Modelagem da Rede Funcional para Navegação Espacial no Cérebro Humano
Summary
Este artigo apresenta uma abordagem integrativa para investigar a rede funcional para navegação espacial no cérebro humano. Esta abordagem incorpora um banco de dados meta-analítico de neuroimagem em larga escala, ressonância magnética funcional de repouso e modelagem de redes e técnicas teóricas de grafos.
Abstract
A navegação espacial é uma função complexa que envolve a integração e manipulação de informações multissensoriais. Usando diferentes tarefas de navegação, muitos resultados promissores foram alcançados nas funções específicas de várias regiões cerebrais (por exemplo, hipocampo, córtex entorrinal e área do lugar para-hipocampal). Recentemente, tem sido sugerido que um processo de rede não agregado envolvendo múltiplas regiões cerebrais interagindo pode caracterizar melhor a base neural dessa função complexa. Este artigo apresenta uma abordagem integrativa para a construção e análise de redes funcionalmente específicas para navegação espacial no cérebro humano. Resumidamente, essa abordagem integrativa consiste em três etapas principais: 1) identificar regiões cerebrais importantes para a navegação espacial (definição de nós); 2) estimar a conectividade funcional entre cada par dessas regiões e construir a matriz de conectividade (construção de rede); 3) investigar as propriedades topológicas (por exemplo, modularidade e pequena mundanidade) da rede resultante (análise de rede). A abordagem apresentada, a partir de uma perspectiva de rede, poderia nos ajudar a entender melhor como nosso cérebro suporta navegação flexível em ambientes complexos e dinâmicos, e as propriedades topológicas reveladas da rede também podem fornecer biomarcadores importantes para orientar a identificação precoce e o diagnóstico da doença de Alzheimer na prática clínica.
Introduction
A especificidade funcional é um princípio organizacional fundamental do cérebro humano, que desempenha um papel crucial na formação das funções cognitivas1. Anormalidades na organização da especificidade funcional podem refletir deficiências cognitivas marcantes e os fundamentos patológicos associados de grandes distúrbios cerebrais, como autismo e doença de Alzheimer 2,3. Embora as teorias e pesquisas convencionais tendam a se concentrar em regiões cerebrais únicas, como a área da face fusiforme (FFA) para reconhecimento facial4 e a área do lugar do parahipocampo (PPA)5 para processamento de cenas, um corpo crescente de evidências sugere que funções cognitivas complexas, incluindo navegação espacial e linguagem, requerem atividade coordenada em várias regiões cerebrais6. Investigar os mecanismos subjacentes às interações em apoio a funções cognitivas complexas é uma questão científica crítica que ajudará a lançar luz sobre a arquitetura funcional e o funcionamento do cérebro. Aqui, tomando a navegação espacial como exemplo, apresentamos um método integrativo para modelagem da rede funcional para navegação espacial no cérebro humano.
A navegação espacial é uma função cognitiva complexa, que envolve a integração e manipulação de múltiplos componentes cognitivos, como codificação visuoespacial, memória e tomada de decisão7. Com a ressonância magnética funcional (RMf), numerosos estudos fizeram avanços significativos na compreensão do processamento cognitivo subjacente e dos mecanismos neurais. Por exemplo, funções específicas têm sido associadas a diferentes regiões cerebrais usando várias tarefas de navegação: o processamento de cenas está especificamente associado à APP, e a transformação das estratégias de navegação está associada ao córtex retroesplenial (CRE)8,9. Esses estudos forneceram informações importantes sobre as bases neurais da navegação espacial. No entanto, a navegação é uma função internamente dinâmica e multimodal, e as funções de regiões isoladas não são suficientes para explicar grandes diferenças individuais na navegação espacial10 que são comumente observadas.
Com o surgimento da conectômica baseada em fMRI, os pesquisadores começaram a explorar como algumas regiões-chave do cérebro interagem entre si para apoiar a navegação espacial. Por exemplo, descobriu-se que a conectividade funcional entre os córtices entorrinal e cingulado posterior sustenta discrepâncias de navegação na doença de Alzheimer em risco11. Em outro estudo, propusemos pela primeira vez uma abordagem de rede integrando métodos de conectoma e quase todas as regiões (nós) funcionalmente relevantes para navegação espacial, e os resultados mostraram que as propriedades topológicas dessa rede mostraram associações específicas com comportamentos de navegação12. Este estudo fornece novos insights sobre teorias de como múltiplas regiões cerebrais interagem entre si para suportar comportamentos flexíveis de navegação10,13.
O presente trabalho demonstra uma versão atualizada da abordagem integrativa para modelagem de redes funcionais. Resumidamente, duas atualizações foram incluídas: 1) Enquanto os nós definidos no estudo original foram identificados com base em uma base de dados anterior e menor (55 estudos com 2.765 ativações, acessados em 2014), a presente definição foi baseada na base de dados mais recente (77 estudos com 3.908 ativações, acessados em 2022); 2) para aumentar a homogeneidade funcional de cada nódulo, além do atlas anatômico original AAL (Anatomical Automatic Labeling)14, aplicamos uma nova parcelação cerebral, que tem uma resolução muito mais fina e maior homogeneidade funcional (veja abaixo). Esperávamos que ambas as atualizações melhorassem a modelagem da rede funcional. Este protocolo atualizado fornece um procedimento detalhado para investigar a base neural da navegação espacial a partir de uma perspectiva de rede e ajuda a entender as variações individuais nos comportamentos de navegação em saúde e doença. Um procedimento semelhante também poderia ser usado para modelagem de rede para outros construtos cognitivos (por exemplo, linguagem e memória).
Protocol
Representative Results
Discussion
Espera-se que a neurociência em rede ajude a entender como a rede cerebral suporta as funções cognitivas humanas32. Este protocolo demonstra uma abordagem integrativa para estudar a rede funcional para navegação espacial no cérebro humano, que também pode inspirar a modelagem de redes para outros construtos cognitivos (por exemplo, linguagem).
Essa abordagem consistiu em três etapas principais: definição de nós, construção de rede e análise de rede. Enquan…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
Xiang-Zhen Kong foi apoiado pela Fundação Nacional de Ciências Naturais da China (32171031), STI 2030 – Projeto Principal (2021ZD0200409), Fundos de Pesquisa Fundamental para as Universidades Centrais (2021XZZX006) e Centro de Tecnologia da Informação da Universidade de Zhejiang.
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. |
Referencias
- 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).
