Summary
Bu makale, insan beyninde uzamsal navigasyon için işlevsel ağı araştırmak için bütünleştirici bir yaklaşım sunmaktadır. Bu yaklaşım, büyük ölçekli bir nörogörüntüleme meta-analitik veritabanını, dinlenme durumu fonksiyonel manyetik rezonans görüntülemeyi ve ağ modelleme ve grafik teorik teknikleri içerir.
Abstract
Uzamsal navigasyon, çoklu duyusal bilgilerin entegrasyonunu ve manipülasyonunu içeren karmaşık bir işlevdir. Farklı navigasyon görevleri kullanılarak, çeşitli beyin bölgelerinin (örneğin, hipokampus, entorinal korteks ve parahipokampal yer alanı) spesifik işlevleri üzerinde birçok umut verici sonuç elde edilmiştir. Son zamanlarda, birden fazla etkileşimli beyin bölgesini içeren toplu olmayan bir ağ sürecinin, bu karmaşık işlevin sinirsel temelini daha iyi karakterize edebileceği öne sürülmüştür. Bu makale, insan beyninde uzamsal navigasyon için işlevsel olarak spesifik ağı oluşturmak ve analiz etmek için bütünleştirici bir yaklaşım sunmaktadır. Kısaca, bu bütünleştirici yaklaşım üç ana adımdan oluşur: 1) uzamsal navigasyon için önemli olan beyin bölgelerini belirlemek (düğüm tanımı); 2) bu bölgelerin her bir çifti arasındaki işlevsel bağlantıyı tahmin etmek ve bağlantı matrisini (ağ yapısı) oluşturmak; 3) Ortaya çıkan ağın topolojik özelliklerini (örneğin, modülerlik ve küçük dünyalık) araştırmak (ağ analizi). Ağ perspektifinden sunulan yaklaşım, beynimizin karmaşık ve dinamik ortamlarda esnek navigasyonu nasıl desteklediğini daha iyi anlamamıza yardımcı olabilir ve ağın ortaya çıkan topolojik özellikleri, Alzheimer hastalığının erken teşhisi ve teşhisine rehberlik etmek için önemli biyobelirteçler sağlayabilir.
Introduction
İşlevsel özgüllük, bilişsel işlevlerin şekillenmesinde çok önemli bir rol oynayan insan beyninin temel bir organizasyon ilkesidir1. İşlevsel özgüllüğün organizasyonundaki anormallikler, ayırt edici bilişsel bozuklukları ve otizm ve Alzheimer hastalığı gibi majör beyin bozukluklarının ilişkili patolojik temellerini yansıtabilir 2,3. Geleneksel teoriler ve araştırmalar, yüz tanıma için fusiform yüz alanı (FFA)4 ve sahne işleme için parahipokampus yer alanı (PPA)5 gibi tek beyin bölgelerine odaklanma eğilimindeyken, artan sayıda kanıt, uzamsal navigasyon ve dil de dahil olmak üzere karmaşık bilişsel işlevlerin birden fazla beyin bölgesinde koordinat aktivitesi gerektirdiğinigöstermektedir6. Karmaşık bilişsel işlevleri destekleyen etkileşimlerin altında yatan mekanizmaları araştırmak, beynin işlevsel mimarisine ve işleyişine ışık tutmaya yardımcı olacak kritik bir bilimsel sorudur. Burada, uzamsal navigasyonu örnek alarak, insan beyninde uzamsal navigasyon için işlevsel ağı modellemek için bütünleştirici bir yöntem sunuyoruz.
Uzamsal navigasyon, görsel-uzamsal kodlama, bellek ve karar verme gibi birden çok bilişsel bileşenin entegrasyonunu ve manipülasyonunu içeren karmaşık bir bilişsel işlevdir7. Fonksiyonel manyetik rezonans görüntüleme (fMRI) ile çok sayıda çalışma, altta yatan bilişsel işleme ve nöral mekanizmaları anlamada önemli ilerlemeler kaydetmiştir. Örneğin, belirli işlevler, çeşitli navigasyon görevleri kullanılarak farklı beyin bölgelerine bağlanmıştır: sahne işleme özellikle PPA ile ilişkilidir ve navigasyon stratejilerinin dönüşümü retrosplenial korteks (RSC) ile ilişkilidir8,9. Bu çalışmalar, uzamsal navigasyonun sinirsel temeli hakkında önemli bilgiler sağladı. Bununla birlikte, navigasyon dahili olarak dinamik ve çok modlu bir işlevdir ve tek bölgelerin işlevleri, yaygın olarak gözlemlenen uzamsal navigasyondaki10 büyük bireysel farklılıkları açıklamak için yeterli değildir.
fMRI tabanlı konektomiklerin ortaya çıkmasıyla birlikte, araştırmacılar bazı önemli beyin bölgelerinin uzamsal navigasyonu desteklemek için birbirleriyle nasıl etkileşime girdiğini keşfetmeye başladılar. Örneğin, entorinal ve posterior singulat korteksler arasındaki fonksiyonel bağlantının, risk altındaki Alzheimer hastalığında navigasyon tutarsızlıklarını desteklediği bulunmuştur11. Başka bir çalışmada, ilk kez konektom yöntemlerini ve mekansal navigasyon için işlevsel olarak ilgili hemen hemen tüm bölgeleri (düğümleri) entegre ederek bir ağ yaklaşımı önerdik ve sonuçlar, bu ağın topolojik özelliklerinin navigasyon davranışları ile belirli ilişkiler gösterdiğini gösterdi12. Bu çalışma, esnek navigasyon davranışlarını desteklemek için birden fazla beyin bölgesinin birbirleriyle nasıl etkileşime girdiğine dair teorilere yeni bakış açıları sunmaktadır10,13.
