模拟人脑空间导航功能网络

空间导航是一个复杂的过程，涉及大脑中的分布式网络。我们的研究提出了一种整合性方法，利用功能性磁共振成像（fMRI）数据构建空间导航的功能网络模型。该最优网络模型为理解网络内脑区之间的相互作用提供了新的见解。

该网络模型还能更好地捕捉健康和疾病状态下行为的变异性。我们的方法也可应用于其他复杂功能的研究。例如，类似的流程可用于语言和记忆的脑网络建模。

首先，检查数据质量，并排除那些重测数据缺失或头动过大的受试者。然后在 MATLAB 中打开图论网络分析（GRETNA）工具箱。点击“FC Matrix Construction”选项卡，选择功能数据集的路径以加载 nifty 文件。

按照管道选项中显示的步骤执行。接下来，为了进行网络节点定义，通过输入以下命令下载最新的 Neurosynth 数据库。然后从数据库生成一个新的数据集实例。

输入 txt 并通过键入此命令为该数据添加特征。通过键入命令对感兴趣术语（如导航）进行元分析。接下来，通过结合元分析图谱和全脑分区图谱（如 AICHA 或 AAL），在 FSL 中键入此命令来定义感兴趣的簇。

然后在 Python 中输入以下脚本，以检查图中每个区域的大小。之后，使用 FSL 中的 FSL Maths 将所有脑区整合到一个模板中。进行网络连接性估计时，在 GRETNA 软件中点击 FC Matrix Construction，然后选择 Static Correlation。

将从网络节点定义中获得的节点作为图谱上传，以计算各脑区对之间静息态功能磁共振信号的静态相关性，并将其转换为Fisher Z分数。若需通过流程选项中显示的步骤生成一个正向加权网络，请点击“网络分析”。随后，将网络矩阵添加到脑功能连接矩阵窗口中，并选择输出目录以进行后续处理。

在 GRETNA 网络指标分析流程中添加小世界属性、全局效率、聚类系数、最短路径长度、度中心性以及局部效率。在矩阵符号选项中选择“正”（positive），在阈值方法中选择网络稀疏性，并输入一组阈值序列。

选择网络类型为加权网络。将随机网络数量设置为 1,000，然后点击运行。为了确定网络中模块的最佳数量，首先计算平均化导航网络。

然后使用 MATLAB 中的谱聚类（spectral cluster）函数，将得到的平均网络划分为 2、3、4 和 5 个模块。接着使用 procrustes_alignment.m 脚本对模块划分进行配准，并计算在静息态一和静息态二中被划分到相同模块的节点比例。

选择重复性最高的模块数量。为了进行网络分析，比较两种不同策略网络（如 NaviNet AICHA 和 NaviNet AAL）之间这些网络指标的相似性。使用 MATLAB 中的 ICC 函数检验这些网络指标的重测信度。

本研究使用AICHA图谱鉴定了27个与空间导航相关的脑区。这些脑区包括内侧颞叶和顶叶区域，这些区域已在导航神经影像研究中被报道。作为对比，还纳入了AAL图谱中的20个脑区。

结果显示，两个网络之间存在较大的重叠以及相似的社区分布，包括在两个网络中均出现的相似的腹侧和背侧模块。此外，除聚类系数外，其余六个指标中的五个在网络间均表现出显著相关性。对于几乎所有指标而言，相似性数值随着稀疏度阈值的增加而升高，表明网络水平的分析能够反映稳定的个体差异，且独立于节点定义方式的选择；同时表明，在导航网络分析中，采用0.30至0.40的稀疏度阈值将获得更好的泛化能力。

此外，对导航网络拓扑指标的重测信度评估表明，在AICHA中，该网络的大多数指标表现出中等至良好的信度，而AAL网络则显示出相对更高的信度。另外，在fMRI数据预处理中加入全局信号回归可提高信度。这些结果提示，聚类系数和小世界属性是这些指标中最为可靠的。

通过这种方法，研究人员可以探究功能特异性网络的发育轨迹。网络特性还为阿尔茨海默病等脑部疾病的早期识别提供了新的生物标志物。