Modellazione della rete funzionale per la navigazione spaziale nel cervello umano
13 ottobre 2023
Questo articolo presenta un approccio integrativo allo studio della rete funzionale per la navigazione spaziale nel cervello umano. Questo approccio incorpora un database meta-analitico di neuroimaging su larga scala, una risonanza magnetica funzionale in stato di riposo e tecniche di modellazione di rete e di teoria dei grafi.
La navigazione spaziale è un processo complesso che coinvolge una rete distribuita nel cervello. Il nostro lavoro presenta un approccio integrativo per la modellazione di una rete funzionale per la navigazione spaziale utilizzando dati FMRI. Il modello di rete ottimale fornisce nuove informazioni per comprendere come interagiscono le regioni cerebrali all'interno della rete.
Il modello di rete potrebbe anche catturare meglio la variabilità nei comportamenti sia in salute che in malattia. Il nostro metodo può essere applicato anche a studi o altre funzioni complesse. Ad esempio, una procedura simile potrebbe essere utilizzata per modellare la rete cerebrale per il linguaggio e la memoria.
Per iniziare, controlla la qualità dei dati ed escludi i partecipanti con dati di ripetizione mancanti e movimenti eccessivi della testa. Quindi apri il grafico teorico dell'analisi di rete o la casella degli strumenti GRETNA in MATLAB. Fare clic sulla scheda FC Matrix Construction"e selezionare il percorso del set di dati funzionale per caricare i documenti eleganti.
Eseguite i passi come mostrato nell'opzione della tubazione. Successivamente, per eseguire la definizione del nodo di rete, scaricare l'ultimo database Neurosynth digitando il seguente comando. Generare quindi una nuova istanza del set di dati dal database.
txt e aggiungere funzionalità a questi dati digitando questo comando. Eseguire una meta-analisi del termine di interesse, ad esempio la navigazione, digitando il comando. Successivamente, definisci i cluster di interesse incorporando la mappa metaanalitica e l'intero atlante di parcellizzazione cerebrale come AICHA o AAL digitando questo comando da FSL.
Quindi digita i seguenti script in Python per controllare le dimensioni di ogni regione nella mappa. Successivamente, integra tutte le regioni del cervello in un modello di FSL Maths in FSL. Per la stima della connettività di rete, fare clic su FC Matrix Construction nel software GRETNA e fare clic su Static Correlation.
Caricare il nodo ottenuto dalla definizione del nodo di rete come atlante per calcolare la correlazione statica dei segnali rs-fMRI di ciascuna coppia di regioni e trasferirli nei punteggi Z di Fisher. Per ottenere una rete positiva e ponderata con i passaggi visualizzati nell'opzione pipeline, fare clic su Analisi di rete. Quindi aggiungere le matrici di rete nella finestra della matrice di connettività cerebrale e scegliere una directory di output per la preparazione.
Aggiungi un piccolo mondo, l'efficienza globale, il coefficiente di clustering, la lunghezza del percorso più breve, la centralità dei gradi e l'efficienza locale alla pipeline di analisi delle metriche della rete GRETNA. Seleziona positivo nel segno della matrice. Selezionare la sparsità di rete nel metodo di soglia e immettere un set di sequenze di soglia.
Scegliere il tipo di rete come ponderato. Imposta il numero di rete casuale come 1.000 e fai clic su Esegui. Per determinare il numero ottimale di moduli nella rete, calcolare prima la media della rete di navigazione.
Quindi dividi la rete media risultante in 2, 3, 4 e 5 moduli utilizzando la funzione cluster spettrale in MATLAB. Quindi allineare le divisioni dei moduli utilizzando lo script, procrustes_alignment. m, e calcolare la porzione di nodi divisi nello stesso modulo in rest uno e rest two.
Selezionare il numero di moduli con la massima ripetibilità. Per eseguire l'analisi di rete, esaminare la somiglianza di queste metriche di rete tra due reti con diversi tipi di strategie per nessuna definizione, ad esempio NaviNet AICHA e NaviNet AAL. Verificare l'affidabilità del test retest di queste metriche di rete utilizzando la funzione ICC in MATLAB.
In questo studio, 27 regioni cerebrali associate alla navigazione spaziale sono state identificate utilizzando l'atlante AICHA. Queste regioni consistevano nelle regioni mediali, temporali e parietali che sono state riportate negli studi di neuroimaging di navigazione. A titolo di confronto, sono state incluse 20 regioni dell'atlante AAL.