Bu çalışma, işlevsel ağın modellenmesi için bütünleştirici yaklaşımın güncellenmiş bir versiyonunu göstermektedir. Kısaca, iki güncelleme dahil edildi: 1) Orijinal çalışmada tanımlanan düğümler daha eski ve daha küçük bir veri tabanına (2.765 aktivasyonlu 55 çalışma, 2014'te erişildi) dayalı olarak tanımlanırken, mevcut tanım en son veri tabanına dayanıyordu (77 aktivasyonlu 3.908 çalışma, 2022'de erişildi); 2) Her düğümün fonksiyonel homojenliğini artırmak için, orijinal anatomik AAL (Anatomik Otomatik Etiketleme) atlas14'ün yanı sıra, çok daha ince çözünürlüğe ve daha yüksek fonksiyonel homojenliğe sahip yeni bir beyin parselasyonu uyguladık (aşağıya bakınız). Her iki güncellemenin de işlevsel ağın modellemesini iyileştireceğini umuyorduk. Bu güncellenmiş protokol, uzamsal navigasyonun nöral temelini bir ağ perspektifinden araştırmak için ayrıntılı bir prosedür sağlar ve sağlık ve hastalıkta navigasyon davranışlarındaki bireysel varyasyonların anlaşılmasına yardımcı olur. Benzer bir prosedür, diğer bilişsel yapılar (örneğin, dil ve bellek) için ağ modellemesi için de kullanılabilir.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOT: Burada kullanılan tüm yazılımlar Malzeme Tablosunda gösterilmiştir. Bu çalışmada demonstrasyon amacıyla kullanılan veriler İnsan Konektom Projesi'nden (HCP: http://www. humanconnectome.org)15 alınmıştır. Tüm deneysel prosedürler Washington Üniversitesi'ndeki Kurumsal İnceleme Kurulu (IRB) tarafından onaylandı. HCP veri setindeki görüntüleme verileri, 32 kanallı kafa bobinli modifiye edilmiş bir 3T Siemens Skyra tarayıcı kullanılarak elde edildi. Diğer görüntü elde etme parametreleri daha önceki bir makalededetaylandırılmıştır 16. Aşağıdaki ön işleme adımlarını tamamlayan gösteri için minimum düzeyde önceden işlenmiş veri indirildi: gradyan bozulma düzeltmesi, hareket düzeltmesi, alan haritası ön işleme, uzamsal bozulma düzeltmesi, Montreal Nöroloji Enstitüsü (MNI) alanına uzamsal normalleştirme, yoğunluk normalizasyonu ve önyargı alanı kaldırma. Araştırmacıların projelerinden elde edilen dinlenme durumu fMRI verileri de kullanılabilir.
1. Veri ön işleme
- Veri kalitesini kontrol edin ve eksik tekrar test verileri ve aşırı kafa hareketi (çeviride 3 mm ve dönüşte 3°) olan katılımcıları hariç tutun.
NOT: Beş katılımcı çıkarıldı ve 38 genç yetişkin (22-35 yaş) ana analizlere dahil edildi. - Daha fazla ön işleme adımı gerçekleştirmek için MATLAB'de grafik teorik ağ analizi (GRETNA) araç kutusunu17 açın. FC Matrix Construction grubuna tıklayın. NIFTI belgelerini yüklemek için işlevsel veri kümesinin yolunu seçin ve Şekil 1'deki işlem hattı seçeneğinde gösterildiği gibi aşağıdaki adımları yürütün:
- İlk Görüntüleri Kaldır'da Kaldırılacak Zaman Noktası Numarası'na çift tıklayıp 10 girerek ilk 10 görüntüyü kaldırın.
- Uzamsal olarak pürüzsüz (Uzamsal Olarak Düzgün'de FWHM (mm) öğesine çift tıklayıp [4 4 4] girerek, yarı maksimumda tam genişlik [FWHM] = [4 4 4]).
- Ortak değişkenleri geriletin. Beyaz madde sinyalleri, BOS sinyalleri ve Kafa Hareketi'ni TRUE olarak seçin. Gerçek voksel boyutuna göre uygun maskeyi seçin, örneğin burada 2 mm'lik maske ve Kafa Hareketi için Friston-24 parametrelerini seçin.
- Zamansal filtre. MRI taramasının tekrarlama süresine göre TR değerini girin (örneğin, burada 720 ms) ve Bant (Hz) 'ye çift tıklayıp [0.01 0.1] girerek yüksek frekanslı ve düşük frekanslı gürültüyü kaldırın.
