Datasets
In deze studie gebruikten we een meta-analytische benadering van de functionele MRI-studies beschreven door Yarkoni et al.18 (http://Neurosynth.org). We hebben de Neurosynth-database gedownload die 3107 reversed unthresholded functionele kaarten bevatte en de details van 11.406 literatuurbronnen per 25 september 2017.
Structurele connectoomgegevens werden afgeleid van de diffusie-gewogen beeldvormingsdataset van 163 deelnemers, verworven bij 7 Tesla door het Human Connectome Project Team62 (http://www.humanconnectome.org/study/hcp-young-adult/) (WU-Minn Consortium; Hoofdonderzoekers: David Van Essen en Kamil Ugurbil; 1U54MH091657). Dit werd gefinancierd door de 16 NIH-instituten en -centra die de NIH Blueprint for Neuroscience Research ondersteunen, en door het McDonnell Center for Systems Neuroscience aan de Universiteit van Washington.
Voorbewerking van Neurosynth-gegevens
Twee onderzoekers (V.R.K. en M.T.S.) traden op als juryleden en selecteerden termen die volgens hen verband hielden met specifieke cognitieve processen. De selectieprocedure bestond uit twee fasen. Tijdens de eerste fase maakten de juryleden hun selectie onafhankelijk van elkaar. Anatomische termen (bv. “salience network”), psychiatrische termen (bv. “schizofrenie”) en pathologische termen (bv. “alzheimer”) werden systematisch uitgesloten. De twee juryleden waren het eens over 422 termen die verband hielden met cognitieve processen, en over 2309 niet-gerelateerde termen die moesten worden verwijderd (88% reproduceerbaarheid). Voor de resterende termen namen de juryleden hun beslissing samen. Uiteindelijk werden 590 cognitieve termen geselecteerd voor de studie.
In de huidige analyse hebben we gecorrigeerd voor de anatomische verschillen tussen de linker- en de rechterhersenhelft om ons te concentreren op de functionele asymmetrieën. Gezien het feit dat de Neurosynth functionele kaarten worden geleverd in de standaard 2 mm MNI template ruimte, die niet symmetrisch is, hebben we co-registreerde niet-lineair de MNI sjabloon naar een MNI symmetrische sjabloon, beschikbaar op http://www.bic.mni.mcgill.ca/ServicesAtlases/ICBM152NLin2009, met behulp van de Greedy symmetrische diffeomorfe normalisatie (GreedySyN) pijplijn gedistribueerd met de Advanced Normalisatie Tools (ANT’s, http://stnava.github.io/ANTs/)63. Het symmetrische sjabloon werd gedownsampled tot een voxelgrootte van 2 mm om overeen te komen met de voxelafmetingen van het standaard sjabloon. De geschatte transformatie tussen niet-symmetrische en symmetrische MNI ruimten werden vervolgens toegepast op alle functionele kaarten.
De volgende stappen werden uitgevoerd om lateralisatie indices te verkrijgen voor elke functionele kaart na hun co-registratie met het symmetrische sjabloon. Ten eerste, we splitsen de functionele kaarten in de linker-en rechter hemisfeer delen en afgevlakt de resulterende kaarten met behulp van een 6 mm FWHM Gaussian filter. Vervolgens hebben we omgedraaid de linker hemisfeer kaarten en afgetrokken van de niet-omgedraaide rechter hemisfeer kaarten om lateraliteit indices (LI) kaarten te verkrijgen (zie 24 voor een soortgelijke aanpak). Positieve en negatieve waarden in deze kaarten zou betekenen een hogere meta-analytische bewijs voor, respectievelijk, rechts en links lateralisatie van de functie geassocieerd met een term.