Ha mostrato un'ampia sovrapposizione e una distribuzione simile della comunità tra i due insiemi, inclusi moduli ventrali e dorsali simili in entrambe le reti. Inoltre, cinque delle sei metriche, ad eccezione del coefficiente di clustering, hanno mostrato correlazioni significative tra le due reti. I valori di somiglianza sono aumentati con la soglia di sparsità per quasi tutte le metriche, suggerendo che l'analisi a livello di rete potrebbe riflettere differenze individuali stabili, indipendenti dalle scelte di definizione dei nodi, e che la soglia di sparsità da 0,30 a 0,40 comporterebbe una migliore generalizzabilità nell'analisi della rete di navigazione.
Inoltre, la valutazione dell'affidabilità del retest rest delle misure topologiche delle reti di navigazione ha indicato che la maggior parte delle metriche della rete ha mostrato un'affidabilità da discreta a buona nell'AICHA, mentre la rete AAL ha mostrato un'affidabilità relativamente più elevata. Inoltre, l'inclusione della regressione del segnale globale nella pre-elaborazione dei dati FMRI potrebbe comportare un'elevata affidabilità. Questi risultati hanno suggerito che il coefficiente di clustering e il piccolo mondo sono i più affidabili tra queste metriche.
Con questo approccio, i ricercatori possono studiare la traiettoria di sviluppo di reti funzionalmente specifiche. Le proprietà della rete forniscono anche nuovi biomarcatori per guidare l'identificazione precoce di disturbi cerebrali come il morbo di Alzheimer.
Visualizza la trascrizione completa e accedi a migliaia di video scientifici
Panoramica
Questo studio presenta un approccio integrativo alla modellizzazione della rete funzionale coinvolta nella navigazione spaziale mediante l'uso di dati di fMRI a riposo. Impiegando tecniche di modellizzazione delle reti e di teoria dei grafi, la ricerca mira a migliorare la comprensione delle interazioni tra le regioni cerebrali chiave per la navigazione, con implicazioni per la salute e le malattie.
Componenti Chiave dello Studio
Area della Scienza
- Neuroscienze
- Neuroimmagine funzionale
- Analisi delle reti
Sfondo
- La navigazione spaziale coinvolge una rete cerebrale complessa.
- Lo studio identifica regioni cerebrali cruciali associate alla navigazione.
- Utilizza un database neuroimmaginale meta-analitico su larga scala per il confronto dei dati.
- Obiettivo è esplorare la variabilità dei comportamenti legati alla navigazione in contesti di salute e malattia.
Scopo dello studio
- Studiare la rete cerebrale funzionale alla base della navigazione spaziale.
- Migliorare la rilevazione della variabilità individuale del comportamento.
- Fornire quadri metodologici applicabili ad altre funzioni cognitive.
Metodi Utilizzati
- Lo studio utilizza dati di risonanza magnetica funzionale (fMRI) a riposo.
- I modelli biologici chiave includono regioni cerebrali identificate associate alla navigazione spaziale, utilizzando gli atlanti AICHA e AAL.
- I passaggi includono controlli della qualità dei dati, definizione dei nodi della rete e stima della connettività della rete mediante il toolbox GRETNA in MATLAB.
- Vengono analizzate diverse metriche per valutare le proprietà della rete.
- Viene effettuata la valutazione dell'affidabilità test-riprova per le metriche della rete.
Risultati Principali
- Individuati 27 regioni cerebrali associate alla navigazione spaziale, con sovrapposizione tra gli atlanti AICHA e AAL.
- Maggiore affidabilità delle metriche di rete AAL rispetto a quelle AICHA, evidenziando l'importanza della regressione del segnale globale.
- Cinque delle sei metriche di rete hanno mostrato correlazioni significative tra i due atlanti.
- I risultati suggeriscono che il coefficiente di clustering e le proprietà di tipo small-world sono metriche particolarmente affidabili.
Conclusioni
- Questo metodo integrativo consente un'indagine più approfondita delle reti di navigazione nel cervello.
- I risultati dello studio forniscono nuovi biomarcatori per l'identificazione dei disturbi cerebrali.
- Le implicazioni riguardano la comprensione dei meccanismi neuronali in condizioni fisiologiche e possibili interventi precoci per malattie come l'Alzheimer.
