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.