NOT: Tüm beyin sinyallerinin gerilemesi olan ve olmayan sonuçlar aşağıda sunulmuştur. Önceden işlenmemiş veriler kullanılırken, fMRI-prep18 ve Dinlenme Durumu için Veri İşleme Asistanı fMRI (DPARSF)19 gibi iyi kurulmuş işlem hatları da önerilir.
Şekil 1: Rs-fMRI ön işlem ve işlevsel ağ bağlantısı tahmini. Ön işlem ayarları (ilk 10 görüntünün kaldırılması, 4 mm'lik FWHM ile uzamsal olarak yumuşatma, doğrusal zamansal olarak trendden çıkarma, beyaz madde sinyallerinin geriletilmesi, beyin omurilik sıvısı (BOS) sinyalleri ve 24 parametre ile kafa hareketi, 0.01-0.1 HZ bandının filtrelenmesi) ve fisher' Z ile statik korelasyon dönüştürüldü. Kısaltmalar: Rs-fMRI = dinlenme durumu fonksiyonel manyetik rezonans görüntüleme; FWHM = yarı maksimumda tam genişlik; BOS = beyin omurilik sıvısı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
2. Ağ inşası ve analizleri
NOT: Navigasyon ağının inşası ve analizleri için genel iş akışı üç ana adımda özetlenmiştir (Şekil 2).
Şekil 2: Navigasyon ağının inşası ve analizi için genel iş akışı. (A) Neurosynth veritabanında aranacak terim olarak navigasyonu seçin. (B) Aktivasyon koordinatlarının bir listesi oluşturulabilir. (C) Birkaç beyin haritası elde etmek için Neurosynth'teki işlevleri kullanarak bir meta-analiz yapın. (D,E) Meta-analitik harita ve tüm beyin parselasyon atlası (AICHA) dahil edilerek düğümler (ROI) oluşturulabilir. (F) Ortaya çıkan navigasyon düğümlerini ve bunların işlevsel bağlantılarını kullanarak bir navigasyon ağının oluşturulması (Bağlantı Tahmini ve Ağ Analizi). Kısaltmalar: ROI = ilgi alanı; AICHA = homotopik alanların içsel bağlantı atlası. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
- Ağ düğümü tanımı
- Python'da komutu yazarak en son Neurosynth veritabanını (neurosynth.org)20 indirin:
> Neurosynth'i NS olarak içe aktarın
>ns.dataset.download (yol='./', paketi aç = True)
NOT: Veri kümesi arşivi ('current_data.tar.gz') iki dosya içerir: 'database.txt' ve 'features.txt'. Bunlar, sırasıyla o makalede yüksek sıklıkta meydana gelen nörogörüntüleme makalelerinden ve meta-analiz etiketlerinden alınan tüm aktivasyon koordinatlarını içerir. - database.txt'den yeni bir Veri Kümesi örneği oluşturun ve şu komutu yazarak bu verilere özellikler ekleyin:
neurosynth.base.dataset içeri aktarma Veri Kümesinden >
> veri kümesi = Veri Kümesi('veri/database.txt')
> dataset.add_features('veri/features.txt')
- Aşağıdaki komutu yazarak ilgilendiğiniz terimle (yani 'navigasyon') bir meta-analiz çalıştırın:
> kimlikleri = dataset.get_ids_by_features ('gezinme', eşik=0,01)
> ma = meta. MetaAnaliz (veri kümesi, kimlikler)
> ma.save_results('.', 'navigasyon')
NOT: Meta-analiz, NIFTI formatında birkaç beyin haritasıyla sonuçlanır. Yanlış pozitif oranı kontrol etmek için 0.01'lik bir yanlış keşif oranı (FDR) eşiği uygulandı. Yaygın olarak bildirilen bölgelerin meta-analitik haritaya dahil edilmesini sağlamak için bu adımda dosyalanmış bilgiye ihtiyaç vardır. Dil ve hafıza gibi diğer bilişsel işlevler için meta-analizler yapmak için benzer adımlar uygulanabilir. - FSL'den komutu yazarak meta-analitik haritayı ve tüm beyin parselasyon atlasını birleştirerek ilgilenilen kümeleri tanımlayın:
>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
>FSLMats navi_label_aicha/aal.nii.gz -thr n -uthr n etiket _n.nii.gz
>küme -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 -ekle ... -ekle node_x.nii.gz navi_AICHA/AAL_mask.nii.gz
NOT: Burada iki atlas kullanılmıştır: AAL ve AICHA. AAL, düğüm tanımı12 için orijinal çalışmada kullanılan atlastır. Bu atlas, anatomik profillere göre oluşturulmuştur. Homotopik alanların içsel bağlantı atlası (AICHA)21 çok daha ince bir çözünürlüğe ve daha yüksek işlevsel homojenliğe sahiptir. Atlasların her birini kullanarak ilgi alanlarını tanımladık. - Haritadaki her bölgenin boyutunu kontrol etmek için Python'da komut dosyaları yazın:
>np.arange(n)+1'deki i için:
>____region_list.Ekle(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))
NOT: Koddaki n tamsayısı, AICHA ve AAL parselasyonu içindeki toplam bölge sayısını gösterir (sırasıyla 384 ve 128). Sahte kümelerin etkilerinden kaçınmak için, nispeten küçük boyutlara sahip kümelerin (örneğin, 100 voksel) kaldırılması önerilmektedir. Burada kullanılan AICHA atlası, her bölgenin kendi içinde işlevsel zamansal aktivitenin homojenliğini gösterdiği işlevsel bağlantı verileri kullanılarak oluşturulur.
