DOI: https://doi.org/10.1038/s41467-024-54472-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39592571
تاريخ النشر: 2024-11-26
المؤلف: Andrea Santoro وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تناقش هذه الفقرة قيود النماذج التقليدية لنشاط الدماغ البشري، التي تركز عادةً على التفاعلات الثنائية بين مناطق الدماغ. لقد قدمت التطورات الحديثة طرقًا لاستنتاج التفاعلات من الدرجة الأعلى (HOIs) التي تشمل ثلاث مناطق أو أكثر، ومع ذلك لا يزال من غير المؤكد ما إذا كانت هذه الطرق توفر رؤى أفضل مقارنةً بالأساليب الثنائية التقليدية في تحليل بيانات fMRI. للتحقيق في ذلك، أجرى المؤلفون تحليلًا شاملاً باستخدام بيانات سلسلة زمنية من fMRI من 100 موضوع تم الحصول عليها من مشروع الاتصال البشري.
تشير النتائج إلى أن طرق التفاعل من الدرجة الأعلى تعزز بشكل كبير من فك تشفير الانخراط الديناميكي في المهام، وتحسن التعرف الفردي على الأنظمة الفرعية الوظيفية، وتقوي العلاقة بين نشاط الدماغ والسلوك. يبرز هذا البحث إمكانيات الأساليب من الدرجة الأعلى لكشف الهياكل المعقدة داخل بيانات الدماغ الوظيفية البشرية التي قد يتم تجاهلها عند الاعتماد فقط على النماذج الثنائية التقليدية. بشكل عام، تؤكد الدراسة على أهمية النظر في التفاعلات من الدرجة الأعلى لفهم الديناميات الزمانية المكانية المعقدة للدماغ البشري بشكل أفضل.
الطرق
في هذا القسم، يحدد المؤلفون نهجهم المنهجي لتحليل الاتصال الوظيفي في بيانات fMRI باستخدام تقنيات التنظيم الكلاسيكية والعُلوية من الدرجة الأعلى. تتضمن الطريقة الكلاسيكية تقدير الاعتمادات الإحصائية بين أزواج من السلاسل الزمنية المستمدة من قطع الدماغ أو الفوكسيلا، باستخدام معامل ارتباط بيرسون بشكل أساسي لبناء مصفوفة الاتصال الوظيفي (FC) بأبعاد \(N \times N\). يقدم المؤلفون نهجًا مركزيًا للحواف يقوم بحساب مقدار التذبذب الفوري بين السلاسل الزمنية، مما ينتج عنه مصفوفة الاتصال الوظيفي للحواف (eFC) بأبعاد \(N^2 \times N^2\).
لتوسيع هذا التحليل إلى التفاعلات من الدرجة الأعلى، يقوم المؤلفون بتعميم مفهوم سلسلة الزمن للحواف لتشمل التذبذبات من الدرجة k، التي يتم حسابها من السلاسل الزمنية ذات الدرجات z. يعرفون وزن هذه التذبذبات ويؤكدون على التمييز بين التفاعلات المتوافقة وغير المتوافقة من خلال رسم الإشارات. يتم تكثيف سلاسل التذبذب من الدرجة k الناتجة في مركب بسيط وزني \(K_t\)، مما يلتقط التفاعلات المتماسكة وغير المتماسكة في بيانات fMRI. تركز الدراسة على التذبذبات حتى الدرجة \(k = 2\)، حيث تمثل المثلثات الهياكل الوحيدة من الدرجة الأعلى، مما يسمح بفهم دقيق للتفاعلات الجماعية داخل الشبكة الوظيفية للدماغ.
