösterdiğini gösterdi. Ek olarak, FMRI veri ön işlemesine küresel sinyal regresyonunun dahil edilmesi, yüksek güvenilirlikle sonuçlanabilir. Bu sonuçlar, kümeleme katsayısı ve küçük dünyanın bu metrikler arasında en güvenilir olduğunu göstermiştir.

Bu yaklaşımla, araştırmacılar işlevsel olarak spesifik ağların gelişimsel yörüngesini araştırabilirler. Ağ özellikleri ayrıca Alzheimer hastalığı gibi beyin bozukluklarının erken teşhisine rehberlik etmek için yeni biyobelirteçler sağlar.