- Python'da komutu yazarak en son Neurosynth veritabanını (neurosynth.org)20 indirin:
- Ağ bağlantısı tahmini
NOT: GRETNA araç kutusu, bağlantı tahmini ve ağ analizi için kullanılır.- FC Matrix Construction grubuna tıklayın. İşlevsel veri kümesinin yolunu seçerek önceden işlenmiş rs-fMRI verilerini yükleyin. Statik bağıntı seçeneğine tıklayın. Her bir bölge çiftinin rs-fMRI sinyallerinin statik korelasyonunu hesaplamak için önceki adımda elde edilen düğümü bir atlas olarak yükleyin ve normalliği iyileştirmek için bunları Fisher'ın z puanlarına aktarın.
NOT: Ayrıntılı işlem Şekil 1'de gösterilmiştir. Her katılımcı için N × N (N, düğüm sayısını temsil eder) navigasyon ağı matrisleri .txt biçimde elde edilecektir. - Şekil 3'te gösterildiği gibi aşağıdaki adımlarla pozitif ve ağırlıklı bir ağ elde edin.
- Ağ Analizi toplu işine tıklayın. Ağ matrislerini Beyin Bağlantı Matrisi penceresine ekleyin ve hazırlık için bir çıktı dizini seçin.
- Ağ Yapılandırması'nın ardışık düzen seçeneği için, işlev bağlantı matrisindeki negatif bağlantıları 0 olarak ayarlayacak ve belirsiz bağlantıları ortadan kaldıracak olan Matris işaretinde pozitif'i seçin22. Yönlendirilmemiş ağırlıklı ağı elde etmek için ağ türünü ağırlıklı olarak seçin.
NOT: Ağırlıklı ağların yanı sıra, sonraki analizler için (farklı yaklaşımlarla) ikili ağlar oluşturmak için ağlar da ikili hale getirilebilir, ancak ağırlıklı olanın genellikle daha yüksek güvenilirlik gösterdiği düşünülmektedir23,24.
- FC Matrix Construction grubuna tıklayın. İşlevsel veri kümesinin yolunu seçerek önceden işlenmiş rs-fMRI verilerini yükleyin. Statik bağıntı seçeneğine tıklayın. Her bir bölge çiftinin rs-fMRI sinyallerinin statik korelasyonunu hesaplamak için önceki adımda elde edilen düğümü bir atlas olarak yükleyin ve normalliği iyileştirmek için bunları Fisher'ın z puanlarına aktarın.
- Ağ analizi
- Şekil 3'te gösterildiği gibi GRETNA ağ metrik analiz hattına küçük dünya, küresel verimlilik, kümeleme katsayısı, en kısa yol uzunluğu, derece merkeziliği ve yerel verimlilik ekleyin.
NOT: Küçük dünya ve küresel verimlilik, iki küresel ağ ölçütüdür. Spesifik olarak, küçük dünyalılığa sahip ağ, nispeten düşük bir kablolama maliyetiyle bilgi aktarımının verimliliğini en üst düzeye çıkarabilir. Küresel verimlilik, ulaşım ağındaki iletim verimliliğine paralel bilgiyi yansıtır. Düğüm ağı ölçümleri için, derece merkeziliği, bir düğüme bağlı bağlantıların sayısını ölçer. En kısa yol uzunluğu, adı gibi, entegrasyonu ölçmek için bir temeldir. Kümelenme katsayısı, düğümlerin komşularının birbirleriyle ne derece ilişkili olduğunu gösterir. Yerel verimlilik, düğüm ve komşuları ile iletişimin verimliliğidir (ayrıntılı formül ve kullanım bu makalelerde gösterilmiştir) 17,25. Beyin bağlantı araç kutusu (BCT)25 ve diğer araç kutuları da ağ ölçümlerinin hesaplanması için kullanılabilir. - Sahte bağlantıların kafa karıştırıcı etkilerini dışlamak için eşikleme yönteminde Ağ Seyrekliği'ni seçin ve istatistiksel sonuçlara göre uygun eşiği daha fazla belirlemek için bir dizi eşik dizisi girin (yani, burada 0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5 kullanılır).
NOT: Örnek düğüm sayısına sahip bir ağdaki kenarların maksimum kenar sayısına oranı, seyreklik eşiği olarak bilinir. Seyreklik eşiği, farklı bireylerin aynı sayıda kenara sahip olmasını garanti eder. Doğrulama için farklı eşikleri keşfetmeyi seçtik, bu da gelecekteki çalışmalarda en uygun eşiği seçmek için yararlı veriler sağlayabilir. - Markov kablolama algoritması26 kullanarak rastgele ağlar oluşturmak için rastgele ağ numarasını 1.000 olarak ayarlayın. Tüm adımlar ayarlandıktan sonra işlem hattını GRETNA'da çalıştırmak için Çalıştır'a tıklayın.
