Un abonnement à JoVE est nécessaire pour voir ce contenu. Connectez-vous ou commencez votre essai gratuit.
Cet article présente une approche intégrative pour étudier le réseau fonctionnel de la navigation spatiale dans le cerveau humain. Cette approche intègre une base de données méta-analytique de neuroimagerie à grande échelle, l’imagerie par résonance magnétique fonctionnelle à l’état de repos, ainsi que des techniques de modélisation de réseau et de théorie des graphes.
La navigation spatiale est une fonction complexe impliquant l’intégration et la manipulation d’informations multisensorielles. En utilisant différentes tâches de navigation, de nombreux résultats prometteurs ont été obtenus sur les fonctions spécifiques de diverses régions du cerveau (par exemple, l’hippocampe, le cortex entorhinal et la zone parahippocampique). Récemment, il a été suggéré qu’un processus de réseau non agrégé impliquant plusieurs régions cérébrales en interaction pourrait mieux caractériser la base neuronale de cette fonction complexe. Cet article présente une approche intégrative pour la construction et l’analyse du réseau fonctionnel spécifique pour la navigation spatiale dans le cerveau humain. Brièvement, cette approche intégrative se compose de trois grandes étapes : 1) identifier les régions cérébrales importantes pour la navigation spatiale (définition des nœuds) ; 2) d’estimer la connectivité fonctionnelle entre chaque paire de ces régions et de construire la matrice de connectivité (construction du réseau) ; 3) étudier les propriétés topologiques (par exemple, la modularité et la petitesse du monde) du réseau résultant (analyse du réseau). L’approche présentée, du point de vue du réseau, pourrait nous aider à mieux comprendre comment notre cerveau supporte une navigation flexible dans des environnements complexes et dynamiques, et les propriétés topologiques révélées du réseau peuvent également fournir des biomarqueurs importants pour guider l’identification précoce et le diagnostic de la maladie d’Alzheimer dans la pratique clinique.
La spécificité fonctionnelle est un principe d’organisation fondamental du cerveau humain, qui joue un rôle crucial dans la formation des fonctions cognitives1. Des anomalies dans l’organisation de la spécificité fonctionnelle peuvent refléter des déficiences cognitives caractéristiques et les fondements pathologiques associés à des troubles cérébraux majeurs tels que l’autisme et la maladie d’Alzheimer 2,3. Alors que les théories et les recherches conventionnelles ont eu tendance à se concentrer sur des régions cérébrales uniques, telles que la zone faciale fusiforme (FFA) pour la reconnaissance faciale4 et la zone de lieu parahippocampe (PPA)5 pour le traitement de la scène, un nombre croissant de preuves suggère que les fonctions cognitives complexes, y compris la navigation spatiale et le langage, nécessitent une activité coordonnée dans plusieurs régions du cerveau6. L’étude des mécanismes sous-jacents aux interactions à l’appui des fonctions cognitives complexes est une question scientifique cruciale qui aidera à faire la lumière sur l’architecture fonctionnelle et le fonctionnement du cerveau. Ici, en prenant l’exemple de la navigation spatiale, nous présentons une méthode intégrative pour modéliser le réseau fonctionnel de la navigation spatiale dans le cerveau humain.
La navigation spatiale est une fonction cognitive complexe, qui implique l’intégration et la manipulation de multiples composants cognitifs, tels que le codage visuo-spatial, la mémoire et la prise de décision7. Avec l’imagerie par résonance magnétique fonctionnelle (IRMf), de nombreuses études ont permis de réaliser des progrès significatifs dans la compréhension du traitement cognitif sous-jacent et des mécanismes neuronaux. Par exemple, des fonctions spécifiques ont été liées à différentes régions du cerveau à l’aide de diverses tâches de navigation : le traitement de la scène est spécifiquement associé à l’APP, et la transformation des stratégies de navigation est associée au cortex rétrosplénien (RSC)8,9. Ces études ont fourni des informations importantes sur les bases neuronales de la navigation spatiale. Cependant, la navigation est une fonction intrinsèquement dynamique et multimodale, et les fonctions d’une seule région ne sont pas suffisantes pour expliquer les grandes différences individuelles dans la navigation spatiale10 qui sont couramment observées.
Avec l’émergence de la connectomique basée sur l’IRMf, les chercheurs ont commencé à explorer comment certaines régions clés du cerveau interagissent les unes avec les autres pour soutenir la navigation spatiale. Par exemple, il a été démontré que la connectivité fonctionnelle entre les cortex cingulaire entorhinal et postérieur sous-tend les divergences de navigation dans la maladie d’Alzheimer à risque11. Dans une autre étude, nous avons proposé pour la première fois une approche de réseau en intégrant des méthodes de connectome et presque toutes les régions fonctionnellement pertinentes (nœuds) pour la navigation spatiale, et les résultats ont montré que les propriétés topologiques de ce réseau présentaient des associations spécifiques avec les comportements de navigation12. Cette étude fournit de nouvelles informations sur les théories sur la façon dont plusieurs régions du cerveau interagissent les unes avec les autres pour soutenir des comportements de navigation flexibles10,13.