Voorbewerking van structurele connectoom data
De scan parameters zijn eerder beschreven in Vu et al.62. In het kort, elke diffusie-gewogen beeldvorming bestond uit een totaal van 132 near-axiale plakjes verkregen met een versnellingsfactor van 3 (ref. 64), isotrope (1,05 mm3) resolutie en dekking van het hele hoofd met een TE van 71,2 ms en met een TR van 7000 ms. Op elke slice locatie, werden diffusie-gewogen beelden verkregen met 65 uniform verdeelde gradiënten in meerdere Q-ruimte schelpen65 en 6 beelden met geen diffusie gradiënt toegepast. Deze overname werd vier keer herhaald met een b-waarde van 1000 en 2000 s mm-2 in paren met links-naar-rechts en rechts-naar-links fase-codering richtingen. De standaard HCP preprocessing pipeline (v3.19.0) werd toegepast op de gegevens66,67. Kortom, de susceptibiliteit geïnduceerde off-resonantie veld werd geschat uit paren van beelden met diffusie gradiënt toegepast met vervormingen gaan in tegengestelde richtingen68 en gecorrigeerd voor de hele diffusie-gewogen dataset met TOPUP69. Vervolgens beweging en geometrische vervorming werden gecorrigeerd met behulp van de EDDY tool zoals uitgevoerd in FSL.
ExploreDTI toolbox voor Matlab (http://www.exploredti.com70,71) is gebruikt om schattingen van axonale water fractie 28 extract. Vervolgens hebben we verwijderd de volumes met een b-waarde van 1000 s mm-2 en hele hersenen deterministische tractografie werd vervolgens uitgevoerd in de natieve DWI ruimte met behulp van StarTrack software (https://www.mr-startrack.com). Een gedempte Richardson-Lucy algoritme werd toegepast voor sferische deconvolutions 72. Er werd een vaste vezelresponsie aangenomen die overeenkomt met een vormfactor van α = 1,5 × 10-3 mm2 s-1, gekoppeld aan een geometrische dempingsparameter van 8. Er werden tweehonderd algoritme-iteraties uitgevoerd. De absolute drempelwaarde werd gedefinieerd als driemaal de sferische vezeloriëntatieverdeling (FOD) van een grijs stof isotroop voxel en de relatieve drempelwaarde als 8% van de maximale amplitude van de FOD73. Een gemodificeerd Euler algoritme74 werd gebruikt om de hele hersenen stroomlijn tractografie uit te voeren, met een hoek drempel van 35 °, een stapgrootte van 0,5 mm en een minimale stroomlijn lengte van 15 mm.
We co-registreerden de structurele connectoom data naar de standaard MNI 2 mm ruimte met behulp van de volgende stappen: ten eerste, hele hersenen stroomlijn tractografie werd omgezet in stroomlijn dichtheid volumes waar de intensiteiten overeenkwamen met het aantal stroomlijnen kruisen elke voxel. Ten tweede werd een studie-specifiek sjabloon van stroomlijndichtheidsvolumes gegenereerd met behulp van de Greedy symmetric diffeomorphic normalisation (GreedySyN) pijplijn, gedistribueerd met ANTs. Dit leverde een gemiddeld sjabloon op van de stroomlijndichtheidsvolumes voor alle proefpersonen. Het sjabloon werd vervolgens gecoregistreerd met een standaard 2 mm MNI152 sjabloon met behulp van flirt tool geïmplementeerd in FSL. Deze stap produceerde een stroomlijn dichtheid template in de MNI152 ruimte. Ten derde werden individuele stroomlijn dichtheid volumes geregistreerd op de stroomlijn dichtheid sjabloon in de MNI152 ruimte sjabloon en dezelfde transformatie werd toegepast op de individuele hele hersenen stroomlijn tractografie met behulp van de trackmath tool gedistribueerd met het softwarepakket Tract Querier75, en om de axonale water fractie kaarten, met behulp van ANTs GreedySyn. Deze stap produceerde een hele-hersen stroomlijn tractografie en axonale water fractie kaarten in de standaard MNI152 ruimte.
Bepaling van functioneel lateralised regio’s
In deze analyses, voltooid in twee stappen, we dachten aan de regio’s met significante functionele lateralisatie te identificeren. Zie supplementaire figuur 5. In de eerste stap, we aangepakt de redundantie met behoud van de rijkdom van de Neurosynth gegevens. Bijvoorbeeld, veel geselecteerde termen werden gerelateerd als enkelvoud en meervoud vormen van hetzelfde woord (bijvoorbeeld “visuele vorm” en “visuele vormen”) en dus hun kaarten zijn waarschijnlijk zeer vergelijkbaar zijn. Daartoe reduceerden we de dimensionaliteit van de gegevens met behulp van een data-driven varimax-geroteerde principale componentenanalyse (PC), uitgevoerd in SPSS (SPSS, Chicago, IL) met de LI-kaarten als input76,77,78. Na een standaard hoofdcomponentenanalyse, waarbij de covariantiematrix in eigendecompositie werd gebracht, werden 171 geëxtraheerde orthogonale componenten met eigenwaarden boven het grote gemiddelde onderworpen aan de varimax-rotatieprocedure met gebruikmaking van het Kaiser-normalisatiecriterium79 , met een maximum van 1000 iteraties voor convergentie. Dit was goed voor 72,6% van de variantie in de gegevens. De verdeling van de ladingen over de varimax-geroteerde hoofdcomponenten is typisch scheef en slechts enkele items hebben een grote lading. Voor de bespreking van de resultaten werden de componenten vervolgens gelabeld volgens de term(en) met de grootste ladingen (aanvullende tabel 3).
