INTRODUCTION
휴지기 동안 blood oxygen level dependent (BOLD) 신호에서 낮은 주파수 변동을 측정하는 resting state functional connectivity MRI (rs-fcMRI)는 서로 다른 뇌 영역 간 신경 활동(BOLD 신호를 통해)의 상관을 확인할 수 있어 주목을 끌고 있음. 이러한 상관들은 의료계에 큰 관심을 끌고 있는데, 이는 점점 더 많은 병리학적 상태가 특정 영역들 간 기능적 연결성으로 나타나는 것으로 보이기 때문임. 또한, 신경과학자들도 큰 관심을 가지고 있는데, 이는 포괄적이고 비침습적으로 뇌의 기능적 네트워크의 구조를 탐색할 수 있는 기회를 제공하기 떄문임.
rs-fcMRI 데이터를 연구하는 방법 중 가장 강력하고 유연한 방법은 graph theoretic 접근임. 여기서는 복잡한 시스템을 일련의 아이템들과 이 아이템들 간의 상호관계로 구성되어 있는 수학적 형태로 표현함. 아이템들은 nodes라 부르고 아이템들의 관계는 ties라 부르고, 이 nodes와 ties의 전체 구성을 graphs 또는 networks라 함. 이를 통해, graph theory는 graph 내 계층과 하위구조를 정량화하고, hubs와 중요한 노드를 식별하고, 네트워크의 다른 부분과 규모에서 트래픽이 어떻게 쉽게 흐르는지 결정하고, 시스템의 통제 가능성을 예측함.
현재 기능적 뇌 구조의 그래프 기반 연구들의 문제점은 뇌 네트워크를 구성하는 개별 노드들을 정의하는게 매우 어려움. 만약, 그래프의 노드들이 시스템의 실제 아이템을 정확하게 반영하지 못한다면, 그래프는 왜곡된 모델이며 그래프 이론적 속성들은 시스템의 실제 속성을 반영하지 못함.
뇌는 기능적 영역들과 피질하 핵(subcortical nuclei)으로 구성된 복잡한 네트워크이지만, 이들의 수와 위치는 대부분 알려지지 않음. 전체 뇌의 rs-fcMRI 그래프를 이용한 표준적인 접근법은 이러한 피질을 무시하고, 복셀들(voxels), 해부학적 기반의 뇌 지도(brain atlases)부터 큰 구획으로, 또는 복셀과 구획 간 무선적인 interpolations(※없는 데이터를 추정해 값을 만듦)로 노드들을 정의함. 하지만. 이러한 접근법들이 뇌의 조직을 잘 반영하는 노드들을 형성 한다고 믿을 수 없음.
이 논문은 이러한 한계점을 극복하기 위해, 적절한 노드들을 정의하고 이러한 노드들을 기반으로 네트워크를 정의하는 방법을 개발함. 또한, voxel-wise 접근법의 수정을 통해 두 번째 새로운 뇌 네트워크를 제안하고 첫번째 그래프와 관련한 속성들을 검사하고자 함.
이 논문에서는 신경과학적 용법인 "network"를 "system"으로 대체해서 사용함. 최근에 많은 연구들은 rs-fcMRI 신호가 기능적 시스템들(예. within visual system, default mode system, dorsal attention system, ventral attention system, auditory system, motor system 등등) 내에서 높은 상관을 보이는 것을 보여줌. 여기에는 큰 네트워크를 높은 관련성이 있는 노드들의 하위 네트워크(subgraphs)로 분해하기 위해 사용되는 많은 방법들(subgraph detection)이 있음.
이 논문 기능적 시스템들 내에 높은 상관 가지는 특정 패턴들이 뇌의 실제 rs-fcMRI 네트워크 내 하위 그래프를 반영하는지 확인하고자 함. 따라서, 기능적 시스템에 대응하는 하위 그래프의 존재는 그래프가 뇌 조직의 어떤 특징들을 정확히 반영하지만, 하위 그래프가 없는 경우 그래프가 잘 정의되지 못했을 가능성을 나타냄.
이 가설을 염두해두고, 단일 데이터 세트에서 4개의 전체 뇌 그래프의 하위 구조들을 연구함. 두 가지 새로운 그래프가 연구됨: 1) 추정한(putative) 기능적 영역들의(264 노드)의 그래프, 2) 근거리 상관을 제외한 voxel-wise 네트워크(40,100 노드).
EXPERIMENTAL PROCEDURES
Meta-Analytic ROI Definition
첫번째 방법인 추정한(putative) 기능적 영역들을 식별하기 위해 버튼을 누리거나 오류 관련 활성화가 유의하게 나타난 대규모 fMRI 데이터 이용함. Meta-analyses로 322 ROIs(10 mm 구)를 확인하였고, 최종적으로 겹치지 않는 151 ROIs를 확인함.
fc-Mapping ROI Definition
fc-Mapping 기술은 40명 참가자들로부터 눈을 뜬 상태로 측정한 rs-fcMRI 데이터에 적용함. 이 기술로 피질에 걸쳐 254 ROIs를 생성하였고, 최종적으로 겹치지 않는 193 ROIs를 확인함.
Areal ROI Set Formation
Meta-analytic ROIs와 fc-Mapping ROIs를 병합해 최대 범위의 ROIs 모음을 형성함. Meta-analytic ROIs를 우선적으로 사용하고, 겹치지 않은 fc-Mapping ROIs를 추가해, 264개 독립적인 ROIs를 확인함.
Parcel-Based, Voxel-Based, and Modified Voxelwise Network Formation
90 노드 구획 기반 네트워크는 전체 복셀(44,000)에 AAL atlas(뇌지도)를 이용해 형성함. 각각 구회의 평균 timecourse는 구획 내 전체 노드의 timecourse를 평균하여 형성함. 44,000 노드 voxelwise network는 AAL altas 내 모든 복셀로부터 정의함.
Formation of Two Subject Cohorts for rs-fcMRI Network Analysis
rs-fcMRI 네트워크는 나이, 성별, 움직임 및 볼륨의 스캔수를 맞춘 참가자들을 2개의 cohorts 데이터를 통해 연구됨.
rs-fcMRI Graph Formation
N ROIs(구획, 복셀, 또는 추정한 영역들)을 고려하여, 모든 ROIs의 timecourse와 N x N 상관 매트릭스를 계산함. 평균 매트릭스는 cohort에서 전체 참가자들을 걸쳐 형성되고, 이를 weighted 그래프로 정의함.
Weighted 네트워크의 전통적인 그래프 분석은 부적(negative) ties를 무시하고 네트워크의 속성들을 특정짓기 위해 다양한 임계값에서 탐색함. 최근에 부적 가중치를 하위 그래프 탐색 분석에 통합하는 방식이 제안됨. 하지만, 이 논문에서는 사용하지 않음.
많은 실제 세계 네트워크는 낮은 퍼센트의 tie 밀도(density)를 가지고 있음. 따라서, 여기에 제시된 분석은 네트워크에 따라 다르지만 일반적으로 임계값 범위가 10%에서 1% tie 밀도에 걸쳐 있음. 일반적으로, 결과의 임계치에 속성 의존성을 고려하고 독자에게 제공하기 위해 임계치 범위와 함께 제공함. 정해진 임계치 범위는 없음.
짧은 범위의 상관은 공유된 패턴 국소적 신경 활성화로 부터 발생할 수 있지만, 데이터 프로세싱(예. reslicing, blurring) 측면 및 움직임으로 인한 잡음으로도 발생할 수 있음.
댓글