Summary

Modellering van het functionele netwerk voor ruimtelijke navigatie in het menselijk brein

Published: October 13, 2023
doi:

Summary

Dit artikel presenteert een integratieve benadering voor het onderzoeken van het functionele netwerk voor ruimtelijke navigatie in het menselijk brein. Deze aanpak omvat een grootschalige neuroimaging-meta-analytische database, functionele magnetische resonantiebeeldvorming in rusttoestand en netwerkmodellering en grafisch-theoretische technieken.

Abstract

Ruimtelijke navigatie is een complexe functie waarbij multisensorische informatie wordt geïntegreerd en gemanipuleerd. Met behulp van verschillende navigatietaken zijn veel veelbelovende resultaten bereikt op de specifieke functies van verschillende hersengebieden (bijv. hippocampus, entorhinale cortex en parahippocampus). Onlangs is gesuggereerd dat een niet-geaggregeerd netwerkproces waarbij meerdere op elkaar inwerkende hersengebieden betrokken zijn, de neurale basis van deze complexe functie beter kan karakteriseren. Dit artikel presenteert een integratieve benadering voor het construeren en analyseren van het functioneel specifieke netwerk voor ruimtelijke navigatie in het menselijk brein. In het kort bestaat deze integratieve benadering uit drie belangrijke stappen: 1) het identificeren van hersengebieden die belangrijk zijn voor ruimtelijke navigatie (knooppuntendefinitie); 2) het schatten van de functionele connectiviteit tussen elk paar van deze regio’s en het construeren van de connectiviteitsmatrix (netwerkconstructie); 3) het onderzoeken van de topologische eigenschappen (bijv. modulariteit en kleinwereldigheid) van het resulterende netwerk (netwerkanalyse). De gepresenteerde benadering, vanuit een netwerkperspectief, zou ons kunnen helpen beter te begrijpen hoe onze hersenen flexibele navigatie ondersteunen in complexe en dynamische omgevingen, en de onthulde topologische eigenschappen van het netwerk kunnen ook belangrijke biomarkers bieden voor het begeleiden van vroege identificatie en diagnose van de ziekte van Alzheimer in de klinische praktijk.

Introduction

Functionele specificiteit is een fundamenteel organisatieprincipe van het menselijk brein, dat een cruciale rol speelt bij het vormgeven van cognitieve functies. Afwijkingen in de organisatie van functionele specificiteit kunnen een weerspiegeling zijn van kenmerkende cognitieve stoornissen en de bijbehorende pathologische grondslagen van ernstige hersenaandoeningen zoals autisme en de ziekte van Alzheimer 2,3. Terwijl conventionele theorieën en onderzoek de neiging hebben zich te concentreren op afzonderlijke hersengebieden, zoals het fusiforme gezichtsgebied (FFA) voor gezichtsherkenning4 en het parahippocampusplaatsgebied (PPA)5 voor scèneverwerking, suggereert een toenemend aantal bewijzen dat complexe cognitieve functies, waaronder ruimtelijke navigatie en taal, coördinatieactiviteit vereisen in meerderehersengebieden6. Het onderzoeken van de mechanismen die ten grondslag liggen aan de interacties ter ondersteuning van complexe cognitieve functies is een kritische wetenschappelijke vraag die zal helpen om licht te werpen op de functionele architectuur en werking van de hersenen. Hier, met ruimtelijke navigatie als voorbeeld, presenteren we een integratieve methode voor het modelleren van het functionele netwerk voor ruimtelijke navigatie in het menselijk brein.

