Name: modeling the functional network for spatial navigation in the human brain
Uploaded: 2023-10-13T13:20:00
Description: Watch this Scientific Journal Video about Modeling the Functional Network for Spatial Navigation in the Human Brain at JoVE.com

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.

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 scanne...

<ol>
	<li>Kanwisher, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+specificity+in+the+human+brain:+a+window+into+the+functional+architecture+of+the+mind.">Functional specificity in the human brain: a window into the functional architecture of the mind.</a> Proceedings of the National Academy of Sciences of the United States of America. 107 (25), 11163-11170 (2010).</li><li>Coughlan, G., Laczo, J., Hort, J., Minihane, A. M., Hornberger, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatial+navigation+deficits+-+overlooked+cognitive+marker+for+preclinical+Alzheimer+disease.">Spatial navigation deficits - overlooked cognitive marker for preclinical Alzheimer disease.</a> Nature Reviews Neurology. 14 (8), 496-506 (2018).</li><li>Gilbert, S. J., Meuwese, J. D., Towgood, K. J., Frith, C. D., Burgess, P. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Abnormal+functional+specialization+within+medial+prefrontal+cortex+in+high-functioning+autism:+a+multi-voxel+similarity+analysis.">Abnormal functional specialization within medial prefrontal cortex in high-functioning autism: a multi-voxel similarity analysis.</a> Brain. 132 (4), 869-878 (2009).</li><li>Kanwisher, N., McDermott, J., Chun, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+fusiform+face+area:+a+module+in+human+extrastriate+cortex+specialized+for+face+perception.">The fusiform face area: a module in human extrastriate cortex specialized for face perception.</a> Journal of Neuroscience. 17 (11), 4302-4311 (1997).</li><li>Epstein, R., Harris, A., Stanley, D., Kanwisher, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+parahippocampal+place+area:+recognition,+navigation,+or+encoding.">The parahippocampal place area: recognition, navigation, or encoding.</a> Neuron. 23 (1), 115-125 (1999).</li><li>Epstein, R. A., Patai, E. Z., Julian, J. B., Spiers, H. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+cognitive+map+in+humans:+spatial+navigation+and+beyond.">The cognitive map in humans: spatial navigation and beyond.</a> Nature Neuroscience. 20 (11), 1504-1513 (2017).</li><li>Baumann, O., Mattingley, J. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Extrahippocampal+contributions+to+spatial+navigation+in+humans:+A+review+of+the+neuroimaging+evidence.">Extrahippocampal contributions to spatial navigation in humans: A review of the neuroimaging evidence.</a> Hippocampus. 31 (7), 640-657 (2021).</li><li>Auger, S. D., Mullally, S. L., Maguire, E. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Retrosplenial+cortex+codes+for+permanent+landmarks.">Retrosplenial cortex codes for permanent landmarks.</a> PloS One. 7 (8), e43620 (2012).</li><li>Zhen, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantifying+the+variability+of+scene-selective+regions:+Interindividual,+interhemispheric,+and+sex+differences.">Quantifying the variability of scene-selective regions: Interindividual, interhemispheric, and sex differences.</a> Human Brain Mapping. 38 (4), 2260-2275 (2017).</li><li>Ekstrom, A. D., Huffman, D. J., Starrett, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Interacting+networks+of+brain+regions+underlie+human+spatial+navigation:+a+review+and+novel+synthesis+of+the+literature.">Interacting networks of brain regions underlie human spatial navigation: a review and novel synthesis of the literature.</a> Journal of Neurophysiology. 118 (6), 3328-3344 (2017).</li><li>Coughlan, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+connectivity+between+the+entorhinal+and+posterior+cingulate+cortices+underpins+navigation+discrepancies+in+at-risk+Alzheimer's+disease.">Functional connectivity between the entorhinal and posterior cingulate cortices underpins navigation discrepancies in at-risk Alzheimer's disease.</a> Neurobiology of Aging. 90, 110-118 (2020).</li><li>Kong, X. Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Human+navigation+network:+the+intrinsic+functional+organization+and+behavioral+relevance.">Human navigation network: the intrinsic functional organization and behavioral relevance.</a> Brain Structure &amp; Function. 222 (2), 749-764 (2017).</li><li>Weisberg, S. M., Ekstrom, A. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hippocampal+volume+and+navigational+ability:+The+map+(ping)+is+not+to+scale.">Hippocampal volume and navigational ability: The map (ping) is not to scale.</a> Neuroscience &amp; Biobehavioral Reviews. 126, 102-112 (2021).</li><li>Tzourio-Mazoyer, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automated+anatomical+labeling+of+activations+in+SPM+using+a+macroscopic+anatomical+parcellation+of+the+MNI+MRI+single-subject+brain.">Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain.</a> Neuroimage. 15 (1), 273-289 (2002).</li><li>Van Essen, D. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+WU-Minn+human+connectome+project:+an+overview.">The WU-Minn human connectome project: an overview.</a> Neuroimage. 80, 62-79 (2013).</li><li>Smith, S. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Resting-state+fMRI+in+the+human+connectome+project.">Resting-state fMRI in the human connectome project.</a> Neuroimage. 80, 144-168 (2013).</li><li>Wang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=GRETNA:+a+graph+theoretical+network+analysis+toolbox+for+imaging+connectomics.">GRETNA: a graph theoretical network analysis toolbox for imaging connectomics.