Datensätze
In dieser Studie verwendeten wir einen meta-analytischen Ansatz für die von Yarkoni et al.18 (http://Neurosynth.org) beschriebenen funktionellen MRT-Studien. Wir luden die Neurosynth-Datenbank herunter, die 3107 reversed unthresholded funktionelle Karten und die Details von 11.406 Literaturquellen mit Stand vom 25. September 2017 enthielt.
Strukturelle Konneomdaten wurden aus dem diffusionsgewichteten Bildgebungsdatensatz von 163 Teilnehmern abgeleitet, der bei 7 Tesla vom Human Connectome Project Team62 (http://www.humanconnectome.org/study/hcp-young-adult/) (WU-Minn Consortium; Principal Investigators: David Van Essen und Kamil Ugurbil; 1U54MH091657). Dieses Projekt wurde von den 16 NIH-Instituten und -Zentren, die den NIH Blueprint for Neuroscience Research unterstützen, sowie vom McDonnell Center for Systems Neuroscience an der Washington University finanziert.
Vorverarbeitung der Neurosynth-Daten
Zwei Forscher (V.R.K. und M.T.S.) fungierten als Juroren und wählten Begriffe aus, die ihrer Meinung nach mit bestimmten kognitiven Prozessen in Verbindung standen. Das Auswahlverfahren bestand aus zwei Phasen. In der ersten Phase trafen die Juroren ihre Auswahl unabhängig voneinander. Hirnanatomische (z. B. „Salienznetzwerk“), psychiatrische (z. B. „Schizophrenie“) und pathologische (z. B. „Alzheimer“) Begriffe wurden systematisch ausgeschlossen. Die beiden Richter einigten sich auf 422 Begriffe, die mit kognitiven Prozessen in Verbindung stehen, sowie auf 2309 nicht verwandte Begriffe, die verworfen werden sollten (88 % Reproduzierbarkeit). Bei den übrigen Begriffen trafen die Richter ihre Entscheidung gemeinsam. Am Ende wurden 590 kognitive Begriffe für die Studie ausgewählt.
In der vorliegenden Analyse haben wir die anatomischen Unterschiede zwischen der linken und der rechten Hemisphäre korrigiert, um uns auf die funktionellen Asymmetrien zu konzentrieren. Da die Neurosynth-Funktionskarten im standardmäßigen 2 mm-MNI-Template-Raum bereitgestellt werden, der nicht symmetrisch ist, haben wir das MNI-Template nichtlinear mit einem symmetrischen MNI-Template ko-registriert, das unter http://www.bic.mni.mcgill.ca/ServicesAtlases/ICBM152NLin2009 verfügbar ist, und zwar unter Verwendung der Greedy symmetric diffeomorphic normalisation (GreedySyN) Pipeline, die mit den Advanced Normalisation Tools (ANTs, http://stnava.github.io/ANTs/) verteilt wird63. Die symmetrische Vorlage wurde auf eine Voxelgröße von 2 mm heruntergerechnet, um den Voxelabmessungen der Standardvorlage zu entsprechen. Die geschätzte Transformation zwischen nicht-symmetrischen und symmetrischen MNI-Räumen wurde dann auf alle funktionellen Karten angewandt.
Die folgenden Schritte wurden durchgeführt, um Lateralisierungsindizes für jede funktionelle Karte nach ihrer Ko-Registrierung mit der symmetrischen Vorlage zu erhalten. Zunächst wurden die funktionellen Karten in einen links- und einen rechtshemisphärischen Teil aufgeteilt und die resultierenden Karten mit einem 6 mm FWHM Gauß-Filter geglättet. Anschließend wurden die Karten der linken Hemisphäre gespiegelt und von den nicht gespiegelten Karten der rechten Hemisphäre subtrahiert, um Lateralitätsindizes (LI) zu erhalten (siehe24 für einen ähnlichen Ansatz). Positive und negative Werte in diesen Karten würden eine höhere metaanalytische Evidenz für eine Rechts- bzw. Linkslateralisierung der mit einem Begriff assoziierten Funktion bedeuten.