NOT: Gerçek beyin ağlarına benzer şekilde, rastgele ağlar aynı sayıda düğüm, kenar ve derece dağılımını korur. Rastgele olmayan topolojik olarak inşa edilip edilmediklerini belirlemek için, beyin ağlarıyla karşılaştırılacaklar. İşlem hattını çalıştırdıktan sonra, daha fazla istatistiksel analiz için eşiklerin her biri için ağ ölçümleri için bir grup puan elde edilir. - Ağdaki en uygun modül sayısını dört adımda belirleyin.
- Ortalama navigasyon ağını hesaplayın. Metrik Karşılaştırma banyosuna tıklayın ve Bağlantı'yı seçin. Yukarıda elde edilen ağ matrislerini yükleyin ve Ortalama (İşlevsel) işlemi seçin. Ortalama ağ matrisini korumak için bir çıkış yönü seçin; Daha fazla ayrıntı için Şekil 4'e bakın.
- Yukarıdaki adımdan elde edilen ortalama ağı, MATLAB'daki spektral küme fonksiyonunu kullanarak 2, 3, 4 ve 5 modüle bölün.
- procrustes_alignment.m komut dosyasını kullanarak modül bölümlerini hizaladıktan sonra REST 1 ve REST 2'de aynı modüle bölünen düğümlerin oranını hesaplayın. Oranı, modül bölümünün tekrarlanabilirlik indeksi olarak kullanın.
- En yüksek tekrarlanabilirliğe sahip modül sayısını seçin.
- Şekil 3'te gösterildiği gibi GRETNA ağ metrik analiz hattına küçük dünya, küresel verimlilik, kümeleme katsayısı, en kısa yol uzunluğu, derece merkeziliği ve yerel verimlilik ekleyin.
- İstatistiksel analizler
NOT: Aşağıdaki analizler esas olarak doğrulama amaçlıdır ve bu protokolü bireysel varyasyon çalışmalarına uygularken gerekli olmayacaktır.- Düğüm tanımı için farklı strateji türlerine sahip iki ağ arasındaki bu ağ ölçümlerinin benzerliğini inceleyin (yani, bu çalışmada oluşturulan yenisi, NaviNet_AICHA olarak adlandırıldı ve Kong ve ark.'dan daha önceki NaviNet_AAL olarak adlandırıldı)12. MATLAB'da corrcoef fonksiyonunu kullanarak Pearson korelasyonunu hesaplayın ve her seyreklik eşiği için analizleri tekrarlayın.
NOT: Ağ metriklerini çıkardıktan sonra, ilgilendikleri herhangi bir istatistiksel analiz yapılabilir. - Sınıf İçi Korelasyon Katsayısının hesaplanmasını uygulayan MATLAB 27,28'deki ICC işlevini kullanarak bu ağ metriklerinin test-tekrar test güvenilirliğini kontrol edin.
NOT: Orijinal düzeltilmemiş p değerleri temsili sonuçlar bölümünde bildirilmiştir. 0,2 < ICC < 0,4 adil bir test-tekrar test güvenilirliğinin göstergesi olarak yorumlanır ve ICC > 0,4 orta ila iyi test-tekrar test güvenilirliği olarak yorumlanır29,30. Negatif ICC'lerin varlığının anlamsız ve yorumlanması zor olduğu gerçeği göz önüne alındığında, negatif ICC puanları sıfıra ayarlanmıştır31.
- Düğüm tanımı için farklı strateji türlerine sahip iki ağ arasındaki bu ağ ölçümlerinin benzerliğini inceleyin (yani, bu çalışmada oluşturulan yenisi, NaviNet_AICHA olarak adlandırıldı ve Kong ve ark.'dan daha önceki NaviNet_AAL olarak adlandırıldı)12. MATLAB'da corrcoef fonksiyonunu kullanarak Pearson korelasyonunu hesaplayın ve her seyreklik eşiği için analizleri tekrarlayın.
Şekil 3: Ağ ölçümleri analizi. Bu analiz, 10 eşikli ağırlıklı pozitif ağları tanımlar. Küçük kelime ve verimlilikten oluşan iki küresel ağ metriğini, kümeleme katsayısının dört düğüm ağı metriğini, en kısa yol uzunluğunu, verimliliği ve derece merkeziliğini hesaplayın. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 4: Ortalama navigasyon ağlarının hesaplanması. Ortalama (işlevsel) işlem, tüm katılımcıların ortalama ağlarının hesaplanmasına yardımcı olur. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Navigasyon ağları
Bu çalışma, en son meta-analiz nörogörüntüleme veritabanını ve AICHA atlasını dahil ederek uzamsal navigasyon ile ilişkili 27 beyin bölgesini tanımladı. Bu bölgeler, navigasyon nörogörüntüleme çalışmalarında yaygın olarak bildirilen medial temporal ve parietal bölgelerden oluşuyordu. Bu bölgelerin mekansal dağılımı Şekil 5A ve Şekil 5C'de gösterilmiştir. Bir karşılaştırma olarak, Şekil 5B ve Şekil 5D'de uzamsal navigasyon bölgelerinin daha önceki bir tanımını da görselleştirdik. AAL atlasından yirmi bölge karşılaştırma olarak dahil edildi. Bu iki bölge grubu büyük bir örtüşme gösterdi.
