Das menschliche Gehirn zeigt organisierte spontane Schwankungen im Ruhezustand

Aufgaben- vs. rest-verschiedene Netzwerkkonfigurationen zwischen der Koaktivierung und den rest-state Brain Networks. Das Interesse an Untersuchungen menschlicher Hirnnetzwerke mit Hilfe der funktionellen Magnetresonanztomographie (fMRI) wächst. Es ist jedoch unklar, ob und wie Gehirnnetzwerke, die im Ruhezustand gemessen werden, vergleichbare Eigenschaften wie Gehirnnetzwerke während der Aufgabenausführung aufweisen. In der vorliegenden Studie untersuchten wir meta-analytische Koagulationsmuster zwischen Hirnregionen auf der Grundlage veröffentlichter Neuroimaging-Studien und verglichen die Konfigurationen der Koagulationsnetzwerke mit denen im Ruhezustand. Die Stärke der funktionellen Verbindung zwischen zwei Regionen im Ruhezustand war stark mit der Koaktivierungsstärke korreliert. Der unterschied ruhezustand und energiesparen ist von Relevanz das sollten Sie auf jeden Fall bedenken. Das Koaktivierungsnetzwerk zeigte jedoch eine höhere globale Effizienz, einen geringeren mittleren Clustering-Koeffizienten und eine geringere Modularität im Vergleich zum Reststaatsnetzwerk, was auf eine effizientere globale Informationsübertragung und zwischen Systemintegrationen während der Aufgabenausführung hindeutet. Hub-Verschiebungen wurden auch innerhalb des Thalamus und des linken unteren temporalen Kortex beobachtet. Der Thalamus und der linke untergeordnete temporale Kortex zeigten im Koaktivierungsnetzwerk im Vergleich zum Ruhezustand einen höheren bzw. niedrigeren Grad. Diese Ergebnisse beleuchten die Rekonfiguration der Gehirnnetzwerke zwischen Aufgaben- und Ruhezustand und verdeutlichen die Rolle des Thalamus bei der Veränderung der Netzwerkkonfigurationen in Aufgaben- und Ruhezuständen. Schlüsselwörter: Gehirnnetzwerk, Koaktivierung, Hub-Shift, Meta-Analyse, Modularität, Ruhezustand, kleine Welt, Thalamus.

Das menschliche Gehirn zeigt organisierte spontane Schwankungen im Ruhezustand (Biswal et al., 1995), die es Forschern ermöglichen, groß angelegte Gehirnseigerungen und -integrationen zu untersuchen (Bullmore und Sporns, 2009, 2012; Menon und Uddin, 2010).

Die spontanen Schwankungen zeigen eine hohe Synchronisation zwischen den Hirnregionen im gleichen Gehirnsystem (Cordes et al., 2000; Greicius et al., 2003) und sind relativ unabhängig zwischen verschiedenen Gehirnsystemen (Beckmann et al., 2005; Biswal et al., 2010). Die gesamte Gehirnseigerung und -integration kann auch mit Hilfe einer grafentheoretischen Analyse untersucht werden (Bullmore und Sporns, 2009; Wang et al., 2010). So enthüllte beispielsweise das Brain-Netzwerk im Reststaat modulare Strukturen, kleine Welt und skalenfreie Eigenschaften (Salvador et al., 2005; Achard et al., 2006; Achard and Bullmore, 2007; Nakamura et al., 2009; Yan and He, 2011).

  • Trotz der wachsenden Popularität der Ruhezustand-FMRT zur Untersuchung der Gehirnfunktionen müssen sich die Studien noch mit einer grundlegenden Frage befassen, ob das Gehirn im Ruhezustand während der Aufgabenausführung mit dem Gehirn vergleichbar ist.
  • Da der evozierte zerebrale Blutfluss durch verschiedene Aufgaben weniger als 5% des zerebralen Blutflusses ausmacht (Raichle, 2010).
  • Stellt das zerebrale Gehirn bereits einen großen Teil der hämodynamischen Informationen dar, die die Gehirnerhaltung widerspiegeln können.
  • Studien haben auch gezeigt, dass aufgabenbezogene Koaktivierungsmuster gut mit den Hirnsystemen übereinstimmen, die während des Ruhezustandes gemessen werden (Toro et al.

2008; Smith et al., 2009). Basierend auf der ökonomischen Theorie der Gehirnnetzwerkorganisation sollte sich das Gehirnnetzwerk jedoch während des Ruhezustandes in einem energiesparenden Modus befinden, während es eine dynamische Netzwerkrekonfiguration bei Vorhandensein einer Aufgabenanforderung aufweist, um die globale und systemübergreifende Informationsübertragung zu erleichtern (Bullmore und Sporns, 2012). Wir sagen voraus, dass, obwohl die Konnektivität unter Task-Bedingungen und im Ruhezustand ähnlich sein kann, erhebliche Unterschiede in der Netzwerkkonfiguration auftreten können, um unterschiedliche Task-Anforderungen zu erfüllen.

Veränderungen in der Konnektivität, die durch die Aufgabe moduliert werden, sind wichtig, um die Gehirnintegration zu verstehen (Friston, 2011).

Es hat sich gezeigt, dass spezifische Verbindungen durch spezifische Aufgaben moduliert werden (McLntosh und Gonzalez-Lima, 1994; McIntosh et al., 1994; Büchel und Friston, 1997; Rao et al., 2008). Die Modulationen der Konnektivität sind jedoch aufgabenspezifisch, und es ist schwierig, das gesamte Gehirnnetzwerk mit einer bestimmten Aufgabe zu modulieren.

So haben wir den gleichen Ansatz wie Toro et al. und Smith et al. gewählt, um Aufgabenaktivierungen oder Gruppenunterschiede und das entsprechende Koaktivierungsmuster im gesamten Gehirn zu untersuchen (Toro et al., 2008; Smith et al., 2009).

Konkret haben wir Hirnnetzwerke aus 140 Regionen von Interesse (ROIs) des gesamten Gehirns aufgebaut, die sowohl auf meta-analytischen Koaktivierungsmustern (Yarkoni et al., 2011) als auch auf Ruhezustandskorrelationen von fMRI-Signalen basieren (Biswal et al., 2010). Die Online-Datenbank Neurosynth (http://old.neurosynth.org/) wurde zur Extraktion von Koaktivierungsinformationen verwendet, die 47.493 Aktivierungen aus 4393 Studien enthielten (Yarkoni et al., 2011). Wir fragten zunächst, ob die Stärke der Koaktivierung zwischen einem Paar von ROIs mit ihren Ruhezustandskorrelationen korreliert ist. Wir verglichen dann verschiedene Netzwerkeigenschaften basierend auf der Graphentheorie.