Vorverarbeitung von strukturellen Konnektomdaten
Die Scan-Parameter wurden bereits in Vu et al.62 beschrieben. Kurz gesagt bestand jede diffusionsgewichtete Bildgebung aus insgesamt 132 achsnahen Schichten, die mit einem Beschleunigungsfaktor von 3 (Ref. 64), isotroper (1,05 mm3) Auflösung und Abdeckung des gesamten Kopfes mit einer TE von 71,2 ms und einem TR von 7000 ms erfasst wurden. An jeder Schichtposition wurden diffusionsgewichtete Bilder mit 65 gleichmäßig verteilten Gradienten in mehreren Q-Raum-Schalen65 und 6 Bilder ohne Diffusionsgradienten aufgenommen. Diese Akquisition wurde viermal mit einem b-Wert von 1000 und 2000 s mm-2 in Paaren mit links-nach-rechts- und rechts-nach-links-Phasenkodierungsrichtungen wiederholt. Die Standard-Pipeline für die HCP-Vorverarbeitung (v3.19.0) wurde auf die Daten angewendet66,67. Kurz gesagt wurde das Suszeptibilitäts-induzierte Off-Resonanz-Feld aus Bildpaaren mit Diffusionsgradienten, die mit Verzerrungen in entgegengesetzte Richtungen angewendet wurden, geschätzt68 und für den gesamten diffusionsgewichteten Datensatz mit TOPUP69 korrigiert. Anschließend wurden Bewegung und geometrische Verzerrung mit dem in FSL implementierten EDDY-Tool korrigiert.
Die ExploreDTI-Toolbox für Matlab (http://www.exploredti.com70,71) wurde zur Extraktion von Schätzungen des axonalen Wasseranteils verwendet28. Anschließend wurden die Volumina mit einem b-Wert von 1000 s mm-2 verworfen, und die deterministische Traktographie des gesamten Gehirns wurde anschließend im nativen DWI-Raum mit der StarTrack-Software (https://www.mr-startrack.com) durchgeführt. Für sphärische Dekonvolutionen wurde ein gedämpfter Richardson-Lucy-Algorithmus verwendet72. Es wurde eine feste Faserreaktion angenommen, die einem Formfaktor von α = 1,5 × 10-3 mm2 s-1 entspricht, gekoppelt mit einem geometrischen Dämpfungsparameter von 8. Es wurden 200 Iterationen des Algorithmus durchgeführt. Der absolute Schwellenwert wurde als das Dreifache der sphärischen Faserorientierungsverteilung (FOD) eines isotropen Voxels der grauen Substanz definiert und der relative Schwellenwert als 8 % der maximalen Amplitude der FOD73. Zur Durchführung der Ganzhirn-Stromlinien-Traktographie wurde ein modifizierter Euler-Algorithmus74 mit einem Winkelschwellenwert von 35°, einer Schrittgröße von 0,5 mm und einer minimalen Stromlinienlänge von 15 mm verwendet.
Wir haben die strukturellen Konnektomdaten mit Hilfe der folgenden Schritte in den 2 mm-Standardraum von MNI ko-registriert: Zunächst wurde die Ganzhirn-Stromlinien-Traktographie in Stromliniendichte-Volumina umgewandelt, wobei die Intensitäten der Anzahl der Stromlinien entsprachen, die jedes Voxel durchquerten. Zweitens wurde eine studienspezifische Schablone der Stromliniendichte-Volumina mit Hilfe der Greedy symmetric diffeomorphic normalisation (GreedySyN) Pipeline, die mit ANTs verteilt wurde, erstellt. Dies lieferte eine durchschnittliche Vorlage der Stromliniendichte-Volumina für alle Probanden. Die Schablone wurde dann mit einer 2 mm großen MNI152-Standardschablone mit dem in FSL implementierten Flirt-Tool koregistriert. Dieser Schritt ergab eine Stromliniendichte-Vorlage im MNI152-Raum. Drittens wurden die einzelnen Stromliniendichte-Volumina mit der Stromliniendichte-Vorlage im MNI152-Raum registriert, und dieselbe Transformation wurde auf die individuelle Ganzhirn-Stromlinien-Traktographie mit dem Trackmath-Tool, das mit dem Softwarepaket Tract Querier75 vertrieben wird, und auf die axonalen Wasserfraktionskarten mit ANTs GreedySyn angewendet. Dieser Schritt ergab eine Ganzhirn-Stromlinien-Traktographie und axonale Wasserfraktionskarten im Standard-MNI152-Raum.
