ניווט מרחבי הוא תהליך מורכב המערב רשת מבוזרת במוח. עבודתנו מציגה גישה אינטגרטיבית למידול רשת פונקציונלית לניווט מרחבי באמצעות נתוני FMRI. מודל הרשת האופטימלי מספק תובנות חדשות להבנת האופן שבו אזורים במוח ברשת מתקשרים.
מודל הרשת יכול גם ללכוד טוב יותר שונות בהתנהגויות הן בבריאות והן במחלות. השיטה שלנו יכולה להיות מיושמת גם על מחקרים או פונקציות מורכבות אחרות. לדוגמה, הליך דומה יכול לשמש למידול רשת המוח עבור שפה וזיכרון.
כדי להתחיל, בדוק את איכות הנתונים ואל תכלול משתתפים עם נתוני בדיקה חוזרת חסרים ותנועת ראש מוגזמת. לאחר מכן פתח את ניתוח הרשת התיאורטי של הגרפים או את ארגז הכלים של GRETNA ב- MATLAB. לחץ על הכרטיסייה FC Matrix Construction"ובחר את הנתיב של ערכת הנתונים הפונקציונלית כדי לטעון את המסמכים nifty.
בצע את השלבים כפי שמוצג באפשרות קו הצינור. לאחר מכן, כדי לבצע הגדרת צומת רשת, הורד את מסד הנתונים האחרון של Neurosynth על-ידי הקלדת הפקודה הבאה. לאחר מכן צור מופע חדש של ערכת נתונים ממסד הנתונים.
TXT והוסף תכונות לנתונים אלה על-ידי הקלדת פקודה זו. הפעל מטא-אנליזה של מונח העניין, כגון ניווט, על-ידי הקלדת הפקודה. לאחר מכן, הגדר אשכולות עניין על ידי שילוב המפה המטא אנליטית וכל אטלס הפרצלציה של המוח כגון AICHA או AAL על ידי הקלדת פקודה זו מ- FSL.
לאחר מכן הקלד את הסקריפטים הבאים בפייתון כדי לבדוק את הגודל של כל אזור במפה. לאחר מכן, שלב את כל אזורי המוח בתבנית על ידי FSL Maths ב- FSL. להערכת קישוריות רשת, לחץ על FC Matrix Construction בתוכנת GRETNA ולחץ על מתאם סטטי.
העלה את הצומת המתקבל מהגדרת צומת הרשת כאטלס כדי לחשב את המתאם הסטטי של אותות rs-fMRI של כל זוג אזורים והעבר אותם לציוני Z של פישר. כדי לקבל רשת חיובית ומשוקללת עם השלבים המוצגים באפשרות הצינור, לחץ על ניתוח רשת. לאחר מכן הוסף את מטריצות הרשת לחלון מטריצת קישוריות המוח ובחר ספריית פלט להכנה.
הוסף עולם קטן, יעילות גלובלית, מקדם אשכולות, אורך נתיב קצר ביותר, מרכזיות מעלות ויעילות מקומית לצנרת ניתוח המדדים של רשת GRETNA. בחר חיובי בסימן המטריצה. בחר דלילות רשת בשיטת הסף והזן קבוצה של רצפי סף.
בחר את סוג הרשת כמשוקלל. הגדר את מספר הרשת האקראית כ- 1, 000 ולחץ על הפעל. כדי לקבוע את המספר האופטימלי של מודולים ברשת, תחילה חשב את רשת הניווט הממוצעת.
לאחר מכן חלק את הרשת הממוצעת המתקבלת ל- 2, 3, 4 ו- 5 מודולים באמצעות הפונקציה, אשכול ספקטרלי, ב- MATLAB. לאחר מכן יישר את חלוקות המודולים באמצעות הסקריפט, procrustes_alignment. m, ולחשב את החלק של הצמתים מחולק לאותו מודול במנוחה אחת ומנוחה שתיים.
בחר את מספר המודולים עם יכולת החזרה הגבוהה ביותר. כדי לבצע את ניתוח הרשת, בחן את הדמיון של מדדי רשת אלה בין שתי רשתות עם סוגים שונים של אסטרטגיות ללא הגדרה כמו NaviNet AICHA ו- NaviNet AAL. בדקו את אמינות הבדיקה החוזרת של מדדי רשת אלה באמצעות הפונקציה ICC ב-MATLAB.
במחקר זה, 27 אזורי מוח הקשורים לניווט מרחבי זוהו באמצעות אטלס AICHA. אזורים אלה כללו את האזורים האמצעיים, הרקתיים והקודקודיים שדווחו במחקרי דימות מוחי של ניווט. לשם השוואה, נכללו 20 אזורים מאטלס AAL.
הוא הראה חפיפה גדולה והתפלגות קהילתית דומה בין שתי הקבוצות, כולל מודולים גחונים וגביים דומים בשתי הרשתות. יתר על כן, חמישה מתוך ששת המדדים, למעט מקדם האשכולות, הראו מתאם מובהק בין שתי הרשתות. ערכי הדמיון גדלו עם סף הדלילות עבור כמעט כל המדדים, דבר המצביע על כך שניתוח רמת הרשת יכול לשקף הבדלים אינדיבידואליים יציבים, ללא תלות בבחירות הגדרת הצמתים, וכי סף הדלילות של 0.30 עד 0.40 יביא להכללה טובה יותר בניתוח רשתות ניווט.
יתר על כן, הערכת מהימנות שאר המדדים הטופולוגיים של רשתות הניווט הצביעה על כך שרוב מדדי הרשת הראו אמינות הוגנת עד טובה ב- AICHA, בעוד שרשת AAL הראתה אמינות גבוהה יחסית. בנוסף, הכללת רגרסיה גלובלית של אותות בעיבוד מקדים של נתוני FMRI עלולה לגרום לאמינות גבוהה. תוצאות אלה הצביעו על כך שמקדם האשכולות והעולם הקטן הם האמינים ביותר מבין מדדים אלה.
בעזרת גישה זו, חוקרים יכולים לחקור את מסלול ההתפתחות של רשתות ספציפיות מבחינה תפקודית. מאפייני הרשת מספקים גם סמנים ביולוגיים חדשים להנחיית זיהוי מוקדם של הפרעות מוחיות כגון מחלת אלצהיימר.