In de tweede stap werd algemene lineaire modellering toegepast om voxels te identificeren met een significante lateralisatie geassocieerd met een bepaalde component. In deze analyse werden de hoofdcomponenten gebruikt als een set van voorspellers om de LI kaarten passen en beta kaarten, dat wil zeggen, component ruimtelijke kaarten te verkrijgen. De permutatietest werd uitgevoerd om significant gelateraliseerde regio’s te identificeren. Aangezien varimax rotatie enige correlaties tussen de kolommen van de hoofdcomponent matrix kan opleggen, voerden we permutaties uit op de rijen van de ongeroteerde matrix, vervolgens component rotatie toe te passen en een willekeurige kaart te berekenen op elke permutatie op dezelfde manier als het werd gedaan voor de echte hoofdcomponenten. Door deze procedure konden wij de correlationele structuur van de niet-geroteerde gegevens nabootsen en een robuustere significantietest uitvoeren. Om rekening te houden met meervoudige vergelijkingen werd de maximale statistische benadering gebruikt waarbij de ruimtelijke kaartwaarden voor de echte hoofdcomponenten werden vergeleken met de maximale (positief of negatief) waarde over een hele willekeurige kaart op elke permutatie. Vijfduizend permutaties werden uitgevoerd. De voxels werden geacht een significante lateralisatie te vertonen indien zij tegelijkertijd aan twee criteria voldeden: (1) hun ruimtelijke kaartwaarden waren in 97.5% gevallen hoger of lager dan respectievelijk de maximale positieve en negatieve waarden verkregen via permutaties (d.w.z., p < 0.05, tweestaart en FWE-gecorrigeerd); (2) zij vormden een cluster van ten minste 20 voxels. Het tweede criterium werd gebruikt om kleine en mogelijk onechte effecten, waargenomen in een klein aantal voxels, uit te sluiten.
Multivariate inbedding van lateralisatie kaarten
Om een laag-dimensionale structuur van functionele hersen lateralisatie te karakteriseren, werd een spectrale inbedding van de LI kaarten uitgevoerd met behulp van eigendecompositie van de grafiek genormaliseerde Laplaciaan van de gelijksoortigheidsmatrix80. De methode trachtte geometrische kenmerken in de overeenkomsten tussen de lateralisatiekaarten bloot te leggen door deze overeenkomsten om te zetten in afstanden tussen de lateralisatiekaarten in de ingebedde ruimte (hoe hoger de overeenkomst tussen de lateralisatieprofielen, hoe kleiner de afstand). Hier concentreerden we ons alleen op de varianties die werden verklaard door de 171 componenten die in de huidige studie werden geanalyseerd. Daartoe werden de LI-kaarten “gede-noiseerd”, in die zin dat ze werden gereconstrueerd als het matrixproduct van 171 componenten en hun ruimtelijke kaarten. Elk element van de similariteits matrix werd berekend als een dot product genomen voor een paar “gedenoizeerde” LI kaarten over alle voxels (d.w.z., een element van de similariteits matrix was een som van producten van voxel-specifieke waarden voor een paar kaarten). Negatieve waarden werden op nul gezet om schatting mogelijk te maken. De inbeddingsdimensies werden gerangschikt volgens hun eigenwaarden, van klein naar groot. De eerste niet-informatieve dimensie met een eigenwaarde van nul werd weggelaten. In de analyse hebben wij getracht te bepalen of er een structuur bestaat in een laag-dimensionale representatie van de gegevens, in het bijzonder gegevensstructurele driehoekigheid, en zo ja, in hoeveel dimensies deze structuur behouden blijft (voor eigenwaardeplot-zie supplementaire figuur 