Bestimmung funktionell lateralisierter Regionen
In diesen in zwei Schritten durchgeführten Analysen wollten wir die Regionen mit signifikanter funktioneller Lateralisierung identifizieren. Siehe ergänzende Abbildung 5. Im ersten Schritt haben wir uns mit der Redundanz befasst und dabei den Reichtum der Neurosynth-Daten bewahrt. Beispielsweise waren viele ausgewählte Begriffe als Singular- und Pluralformen desselben Wortes verwandt (z. B. „visuelle Form“ und „visuelle Formen“), und daher sind ihre Karten wahrscheinlich sehr ähnlich. Zu diesem Zweck reduzierten wir die Dimensionalität der Daten mit Hilfe einer datengesteuerten varimax-rotierten Hauptkomponentenanalyse (PC), die in SPSS (SPSS, Chicago, IL) implementiert wurde, wobei die LI-Karten als Input dienten76,77,78. Nach einer Standard-Hauptkomponentenanalyse, die die Eigenwertzerlegung der Kovarianzmatrix beinhaltet, wurden 171 extrahierte orthogonale Komponenten mit Eigenwerten über dem großen Durchschnitt dem Varimax-Rotationsverfahren unter Verwendung des Kaiser-Normalisierungskriteriums79 unterzogen, wobei maximal 1000 Iterationen zur Konvergenz durchgeführt wurden. Auf diese Weise wurden 72,6 % der Varianz in den Daten berücksichtigt. Die Verteilung der Ladungen entlang der varimax-rotierten Hauptkomponenten ist typischerweise schief und nur einige wenige Items erhalten große Ladungen. Für die Diskussion der Ergebnisse wurden die Komponenten nach dem/den Term(en) mit den größten Ladungen benannt (ergänzende Tabelle 3).
Im zweiten Schritt wurde eine allgemeine lineare Modellierung angewandt, um Voxel mit einer signifikanten Lateralisierung in Verbindung mit einer bestimmten Komponente zu identifizieren. In dieser Analyse wurden die Hauptkomponenten als eine Reihe von Prädiktoren verwendet, um die LI-Karten anzupassen und Beta-Karten, d. h. räumliche Karten der Komponenten, zu erhalten. Der Permutationstest wurde durchgeführt, um signifikant lateralisierte Regionen zu identifizieren. Da durch die Varimax-Rotation einige Korrelationen zwischen den Spalten der Hauptkomponentenmatrix auftreten können, haben wir Permutationen an den Zeilen der ungedrehten Matrix vorgenommen, anschließend die Komponentenrotation angewandt und für jede Permutation eine Zufallskarte berechnet, so wie es bei den echten Hauptkomponenten der Fall war. Dieses Verfahren ermöglichte es uns, die Korrelationsstruktur der unpermutierten Daten zu imitieren und einen robusteren Signifikanztest durchzuführen. Um Mehrfachvergleiche zu berücksichtigen, wurde der Ansatz der Maximalstatistik verwendet, bei dem die räumlichen Kartenwerte für die realen Hauptkomponenten bei jeder Permutation mit dem maximalen (entweder positiven oder negativen) Wert über eine gesamte Zufallskarte verglichen wurden. Es wurden fünftausend Permutationen durchgeführt. Es wurde davon ausgegangen, dass die Voxel eine signifikante Lateralisierung aufweisen, wenn sie gleichzeitig zwei Kriterien erfüllten: (1) ihre räumlichen Kartenwerte waren in 97,5 % der Fälle höher oder niedriger als die maximalen positiven bzw. negativen Werte, die durch Permutationen erhalten wurden (d. h. p < 0,05, zweiseitig und FWE-korrigiert); (2) sie bildeten eine Gruppe von mindestens 20 Voxeln. Das zweite Kriterium wurde verwendet, um kleine und möglicherweise falsche Effekte auszuschließen, die in einer kleinen Anzahl von Voxeln beobachtet wurden.