Ruimtelijke navigatie is een complexe cognitieve functie, waarbij meerdere cognitieve componenten worden geïntegreerd en gemanipuleerd, zoals visueel-ruimtelijke codering, geheugen en besluitvorming7. Met functionele magnetische resonantiebeeldvorming (fMRI) hebben talrijke onderzoeken aanzienlijke vooruitgang geboekt in het begrijpen van de onderliggende cognitieve verwerking en neurale mechanismen. Er zijn bijvoorbeeld specifieke functies gekoppeld aan verschillende hersengebieden met behulp van verschillende navigatietaken: scèneverwerking wordt specifiek geassocieerd met PPA en transformatie van navigatiestrategieën wordt geassocieerd met de retrospleniale cortex (RSC)8,9. Deze studies leverden belangrijke inzichten op in de neurale basis van ruimtelijke navigatie. Navigatie is echter een intern dynamische en multimodale functie, en de functies van afzonderlijke regio’s zijn niet voldoende om grote individuele verschillen in ruimtelijke navigatie10 te verklaren die vaak worden waargenomen.

Met de opkomst van op fMRI gebaseerde connectomics begonnen onderzoekers te onderzoeken hoe sommige belangrijke hersengebieden met elkaar interageren om ruimtelijke navigatie te ondersteunen. Er is bijvoorbeeld gevonden dat functionele connectiviteit tussen de entorhinale en posterieure cingulate cortex ten grondslag ligt aan navigatiediscrepanties bij de ziekte van Alzheimer die risico loopt11. In een andere studie stelden we voor het eerst een netwerkbenadering voor door connectoommethoden en bijna alle functioneel relevante regio’s (knooppunten) voor ruimtelijke navigatie te integreren, en de resultaten toonden aan dat topologische eigenschappen van dit netwerk specifieke associaties vertoonden met navigatiegedrag12. Deze studie biedt nieuwe inzichten in theorieën over hoe meerdere hersengebieden met elkaar interageren om flexibel navigatiegedrag te ondersteunen 10,13.

Het huidige werk demonstreert een bijgewerkte versie van de integratieve benadering voor het modelleren van het functionele netwerk. In het kort waren er twee updates opgenomen: 1) Terwijl de knooppunten die in de oorspronkelijke studie waren gedefinieerd, werden geïdentificeerd op basis van een eerdere en kleinere database (55 studies met 2.765 activeringen, geraadpleegd in 2014), was de huidige definitie gebaseerd op de nieuwste database (77 studies met 3.908 activeringen, geraadpleegd in 2022); 2) om de functionele homogeniteit van elk knooppunt te vergroten, hebben we, naast de originele anatomische AAL (Anatomical Automatic Labeling) atlas14, een nieuwe hersenparcellatie toegepast, die een veel fijnere resolutie en een hogere functionele homogeniteit heeft (zie hieronder). We verwachtten dat beide updates de modellering van het functionele netwerk zouden verbeteren. Dit bijgewerkte protocol biedt een gedetailleerde procedure voor het onderzoeken van de neurale basis van ruimtelijke navigatie vanuit een netwerkperspectief en helpt bij het begrijpen van individuele variaties in navigatiegedrag in gezondheid en ziekte. Een soortgelijke procedure kan ook worden gebruikt voor netwerkmodellering voor andere cognitieve constructen (bijv. taal en geheugen).

Protocol

NOTITIE: Alle software die hier wordt gebruikt, wordt weergegeven in de materiaaltabel. De gegevens die in deze studie voor demonstratiedoeleinden werden gebruikt, waren afkomstig van het Human Connectome Project (HCP: http://www. humanconnectome.org)15. Alle experimentele procedures werden goedgekeurd door de Institutional Review Board (IRB) van de Washington University. Beeldvormingsgegevens in de HCP-dataset werden verkregen met behulp van een gemodificeerde 3T Siemens Skyra-sc…

Representative Results

De navigatienetwerkenDe huidige studie identificeerde 27 hersenregio’s, die geassocieerd zijn met ruimtelijke navigatie, door de nieuwste meta-analyse neuroimaging-database en de AICHA-atlas op te nemen. Deze regio’s bestonden uit de mediale temporale en de pariëtale regio’s die vaak zijn gerapporteerd in neuroimaging-navigatiestudies. De ruimtelijke spreiding van deze regio’s is weergegeven in figuur 5A en figuur 5C. Ter v…

Discussion

Netwerkneurowetenschap zal naar verwachting helpen begrijpen hoe het hersennetwerk menselijke cognitieve functies ondersteunt32. Dit protocol demonstreert een integratieve benadering voor het bestuderen van het functionele netwerk voor ruimtelijke navigatie in het menselijk brein, wat ook kan inspireren tot netwerkmodellering voor andere cognitieve constructen (bijv. taal).