Şekil 5: Modüler ortalama navigasyon ağları. (A) REST1'de NaviNet_AICHA modülerliği. (b) REST1'de NaviNet_AAL modülerliği. (C,D), REST1'deki NaviNet_AICHA ve NaviNet_AAL'in modülerliğini temsil eder ve sırasıyla tüm beyin sinyallerini geriletir. Farklı düğüm renkleri, her ağda tanımlanan farklı modülleri gösterir. Bir medial temporal modül ve bir parietal modül içeren NaviNet_AICHA ve NaviNet_AAL'de iki modül gösterilmiştir. Kısaltmalar: AICHA = homotopik alanların içsel bağlantı atlası; AAL = anatomik otomatik etiketleme. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
İlginç bir şekilde, bu iki ağ benzer topluluk dağılımı gösterdi (Şekil 5). Spesifik olarak, modülerlik ve tekrarlanabilirlik analizleri hem NaviNet_AICHA hem de NaviNet_AAL iki modül göstermiştir (medial temporal bölgeleri içeren bir ventral modül ve parietal bölgeleri içeren bir dorsal modül) (Tablo 1). Ventral ve dorsal modüller NaviNet_AICHA ve NaviNet_AAL arasında benzerdi, ancak AICHAI atlasının daha ince beyin parselasyonu göz önüne alındığında, ilkinde düğüm sayısı daha fazlaydı. Bu sonuçlar, ön işleme prosedüründe küresel sinyallerle başa çıkmak için kullanılan stratejilerden bağımsızdı (Şekil 5). Ek olarak, REST2 veri setinde benzer topluluk dağılımları gözlenmiştir (Ek Şekil S1).
İki navigasyon ağının topolojik özelliklerinin benzerliği
Daha sonra, her bir ağ ölçüsünün iki ağ arasındaki benzerliğini inceledik. Benzerlik analizlerinin amacı iki yönlüdür: (1) farklı tanımlama stratejileri kullanıldığında sonuçların genelleştirilebilirliğini değerlendirmek ve (2) ağ analizleri için en uygun ağ eşiğini belirlemek.
Genel olarak, kümeleme katsayısı hariç altı ölçümden beşi, ağ analizlerinde kullanılan ağ seyrekliği eşiklerinin çoğunluğu ile iki ağ arasında anlamlı korelasyonlar göstermiştir (Şekil 6). Benzerlik değerleri, her iki eşikle de mükemmel bir benzerlik değeri gösteren ortalama düğüm derecesi hariç, tüm metrikler için seyreklik eşiği ile hızla arttı. Küçük dünya metriği en yüksek benzerliği 0,30 ile 0,40 arasındaki bir eşikte gösterirken, diğer metrikler de en yüksek benzerliği gösterdi. Bu sonuçlar, ağ düzeyindeki analizlerin, düğüm tanımı seçimlerinden bağımsız olarak istikrarlı bireysel farklılıkları yansıtabileceğini ve 0,30-0,40 seyreklik eşiğinin navigasyon ağı analizlerinde daha iyi genellenebilirlik ile sonuçlanacağını göstermektedir. REST2 ile daha fazla benzerlik için Ek Şekil S2'ye bakın.
Şekil 6: İki ağın topolojik özelliklerinin benzerliği. REST 1 (A) olmadan ve (B) tüm beyin sinyallerini gerileten sonuçlar gösterilmiştir. Y eksenindeki Pearson korelasyon katsayısı, iki ağın topolojik özelliklerinin benzerliğini gösterir. Seyreklik eşiği 0,05 ile 0,5 arasında değişmektedir. Şekillerdeki yıldız işaretleri, *p < 0.05, **p < 0.01, ***p < 0.001 olan anlamlılık düzeyini gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Test-tekrar test güvenilirliği
Ayrıca navigasyon ağlarının topolojik ölçümlerinin test-tekrar test güvenilirliğini de değerlendirdik. Ağlardaki olası sahte bağlantıyı ortadan kaldırmak için bu ağ önlemleri hesaplanırken 0,05 ile 0,50 arasında çeşitli seyreklik eşikleri kullanılmıştır (ayrıntılar için Ek Tablo S1'e bakın). Burada, yukarıdaki benzerlik sonuçları göz önüne alındığında, esas olarak 0.40 eşiğine sahip sonuçları bildirdik. Ağ metriklerinin çoğu, hem ağ NaviNet_AICHA hem de NaviNet_AAL açısından orta ila iyi güvenilirlik (ICC > 0.2) gösterirken, NaviNet_AAL NaviNet_AICHA nispeten daha yüksek güvenilirlik gösterdi. Ek olarak, fMRI veri ön işlemesine küresel sinyal regresyonunun dahil edilmesinin daha yüksek bir güvenilirlikle sonuçlanabileceğini bulduk (Şekil 7). NaviNet_AAL ağındaki kümeleme katsayısı, en kısa yol uzunluğu ve küçük dünya en yüksek test-tekrar test güvenirliğini gösterirken, NaviNet_AICHA'daki kümeleme katsayısı ve küçük dünya da diğer ölçümlere göre daha yüksek test-tekrar test güvenirliği göstermiştir. Bu sonuçlar, kümeleme katsayısı ve küçük dünyanın bu metrikler arasında en güvenilir olduğunu göstermektedir.