6). De driehoekige structuur werd gekwantificeerd als een t-ratio, d.w.z. een verhouding tussen de oppervlakte van de convexe romp die alle punten in de ingesloten ruimte omvat en een omringende driehoek met een minimale oppervlakte27. Deze waarden werden vergeleken met de t-ratio’s van willekeurige LI-kaarten. Deze willekeurige kaarten werden verkregen door het genereren van 2000 sets van 590 willekeurige kaarten via de permutatie van de voxelvolgorde. Voor elke set werden willekeurige LI-kaarten berekend voor elk paar en vervolgens onderworpen aan varimax analyse met het aantal hoofdcomponenten = 171. De inbeddingsprocedure was identiek aan de procedure toegepast op niet-willekeurige LI-kaarten. De dimensionale spanwijdte van de driehoeksorganisatie werd geëvalueerd door te testen of de t-ratio voor niet-willekeurige LI-kaarten groter was dan de t-ratio’s van willekeurige LI-kaarten in elke tweedimensionale subspace van inbedding (p < 0.05, Bonferroni-gecorrigeerd). Het label voor de assen werd ad-hoc gedefinieerd volgens één of enkele termen die zich op de hoekpunten van de driehoek bevinden. Archetype kaarten werden benaderd met behulp van meervoudige regressie aanpak. Eerst werden de waarden in elke voxel van de “gedenoizeerde” LI-kaarten geregresseerd op de coördinaten van overeenkomstige kaarten in de eerste 171 dimensies van de ingesloten ruimte (d.w.z., overeenkomend met het aantal componenten gebruikt voor “denoising”). Dit leverde een geschatte bijdrage van elke ingebedde dimensie aan de lateralisatie-index. Vervolgens verkregen we de archetype kaarten door het evalueren van regressie coëfficiënten voor de dimensies waar de driehoekige structuur werd waargenomen op de geschatte locaties van de archetypen (d.w.z. op de hoekpunten van “simplex” – multidimensionale driehoek).
Bepaling van niet-gelateraliseerde regio’s
In de volgende analyses hebben we de connectiviteitsprofielen van gelateraliseerde regio’s gecontrasteerd met regio’s die geen significante lateralisatie vertonen, maar niettemin een significante betrokkenheid vertonen in ten minste één functie. De laatste werd geïdentificeerd door het herhalen van de analyses beschreven in de paragraaf “Bepaling van functioneel gelateraliseerde regio’s” met de oorspronkelijke Neurosynth functionele kaarten als input. Zie aanvullende figuur 7. Dit leverde 69 componenten, goed voor 70,6% van de variantie. Voor een betere vergelijkbaarheid werd de analyse uitgevoerd in de symmetrische ruimte en voor de linker en rechter hemisferen afzonderlijk. De voxels werden geacht geen significante lateralisatie te hebben als zij aan de volgende criteria voldeden: (1) de significantiedrempel voor ten minste één component en één hemisfeer overschreden; (2) niet overlappend waren met gelateraliseerde voxels; en (3) homologen waren van de voxels die in de tegenoverliggende hemisfeer voldeden aan criteria (1) en (2). Een verkorte term “niet-gelateraliseerde” regio’s werd gebruikt om voxels zonder significante lateralisatie in de resterende tekst aan te duiden. Dit biedt een conservatief contrast voor de gelateraliseerde regio’s omdat, op grond van de frequentistische statistische benadering, de niet-gelateraliseerde regio’s ook voxels zouden omvatten die een aanzienlijke lateralisatie vertonen maar niet voldoen aan de statistische criteria van significantie die in de studie worden gebruikt. Het aantal niet-gelateraliseerde voxels was 3.6 maal groter dan het aantal gelateraliseerde voxels.