النتائج
في هذا القسم، يقدم المؤلفون طريقة علوية جديدة تدمج تحليل البيانات العلوية مع تحليل السلاسل الزمنية لكشف الأنماط من الدرجة الأعلى في بيانات fMRI. تتكون المنهجية من أربع خطوات رئيسية: (i) توحيد إشارات fMRI الأصلية من خلال التقييم z، (ii) حساب سلاسل زمنية من الدرجة k عبر المنتجات العنصرية لإشارات ذات الدرجات z، والتي يتم تقييمها z للمقارنة، (iii) ترميز هذه السلاسل الزمنية من الدرجة k في مركب بسيط وزني، حيث يتوافق وزن كل بسيط مع قيمة سلسلة الزمن من الدرجة k في وقت معين، و(iv) تطبيق أدوات الطوبولوجيا الحاسوبية لتحليل المركب البسيط واستخراج المؤشرات العالمية والمحلية.
تهدف هذه الطريقة إلى تعزيز فهم ديناميات الدماغ من خلال التركيز على الهياكل من الدرجة الأعلى أثناء الراحة والمهام المعرفية، مع تطبيقات في فك تشفير مهام fMRI، وبصمات الدماغ الوظيفية، وارتباطات الدماغ والسلوك. جانب رئيسي من الطريقة هو تعيين إشارات لسلاسل الزمن من الدرجة k بناءً على قاعدة التماثل، مما يسمح للباحثين بتسليط الضوء على التفاعلات المتماسكة. تسعى الدراسة في النهاية إلى تقييم فعالية المؤشرات من الدرجة الأعلى في تمثيل وظيفة الدماغ البشري عبر تدرجات الفضاء والتعقيد.
المناقشة
في هذه الدراسة، استكشفنا أهمية التفاعلات من الدرجة الأعلى في إشارات fMRI من خلال نهج طوبولوجي، مع التركيز على ثلاثة تطبيقات رئيسية: فك تشفير المهام، بصمات الدماغ الوظيفية، وارتباطات الدماغ والسلوك. تشير نتائجنا إلى أنه بينما لا تميز المقاييس العالمية من الدرجة الأعلى بشكل فعال بين المهام، فإن المؤشرات المحلية من الدرجة الأعلى، مثل المثلثات المخالفة والهياكل الهومولوجية، تعزز بشكل كبير من قدرات فك تشفير المهام مقارنةً بالطرق التقليدية من الدرجة الأدنى. وهذا يشير إلى أن الميزات المحلية من الدرجة الأعلى تلتقط الديناميات المعقدة لنشاط الدماغ بشكل أكثر فعالية، خاصةً أثناء الانتقالات بين حالات المهام.
علاوة على ذلك، في سياق بصمات الدماغ الوظيفية، وجدنا أن التفاعلات المحلية الثلاثية تتفوق على طرق الاتصال الوظيفي القياسية، خاصةً في الشبكات المعرفية المعقدة مثل شبكة الوضع الافتراضي (DMN) والشبكة الجبهية الجدارية (FP). يبرز هذا إمكانيات الأساليب من الدرجة الأعلى لكشف أنماط الدماغ الفردية الفريدة. بالإضافة إلى ذلك، أظهر تحليلنا لارتباطات الدماغ والسلوك أن الطرق من الدرجة الأعلى تفسر نسبة أكبر من التباين في الأداء المعرفي، خاصةً ضمن شبكات وظيفية معينة، مقارنةً بالطرق من الدرجة الأدنى. تؤكد هذه النتائج على أهمية النظر في التفاعلات من الدرجة الأعلى لتعزيز فهمنا لوظيفة الدماغ وعلاقتها بالنتائج المعرفية والسلوكية، داعيةً إلى التحول بعيدًا عن التحليلات الثنائية التقليدية نحو منهجيات أكثر دقة.
DOI: https://doi.org/10.1038/s41467-024-54472-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39592571
Publication Date: 2024-11-26
Author(s): Andrea Santoro et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
The section discusses the limitations of traditional models of human brain activity, which typically focus on pairwise interactions between brain regions. Recent advancements have introduced methods to infer higher-order interactions (HOIs) involving three or more regions, yet it remains uncertain whether these methods provide superior insights compared to traditional pairwise approaches in analyzing fMRI data. To investigate this, the authors conducted a comprehensive analysis using fMRI time series data from 100 subjects sourced from the Human Connectome Project.