Multivariate Einbettung von Lateralisationskarten
Um eine niedrigdimensionale Struktur der funktionellen Hirnlateralisation zu charakterisieren, wurde eine spektrale Einbettung der LI-Karten unter Verwendung der Eigendiskomposition der graphisch normalisierten Laplacian der Ähnlichkeitsmatrix80 durchgeführt. Mit dieser Methode sollten geometrische Merkmale in den Ähnlichkeiten zwischen den Lateralisationskarten aufgedeckt werden, indem diese Ähnlichkeiten in Abstände zwischen den Lateralisationskarten im eingebetteten Raum umgewandelt wurden (je höher die Ähnlichkeit zwischen den Lateralisationsprofilen, desto kleiner der Abstand). Dabei haben wir uns nur auf die Varianzen konzentriert, die durch die 171 Komponenten, die in der vorliegenden Studie analysiert wurden, erklärt wurden. Zu diesem Zweck wurden die LI-Karten „entrauscht“, d. h. sie wurden als Matrixprodukt der 171 Komponenten und ihrer räumlichen Karten rekonstruiert. Jedes Element der Ähnlichkeitsmatrix wurde als Punktprodukt für ein Paar „entrauschter“ LI-Karten über alle Voxel berechnet (d. h. ein Element der Ähnlichkeitsmatrix war eine Summe der Produkte der voxelweisen Werte für ein Kartenpaar). Negative Werte wurden auf Null gesetzt, um die Schätzbarkeit zu gewährleisten. Die Einbettungsdimensionen wurden nach ihren Eigenwerten geordnet, von klein bis groß. Die erste nicht-informative Dimension mit einem Eigenwert von Null wurde gestrichen. Bei der Analyse wurde untersucht, ob in einer niedrigdimensionalen Darstellung der Daten eine Struktur vorhanden ist, insbesondere eine strukturelle Dreieckigkeit der Daten, und wenn ja, in wie vielen Dimensionen diese Struktur erhalten bleibt (Eigenwertdiagramm – siehe ergänzende Abbildung 6). Die Dreiecksstruktur wurde als t-Quotient quantifiziert, d. h. als Verhältnis zwischen der Fläche der konvexen Hülle, die alle Punkte im eingebetteten Raum umfasst, und einem umschließenden Dreieck mit minimaler Fläche27. Diese Werte wurden mit den t-Ratios von zufälligen LI-Karten verglichen. Diese Zufallskarten wurden durch die Erzeugung von 2000 Sätzen von 590 Zufallskarten durch Permutation der Voxelreihenfolge gewonnen. Für jeden Satz wurden zufällige LI-Karten für jedes Paar berechnet und dann einer Varimax-Analyse mit der Anzahl der Hauptkomponenten = 171 unterzogen. Das Einbettungsverfahren war identisch mit dem Verfahren, das für nicht zufällige LI-Karten angewandt wurde. Die dimensionale Spannweite der Dreiecksorganisation wurde bewertet, indem getestet wurde, ob das t-Verhältnis für nicht-zufällige LI-Karten größer war als das t-Verhältnis von zufälligen LI-Karten in jedem zweidimensionalen Unterraum der Einbettung (p < 0,05, Bonferroni-korrigiert). Die Beschriftung der Achsen wurde ad-hoc anhand eines oder mehrerer Terme an den Eckpunkten des Dreiecks definiert. Die Archetypenkarten wurden mithilfe eines multiplen Regressionsansatzes approximiert. Zunächst regressierten wir die Werte in jedem Voxel über die „entrauschten“ LI-Karten auf die Koordinaten der entsprechenden Karten in den ersten 171 Dimensionen des eingebetteten Raums (d. h. entsprechend der Anzahl der für die „Entrauschung“ verwendeten Komponenten). Dies ergab einen geschätzten Beitrag jeder eingebetteten Dimension zum Lateralisierungsindex. Anschließend erhielten wir die Archetypenkarten, indem wir die Regressionskoeffizienten für die Dimensionen auswerteten, in denen die Dreiecksstruktur an den geschätzten Orten der Archetypen beobachtet wurde (d. h. an den Scheitelpunkten des mehrdimensionalen Dreiecks „Simplex“).
