Modellazione della rete funzionale per la navigazione spaziale nel cervello umano
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).
Protocol
Representative Results
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 dell…
Divulgations
The authors have nothing to disclose.
Acknowledgements
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
| 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).
