Räumliche Navigation ist ein komplexer Prozess, an dem ein verteiltes Netzwerk im Gehirn beteiligt ist. Unsere Arbeit stellt einen integrativen Ansatz zur Modellierung eines funktionalen Netzwerks für die räumliche Navigation unter Verwendung von FMRI-Daten vor. Das optimale Netzwerkmodell liefert neue Einblicke, um zu verstehen, wie Hirnregionen innerhalb des Netzwerks interagieren.
Das Netzwerkmodell könnte auch die Variabilität des Verhaltens sowohl bei Gesundheit als auch bei Krankheit besser erfassen. Unsere Methode kann auch auf Studien oder andere komplexe Funktionen angewendet werden. Ein ähnliches Verfahren könnte beispielsweise für die Modellierung des Gehirnnetzwerks für Sprache und Gedächtnis verwendet werden.
Überprüfen Sie zunächst die Datenqualität und schließen Sie Teilnehmer mit fehlenden Wiederholungstestdaten und übermäßigen Kopfbewegungen aus. Öffnen Sie dann die graphtheoretische Netzwerkanalyse oder die GRETNA-Toolbox in MATLAB. Klicken Sie auf den Reiter "FC-Matrix-Konstruktion" und wählen Sie den Pfad des funktionalen Datensatzes aus, um die raffinierten Dokumente zu laden.
Führen Sie die Schritte aus, wie in der Option pipeline angezeigt. Um die Definition des Netzwerkknotens durchzuführen, laden Sie als Nächstes die neueste Neurosynth-Datenbank herunter, indem Sie den folgenden Befehl eingeben. Generieren Sie dann eine neue Dataset-Instanz aus der Datenbank.
txt und fügen Sie diesen Daten Funktionen hinzu, indem Sie diesen Befehl eingeben. Führen Sie eine Metaanalyse des relevanten Begriffs aus, z. B. Navigation, indem Sie den Befehl eingeben. Definieren Sie als Nächstes Cluster von Interesse, indem Sie die metaanalytische Karte und den Atlas der gesamten Gehirnparzellierung wie AICHA oder AAL einbeziehen, indem Sie diesen Befehl aus FSL eingeben.
Geben Sie dann die folgenden Skripts in Python ein, um die Größe der einzelnen Regionen in der Karte zu überprüfen. Danach integrieren Sie alle Gehirnregionen in eine Vorlage von FSL Maths in FSL. Um die Netzwerkkonnektivität zu schätzen, klicken Sie in der GRETNA-Software auf FC-Matrix-Konstruktion und dann auf Statische Korrelation.
Laden Sie den aus der Netzwerkknotendefinition erhaltenen Knoten als Atlas hoch, um die statische Korrelation der rs-fMRT-Signale jedes Regionenpaares zu berechnen und sie in die Z-Scores von Fisher zu übertragen. Um ein positives und gewichtetes Netzwerk mit den in der Pipeline-Option angezeigten Schritten zu erhalten, klicken Sie auf Netzwerkanalyse. Fügen Sie dann die Netzwerkmatrizen in das Fenster der Gehirnkonnektivitätsmatrix ein und wählen Sie ein Ausgabeverzeichnis für die Vorbereitung aus.
Fügen Sie der GRETNA-Netzwerkmetrikanalyse-Pipeline eine kleine Welt, eine globale Effizienz, einen Clustering-Koeffizienten, eine kürzeste Pfadlänge, eine Gradzentralität und eine lokale Effizienz hinzu. Wählen Sie positiv im Vorzeichen der Matrix aus. Wählen Sie Netzwerksparsity in der Schwellenwertmethode aus, und geben Sie eine Reihe von Schwellenwertsequenzen ein.
Wählen Sie den gewichteten Netzwerktyp aus. Stellen Sie die zufällige Netzwerknummer auf 1.000 ein und klicken Sie auf Ausführen. Um die optimale Anzahl von Modulen im Netzwerk zu ermitteln, berechnen Sie zunächst das gemittelte Navigationsnetz.
Unterteilen Sie dann das resultierende durchschnittliche Netzwerk in 2, 3, 4 und 5 Module, indem Sie die Funktion "Spektralcluster" in MATLAB verwenden. Richten Sie dann die Moduleinteilungen mit Hilfe des Skripts procrustes_alignment aus. m und berechnen Sie den Anteil der Knoten, die in den Rest eins und den Rest zwei in dasselbe Modul unterteilt sind.
Wählen Sie die Anzahl der Module mit der höchsten Wiederholgenauigkeit aus. Um die Netzwerkanalyse durchzuführen, untersuchen Sie die Ähnlichkeit dieser Netzwerkmetriken zwischen zwei Netzwerken mit unterschiedlichen Arten von Strategien für keine Definition, z. B. NaviNet AICHA und NaviNet AAL. Überprüfen Sie die Testretest-Reliabilität dieser Netzwerkmetriken mit der Funktion ICC in MATLAB.
In dieser Studie wurden 27 Hirnregionen, die mit der räumlichen Navigation assoziiert sind, mit Hilfe des AICHA-Atlas identifiziert. Diese Regionen bestanden aus den medialen, temporalen und parietalen Regionen, die in Navigations-Neuroimaging-Studien berichtet wurden. Zum Vergleich wurden 20 Regionen aus dem AAL-Atlas einbezogen.
Es zeigte sich eine große Überlappung und eine ähnliche Verteilung der Gemeinschaft zwischen den beiden Gruppen, einschließlich ähnlicher ventraler und dorsaler Module in beiden Netzwerken. Darüber hinaus zeigten fünf der sechs Metriken, mit Ausnahme des Clustering-Koeffizienten, signifikante Korrelationen zwischen den beiden Netzwerken. Die Ähnlichkeitswerte stiegen mit dem Schwellenwert für die geringe Dichte für fast alle Metriken an, was darauf hindeutet, dass die Analyse auf Netzwerkebene stabile individuelle Unterschiede unabhängig von der Auswahl der Knotendefinition widerspiegeln könnte und dass der Schwellenwert für die geringe Dichte von 0,30 bis 0,40 zu einer besseren Generalisierbarkeit in der Navigationsnetzwerkanalyse führen würde.
Darüber hinaus zeigte die Auswertung der Retest-Reliabilität der topologischen Messungen der Navigationsnetzwerke, dass die Mehrheit der Metriken des Netzwerks eine mittelmäßige bis gute Reliabilität in AICHA zeigte, während das AAL-Netzwerk eine relativ höhere Reliabilität aufwies. Darüber hinaus könnte die Einbeziehung der globalen Signalregression in die FMRI-Datenvorverarbeitung zu einer hohen Zuverlässigkeit führen. Diese Ergebnisse deuten darauf hin, dass der Clustering-Koeffizient und die kleine Welt die zuverlässigsten unter diesen Metriken sind.
Mit diesem Ansatz können Forschende den Entwicklungsverlauf funktionsspezifischer Netzwerke untersuchen. Netzwerkeigenschaften liefern auch neue Biomarker für die Früherkennung von Hirnerkrankungen wie der Alzheimer-Krankheit.