</a> Frontiers in Human Neuroscience. 9, 386 (2015).</li><li>Esteban, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=fMRIPrep:+a+robust+preprocessing+pipeline+for+functional+MRI.">fMRIPrep: a robust preprocessing pipeline for functional MRI.</a> Nature Methods. 16 (1), 111-116 (2019).</li><li>Yan, C., Zang, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=DPARSF:+a+MATLAB+toolbox+for&amp;#34;+pipeline&amp;#34;+data+analysis+of+resting-state+fMRI.">DPARSF: a MATLAB toolbox for&amp;#34; pipeline&amp;#34; data analysis of resting-state fMRI.</a> Frontiers in Systems Neuroscience. 4, 13 (2010).</li><li>Yarkoni, T., Poldrack, R. A., Nichols, T. E., Van Essen, D. C., Wager, T. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Large-scale+automated+synthesis+of+human+functional+neuroimaging+data.">Large-scale automated synthesis of human functional neuroimaging data.</a> Nature Methods. 8 (8), 665-670 (2011).</li><li>Joliot, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=AICHA:+An+atlas+of+intrinsic+connectivity+of+homotopic+areas.">AICHA: An atlas of intrinsic connectivity of homotopic areas.</a> Journal of Neuroscience Methods. 254, 46-59 (2015).</li><li>Murphy, K., Birn, R. M., Handwerker, D. A., Jones, T. B., Bandettini, P. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+impact+of+global+signal+regression+on+resting+state+correlations:+are+anti-correlated+networks+introduced.">The impact of global signal regression on resting state correlations: are anti-correlated networks introduced.</a> Neuroimage. 44 (3), 893-905 (2009).</li><li>Fox, M. D., Zhang, D., Snyder, A. Z., Raichle, M. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+global+signal+and+observed+anticorrelated+resting+state+brain+networks.">The global signal and observed anticorrelated resting state brain networks.</a> Journal of Neurophysiology. 101 (6), 3270-3283 (2009).</li><li>Xiang, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Graph-based+network+analysis+of+resting-state+fMRI:+test-retest+reliability+of+binarized+and+weighted+networks.">Graph-based network analysis of resting-state fMRI: test-retest reliability of binarized and weighted networks.</a> Brain Imaging and Behavior. 14, 1361-1372 (2020).</li><li>Rubinov, M., Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Complex+network+measures+of+brain+connectivity:+uses+and+interpretations.">Complex network measures of brain connectivity: uses and interpretations.</a> Neuroimage. 52 (3), 1059-1069 (2010).</li><li>Maslov, S., Sneppen, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Specificity+and+stability+in+topology+of+protein+networks.">Specificity and stability in topology of protein networks.</a> Science. 296 (5569), 910-913 (2002).</li><li>Shrout, P. E., Fleiss, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Intraclass+correlations:+uses+in+assessing+rater+reliability.">Intraclass correlations: uses in assessing rater reliability.</a> Psychological Bulletin. 86 (2), 420 (1979).</li><li>McGraw, K. O., Wong, S. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Forming+inferences+about+some+intraclass+correlation+coefficients.">Forming inferences about some intraclass correlation coefficients.</a> Psychological Methods. 1 (1), 30 (1996).</li><li>Andellini, M., Cannat&#224;, V., Gazzellini, S., Bernardi, B., Napolitano, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Test-retest+reliability+of+graph+metrics+of+resting+state+MRI+functional+brain+networks:+A+review.">Test-retest reliability of graph metrics of resting state MRI functional brain networks: A review.</a> Journal of Neuroscience Methods. 253, 183-192 (2015).</li><li>Cao, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Test-retest+reliability+of+fMRI-based+graph+theoretical+properties+during+working+memory,+emotion+processing,+and+resting+state.">Test-retest reliability of fMRI-based graph theoretical properties during working memory, emotion processing, and resting state.</a> Neuroimage. 84, 888-900 (2014).</li><li>Rousson, V., Gasser, T., Seifert, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Assessing+intrarater,+interrater+and+test-retest+reliability+of+continuous+measurements.">Assessing intrarater, interrater and test-retest reliability of continuous measurements.</a> Statistics in medicine. 21 (22), 3431-3446 (2002).</li><li>Bullmore, E., Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Complex+brain+networks:+graph+theoretical+analysis+of+structural+and+functional+systems.">Complex brain networks: graph theoretical analysis of structural and functional systems.</a> Nature Reviews Neuroscience. 10 (3), 186-198 (2009).</li><li>Patai, E. Z., Spiers, H. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+versatile+wayfinder:+prefrontal+contributions+to+spatial+navigation.">The versatile wayfinder: prefrontal contributions to spatial navigation.</a> Trends in Cognitive Sciences. 25 (6), 520-533 (2021).</li><li>Wegman, J., Janzen, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Neural+encoding+of+objects+relevant+for+navigation+and+resting+state+correlations+with+navigational+ability.">Neural encoding of objects relevant for navigation and resting state correlations with navigational ability.</a> Journal of Cognitive Neuroscience. 23 (12), 3841-3854 (2011).</li><li>Braun, U., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Test-retest+reliability+of+resting-state+connectivity+network+characteristics+using+fMRI+and+graph+theoretical+measures.">Test-retest reliability of resting-state connectivity network characteristics using fMRI and graph theoretical measures.</a> Neuroimage. 59 (2), 1404-1412 (2012).</li></ol>

