Пространственная навигация — это сложный процесс, в котором задействована распределенная сеть в мозге. В нашей работе представлен интегративный подход к моделированию функциональной сети пространственной навигации с использованием данных FMRI. Оптимальная сетевая модель позволяет по-новому понять, как взаимодействуют области мозга внутри сети.
Сетевая модель также может лучше отражать вариативность поведения как в отношении здоровья, так и в отношении болезни. Наш метод также может быть применен к исследованиям или другим сложным функциям. Например, аналогичная процедура может быть использована для моделирования мозговой сети для языка и памяти.
Для начала проверьте качество данных и исключите участников с отсутствующими данными повторного тестирования и чрезмерными движениями головы. Затем откройте теоретико-сетевой анализ графов или набор инструментов GRETNA в MATLAB. Перейдите на вкладку FC Matrix Construction» и выберите путь к функциональному набору данных для загрузки изящных документов.
Выполните шаги, как показано в параметре конвейера. Далее, чтобы выполнить определение узла сети, загрузите последнюю версию базы данных Neurosynth, набрав следующую команду. Затем создайте новый экземпляр набора данных из базы данных.
txt и добавьте признаки к этим данным, введя эту команду. Выполните метаанализ интересующего термина, например навигации, введя команду. Затем определите интересующие кластеры, включив метааналитическую карту и весь атлас парцелизации мозга, такой как AICHA или AAL, введя эту команду из FSL.
Затем введите следующие скрипты на Python, чтобы проверить размер каждого региона на карте. После этого интегрируйте все области мозга в шаблон от FSL Maths in FSL. Для оценки связности сети нажмите на FC Matrix Construction в программном обеспечении GRETNA и выберите Static Correlation.
Загрузите узел, полученный из определения узла сети, в виде атласа для вычисления статической корреляции сигналов rs-fMRI каждой пары регионов и переведите их в Z-баллы Фишера. Чтобы получить положительную и взвешенную сеть с шагами, отображаемыми в параметре конвейера, щелкните Сетевой анализ. Затем добавьте сетевые матрицы в окно матрицы связей мозга и выберите выходной каталог для подготовки.
Добавьте небольшой мир, глобальную эффективность, коэффициент кластеризации, длину кратчайшего пути, центральность градусов и локальную эффективность в конвейер анализа сетевых метрик GRETNA. Выберите положительное значение в знаке матрицы. Выберите разреженность сети в методе определения пороговых значений и введите набор пороговых последовательностей.
Выберите тип сети в качестве взвешенного. Установите случайное число сети равным 1 000 и нажмите «Выполнить». Чтобы определить оптимальное количество модулей в сети, сначала рассчитайте усредняющую навигационную сеть.
Затем разделите полученную среднюю сеть на 2, 3, 4 и 5 модулей с помощью функции spectral cluster в MATLAB. Затем выровняйте деления модуля с помощью скрипта, procrustes_alignment. m и вычислить долю узлов, разделенных на один и тот же модуль в первом и втором остаточных элементах.
Выберите количество модулей с наибольшей повторяемостью. Чтобы выполнить сетевой анализ, изучите сходство этих сетевых метрик между двумя сетями с разными типами стратегий без определения, такими как NaviNet AICHA и NaviNet AAL. Проверьте тестовый повторный тест надежности этих сетевых метрик с помощью функции ICC в MATLAB.
В этом исследовании 27 областей мозга, связанных с пространственной навигацией, были идентифицированы с помощью атласа AICHA. Эти области состояли из медиальной височной и теменной областей, о которых сообщалось в исследованиях навигационной нейровизуализации. Для сравнения были включены 20 регионов из атласа AAL.
Он показал большое перекрытие и схожее распределение сообществ между двумя наборами, включая схожие вентральные и дорсальные модули в обеих сетях. Кроме того, пять из шести показателей, за исключением коэффициента кластеризации, показали значимые корреляции между двумя сетями. Значения сходства увеличивались с порогом разреженности почти для всех метрик, предполагая, что анализ на сетевом уровне может отражать стабильные индивидуальные различия, независимо от выбора определения узла, и что порог разреженности от 0,30 до 0,40 приведет к лучшей обобщаемости в анализе навигационной сети.
Более того, оценка надежности топологических измерений навигационных сетей показала, что большинство метрик сети показали удовлетворительную или хорошую надежность в AICHA, в то время как сеть AAL показала относительно более высокую надежность. Кроме того, включение глобальной регрессии сигнала в предварительную обработку данных FMRI может обеспечить высокую надежность. Эти результаты свидетельствуют о том, что коэффициент кластеризации и малый мир являются наиболее надежными среди этих метрик.
С помощью этого подхода исследователи могут исследовать траекторию развития функционально специфических сетей. Сетевые свойства также предоставляют новые биомаркеры для раннего выявления заболеваний головного мозга, таких как болезнь Альцгеймера.
