Modellering af det funktionelle netværk til rumlig navigation i den menneskelige hjerne

Summary

Dette papir præsenterer en integreret tilgang til at undersøge det funktionelle netværk til rumlig navigation i den menneskelige hjerne. Denne tilgang inkorporerer en storstilet neuroimaging metaanalytisk database, hviletilstandsfunktionel magnetisk resonansbilleddannelse og netværksmodellering og grafteoretiske teknikker.

Abstract

Rumlig navigation er en kompleks funktion, der involverer integration og manipulation af multisensorisk information. Ved hjælp af forskellige navigationsopgaver er der opnået mange lovende resultater på de specifikke funktioner i forskellige hjerneområder (fx hippocampus, entorhinal cortex og parahippocampus stedområde). For nylig er det blevet foreslået, at en ikke-samlet netværksproces, der involverer flere interagerende hjerneområder, bedre kan karakterisere det neurale grundlag for denne komplekse funktion. Dette papir præsenterer en integreret tilgang til konstruktion og analyse af det funktionelt specifikke netværk til rumlig navigation i den menneskelige hjerne. Kort fortalt består denne integrerende tilgang af tre hovedtrin: 1) at identificere hjerneområder, der er vigtige for rumlig navigation (nodedefinition); 2) at estimere funktionel forbindelse mellem hvert par af disse regioner og konstruere konnektivitetsmatrixen (netværkskonstruktion); 3) at undersøge de topologiske egenskaber (fx modularitet og lille verden) af det resulterende netværk (netværksanalyse). Den præsenterede tilgang fra et netværksperspektiv kan hjælpe os med bedre at forstå, hvordan vores hjerne understøtter fleksibel navigation i komplekse og dynamiske miljøer, og netværkets afslørede topologiske egenskaber kan også give vigtige biomarkører til vejledning af tidlig identifikation og diagnose af Alzheimers sygdom i klinisk praksis.

Introduction

Funktionel specificitet er et grundlæggende organisationsprincip for den menneskelige hjerne, som spiller en afgørende rolle i udformningen af kognitive funktioner¹. Abnormiteter i organisationen af funktionel specificitet kan afspejle kendetegnende kognitive svækkelser og de tilknyttede patologiske grundlag for større hjernesygdomme som autisme og Alzheimers sygdom ^2,3. Mens konventionelle teorier og forskning har haft tendens til at fokusere på enkelte hjerneområder, såsom fusiform ansigtsområde (FFA) til ansigtsgenkendelse⁴ og parahippocampus stedområde (PPA)⁵ til scenebehandling, tyder en stigende mængde beviser på, at komplekse kognitive funktioner, herunder rumlig navigation og sprog, kræver koordinataktivitet på tværs af flere hjerneområder⁶. Undersøgelse af de mekanismer, der ligger til grund for interaktionerne til støtte for komplekse kognitive funktioner, er et kritisk videnskabeligt spørgsmål, der vil bidrage til at kaste lys over hjernens funktionelle arkitektur og funktion. Her tager vi rumlig navigation som et eksempel og præsenterer en integreret metode til modellering af det funktionelle netværk til rumlig navigation i den menneskelige hjerne.

Rumlig navigation er en kompleks kognitiv funktion, der involverer integration og manipulation af flere kognitive komponenter, såsom visuel-rumlig kodning, hukommelse og beslutningstagning⁷. Med funktionel magnetisk resonansbilleddannelse (fMRI) har adskillige undersøgelser gjort betydelige fremskridt i forståelsen af de underliggende kognitive behandlings- og neurale mekanismer. For eksempel er specifikke funktioner blevet knyttet til forskellige hjerneområder ved hjælp af forskellige navigationsopgaver: scenebehandling er specifikt forbundet med PPA, og transformation af navigationsstrategier er forbundet med retrosplenial cortex (RSC)^8,9. Disse undersøgelser gav vigtig indsigt i det neurale grundlag for rumlig navigation. Navigation er imidlertid en internt dynamisk og multimodal funktion, og funktionerne i enkelte regioner er ikke tilstrækkelige til at forklare store individuelle forskelle i rumlig navigation¹⁰, der almindeligvis observeres.