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...

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).

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Brain connectivity toolbox (BCT)</td>
			<td>Mikail Rubinov &#38; Olaf Sporns&#160;</td>
			<td>2019</td>
			<td>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.&#160;</td>
		</tr>
		<tr>
			<td>GRETNA</td>
			<td>Jinhui Wang et al.</td>
			<td>2</td>
			<td>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.</td>
		</tr>
		<tr>
			<td>MATLAB</td>
			<td>MathWorks</td>
			<td>2021a</td>
			<td>MATLAB is a programming and numeric computing platform used by millions of engineers and scientists to analyze data, develop algorithms, and create models.</td>
		</tr>
		<tr>
			<td>Python</td>
			<td>Guido van Rossum et al.</td>
			<td>3.8.6</td>
			<td>Python is a programming language that lets you work more quickly and integrate your systems more effectively.</td>
		</tr>
		<tr>
			<td>Statistical Parametric Mapping (SPM)</td>
			<td>Karl Friston et.al&#160;</td>
			<td>12</td>
			<td>Statistical Parametric Mapping&#160;refers to the construction and assessment of spatially extended statistical processes used to test hypotheses about functional imaging data.</td>
		</tr>
	</tbody>
</table>

modeling the functional network for spatial navigation in the human brain

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.

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 ?...