Bestimmung der nicht lateralisierten Regionen
In den folgenden Analysen haben wir die Konnektivitätsprofile der lateralisierten Regionen mit den Regionen verglichen, die keine signifikante Lateralisierung, aber dennoch eine signifikante Beteiligung an mindestens einer Funktion aufweisen. Letztere wurden durch Wiederholung der im Abschnitt „Bestimmung der funktionell lateralisierten Regionen“ beschriebenen Analysen mit den ursprünglichen Neurosynth-Funktionskarten als Input identifiziert. Siehe ergänzende Abbildung 7. Dies ergab 69 Komponenten, die 70,6 % der Varianz ausmachen. Zur besseren Vergleichbarkeit wurde die Analyse im symmetrischen Raum und für die linke und rechte Hemisphäre getrennt durchgeführt. Es wurde davon ausgegangen, dass die Voxel keine signifikante Lateralisierung aufweisen, wenn sie die folgenden Kriterien erfüllen: (1) sie überschritten die Signifikanzschwelle für mindestens eine Komponente und eine Hemisphäre; (2) sie überschnitten sich nicht mit lateralisierten Voxeln; und (3) sie waren Homologe der Voxel, die die Kriterien (1) und (2) in der gegenüberliegenden Hemisphäre erfüllten. Im weiteren Text werden Voxel ohne signifikante Lateralisierung als „nicht-lateralisierte“ Regionen bezeichnet. Dies stellt einen konservativen Kontrast zu den lateralisierten Regionen dar, da aufgrund des frequentistischen statistischen Ansatzes die nicht-lateralisierten Regionen auch Voxel umfassen würden, die eine erhebliche Lateralisierung aufweisen, aber die in der Studie verwendeten statistischen Signifikanzkriterien nicht erfüllen. Die Anzahl der nicht lateralisierten Voxel war 3,6-mal größer als die Anzahl der lateralisierten Voxel.
Messungen der Konnektivitätsstärke für Struktur-Funktions-Beziehungen
Für die Struktur-Funktions-Beziehungen wurden folgende Schritte durchgeführt. Zunächst wurden die räumlichen Karten der signifikant lateralisierten Voxel kombiniert, unabhängig von der linken und rechten Polarität der Lateralisierung. Zweitens transformierten wir die kombinierte Karte zurück in den regulären MNI-Raum für eine gemeinsame Analyse mit Diffusionsinformationen unter Verwendung einer Umkehrung der oben geschätzten nicht-symmetrischen MNI-zu-MNI-symmetrischen Template-Deformationen. Schließlich projizierten wir die kombinierte Karte auf die Grenze der weißen Substanz der nicht-symmetrischen MNI-Schablone in jeder Hemisphäre und wählten anschließend die Traktographie von diesen Voxeln zum Corpus Callosum aus. Die gleichen Verfahren wurden auf die Karten der nicht-lateralisierten Regionen angewandt.
