İnsan Beyninde Uzamsal Navigasyon için İşlevsel Ağın Modellenmesi
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.
Protocol
Representative Results
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 a…
Disclosures
The authors have nothing to disclose.
Acknowledgements
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
| 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).