Deze aanpak bestond uit drie hoofdstappen: knooppuntdefinitie, netwerkconstructie en netwerkanaly…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Xiang-Zhen Kong werd ondersteund door de National Natural Science Foundation of China (32171031), STI 2030 – Major Project (2021ZD0200409), Fundamental Research Funds for the Central Universities (2021XZZX006) en Information Technology Center van Zhejiang University.

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

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. Epstein, R., Harris, A., Stanley, D., Kanwisher, N. The parahippocampal place area: recognition, navigation, or encoding. Neuron. 23 (1), 115-125 (1999).
  6. 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).
  7. Baumann, O., Mattingley, J. B. Extrahippocampal contributions to spatial navigation in humans: A review of the neuroimaging evidence. Hippocampus. 31 (7), 640-657 (2021).
  8. Auger, S. D., Mullally, S. L., Maguire, E. A. Retrosplenial cortex codes for permanent landmarks. PloS One. 7 (8), e43620 (2012).
  9. Zhen, Z., et al. Quantifying the variability of scene-selective regions: Interindividual, interhemispheric, and sex differences. Human Brain Mapping. 38 (4), 2260-2275 (2017).
  10. 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).
  11. 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).
  12. Kong, X. Z., et al. Human navigation network: the intrinsic functional organization and behavioral relevance. Brain Structure & Function. 222 (2), 749-764 (2017).
  13. 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).
  14. 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).
  15. Van Essen, D. C., et al. The WU-Minn human connectome project: an overview. Neuroimage. 80, 62-79 (2013).
  16. Smith, S. M., et al. Resting-state fMRI in the human connectome project. Neuroimage. 80, 144-168 (2013).
  17. Wang, L., et al. GRETNA: a graph theoretical network analysis toolbox for imaging connectomics. Frontiers in Human Neuroscience. 9, 386 (2015).
  18. Esteban, O., et al. fMRIPrep: a robust preprocessing pipeline for functional MRI. Nature Methods. 16 (1), 111-116 (2019).
  19. Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for" pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13 (2010).
  20. 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).
  21. Joliot, M., et al. AICHA: An atlas of intrinsic connectivity of homotopic areas. Journal of Neuroscience Methods. 254, 46-59 (2015).
  22. 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).
  23. 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).
  24. 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).
  25. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  26. Maslov, S., Sneppen, K. Specificity and stability in topology of protein networks. Science. 296 (5569), 910-913 (2002).
  27. Shrout, P. E., Fleiss, J. L. Intraclass correlations: uses in assessing rater reliability. Psychological Bulletin. 86 (2), 420 (1979).
  28. McGraw, K. O., Wong, S. P. Forming inferences about some intraclass correlation coefficients. Psychological Methods. 1 (1), 30 (1996).
  29. 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).
  30. 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).
  31. Rousson, V., Gasser, T., Seifert, B. Assessing intrarater, interrater and test-retest reliability of continuous measurements. Statistics in medicine. 21 (22), 3431-3446 (2002).
  32. Bullmore, E., Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience. 10 (3), 186-198 (2009).
  33. Patai, E. Z., Spiers, H. J. The versatile wayfinder: prefrontal contributions to spatial navigation. Trends in Cognitive Sciences. 25 (6), 520-533 (2021).
  34. 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).
  35. 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).

Play Video

Cite This Article
Zhang, F., Zhang, C., Pu, Y., Kong, X. Modeling the Functional Network for Spatial Navigation in the Human Brain. J. Vis. Exp. (200), e65150, doi:10.3791/65150 (2023).

View Video