Med fremkomsten af fMRI-baseret connectomics begyndte forskere at undersøge, hvordan nogle centrale hjerneområder interagerer med hinanden for at understøtte rumlig navigation. For eksempel har funktionel forbindelse mellem entorhinal og posterior cingulate cortices vist sig at understøtte navigationsforskelle i risiko Alzheimers sygdom¹¹. I en anden undersøgelse foreslog vi for første gang en netværkstilgang ved at integrere connectome-metoder og næsten alle funktionelt relevante regioner (noder) til rumlig navigation, og resultaterne viste, at topologiske egenskaber ved dette netværk viste specifikke foreninger med navigationsadfærd¹². Denne undersøgelse giver ny indsigt i teorier om, hvordan flere hjerneområder interagerer med hinanden for at understøtte fleksibel navigationsadfærd ^10,13.

Dette arbejde demonstrerer en opdateret version af den integrerende tilgang til modellering af det funktionelle netværk. Kort fortalt blev to opdateringer inkluderet: 1) Mens de noder, der blev defineret i den oprindelige undersøgelse, blev identificeret baseret på en tidligere og mindre database (55 undersøgelser med 2,765 aktiveringer, adgang til i 2014), var den nuværende definition baseret på den seneste database (77 undersøgelser med 3,908 aktiveringer, adgang i 2022); 2) For at øge den funktionelle homogenitet af hver knude, udover det oprindelige anatomiske AAL (Anatomical Automatic Labeling) atlas¹⁴, anvendte vi en ny hjernepakning, som har en meget finere opløsning og højere funktionel homogenitet (se nedenfor). Vi forventede, at begge opdateringer ville forbedre modelleringen af det funktionelle netværk. Denne opdaterede protokol giver en detaljeret procedure til undersøgelse af det neurale grundlag for rumlig navigation fra et netværksperspektiv og hjælper med at forstå individuelle variationer i navigationsadfærd i sundhed og sygdom. En lignende procedure kan også anvendes til netværksmodellering for andre kognitive konstruktioner (f.eks. Sprog og hukommelse).

Protocol

BEMÆRK: Al den software, der bruges her, er vist i materialetabellen. De data, der blev brugt i denne undersøgelse til demonstrationsformål, var fra Human Connectome Project (HCP: http://www. humanconnectome.org)15. Alle eksperimentelle procedurer blev godkendt af Institutional Review Board (IRB) ved Washington University. Billeddata i HCP-datasættet blev erhvervet ved hjælp af en modificeret 3T Siemens Skyra-scanner med en 32-kanals hovedspole. Andre parametre for billedopta…

Representative Results

NavigationsnetværkeneDenne undersøgelse identificerede 27 hjerneområder, der er forbundet med rumlig navigation, ved at inkorporere den nyeste metaanalyse neuroimaging database og AICHA atlas. Disse regioner bestod af de mediale temporale og parietale regioner, der almindeligvis er rapporteret i navigationsneuroimaging undersøgelser. Den geografiske fordeling af disse regioner er vist i figur 5A og figur 5C. Til sammenli…

Discussion

Netværksneurovidenskab forventes at hjælpe med at forstå, hvordan hjernenetværket understøtter menneskelige kognitive funktioner³². Denne protokol demonstrerer en integreret tilgang til at studere det funktionelle netværk til rumlig navigation i den menneskelige hjerne, som også kan inspirere netværksmodellering til andre kognitive konstruktioner (f.eks. Sprog).

Denne tilgang bestod af tre hovedtrin: nodedefinition, netværkskonstruktion og netværksanalyse. Men…

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.