Metingen van de connectiviteitssterkte voor structuur-functierelaties
De volgende stappen werden gebruikt voor structuur-functierelaties. Ten eerste combineerden we de ruimtelijke kaarten van significant gelateraliseerde voxels, ongeacht de linker- en rechterpolariteit van de lateralisatie. Ten tweede hebben we de gecombineerde kaart terug getransformeerd naar de reguliere MNI-ruimte voor een gezamenlijke analyse met diffusie-informatie met behulp van een inverse van de MNI niet-symmetrische naar MNI symmetrische template vervormingen hierboven geschat. Tenslotte projecteerden wij de gecombineerde kaart op de witte stof grens van het niet-symmetrische MNI sjabloon in elk halfrond en selecteerden vervolgens tractografie van deze voxels naar het corpus callosum. Dezelfde procedures werden toegepast op de kaarten van niet-gelateraliseerde gebieden.
Twee maten voor de sterkte van structurele inter-hemisferische connectiviteit werden geanalyseerd. De eerste, microstructurele, maat had betrekking op de axonale waterfractie, gemiddeld over de deelnemers aan de HCP-steekproef, in de voxels van het corpus callosum die werden geraakt door stroomlijnen uit geselecteerde gelateraliseerde (of niet-gelateraliseerde) regio’s. De tweede, macrostructurele, maat van connectiviteit, werd gedefinieerd in termen van repliceerbaarheid30 van connecties tussen hersenvoxels en corpus callosum, d.w.z. als een proportie deelnemers waarbij een connectie bestaat tussen hersenvoxels en corpus callosum ten opzichte van de totale HCP-steekproefomvang. We zullen deze maat kortheidshalve aanduiden als “waarschijnlijkheid van verbinding”.
Vergelijking van de connectiviteit tussen gelateraliseerde en niet-gelateraliseerde regio’s
De vergelijking van de connectiviteit tussen gelateraliseerde en niet-gelateraliseerde regio’s werd uitgevoerd door subsets van voxels te bemonsteren (zonder vervanging) uit de pools van gelateraliseerde en niet-gelateraliseerde corticale voxels. Een steekproef van elke pool was gelijk aan 5% van het totale aantal voxels in die pool (d.w.z., ervoor zorgend dat de ruimtelijke frequentie van getrokken steekproeven binnen de pool gelijk was tussen de pools). Voor elke subset berekenden we een gemiddelde waarde voor de waarschijnlijkheid van verbinding en een gewogen gemiddelde voor callosale axonale water fractie, waarbij een gewicht voor een voxel werd gegeven als een verbinding repliceerbaarheid tussen deze voxel en elke voxel in een bemonsterde subset. Een negatieve waarde zou wijzen op een zwakkere connectiviteit van de gelateraliseerde voxels. De verdelingen van het verschil in connectiviteit tussen gelateraliseerde en niet-gelateraliseerde corticale gebieden werden verkregen door de procedure 1000 maal te herhalen en voor elk halfrond afzonderlijk.
Analyse van hemisferische dominantie
De mate van functionele hemisferische dominantie werd geëvalueerd in radialen als een arctangent van de verhouding tussen de activatiesterktes in twee hemisferen. Pi/4 werd van deze waarde afgetrokken om ervoor te zorgen dat de absolute grootte van deze waarde toeneemt als de taakactivatie unilateraal is en afneemt als beide hemisferen vergelijkbare niveaus van taakactiviteit vertonen. Gegeven dat een gedeeltelijke ruimtelijke overlap tussen gelateraliseerde regio’s geassocieerd met verschillende componenten mogelijk is, kozen we in de analyses de dominantie waarden geassocieerd met componenten die de grootste z-score in een bepaalde voxel opleverden. Om een robuuste schatting te verkrijgen van de relatie tussen hemisferische dominantie en de sterkte van interhemisferische connectiviteit, werden de voxels ingedeeld volgens de waarschijnlijkheid van connectie, zodanig dat de kleinste binbreedte gelijk was aan 1/163 en toenam met de waarschijnlijkheid van connectie (gegeven door de logspace functie in Matlab). Deze procedure werd gebruikt om gedeeltelijk te compenseren voor het feit dat slechts een zeer beperkt aantal voxels een hoge waarschijnlijkheid van verbinding met het corpus callosum hadden, terwijl de meerderheid gekenmerkt werd door kleine waarden. We schatten ook de gemiddelde activiteit van de voxel tussen de linker- en rechterhersenhelft (d.w.z. (linker + rechterhersenhelft activiteit)/2) en gebruikten dit als een covariaat van niet-belang in de analyses die keken naar de relatie tussen hemisferische dominantie en andere maten.