Watch this Scientific Journal Video about Modeling the Functional Network for Spatial Navigation in the Human Brain at JoVE.com

Modeling the Functional Network for Spatial Navigation in the Human Brain

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.

Modélisation du réseau fonctionnel pour la navigation spatiale dans le cerveau humain

Spatial navigation is a complex function involving the integration and manipulation of multisensory information. Using different navigation tasks, many ...

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.

Research

JoVE Journal

Neuroscience

Combining Transcranial Magnetic Stimulation and fMRI to Examine the Default Mode Network

Alliant la stimulation magnétique transcrânienne et l&#39;IRMf pour examiner le réseau en mode par défaut

The default mode network is a group of brain regions that are active when an individual is not focused on the outside world and the brain is at "wakeful ...

Recherche

Neurosciences

Using MazeSuite and Functional Near Infrared Spectroscopy to Study Learning in Spatial Navigation

Utiliser MazeSuite et fonctionnelle proche infrarouge pour étudier l&#39;apprentissage de la navigation spatiale

MazeSuite is a complete toolset to prepare, present and analyze navigational and spatial experiments1. MazeSuite can be used to design and edit adapted ...

High-resolution Functional Magnetic Resonance Imaging Methods for Human Midbrain

Haute résolution magnétique fonctionnelle Méthodes d&#39;imagerie par résonance mésencéphale humain

Functional MRI (fMRI) is a widely used tool for non-invasively measuring correlates of human brain activity. However, its use has mostly been focused upon ...

High-throughput Analysis of Locomotor Behavior in the Drosophila Island Assay

High-throughput Analysis of Locomotor Behavior in the Drosophila Island Assay

Analyse de haut-débit du comportement locomoteur dans le dosage de l’île de drosophile

Advances in next-generation sequencing technologies contribute to the identification of (candidate) disease genes for movement disorders and other ...

Recording Synaptic Plasticity in Acute Hippocampal Slices Maintained in a Small-volume Recycling-, Perfusion-, and Submersion-type Chamber System

Enregistrement de la plasticité synaptique dans des tranches d’hippocampe aiguës maintenues dans un petit volume recyclage - Perfusion- et système de chambre de Submersion-type

Even though experiments on brain slices have been in use since 1951, problems remain that reduce the probability of achieving a stable and successful ...

3D Kinematic Analysis for the Functional Evaluation in the Rat Model of Sciatic Nerve Crush Injury

Analyse cinématique 3D pour l’évaluation fonctionnelle dans le modèle de rat de la blessure d’écrasement de nerf sciatique

Compared to the Sciatic Functional Index (SFI), kinematic analysis is a more reliable and sensitive method for performing functional evaluations of ...

Determining the Functional Status of the Corticospinal Tract Within One Week of Stroke

Détermination de l’état fonctionnel de la tractaire corticospinal dans une semaine d’AVC

High interindividual variability in the recovery of upper limb (UL) function after stroke means it is difficult to predict an individual&#39;s potential ...

Generation of Human Neurons and Oligodendrocytes from Pluripotent Stem Cells for Modeling Neuron-Oligodendrocyte Interactions

Génération de neurones humains et d’oligodendrocytes à partir de cellules souches pluripotentes pour la modélisation des interactions neurone-oligodendrocytes

In Alzheimer&#8217;s disease (AD) and other neurodegenerative disorders, oligodendroglial failure is a common early pathological feature, but how it ...

A Metric Test for Assessing Spatial Working Memory in Adult Rats Following Traumatic Brain Injury

Un test métrique pour évaluer la mémoire de travail spatiale chez les rats adultes après une lésion cérébrale traumatique

Impairments to sensory, short-term, and long-term memory are common side effects after traumatic brain injury (TBI). Due to the ethical limitations of ...

Generation of Human Brain Organoids for Mitochondrial Disease Modeling

Génération d’organoïdes cérébraux humains pour la modélisation des maladies mitochondriales

Mitochondrial diseases represent the largest class of inborn errors of metabolism and are currently incurable. These diseases cause neurodevelopmental ...