La navigation spatiale est un processus complexe qui implique un réseau distribué dans le cerveau. Nos travaux présentent une approche intégrative pour la modélisation d’un réseau fonctionnel pour la navigation spatiale à l’aide de données IRMF. Le modèle de réseau optimal fournit de nouvelles informations pour comprendre comment les régions du cerveau au sein du réseau interagissent.
Le modèle de réseau pourrait également mieux saisir la variabilité des comportements en matière de santé et de maladie. Notre méthode peut également être appliquée à des études ou à d’autres fonctions complexes. Par exemple, une procédure similaire pourrait être utilisée pour modéliser les réseaux cérébraux du langage et de la mémoire.
Pour commencer, vérifiez la qualité des données et excluez les participants dont les données de retest sont manquantes et dont le mouvement de la tête est excessif. Ouvrez ensuite la boîte à outils d’analyse théorique des réseaux de graphes ou GRETNA dans MATLAB. Cliquez sur l’onglet « FC Matrix Construction » et sélectionnez le chemin du jeu de données fonctionnel pour charger les documents astucieux.
Exécutez les étapes comme indiqué dans l’option de pipeline. Ensuite, pour effectuer la définition des nœuds du réseau, téléchargez la dernière base de données Neurosynth en tapant la commande suivante. Générez ensuite une nouvelle instance de jeu de données à partir de la base de données.
txt et ajoutez des fonctionnalités à ces données en tapant cette commande. Exécutez une méta-analyse du terme d’intérêt, telle que la navigation, en tapant la commande. Ensuite, définissez les clusters d’intérêt en incorporant la carte méta-analytique et l’atlas de parcellisation du cerveau entier tel que AICHA ou AAL en tapant cette commande à partir de FSL.
Tapez ensuite les scripts suivants en Python pour vérifier la taille de chaque région de la carte. Après cela, intégrez toutes les régions du cerveau dans un modèle par FSL Maths en FLS. Pour l’estimation de la connectivité réseau, cliquez sur FC Matrix Construction dans le logiciel GRETNA et cliquez sur Corrélation statique.
Téléchargez le nœud obtenu à partir de la définition du nœud du réseau sous forme d’atlas pour calculer la corrélation statique des signaux RS-IRMf de chaque paire de régions et les transférer dans les scores Z de Fisher. Pour obtenir un réseau positif et pondéré avec les étapes affichées dans l’option de pipeline, cliquez sur Analyse du réseau. Ajoutez ensuite les matrices de réseau dans la fenêtre de la matrice de connectivité cérébrale et choisissez un répertoire de sortie pour la préparation.
Ajoutez un petit monde, une efficacité globale, un coefficient de clustering, une longueur de chemin la plus courte, une centralité de degré et une efficacité locale au pipeline d’analyse métrique du réseau GRETNA. Sélectionnez positif dans le signe de la matrice. Sélectionnez la parcimonie du réseau dans la méthode de seuillage et entrez un ensemble de séquences de seuils.
Choisissez le type de réseau pondéré. Définissez le numéro de réseau aléatoire sur 1 000 et cliquez sur Exécuter. Pour déterminer le nombre optimal de modules dans le réseau, calculez d’abord la moyenne du réseau de navigation.
Divisez ensuite le réseau moyen obtenu en 2, 3, 4 et 5 modules à l’aide de la fonction Spectral cluster dans MATLAB. Alignez ensuite les divisions du module à l’aide du script, procrustes_alignment. m, et calculez la portion de noeuds divisés dans le même module dans le premier et le deuxième repos.
Sélectionnez le nombre de modules avec la répétabilité la plus élevée. Pour effectuer l’analyse du réseau, examinez la similitude de ces métriques de réseau entre deux réseaux avec différents types de stratégies sans définition, comme NaviNet AICHA et NaviNet AAL. Vérifiez la fiabilité de ces métriques réseau à l’aide de la fonction ICC dans MATLAB.
Dans cette étude, 27 régions cérébrales associées à la navigation spatiale ont été identifiées à l’aide de l’atlas AICHA. Ces régions étaient constituées des régions temporales et pariétales médiales qui ont été rapportées dans les études de neuroimagerie de navigation. À titre de comparaison, 20 régions de l’atlas AAL ont été incluses.
Il a montré un grand chevauchement et une distribution de communauté similaire entre les deux ensembles, y compris des modules ventraux et dorsaux similaires dans les deux réseaux. De plus, cinq des six mesures, à l’exception du coefficient de clustering, ont montré des corrélations significatives entre les deux réseaux. Les valeurs de similarité ont augmenté avec le seuil de parcimonie pour presque toutes les mesures, ce qui suggère que l’analyse au niveau du réseau pourrait refléter des différences individuelles stables, indépendamment des choix de définition de nœud, et que le seuil de parcimonie de 0,30 à 0,40 se traduirait par une meilleure généralisabilité dans l’analyse du réseau de navigation.
De plus, l’évaluation de la fiabilité des mesures topologiques des réseaux de navigation a montré que la majorité des mesures du réseau montraient une fiabilité passable à bonne dans AICHA, tandis que le réseau AAL montrait une fiabilité relativement plus élevée. De plus, l’inclusion de la régression globale du signal dans le prétraitement des données IRMF pourrait se traduire par une grande fiabilité. Ces résultats suggèrent que le coefficient de regroupement et le petit monde sont les plus fiables parmi ces mesures.
Grâce à cette approche, les chercheurs peuvent étudier la trajectoire de développement de réseaux fonctionnellement spécifiques. Les propriétés du réseau fournissent également de nouveaux biomarqueurs pour guider l’identification précoce de troubles cérébraux tels que la maladie d’Alzheimer.