Şekil 7: Navigasyon ağlarının topolojik özelliklerinin test-tekrar test güvenilirliği. (A) Tüm beyin sinyallerini geriletmeden veriler için test tekrar test güvenilirliği. (B) Tüm beyin sinyallerini gerileten veriler için test-tekrar test güvenilirliği. Kısaltmalar: ICC = sınıf içi korelasyon katsayısı; Cc = kümeleme katsayısı; Lp = en kısa yol uzunluğu; Sw = küçük dünyalık; Nd = ortalama düğüm derecesi; Örneğin = küresel verimlilik; Eloc = yerel verimlilik; AICHA = homotopik alanların içsel bağlantı atlası; AAL = anatomik otomatik etiketleme; cNGS = tüm beyin sinyallerini geriletmeden veri; cWGS = tüm beyin sinyallerini geriletmek. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
| Modül Numaraları | |||||
| 2 | 3 | 4 | 5 | ||
| NaviNet_AICHA | cNGS (Kızıl Dişli Sistemler) | 1 | 1 | 0.96 | 0.67 |
| cWGS (İngilizce) | 1 | 0.96 | 0.78 | 0.89 | |
| NaviNet_AAL | cNGS (Kızıl Dişli Sistemler) | 1 | 0.95 | 0.95 | 0.65 |
| cWGS (İngilizce) | 1 | 0.95 | 0.95 | 0.95 | |
Tablo 1: REST 1 ve REST 2 arasındaki modül bölümünün tekrarlanabilirliği. İlk satır modül sayısını gösterir. cNGS, global sinyalleri geriletmeden rs-fMRI'yi temsil eder ve cWGS, global sinyalleri gerileden rs-fMRI'yi temsil eder. Daha büyük bir sayı, daha yüksek bir tekrarlanabilirliği gösterir ve mevcut metinde NaviNet_AICHA ve NaviNet_AAL için iki modül seçilir. Kısaltmalar: AICHA = homotopik alanların içsel bağlantı atlası; AAL = anatomik otomatik etiketleme.
Ek Şekil S1: REST 2'deki modüler ortalama navigasyon ağları. (A,B) Tüm beyin sinyallerini geriletmeden REST 2 veri setindeki NaviNet_AICHA ve NaviNet_AAL modülerliği. (C,D) REST 2 veri setindeki NaviNet_AICHA ve NaviNet_AAL modülerliği, tüm beyin sinyalleri regresyonu ile modülerliği. Farklı düğüm renkleri, her ağda tanımlanan farklı modülleri gösterir. Her iki modül de NaviNet_AICHA ve NaviNet_AAL'de gösterilmiştir. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Şekil S2: REST 2'deki iki ağın topolojik özelliklerinin benzerliği. Tüm beyin sinyallerini geriletmeden/gerileten REST 2'nin sonuçları gösterilmiştir (sırasıyla A ve B). Y eksenindeki Pearson korelasyon katsayısı, iki ağın topolojik özelliklerinin benzerliğini gösterir. Seyreklik eşiği 0,05 ile 0,5 arasında değişmektedir. Şekillerdeki yıldız işaretleri, *p < 0.05, **p < 0.01, ***p < 0.001 olan anlamlılık düzeyini gösterir. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo S1: Farklı seyreklik eşiklerine sahip navigasyon ağlarının topolojik özelliklerinin test-tekrar test güvenilirliği. Değerler, farklı seyreklik eşiklerine sahip NaviNet_AICHA ve NaviNet_AAL sınıf içi korelasyon katsayısını göstermektedir. Kısaltmalar: Cc = kümeleme katsayısı; Lp = en kısa yol uzunluğu; Sw = küçük ağırlık; Nd = ortalama düğüm derecesi; Örneğin = küresel verimlilik; Eloc = yerel verimlilik; cNGS = tüm beyin sinyallerini geriletmeden veri; cWGS = tüm beyin sinyallerini geriletmek. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Ağ sinirbiliminin, beyin ağının insan bilişsel işlevlerini nasıl desteklediğini anlamada yardımcı olması beklenmektedir32. Bu protokol, insan beynindeki uzamsal navigasyon için işlevsel ağı incelemeye yönelik bütünleştirici bir yaklaşım gösterir ve bu da diğer bilişsel yapılar (örneğin dil) için ağ modellemesine ilham verebilir.
