نمذجة الشبكة الوظيفية للملاحة المكانية في الدماغ البشري
Summary
تقدم هذه الورقة نهجا تكامليا للتحقيق في الشبكة الوظيفية للملاحة المكانية في الدماغ البشري. يتضمن هذا النهج قاعدة بيانات تحليلية تلوية للتصوير العصبي على نطاق واسع ، والتصوير بالرنين المغناطيسي الوظيفي في حالة الراحة ، ونمذجة الشبكة وتقنيات الرسم البياني النظرية.
Abstract
الملاحة المكانية هي وظيفة معقدة تنطوي على تكامل ومعالجة المعلومات متعددة الحواس. باستخدام مهام الملاحة المختلفة ، تم تحقيق العديد من النتائج الواعدة على الوظائف المحددة لمناطق الدماغ المختلفة (على سبيل المثال ، الحصين ، القشرة المخية الداخلية ، ومنطقة مكان الحصن). في الآونة الأخيرة ، تم اقتراح أن عملية الشبكة غير المجمعة التي تنطوي على مناطق دماغية متفاعلة متعددة قد تميز بشكل أفضل الأساس العصبي لهذه الوظيفة المعقدة. تقدم هذه الورقة نهجا تكامليا لبناء وتحليل الشبكة الخاصة وظيفيا للملاحة المكانية في الدماغ البشري. باختصار ، يتكون هذا النهج التكاملي من ثلاث خطوات رئيسية: 1) تحديد مناطق الدماغ المهمة للملاحة المكانية (تعريف العقد) ؛ 2) تقدير التوصيلية الوظيفية بين كل زوج من هذه المناطق وبناء مصفوفة التوصيلية (بناء الشبكة)؛ 3) للتحقيق في الخصائص الطوبولوجية (على سبيل المثال ، النمطية والعالم الصغير) للشبكة الناتجة (تحليل الشبكة). يمكن أن يساعدنا النهج المقدم ، من منظور الشبكة ، على فهم أفضل لكيفية دعم دماغنا للتنقل المرن في البيئات المعقدة والديناميكية ، ويمكن أن توفر الخصائص الطوبولوجية المكشوفة للشبكة أيضا مؤشرات حيوية مهمة لتوجيه التحديد والتشخيص المبكر لمرض الزهايمر في الممارسة السريرية.
Introduction
الخصوصية الوظيفية هي مبدأ تنظيمي أساسي للدماغ البشري ، والذي يلعب دورا حاسما في تشكيل الوظائف المعرفية1. يمكن أن تعكس التشوهات في تنظيم الخصوصية الوظيفية الإعاقات المعرفية المميزة والأسس المرضية المرتبطة باضطرابات الدماغ الرئيسية مثل التوحد ومرض الزهايمر 2,3. بينما تميل النظريات والأبحاث التقليدية إلى التركيز على مناطق الدماغ المفردة ، مثل منطقة الوجه المغزلي (FFA) للتعرف على الوجوه4 ومنطقة مكان الحصين (PPA) 5 لمعالجة المشهد ، تشير مجموعة متزايدة من الأدلة إلى أن الوظائف المعرفية المعقدة ، بما في ذلك الملاحة المكانية واللغة ، تتطلب تنسيق النشاط عبر مناطق متعددة من الدماغ6. إن التحقيق في الآليات الكامنة وراء التفاعلات لدعم الوظائف المعرفية المعقدة هو سؤال علمي حاسم سيساعد في إلقاء الضوء على البنية الوظيفية وتشغيل الدماغ. هنا ، بأخذ الملاحة المكانية كمثال ، نقدم طريقة تكاملية لنمذجة الشبكة الوظيفية للملاحة المكانية في الدماغ البشري.