The findings indicate that higher-order interaction methods significantly enhance the decoding of dynamic task engagement, improve individual identification of functional subsystems, and strengthen the correlation between brain activity and behavior. This research highlights the potential of higher-order approaches to reveal complex structures within human functional brain data that may be overlooked when relying solely on traditional pairwise models. Overall, the study underscores the importance of considering higher-order interactions to better understand the intricate spatiotemporal dynamics of the human brain.
Methods
In this section, the authors outline their methodological approach for analyzing functional connectivity in fMRI data using classical and topological higher-order organization techniques. The classical method involves estimating statistical dependencies between pairs of time series derived from brain parcels or voxels, primarily using the Pearson correlation coefficient to construct a functional connectivity (FC) matrix of dimensions \(N \times N\). The authors introduce an edge-centric approach that computes the instantaneous co-fluctuation magnitude between time series, resulting in an edge functional connectivity (eFC) matrix of dimensions \(N^2 \times N^2\).
To extend this analysis to higher-order interactions, the authors generalize the concept of edge time series to include k-order co-fluctuations, which are calculated from z-scored time series. They define the weight of these co-fluctuations and emphasize the differentiation between concordant and discordant interactions through sign mapping. The resulting k-order co-fluctuation time series are condensed into a weighted simplicial complex \(K_t\), capturing the coherent and decoherent interactions in the fMRI data. The study focuses on co-fluctuations up to order \(k = 2\), where triangles represent the only higher-order structures, allowing for a nuanced understanding of group interactions within the brain’s functional network.
Results
In this section, the authors present a novel topological method that integrates topological data analysis with time series analysis to uncover higher-order patterns in fMRI data. The methodology consists of four main steps: (i) standardization of the original fMRI signals through z-scoring, (ii) computation of k-order time series via element-wise products of z-scored signals, which are then z-scored for comparability, (iii) encoding these k-order time series into a weighted simplicial complex, where the weight of each simplex corresponds to the k-order time series value at a given time, and (iv) application of computational topology tools to analyze the simplicial complex and extract global and local indicators.
The approach aims to enhance the understanding of brain dynamics by focusing on higher-order structures during rest and cognitive tasks, with applications in fMRI task decoding, functional brain fingerprinting, and brain-behavior associations. A key aspect of the method is the assignment of signs to the k-order time series based on a parity rule, allowing the researchers to emphasize coherent interactions. The study ultimately seeks to evaluate the effectiveness of higher-order indicators in representing human brain function across spatial and complexity gradients.
Discussion
In this study, we explored the significance of higher-order interactions in fMRI signals through a topological approach, focusing on three key applications: task decoding, functional brain fingerprinting, and brain-behavior associations. Our findings indicate that while global higher-order metrics do not effectively differentiate tasks, local higher-order indicators, such as violating triangles and homological scaffolds, significantly enhance task decoding capabilities compared to traditional lower-order methods. This suggests that local higher-order features capture the intricate dynamics of brain activity more effectively, particularly during transitions between task states.
Moreover, in the context of functional brain fingerprinting, we found that local three-way interactions outperform standard functional connectivity methods, especially in complex cognitive networks like the default mode network (DMN) and frontoparietal network (FP). This highlights the potential of higher-order approaches to reveal unique individual brain patterns. Additionally, our analysis of brain-behavior associations demonstrated that higher-order methods explain a greater percentage of variance in cognitive performance, particularly within specific functional networks, compared to lower-order methods. These results underscore the importance of considering higher-order interactions to advance our understanding of brain function and its relationship with cognitive and behavioral outcomes, advocating for a shift away from traditional pairwise analyses towards more nuanced methodologies.