La navegación espacial es un proceso complejo que involucra una red distribuida en el cerebro. Nuestro trabajo presenta un enfoque integrador para modelar una red funcional para la navegación espacial utilizando datos de FMRI. El modelo de red óptimo proporciona nuevos conocimientos para comprender cómo interactúan las regiones cerebrales dentro de la red.
El modelo de red también podría capturar mejor la variabilidad en los comportamientos tanto en la salud como en la enfermedad. Nuestro método también se puede aplicar a estudios u otras funciones complejas. Por ejemplo, se podría utilizar un procedimiento similar para modelar la red cerebral para el lenguaje y la memoria.
Para comenzar, verifique la calidad de los datos y excluya a los participantes con datos faltantes de la repetición de la prueba y movimiento excesivo de la cabeza. A continuación, abra la caja de herramientas de análisis de redes teóricas de grafos o GRETNA en MATLAB. Haga clic en la pestaña FC Matrix Construction "y seleccione la ruta del conjunto de datos funcional para cargar los ingeniosos documentos.
Ejecute los pasos tal y como se muestran en la opción de canalización. A continuación, para realizar la definición del nodo de red, descargue la última base de datos de Neurosynth escribiendo el siguiente comando. A continuación, genere una nueva instancia de conjunto de datos a partir de la base de datos.
txt y agregue características a estos datos escribiendo este comando. Ejecute un metaanálisis del término de interés, como navegación, escribiendo el comando. A continuación, defina los clústeres de interés incorporando el mapa metaanalítico y el atlas de parcelación de todo el cerebro, como AICHA o AAL, escribiendo este comando desde FSL.
A continuación, escriba las siguientes secuencias de comandos en Python para comprobar el tamaño de cada región del mapa. Después de eso, integre todas las regiones del cerebro en una plantilla de FSL Maths en FSL. Para obtener una estimación de la conectividad de red, haga clic en Construcción de matriz FC en el software GRETNA y haga clic en Correlación estática.
Cargue el nodo obtenido de la definición del nodo de red como un atlas para calcular la correlación estática de las señales rs-fMRI de cada par de regiones y transferirlas a las puntuaciones Z de Fisher. Para obtener una red positiva y ponderada con los pasos que se muestran en la opción de canalización, haga clic en Análisis de red. A continuación, agregue las matrices de red a la ventana de la matriz de conectividad cerebral y elija un directorio de salida para la preparación.
Agregue un mundo pequeño, la eficiencia global, el coeficiente de agrupación, la longitud de ruta más corta, la centralidad de grados y la eficiencia local a la canalización de análisis de métricas de red GRETNA. Seleccione positivo en el signo de matriz. Seleccione la dispersión de la red en el método de umbral e introduzca un conjunto de secuencias de umbral.
Elija el tipo de red como ponderado. Establezca el número de red aleatorio en 1, 000 y haga clic en Ejecutar. Para determinar el número óptimo de módulos en la red, primero calcule el promedio de la red de navegación.
A continuación, divida la red media resultante en 2, 3, 4 y 5 módulos utilizando la función spectral cluster de MATLAB. A continuación, alinee las divisiones de los módulos utilizando el script, procrustes_alignment. m, y calcule la porción de nodos dividida en el mismo módulo en el resto uno y el silencio dos.
Seleccione el número de módulos con mayor repetibilidad. Para realizar el análisis de red, examine la similitud de estas métricas de red entre dos redes con diferentes tipos de estrategias sin definición como NaviNet AICHA y NaviNet AAL. Compruebe la fiabilidad de la repetición de pruebas de estas métricas de red mediante la función ICC en MATLAB.
En este estudio, se identificaron 27 regiones cerebrales asociadas con la navegación espacial utilizando el atlas AICHA. Estas regiones consistieron en las regiones temporal medial y parietal que se han reportado en estudios de neuroimagen de navegación. A modo de comparación, se incluyeron 20 regiones del atlas de la AAL.
Mostró una gran superposición y una distribución comunitaria similar entre los dos conjuntos, incluyendo módulos ventrales y dorsales similares en ambas redes. Además, cinco de las seis métricas, a excepción del coeficiente de agrupamiento, mostraron correlaciones significativas entre las dos redes. Los valores de similitud aumentaron con el umbral de dispersión para casi todas las métricas, lo que sugiere que el análisis a nivel de red podría reflejar diferencias individuales estables, independientemente de las opciones de definición de nodo, y que el umbral de dispersión de 0,30 a 0,40 daría lugar a una mejor generalización en el análisis de redes de navegación.
Por otra parte, la evaluación de la fiabilidad de las medidas topológicas de las redes de navegación indicó que la mayoría de las métricas de la red mostraban una fiabilidad de regular a buena en AICHA, mientras que la red AAL mostraba una fiabilidad relativamente mayor. Además, la inclusión de la regresión global de la señal en el preprocesamiento de datos de la RMF podría dar lugar a una alta fiabilidad. Estos resultados sugirieron que el coeficiente de agrupamiento y el mundo pequeño son los más confiables entre estas métricas.
Con este enfoque, los investigadores pueden investigar la trayectoria de desarrollo de redes funcionalmente específicas. Las propiedades de la red también proporcionan nuevos biomarcadores para guiar la identificación temprana de trastornos cerebrales como la enfermedad de Alzheimer.
