A navegação espacial é um processo complexo que envolve uma rede distribuída no cérebro. Nosso trabalho apresenta uma abordagem integrativa para modelagem de uma rede funcional para navegação espacial utilizando dados FMRI. O modelo de rede ideal fornece novos insights para entender como as regiões cerebrais dentro da rede interagem.
O modelo de rede também poderia captar melhor a variabilidade nos comportamentos de saúde e doença. Nosso método também pode ser aplicado a estudos ou outras funções complexas. Por exemplo, um procedimento semelhante poderia ser usado para modelar a rede cerebral para linguagem e memória.
Para começar, verifique a qualidade dos dados e exclua os participantes com dados de reteste ausentes e movimento excessivo da cabeça. Em seguida, abra a análise teórica de rede gráfica ou a caixa de ferramentas GRETNA no MATLAB. Clique na guia "FC Matrix Construction" e selecione o caminho do conjunto de dados funcional para carregar os documentos bacanas.
Execute as etapas conforme exibido na opção de pipeline. Em seguida, para executar a definição do nó de rede, baixe o banco de dados Neurosynth mais recente digitando o seguinte comando. Em seguida, gere uma nova instância de conjunto de dados do banco de dados.
txt e adicione recursos a esses dados digitando este comando. Execute uma meta-análise do termo de interesse, como navegação, digitando o comando. Em seguida, defina clusters de interesse incorporando o mapa meta-analítico e todo o atlas de parcelação cerebral, como AICHA ou AAL, digitando este comando da FSL.
Em seguida, digite os seguintes scripts em Python para verificar o tamanho de cada região no mapa. Depois disso, integre todas as regiões cerebrais em um modelo da FSL Maths em FSL. Para estimar a conectividade de rede, clique em FC Matrix Construction no software GRETNA e clique em Static Correlation.
Carregue o nó obtido da definição do nó de rede como um atlas para calcular a correlação estática dos sinais rs-fMRI de cada par de regiões e transferi-los para os escores Z de Fisher. Para obter uma rede positiva e ponderada com as etapas exibidas na opção de pipeline, clique em Análise de Rede. Em seguida, adicione as matrizes de rede na janela da matriz de conectividade do cérebro e escolha um diretório de saída para preparação.
Adicione um mundo pequeno, eficiência global, coeficiente de clustering, comprimento de caminho mais curto, grau de centralidade e eficiência local ao pipeline de análise métrica de rede GRETNA. Selecione positivo no sinal de matriz. Selecione a esparsidade de rede no método de limite e insira um conjunto de sequências de limite.
Escolha o tipo de rede como ponderado. Defina o número de rede aleatório como 1, 000 e clique em Executar. Para determinar o número ideal de módulos na rede, primeiro calcule a média da rede de navegação.
Em seguida, divida a rede média resultante em 2, 3, 4 e 5 módulos usando a função, cluster espectral, no MATLAB. Em seguida, alinhe as divisões do módulo usando o script procrustes_alignment. m, e calcular a porção de nós divididos no mesmo módulo no repouso um e no repouso dois.
Selecione o número de módulos com maior repetibilidade. Para realizar a análise de rede, examine a semelhança dessas métricas de rede entre duas redes com diferentes tipos de estratégias sem definição, como NaviNet AICHA e NaviNet AAL. Verifique a confiabilidade do teste de reteste dessas métricas de rede usando a função ICC no MATLAB.
Neste estudo, 27 regiões cerebrais associadas à navegação espacial foram identificadas usando o atlas AICHA. Essas regiões consistiram das regiões medial temporal e parietal que têm sido relatadas em estudos de neuroimagem de navegação. Como comparação, 20 regiões do atlas da AAL foram incluídas.
Mostrou uma grande sobreposição e distribuição comunitária semelhante entre os dois conjuntos, incluindo módulos ventral e dorsal semelhantes em ambas as redes. Além disso, cinco das seis métricas, com exceção do coeficiente de clustering, mostraram correlações significativas entre as duas redes. Os valores de similaridade aumentaram com o limiar de esparsidade para quase todas as métricas, sugerindo que a análise em nível de rede poderia refletir diferenças individuais estáveis, independentemente das escolhas de definição de nós, e que o limiar de esparsidade de 0,30 a 0,40 resultaria em melhor generalizabilidade na análise de redes de navegação.
Além disso, a avaliação da confiabilidade do reteste de repouso das medidas topológicas das redes de navegação indicou que a maioria das métricas da rede mostrou confiabilidade regular a boa na AICHA, enquanto a rede AAL mostrou confiabilidade relativamente maior. Além disso, a inclusão da regressão global do sinal no pré-processamento dos dados da FMRI poderia resultar em alta confiabilidade. Esses resultados sugerem que o coeficiente de agrupamento e o mundo pequeno são os mais confiáveis entre essas métricas.
Com essa abordagem, os pesquisadores podem investigar a trajetória de desenvolvimento de redes funcionalmente específicas. As propriedades da rede também fornecem novos biomarcadores para orientar a identificação precoce de distúrbios cerebrais, como a doença de Alzheimer.
