Modellierung des funktionalen Netzwerks für die räumliche Navigation im menschlichen Gehirn
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.
Protocol
Representative Results
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: K…
Disclosures
The authors have nothing to disclose.
Acknowledgements
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
| 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).