Domande frequenti
Rilevanza Industriale del Progetto
La modellizzazione della rete funzionale per la navigazione spaziale nel cervello umano consente ai team biofarmaceutici di indagare circuiti neurali distribuiti alla base di comportamenti complessi. Questo approccio integrato di rete migliora la fiducia predittiva nell'identificazione di biomarcatori robusti e supporta decisioni corrette rispetto al rischio nell'interfaccia tra neuroscienze della scoperta e neuroscienze traslazionali. La riproducibilità del metodo e i suoi risultati quantitativi lo posizionano come una capacità riutilizzabile per la riduzione del rischio neurobiologico su scala di portafoglio.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Scoperta Precoce e Validazione del Target
- Permette l'identificazione sistematica delle regioni cerebrali fondamentali per la navigazione spaziale mediante approcci basati su meta-analisi e atlanti.
- Supporta la validazione dei bersagli funzionali quantificando la connettività e le proprietà topologiche nei circuiti neurali.
- Facilita la riduzione del rischio meccanicistica rivelando biomarcatori a livello di rete correlati ai percorsi delle malattie neurodegenerative.
Sviluppo di Screening e Saggi
- Fornisce metriche di rete validate (ad esempio, coefficiente di clustering, small-worldness) per la standardizzazione e la riproducibilità dei saggi.
- Fornisce output quantitativi che consentono un confronto affidabile degli effetti di interventi sull'organizzazione della rete cerebrale.
- Prepara sistemi biologici robusti per lo screening successivo di composti che mirano alla connettività o alla funzione neuronale.
Ricerca Translazionale e Preclinica
- Allinea biomarcatori derivati da reti a endpoint pertinenti alla malattia, sostenendo la continuità traslazionale dalla scoperta ai modelli preclinici.
- Permette decisioni di avanzamento corrette per il rischio, quantificando stabilità e affidabilità della rete attraverso diverse popolazioni.
- Supporta l'identificazione precoce di firme di malattie neurodegenerative, come quelle associate alla malattia di Alzheimer.
Integrazione di Pipeline e Flusso di Lavoro
Questo approccio di modellazione della rete integra le fasi iniziali della scoperta fino alla ricerca traslazionale, collegando la verifica delle ipotesi, l'analisi quantitativa e lo sviluppo di biomarcatori.
- Biologia della scoperta: Supporta l'identificazione e la validazione basate su ipotesi dei circuiti della navigazione spaziale.
- Screening: Fornisce metriche quantitative e riproducibili delle reti per la prontezza del saggio e la confrontabilità tra studi.
- Analisi: Fornisce output statistici (ad esempio, punteggi Z di Fisher, affidabilità ICC) per confronti robusti tra condizioni.
- Ricerca traslazionale: Collega le proprietà della rete a biomarcatori rilevanti per la malattia e a endpoint preclinici.
- Riutilizzo aziendale: Stabilisce un flusso di lavoro scalabile e standardizzato per modellare altre reti cerebrali cognitive o rilevanti per la malattia.
Impatto Operativo ed Aziendale
- Valore scientifico: Aumenta la fiducia predittiva e riduce l'ambiguità meccanicistica nella validazione di bersagli neurobiologici.
- Valore operativo: Standardizza le procedure di analisi delle reti per garantire riproducibilità e scalabilità tra diversi studi.
- Valore strategico: Orienta le decisioni di avanzamento o interruzione e l'allocazione del capitale quantificando l'affidabilità della rete e la robustezza dei biomarcatori.
- Impatto sul portafoglio: Permette la priorizzazione, corretta per il rischio, delle risorse nel settore delle neuroscienze in base a endpoint validati a livello di rete.
Considerazioni sull'implementazione
- Richiede competenze specifiche in neuroimmagini, teoria dei grafi e analisi statistica per un'esecuzione rigorosa.
- Richiede l'accesso a dati fMRI di alta qualità, infrastrutture computazionali e toolboxes specializzati (ad esempio, GRETNA, MATLAB, FSL).
- Necessita di una standardizzazione condivisa tra i gruppi di ricerca per quanto riguarda le definizioni dei nodi, i passaggi di pre-elaborazione e le soglie delle metriche di rete.
- È adattabile a diversi atlanti cerebrali e domini cognitivi, ma l'integrità della rete può variare in base alla scelta dell'atlante.
- L'affidabilità delle metriche di rete è influenzata dalle scelte di pre-elaborazione, come la regressione del segnale globale e i criteri di selezione dei partecipanti.