Le présent travail démontre une version actualisée de l’approche intégrative pour la modélisation du réseau fonctionnel. Brièvement, deux mises à jour ont été incluses : 1) Alors que les nœuds définis dans l’étude originale ont été identifiés sur la base d’une base de données antérieure et plus petite (55 études avec 2 765 activations, consultées en 2014), la présente définition était basée sur la base de données la plus récente (77 études avec 3 908 activations, consultées en 2022) ; 2) Pour augmenter l’homogénéité fonctionnelle de chaque nœud, en plus de l’atlas anatomique AAL (Anatomical Automatic Labeling)14 original, nous avons appliqué une nouvelle parcellisation cérébrale, qui a une résolution beaucoup plus fine et une homogénéité fonctionnelle plus élevée (voir ci-dessous). Nous nous attendions à ce que les deux mises à jour améliorent la modélisation du réseau fonctionnel. Ce protocole mis à jour fournit une procédure détaillée pour étudier les bases neuronales de la navigation spatiale du point de vue du réseau et aide à comprendre les variations individuelles des comportements de navigation dans la santé et la maladie. Une procédure similaire pourrait également être utilisée pour la modélisation de réseaux pour d’autres constructions cognitives (par exemple, le langage et la mémoire).
REMARQUE : Tous les logiciels utilisés ici sont indiqués dans le tableau des matériaux. Les données utilisées dans cette étude à des fins de démonstration proviennent du Human Connectome Project (HCP : http://www. humanconnectome.org)15. Toutes les procédures expérimentales ont été approuvées par l’Institutional Review Board (IRB) de l’Université de Washington. Les données d’imagerie de l’ensemble de données HCP ont été acquises à l’aide d’un scanner 3T Siemens Skyra modifié avec une bobine de tête à 32 canaux. D’autres paramètres d’acquisition d’images sont détaillés dans un article antérieur16. Un minimum de données prétraitées a été téléchargé pour la démonstration, qui s’est terminée en suivant les étapes de prétraitement : correction de la distorsion du gradient, correction du mouvement, prétraitement de la carte de terrain, correction de la distorsion spatiale, normalisation spatiale dans l’espace de l’Institut neurologique de Montréal (INM), normalisation de l’intensité et suppression du champ de biais. Les données d’IRMf à l’état de repos provenant de projets de chercheurs peuvent également être utilisées.
1. Prétraitement des données
Figure 1 : Prétraitement de l’IRMf Rs-f, estimation de la connectivité fonctionnelle du réseau. Les paramètres de prétraitement (suppression des 10 premières images, lissage spatial avec FWHM de 4 mm, détendance temporelle linéaire, régression des signaux de la substance blanche, des signaux du liquide céphalorachidien (LCR) et du mouvement de la tête avec 24 paramètres, filtrage de la bande de 0,01-0,1 HZ) et la corrélation statique avec le Z de Fisher transformé. Abréviations : Rs-IRMf = imagerie par résonance magnétique fonctionnelle à l’état de repos ; FWHM = pleine largeur à mi-maximum ; LCR = liquide céphalo-rachidien. Veuillez cliquer ici pour voir une version agrandie de cette figure.
2. Construction et analyses de réseaux
NOTE : Le flux de travail général pour la construction et l’analyse du réseau de navigation est résumé en trois étapes principales (Figure 2).
Figure 2 : Flux de travail général pour la construction et l’analyse du réseau de navigation. (A) Choisissez la navigation comme terme à rechercher dans la base de données Neurosynth. (B) Une liste de coordonnées d’activation peut être générée. (C) Exécutez une méta-analyse en utilisant les fonctions du Neurosynth pour obtenir plusieurs cartes cérébrales. (D,E) En incorporant la carte méta-analytique et un atlas de parcellation du cerveau entier (AICHA), des nœuds (ROI) peuvent être générés. (F) La construction d’un réseau de navigation à l’aide des nœuds de navigation qui en résultent et de leur connectivité fonctionnelle (estimation de la connectivité et analyse du réseau). Abréviations : ROI = région d’intérêt ; AICHA = atlas de la connectivité intrinsèque des aires homotopiques. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 3 : Analyse des métriques du réseau. Cette analyse définit les réseaux positifs pondérés avec 10 seuils. Calculez deux mesures de réseau global de mots petits et d’efficacité, quatre mesures de réseau nodal de coefficient de clustering, de longueur de chemin le plus court, d’efficacité et de degré de centralité. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 4 : Calcul de la moyenne des réseaux de navigation. L’opération moyenne (fonctionnelle) permet de calculer les réseaux moyens de tous les participants. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Les réseaux de navigation
La présente étude a identifié 27 régions du cerveau, qui sont associées à la navigation spatiale, en incorporant la dernière base de données de neuroimagerie de méta-analyse et l’atlas AICHA. Ces régions étaient constituées des régions temporales médiales et pariétales qui ont été couramment rapportées dans les études de neuroimagerie de navigation. La répartition spatiale de ces régions est illustrée à la figure 5A et ?...
On s’attend à ce que les neurosciences des réseaux aident à comprendre comment le réseau cérébral soutient les fonctions cognitives humaines32. Ce protocole démontre une approche intégrative de l’étude du réseau fonctionnel pour la navigation spatiale dans le cerveau humain, ce qui peut également inspirer la modélisation de réseau pour d’autres constructions cognitives (par exemple, le langage).
Cette approche se composait de trois étapes principales...
Les auteurs déclarent qu’il n’y a pas de conflit d’intérêts.
Xiang-Zhen Kong a été soutenu par la Fondation nationale des sciences naturelles de Chine (32171031), STI 2030 - Grand projet (2021ZD0200409), les Fonds de recherche fondamentale pour les universités centrales (2021XZZX006) et le Centre des technologies de l’information de l’Université du Zhejiang.
Name | Company | Catalog Number | Comments |
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. |
Demande d’autorisation pour utiliser le texte ou les figures de cet article JoVE
Demande d’autorisationExplorer plus d’articles
This article has been published
Video Coming Soon