الملاحة المكانية هي عملية معقدة تنطوي على شبكة موزعة في الدماغ. يقدم عملنا نهجا تكامليا لنمذجة شبكة وظيفية للملاحة المكانية باستخدام بيانات FMRI. يوفر نموذج الشبكة الأمثل رؤى جديدة لفهم كيفية تفاعل مناطق الدماغ داخل الشبكة.
يمكن لنموذج الشبكة أيضا التقاط التباين في السلوكيات في كل من الصحة والمرض بشكل أفضل. يمكن أيضا تطبيق طريقتنا على الدراسات أو الوظائف المعقدة الأخرى. على سبيل المثال ، يمكن استخدام إجراء مماثل لنمذجة شبكة الدماغ للغة والذاكرة.
للبدء ، تحقق من جودة البيانات واستبعد المشاركين الذين فقدوا بيانات إعادة الاختبار وحركة الرأس المفرطة. ثم افتح تحليل الشبكة النظري للرسم البياني أو صندوق أدوات GRETNA في MATLAB. انقر فوق علامة التبويب FC Matrix Construction"وحدد مسار مجموعة البيانات الوظيفية لتحميل المستندات الأنيقة.
قم بتنفيذ الخطوات كما هو موضح في خيار خط الأنابيب. بعد ذلك ، لتنفيذ تعريف عقدة الشبكة ، قم بتنزيل أحدث قاعدة بيانات Neurosynth عن طريق كتابة الأمر التالي. ثم قم بإنشاء مثيل مجموعة بيانات جديد من قاعدة البيانات.
txt وإضافة ميزات إلى هذه البيانات عن طريق كتابة هذا الأمر. قم بإجراء تحليل تلوي لمصطلح الاهتمام مثل التنقل عن طريق كتابة الأمر. بعد ذلك ، حدد مجموعات الاهتمام من خلال دمج الخريطة التحليلية الوصفية وأطلس تقسيم الدماغ بالكامل مثل AICHA أو AAL عن طريق كتابة هذا الأمر من FSL.
ثم اكتب البرامج النصية التالية في Python للتحقق من حجم كل منطقة في الخريطة. بعد ذلك ، قم بدمج جميع مناطق الدماغ في قالب بواسطة FSL Maths في FSL. لتقدير اتصال الشبكة ، انقر فوق FC Matrix Construction في برنامج GRETNA وانقر فوق ارتباط ثابت.
قم بتحميل العقدة التي تم الحصول عليها من تعريف عقدة الشبكة كأطلس لحساب الارتباط الثابت لإشارات rs-fMRI لكل زوج من المناطق ونقلها إلى درجات Fisher's Z. للحصول على شبكة موجبة وموزونة بالخطوات المعروضة في خيار خط الأنابيب ، انقر فوق تحليل الشبكة. ثم أضف مصفوفات الشبكة إلى نافذة مصفوفة اتصال الدماغ واختر دليل الإخراج للتحضير.
أضف عالما صغيرا ، وكفاءة عالمية ، ومعامل تجميع ، وأقصر طول مسار ، ومركزية درجة ، وكفاءة محلية إلى خط أنابيب التحليل المتري لشبكة GRETNA. حدد إيجابية في علامة المصفوفة. حدد تناثر الشبكة في طريقة الحد وأدخل مجموعة من تسلسلات العتبة.
اختر نوع الشبكة كما هو مرجح. اضبط رقم الشبكة العشوائي على أنه 1،000 وانقر فوق تشغيل. لتحديد العدد الأمثل للوحدات في الشبكة ، احسب أولا متوسط شبكة الملاحة.
ثم قسم متوسط الشبكة الناتج إلى 2 و 3 و 4 و 5 وحدات باستخدام الوظيفة ، الكتلة الطيفية ، في MATLAB. ثم قم بمحاذاة أقسام الوحدة باستخدام البرنامج النصي ، procrustes_alignment. م ، وحساب جزء من العقد مقسمة إلى نفس الوحدة في بقية واحد والباقي اثنين.
حدد عدد الوحدات ذات أعلى قابلية للتكرار. لإجراء تحليل الشبكة ، افحص تشابه مقاييس الشبكة هذه بين شبكتين بأنواع مختلفة من الاستراتيجيات بدون تعريف مثل NaviNet AICHA و NaviNet AAL. تحقق من موثوقية إعادة اختبار اختبار مقاييس الشبكة هذه باستخدام الدالة ICC في MATLAB.
في هذه الدراسة ، تم تحديد 27 منطقة دماغية مرتبطة بالملاحة المكانية باستخدام أطلس AICHA. تتكون هذه المناطق من المناطق الصدغية والجدارية الإنسية التي تم الإبلاغ عنها في دراسات التصوير العصبي للملاحة. وعلى سبيل المقارنة، أدرجت 20 منطقة من أطلس AAL.
وأظهر تداخلا كبيرا وتوزيعا مجتمعيا مشابها بين المجموعتين بما في ذلك الوحدات البطنية والظهرية المتشابهة في كلتا الشبكتين. علاوة على ذلك ، أظهرت خمسة من المقاييس الستة ، باستثناء معامل التجميع ، ارتباطات كبيرة بين الشبكتين. زادت قيم التشابه مع عتبة التباين لجميع المقاييس تقريبا ، مما يشير إلى أن تحليل مستوى الشبكة يمكن أن يعكس اختلافات فردية مستقرة ، بغض النظر عن خيارات تعريف العقد ، وأن عتبة التباين من 0.30 إلى 0.40 ستؤدي إلى قابلية أفضل للتعميم في تحليل شبكة الملاحة.
علاوة على ذلك ، أشار تقييم موثوقية إعادة اختبار الباقي للمقاييس الطوبولوجية لشبكات الملاحة إلى أن غالبية مقاييس الشبكة أظهرت موثوقية عادلة إلى جيدة في AICHA ، بينما أظهرت شبكة AAL موثوقية أعلى نسبيا. وبالإضافة إلى ذلك، فإن إدراج انحدار الإشارة العالمية في المعالجة المسبقة لبيانات FMRI يمكن أن يؤدي إلى موثوقية عالية. تشير هذه النتائج إلى أن معامل التجميع والعالم الصغير هما الأكثر موثوقية بين هذه المقاييس.
باستخدام هذا النهج ، يمكن للباحثين التحقيق في المسار التنموي للشبكات المحددة وظيفيا. توفر خصائص الشبكة أيضا مؤشرات حيوية جديدة لتوجيه التحديد المبكر لاضطرابات الدماغ مثل مرض الزهايمر.