Zwei Maße für die Stärke der strukturellen interhemisphärischen Konnektivität wurden analysiert. Das erste, mikrostrukturelle Maß bezieht sich auf den axonalen Wasseranteil, gemittelt über die Teilnehmer der HCP-Stichprobe, in den Voxeln des Corpus Callosum, die von Stromlinien aus ausgewählten lateralisierten (oder nicht-lateralisierten) Regionen getroffen wurden. Das zweite, makrostrukturelle Maß der Konnektivität wurde anhand der Replizierbarkeit der Verbindungen30 zwischen den Voxeln des Gehirns und des Corpus callosum definiert, d. h. als Anteil der Teilnehmer, bei denen eine Verbindung zwischen den Voxeln des Gehirns und des Corpus callosum besteht, an der Gesamtgröße der HCP-Stichprobe. Wir werden dieses Maß der Kürze halber als „Verbindungswahrscheinlichkeit“ bezeichnen.
Vergleich der Konnektivität zwischen lateralisierten und nicht-lateralisierten Regionen
Der Vergleich der Konnektivität zwischen lateralisierten und nicht-lateralisierten Regionen wurde durch die Entnahme von Teilmengen von Voxeln (ohne Ersatz) aus den Pools lateralisierter und nicht-lateralisierter kortikaler Voxel durchgeführt. Eine Stichprobe aus jedem Pool entsprach 5 % der gesamten Anzahl der Voxel in diesem Pool (d. h., es wurde sichergestellt, dass die räumliche Häufigkeit der gezogenen Stichproben innerhalb des Pools zwischen den Pools gleich war). Für jede Teilmenge berechneten wir einen Durchschnittswert für die Verbindungswahrscheinlichkeit und einen gewichteten Durchschnitt für den kallosalen axonalen Wasseranteil, wobei ein Gewicht für ein Voxel als Verbindungsreplizierbarkeit zwischen diesem Voxel und einem beliebigen Voxel in einer beprobten Teilmenge angegeben wurde. Ein negativer Wert würde auf eine schwächere Konnektivität der lateralisierten Voxel hinweisen. Die Verteilungen der Differenz der Konnektivitätsmaße zwischen lateralisierten und nicht lateralisierten kortikalen Regionen wurden durch 1000-malige Wiederholung des Verfahrens und für jede Hemisphäre getrennt ermittelt.
Analyse der hemisphärischen Dominanz
Der Grad der funktionellen hemisphärischen Dominanz wurde in Radiant als Arkustangens des Verhältnisses zwischen den Aktivierungsstärken in zwei Hemisphären bewertet. Von diesem Wert wurde Pi/4 subtrahiert, um sicherzustellen, dass die absolute Größe dieses Wertes zunimmt, wenn die Aufgabenaktivierung einseitig ist, und abnimmt, wenn beide Hemisphären ein vergleichbares Maß an Aufgabenaktivität aufweisen. Da eine teilweise räumliche Überlappung zwischen lateralisierten Regionen, die mit verschiedenen Komponenten assoziiert sind, möglich ist, haben wir in den Analysen die Dominanzwerte ausgewählt, die mit den Komponenten assoziiert sind, die den größten z-Score in einem bestimmten Voxel ergaben. Um eine robuste Schätzung für die Beziehung zwischen hemisphärischer Dominanz und der Stärke der interhemisphärischen Konnektivität zu erhalten, wurden die Voxel nach den Verbindungswahrscheinlichkeiten gebinnt, so dass die kleinste Bin-Breite gleich 1/163 war und mit der Verbindungswahrscheinlichkeit zunahm (gegeben durch die Logspace-Funktion in Matlab). Dieses Verfahren wurde angewandt, um die Tatsache teilweise zu kompensieren, dass nur eine sehr begrenzte Anzahl von Voxeln eine hohe Verbindungswahrscheinlichkeit mit dem Corpus Callosum hatte, während die Mehrheit durch kleine Werte gekennzeichnet war. Wir schätzten auch die durchschnittliche Aktivität des Voxels zwischen linker und rechter Hemisphäre (d.h. (linke + rechte Hemisphärenaktivität)/2) und verwendeten sie als nicht interessierende Kovariate in den Analysen, die die Beziehung zwischen hemisphärischer Dominanz und anderen Maßen untersuchten.