Modellering av det funktionella nätverket för rumslig navigering i den mänskliga hjärnan

Summary

Denna artikel presenterar ett integrativt tillvägagångssätt för att undersöka det funktionella nätverket för rumslig navigering i den mänskliga hjärnan. Detta tillvägagångssätt innehåller en storskalig metaanalytisk databas för neuroavbildning, funktionell magnetisk resonanstomografi i vilotillstånd och nätverksmodellering och grafteoretiska tekniker.

Abstract

Rumslig navigering är en komplex funktion som involverar integration och manipulering av multisensorisk information. Med hjälp av olika navigationsuppgifter har många lovande resultat uppnåtts på de specifika funktionerna i olika hjärnregioner (t.ex. hippocampus, entorhinala cortex och parahippocampus platsområde). Nyligen har det föreslagits att en icke-aggregerad nätverksprocess som involverar flera interagerande hjärnregioner bättre kan karakterisera den neurala grunden för denna komplexa funktion. Denna artikel presenterar ett integrativt tillvägagångssätt för att konstruera och analysera det funktionellt specifika nätverket för rumslig navigering i den mänskliga hjärnan. Kortfattat består detta integrativa tillvägagångssätt av tre huvudsteg: 1) att identifiera hjärnregioner som är viktiga för rumslig navigering (noddefinition); 2) att uppskatta funktionell konnektivitet mellan varje par av dessa regioner och konstruera konnektivitetsmatrisen (nätverkskonstruktion); 3) att undersöka de topologiska egenskaperna (t.ex. modularitet och litenhet) hos det resulterande nätverket (nätverksanalys). Det presenterade tillvägagångssättet, ur ett nätverksperspektiv, kan hjälpa oss att bättre förstå hur vår hjärna stöder flexibel navigering i komplexa och dynamiska miljöer, och de avslöjade topologiska egenskaperna hos nätverket kan också ge viktiga biomarkörer för att vägleda tidig identifiering och diagnos av Alzheimers sjukdom i klinisk praxis.

Introduction

Funktionell specificitet är en grundläggande organisationsprincip för den mänskliga hjärnan, som spelar en avgörande roll för att forma kognitiva funktioner¹. Avvikelser i organisationen av funktionell specificitet kan återspegla kännetecknande kognitiva funktionsnedsättningar och de associerade patologiska grunderna för allvarliga hjärnsjukdomar som autism och Alzheimers sjukdom ^2,3. Medan konventionella teorier och forskning har tenderat att fokusera på enskilda hjärnregioner, såsom fusiforma ansiktsområdet (FFA) för ansiktsigenkänning⁴ och parahippocampus place area (PPA)⁵ för scenbearbetning, tyder en ökande mängd bevis på att komplexa kognitiva funktioner, inklusive rumslig navigering och språk, kräver koordinerad aktivitet över flera hjärnregioner⁶. Att undersöka de mekanismer som ligger till grund för interaktionerna till stöd för komplexa kognitiva funktioner är en kritisk vetenskaplig fråga som kommer att bidra till att belysa hjärnans funktionella arkitektur och funktion. Här, med spatial navigering som exempel, presenterar vi en integrativ metod för att modellera det funktionella nätverket för rumslig navigering i den mänskliga hjärnan.

Rumslig navigering är en komplex kognitiv funktion som involverar integration och manipulering av flera kognitiva komponenter, såsom visuell-rumslig kodning, minne och beslutsfattande⁷. Med funktionell magnetisk resonanstomografi (fMRI) har många studier gjort betydande framsteg när det gäller att förstå den underliggande kognitiva bearbetningen och neurala mekanismer. Till exempel har specifika funktioner kopplats till olika hjärnregioner med hjälp av olika navigeringsuppgifter: scenbearbetning är specifikt associerad med PPA, och omvandling av navigationsstrategier är associerad med retrosplenial cortex (RSC)^8,9. Dessa studier gav viktiga insikter om den neurala grunden för rumslig navigering. Navigering är dock en internt dynamisk och multimodal funktion, och funktionerna i enskilda regioner är inte tillräckliga för att förklara de stora individuella skillnader i rumslig navigering¹⁰ som ofta observeras.

Med framväxten av fMRI-baserad connectomics började forskare utforska hur vissa viktiga hjärnregioner interagerar med varandra för att stödja rumslig navigering. Till exempel har funktionell konnektivitet mellan entorhinala och bakre cingulate cortices visat sig ligga till grund för navigationsavvikelser vid Alzheimers sjukdom i riskzonen¹¹. I en annan studie föreslog vi för första gången en nätverksstrategi genom att integrera connectome-metoder och nästan alla funktionellt relevanta regioner (noder) för rumslig navigering, och resultaten visade att topologiska egenskaper hos detta nätverk visade specifika samband med navigationsbeteenden¹². Denna studie ger nya insikter i teorier om hur flera hjärnregioner interagerar med varandra för att stödja flexibla navigeringsbeteenden ^10,13.

Detta arbete demonstrerar en uppdaterad version av det integrativa tillvägagångssättet för modellering av det funktionella nätverket. I korthet inkluderades två uppdateringar: 1) Medan noderna som definierades i den ursprungliga studien identifierades baserat på en tidigare och mindre databas (55 studier med 2 765 aktiveringar, åtkomst 2014), baserades den nuvarande definitionen på den senaste databasen (77 studier med 3 908 aktiveringar, åtkomst 2022); 2) För att öka den funktionella homogeniteten hos varje nod, förutom den ursprungliga anatomiska AAL (Anatomical Automatic Labeling) atlas¹⁴, applicerade vi en ny hjärnparcellation, som har en mycket finare upplösning och högre funktionell homogenitet (se nedan). Vi förväntade oss att båda uppdateringarna skulle förbättra modelleringen av det funktionella nätverket. Detta uppdaterade protokoll ger en detaljerad procedur för att undersöka den neurala grunden för rumslig navigering ur ett nätverksperspektiv och hjälper till att förstå individuella variationer i navigeringsbeteenden i hälsa och sjukdom. En liknande procedur kan också användas för nätverksmodellering för andra kognitiva konstruktioner (t.ex. språk och minne).

Protocol

OBS: All programvara som används här visas i materialtabellen. De data som användes i denna studie i demonstrationssyfte kom från Human Connectome Project (HCP: http://www. humanconnectome.org)15. Alla experimentella procedurer godkändes av Institutional Review Board (IRB) vid Washington University. Bilddata i HCP-materialet samlades in med hjälp av en modifierad 3T Siemens Skyra-skanner med en 32-kanals huvudspole. Andra bildinsamlingsparametrar beskrivs i detalj i en tidig…

Representative Results

NavigationsnätenDen aktuella studien identifierade 27 hjärnregioner, som är associerade med rumslig navigering, genom att införliva den senaste metaanalysdatabasen för neuroimaging och AICHA-atlasen. Dessa regioner bestod av de mediala temporala och parietala regionerna som ofta har rapporterats i navigationsneuroradiologiska studier. Den rumsliga fördelningen av dessa regioner visas i figur 5A och figur 5C. Som en jä…

Discussion

Nätverksneurovetenskap förväntas hjälpa till att förstå hur hjärnans nätverk stöder mänskliga kognitiva funktioner³². Detta protokoll visar ett integrativt tillvägagångssätt för att studera det funktionella nätverket för rumslig navigering i den mänskliga hjärnan, vilket också kan inspirera nätverksmodellering för andra kognitiva konstruktioner (t.ex. språk).

Detta tillvägagångssätt bestod av tre huvudsteg: noddefinition, nätverkskonstruktion o…

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.