Bu yaklaşım üç ana adımdan oluşuyordu: düğüm tanımı, ağ inşası ve ağ analizi. Ağ inşası ve ağ analizi, tüm beynin genel ağ çalışmalarındakilerle aynı olsa da, düğüm tanımı bu protokolün en kritik adımıdır. Bu adım, navigasyon davranışları için en önemli beyin bölgelerini lokalize etmek için uzamsal navigasyonla ilgili fonksiyonel aktivasyonun büyük ölçekli bir meta-analizini kullanır. Böylece, karmaşık işlemenin sinirsel temelini bir ağ perspektifinden anlamaya yardımcı olan işlevsel olarak anlamlı ağı modelleyebiliriz. Düğüm tanımlama sonuçlarında prefrontal bölgelerin eksik olduğuna dikkat edilirken, artan sayıda navigasyon çalışması bu bölgelerin kritik rollerini önermiştir33. Bunun nedeni, veri tabanındaki navigasyonla ilgili çalışmalarda bu bölgelerin aktivasyonlarının olmaması olabilir ve bu da meta-analiz için sınırlı veri ile sonuçlanabilir. Navigasyonla ilgili bu prefrontal bölgeleri lokalize etmek için daha fazla veri mevcut olduğunda, gelecekteki çalışmalarda navigasyon ağındaki rollerini araştırmak ilginç bir soru olacaktır. Araştırmacılar bu protokolü, bireysel beyin bölgelerini lokalize etmek mümkün olduğunda diğer bilişsel işlevleri incelemek için de uygulayabilirler. Belirli bir işlevle yakın ilişkiler sağlamak için ilgilenilen bölgeleri belirlemek için alan bilgisine ihtiyaç vardır.
Bu protokolde, uzamsal navigasyon ağına odaklandık ve uzamsal navigasyon çalışmalarında bildirilen çeşitli beyin bölgelerinin yüksek bir kapsamını gösterdik. Uzamsal navigasyonu destekleyen beyin bölgelerinin evrensel olarak kabul edilmiş bir tanımının yokluğu göz önüne alındığında, gösteri, biri en büyük meta-analiz ve AICHA atlasının, diğeri ise AAL atlasının dahil edilmesiyle oluşturulan iki bölge seti kullandı. İki tanıma dayanan ağ topolojik özellikleri genellikle yüksek benzerlik göstermekte ve bu da işlevsel-spesifik ağ modellemesinin etkinliğini bir dereceye kadar desteklemektedir.
Ağ analizlerinde kullanılan seyreklik eşikleri ile benzerlik gücünün arttığını belirtmiş ve sonuçlar, tüm ağ metriklerinin bu eşiklerle en yüksek benzerliği göstermesi nedeniyle 0,30-0,40 seyreklik eşiğinin uygun bir seçim olacağını göstermiştir. Bu tür eşiklerle, ağ metrikleri, özellikle veri ön işlemeye küresel sinyal regresyonunun dahil edildiği durumda, en kısa yol uzunluğu ve küçük dünyalılık için orta ila iyi test-yeniden test güvenilirliği gösterdi. Bu sonuçlar, bireysel farklılıklar ve ilgili beyin bozuklukları çalışmalarında bu ölçümlerin kullanımını büyük ölçüde desteklemektedir.
Uygun davranışsal veri eksikliği nedeniyle, bu protokolde uzamsal gezinme ile ağ ölçümlerinin davranışsal bağıntılarını sunamadık. Navigasyonla ilgili bölgelerin12,34 işlevsel bağlantı ölçümlerinin beyin-davranış ilişkileri üzerine daha önce yapılan birkaç çalışmaya dayanarak, bu protokolle ağ modellemesinin uzamsal navigasyon ile belirli bir ilişki göstermesini bekliyorduk. Bu ilişkileri daha fazla araştırmak için hem nörogörüntüleme hem de davranışsal verilere sahip büyük ölçekli örneklere ihtiyaç vardır. Ek olarak, test-tekrar test güvenilirlik sonuçları çok yüksek olmasa da, güç önceki fMRI çalışmalarında bildirilenlerle karşılaştırılabilirdi35.
Gelecekteki çalışmalar, uzamsal navigasyonun sinirsel temelini ağ perspektifinden daha iyi anlamak ve insanlardaki varyasyonlarını keşfetmek için bu protokolü uygulayabilir. Örneğin, araştırmacılar navigasyon ağlarının gelişimini ve yaşlanma yörüngesini araştırmak için bu protokolü kullanabilirler ve klinik uygulamada, ağ özellikleri Alzheimer hastalığı gibi beyin bozukluklarının erken teşhisi ve teşhisine rehberlik etmek için önemli biyobelirteçler sağlar. Ayrıca, gelecekteki çalışmalar, diğer bilişsel yapılar için ağ modelleri oluşturmak için benzer bir protokol uygulayabilir.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarlar herhangi bir çıkar çatışması olmadığını beyan ederler.
Acknowledgments
Xiang-Zhen Kong, Çin Ulusal Doğa Bilimleri Vakfı (32171031), STI 2030 - Büyük Proje (2021ZD0200409), Merkez Üniversiteler için Temel Araştırma Fonları (2021XZZX006) ve Zhejiang Üniversitesi Bilgi Teknolojileri Merkezi tarafından desteklenmiştir.
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).
