Summary

Modelado de la red funcional para la navegación espacial en el cerebro humano

Published: October 13, 2023
doi:

Summary

Este artículo presenta un enfoque integrador para investigar la red funcional para la navegación espacial en el cerebro humano. Este enfoque incorpora una base de datos metaanalítica de neuroimagen a gran escala, imágenes de resonancia magnética funcional en estado de reposo y técnicas de modelado de redes y teoría de grafos.

Abstract

La navegación espacial es una función compleja que implica la integración y manipulación de información multisensorial. Utilizando diferentes tareas de navegación, se han logrado muchos resultados prometedores sobre las funciones específicas de varias regiones del cerebro (por ejemplo, el hipocampo, la corteza entorrinal y el área del lugar parahipocampal). Recientemente, se ha sugerido que un proceso de red no agregada que involucra múltiples regiones cerebrales que interactúan puede caracterizar mejor la base neuronal de esta función compleja. Este artículo presenta un enfoque integrador para la construcción y el análisis de la red funcionalmente específica para la navegación espacial en el cerebro humano. Brevemente, este enfoque integrador consta de tres pasos principales: 1) identificar regiones cerebrales importantes para la navegación espacial (definición de nodos); 2) estimar la conectividad funcional entre cada par de estas regiones y construir la matriz de conectividad (construcción de redes); 3) investigar las propiedades topológicas (por ejemplo, modularidad y pequeño mundanidad) de la red resultante (análisis de redes). El enfoque presentado, desde una perspectiva de red, podría ayudarnos a comprender mejor cómo nuestro cerebro soporta la navegación flexible en entornos complejos y dinámicos, y las propiedades topológicas reveladas de la red también pueden proporcionar biomarcadores importantes para guiar la identificación temprana y el diagnóstico de la enfermedad de Alzheimer en la práctica clínica.

Introduction

La especificidad funcional es un principio de organización fundamental del cerebro humano, que desempeña un papel crucial en la configuraciónde las funciones cognitivas. Las anomalías en la organización de la especificidad funcional pueden reflejar deficiencias cognitivas distintivas y las bases patológicas asociadas a los principales trastornos cerebrales, como el autismo y la enfermedad de Alzheimer 2,3. Si bien las teorías y la investigación convencionales han tendido a centrarse en regiones cerebrales individuales, como el área facial fusiforme (FFA) para el reconocimiento facial4 y el área de lugar del parahipocampo (PPA) 5 para el procesamiento de escenas, un creciente cuerpo de evidencia sugiere que las funciones cognitivas complejas, incluida la navegación espacial y el lenguaje, requieren una actividad coordinada en múltiples regionescerebrales 6. Investigar los mecanismos subyacentes a las interacciones en apoyo de funciones cognitivas complejas es una pregunta científica crítica que ayudará a arrojar luz sobre la arquitectura funcional y el funcionamiento del cerebro. Aquí, tomando como ejemplo la navegación espacial, presentamos un método integrador para modelar la red funcional para la navegación espacial en el cerebro humano.

La navegación espacial es una función cognitiva compleja, que implica la integración y manipulación de múltiples componentes cognitivos, como la codificación visoespacial, la memoria y la toma de decisiones7. Con la resonancia magnética funcional (fMRI), numerosos estudios han logrado avances significativos en la comprensión del procesamiento cognitivo subyacente y los mecanismos neuronales. Por ejemplo, funciones específicas se han relacionado con diferentes regiones del cerebro utilizando diversas tareas de navegación: el procesamiento de escenas se asocia específicamente con PPA, y la transformación de las estrategias de navegación se asocia con la corteza retroesplenial (RSC)8,9. Estos estudios proporcionaron información importante sobre las bases neuronales de la navegación espacial. Sin embargo, la navegación es una función internamente dinámica y multimodal, y las funciones de regiones individuales no son suficientes para explicar las grandes diferencias individuales en la navegación espacial10 que se observan comúnmente.

Con la aparición de la conectómica basada en la resonancia magnética funcional, los investigadores comenzaron a explorar cómo algunas regiones clave del cerebro interactúan entre sí para apoyar la navegación espacial. Por ejemplo, se ha encontrado que la conectividad funcional entre las cortezas entorrinal y cingulada posterior sustenta las discrepancias de navegación en la enfermedad de Alzheimer en riesgo11. En otro estudio, propusimos por primera vez un enfoque de red mediante la integración de métodos de conectoma y casi todas las regiones funcionalmente relevantes (nodos) para la navegación espacial, y los resultados mostraron que las propiedades topológicas de esta red mostraron asociaciones específicas con los comportamientos de navegación12. Este estudio proporciona nuevos conocimientos sobre las teorías de cómo múltiples regiones del cerebro interactúan entre sí para apoyar comportamientos de navegación flexibles10,13.

El presente trabajo demuestra una versión actualizada del enfoque integrador para modelar la red funcional. Brevemente, se incluyeron dos actualizaciones: 1) Si bien los nodos definidos en el estudio original se identificaron a partir de una base de datos anterior y más pequeña (55 estudios con 2.765 activaciones, a los que se accedió en 2014), la definición actual se basó en la última base de datos (77 estudios con 3.908 activaciones, a los que se accedió en 2022); 2) para aumentar la homogeneidad funcional de cada ganglio, además del atlas anatómico original AAL (Anatomical Automatic Labeling)14, aplicamos una nueva parcelación cerebral, que tiene una resolución mucho más fina y una mayor homogeneidad funcional (ver más abajo). Esperábamos que ambas actualizaciones mejoraran el modelado de la red funcional. Este protocolo actualizado proporciona un procedimiento detallado para investigar la base neuronal de la navegación espacial desde una perspectiva de red y ayuda a comprender las variaciones individuales en los comportamientos de navegación en la salud y la enfermedad. Un procedimiento similar también podría utilizarse para el modelado de redes para otros constructos cognitivos (por ejemplo, el lenguaje y la memoria).

Protocol

NOTA: Todo el software utilizado aquí se muestra en la Tabla de Materiales. Los datos utilizados en este estudio con fines demostrativos fueron del Proyecto Conectoma Humano (HCP: http://www. humanconnectome.org)15. Todos los procedimientos experimentales fueron aprobados por la Junta de Revisión Institucional (IRB, por sus siglas en inglés) de la Universidad de Washington. Los datos de imágenes en el conjunto de datos de HCP se adquirieron utilizando un escáner 3T Siemens Sk…

Representative Results

Las redes de navegaciónEl presente estudio identificó 27 regiones cerebrales, que están asociadas con la navegación espacial, mediante la incorporación de la última base de datos de neuroimágenes de metaanálisis y el atlas AICHA. Estas regiones consistieron en las regiones temporal medial y parietal que se han reportado comúnmente en los estudios de neuroimagen de navegación. La distribución espacial de estas regiones se muestra en la Figura 5A y <stro…

Discussion

Se espera que la neurociencia de redes ayude a comprender cómo la red cerebral apoya las funciones cognitivas humanas32. Este protocolo demuestra un enfoque integrador para estudiar la red funcional para la navegación espacial en el cerebro humano, que también puede inspirar el modelado de redes para otras construcciones cognitivas (por ejemplo, el lenguaje).

Este enfoque consistió en tres pasos principales: definición de nodos, construcción de redes y análisis d…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Xiang-Zhen Kong contó con el apoyo de la Fundación Nacional de Ciencias Naturales de China (32171031), STI 2030 – Proyecto Principal (2021ZD0200409), Fondos de Investigación Fundamental para las Universidades Centrales (2021XZZX006) y el Centro de Tecnología de la Información de la Universidad 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.

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