التنقل المكاني هو وظيفة معرفية معقدة ، والتي تنطوي على تكامل ومعالجة المكونات المعرفية المتعددة ، مثل الترميز البصري المكاني والذاكرة واتخاذالقرار 7. مع التصوير بالرنين المغناطيسي الوظيفي (fMRI) ، حققت العديد من الدراسات تقدما كبيرا في فهم المعالجة المعرفية الأساسية والآليات العصبية. على سبيل المثال ، تم ربط وظائف محددة بمناطق مختلفة من الدماغ باستخدام مهام الملاحة المختلفة: ترتبط معالجة المشهد على وجه التحديد ب PPA ، ويرتبط تحويل استراتيجيات الملاحة بالقشرة خلف الطحال (RSC) 8,9. قدمت هذه الدراسات رؤى مهمة حول الأساس العصبي للملاحة المكانية. ومع ذلك ، فإن الملاحة هي وظيفة ديناميكية داخليا ومتعددة الوسائط ، ووظائف المناطق المفردة ليست كافية لشرح الاختلافات الفردية الكبيرة في الملاحة المكانية10 التي يتم ملاحظتها بشكل شائع.
مع ظهور الشبكات العصبية القائمة على الرنين المغناطيسي الوظيفي ، بدأ الباحثون في استكشاف كيفية تفاعل بعض مناطق الدماغ الرئيسية مع بعضها البعض لدعم الملاحة المكانية. على سبيل المثال ، تم العثور على الاتصال الوظيفي بين القشرة الحزامية الداخلية والخلفية لدعم التناقضات الملاحية في مرض الزهايمر المعرض للخطر11. في دراسة أخرى ، اقترحنا لأول مرة نهجا للشبكة من خلال دمج طرق الشبكة العصبية وجميع المناطق (العقد) ذات الصلة وظيفيا تقريبا للملاحة المكانية ، وأظهرت النتائج أن الخصائص الطوبولوجية لهذه الشبكة أظهرت ارتباطات محددة مع سلوكيات الملاحة12. تقدم هذه الدراسة رؤى جديدة حول نظريات كيفية تفاعل مناطق الدماغ المتعددة مع بعضها البعض لدعم سلوكيات التنقل المرنة10,13.
يوضح هذا العمل نسخة محدثة من النهج التكاملي لنمذجة الشبكة الوظيفية. باختصار ، تم تضمين تحديثين: 1) بينما تم تحديد العقد المحددة في الدراسة الأصلية بناء على قاعدة بيانات سابقة وأصغر (55 دراسة مع 2,765 عملية تنشيط ، تم الوصول إليها في عام 2014) ، استند التعريف الحالي إلى أحدث قاعدة بيانات (77 دراسة مع 3,908 عمليات تنشيط ، تم الوصول إليها في عام 2022) ؛ 2) لزيادة التجانس الوظيفي لكل عقدة ، إلى جانب أطلس AAL التشريحي الأصلي (وضع العلامات التلقائية التشريحية)14 ، قمنا بتطبيق تقسيم دماغي جديد ، والذي يتميز بدقة أدق بكثير وتجانس وظيفي أعلى (انظر أدناه). توقعنا أن يؤدي كلا التحديثين إلى تحسين نمذجة الشبكة الوظيفية. يوفر هذا البروتوكول المحدث إجراء مفصلا للتحقيق في الأساس العصبي للملاحة المكانية من منظور الشبكة ويساعد على فهم الاختلافات الفردية في سلوكيات الملاحة في الصحة والمرض. يمكن أيضا استخدام إجراء مماثل لنمذجة الشبكة للتركيبات المعرفية الأخرى (مثل اللغة والذاكرة).
Protocol
Representative Results
Discussion
من المتوقع أن يساعد علم الأعصاب الشبكي في فهم كيفية دعم شبكة الدماغ للوظائف المعرفية البشرية32. يوضح هذا البروتوكول نهجا تكامليا لدراسة الشبكة الوظيفية للملاحة المكانية في الدماغ البشري ، والتي يمكن أن تلهم أيضا نمذجة الشبكة للتركيبات المعرفية الأخرى (مثل اللغة).
<p class="jove_con…Divulgazioni
The authors have nothing to disclose.
Acknowledgements
تم دعم Xiang-Zhen Kong من قبل المؤسسة الوطنية للعلوم الطبيعية في الصين (32171031) ، STI 2030 – المشروع الرئيسي (2021ZD0200409) ، صناديق البحوث الأساسية للجامعات المركزية (2021XZZX006) ، ومركز تكنولوجيا المعلومات بجامعة تشجيانغ.
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. |
Riferimenti
- 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).
