引用本文： 常琳麗, 張彥海, 遲麗屹, 王會會, 白婉麒, 張琳靜, 徐朝霞. 基于圖論分析對人群空間導航相關腦功能網絡拓撲學屬性的研究. 華西醫學, 2023, 38(8): 1160-1166. doi: 10.7507/1002-0179.202302033 復制
人類的大腦是由許多不同的腦區所構成，這些腦區的解剖結構是固定的，但大腦的功能卻非常復雜，這可能與腦區之間的功能連接相關[1]。既往的腦功能研究主要集中在任務態的腦反應上，但研究發現活動消耗的腦能量只占全腦總能量的 5% 以下，而大腦靜息時存在的自發活動消耗大腦 95% 以上的能量，因此對大腦靜息狀態下腦區之間功能連接的研究越來越重要[2]。隨著靜息態功能 MRI 技術的發展，現在 MRI 可以無創地測量大腦區域的自發激活模式之間的相關性，從而構建腦功能網絡。在此基礎上，采用圖論的方法對靜息態功能 MRI 技術獲得的數據進行進一步處理，構建一個由許多節點（腦區）和邊（腦區之間的結構和功能連接）構成的結構復雜的腦網絡模型，可以描繪腦區之間的相互連接情況，并通過測量整個大腦網絡中感興趣區的拓撲特性，來探究中樞系統的微觀變化。空間導航是基于自身位置和外在環境構建復雜的認知地圖的一種能力，包括視覺感知、空間定向、記憶、規劃和決策等多個復雜的認知過程，對維持日常生活至關重要[3-4]。既往有大量研究表明空間導航能力下降與衰老或疾病相關，并且這種下降與大腦的結構連接和功能連接相關[5-7]，然而，相同年齡的人群之間空間導航能力是否存在差異，人們仍然知之甚少。因此，本研究基于圖論分析，從全腦功能網絡層面上分析人群空間導航相關腦網絡是否有助于認識空間導航能力的差別。
1 對象與方法
1.1 研究對象
本橫斷面研究得到空軍第九八六醫院倫理委員會的批準（批件編號：2020003），所有受試者在測試前均被告知測試內容并簽署了知情同意書。本研究數據來源于 2020 年 9 月－2021 年 9 月中國人民解放軍陸軍邊海防學院在讀的 100 名學生。納入標準：① 男性；② 年齡 20～30 歲；③ 本科在讀及以上學歷；④ 右利手。排除標準：① 神經系統疾病史，如腦血管病、腦腫瘤、腦外傷、癲癇或者癡呆等；② 精神疾病，如嚴重抑郁癥、精神分裂癥；③ 色盲；④ MRI 檢查禁忌證；⑤ 對一定噪音和短時幽閉的環境有過度不良反應。
1.2 空間導航能力測試及分組
采用奧地利 NeuroScios GmbH 公司基于人類模擬水迷宮試驗設計的計算機空間導航障礙測試系統（AMUNET-PC spatial navigation tests）測試受試者的多種空間導航能力。所用方法為隱藏目標試驗（圖1），受試者需在計算機虛擬環境中尋找一個隱藏的目標（用鼠標在屏幕上移動），任務分為 3 個子任務，分別涉及自我參考系+環境參考系、自我參考系、環境參考系。每個子任務包括 8 次測試來評價受試者的導航能力，最后計算機自動計算 8 次測試距離誤差的平均值。以 3 個子任務的平均誤差距離為空間導航能力的評價指標，該值越大，提示受試者偏離正確位置的距離越大，表明導航能力越差。最后選取空間導航能力測試成績前 25% 和后 25%，分別作為空間導航能力極好組（GN 組）和極差組（PN 組），進行靜息態功能 MRI 掃描。
圖1
AMUNET 導航測試示例圖
a. 示范正確的相對位置關系，紅點為受試者自身起點，紫圈為目標，黃點和綠條為線索信息；b. 計算受試者尋找的目標位置與真實位置（紫圈）之間的距離誤差（白箭）；c. 綜合導航示例，隱藏目標并旋轉后，請受試者根據線索信息（黃點與綠條）和自身起點（紅點）與目標位置之間的相對關系來定位目標，并使用鼠標找到隱藏目標；d. 自我中心導航的示例，隱藏目標并旋轉后，線索信息（黃點與綠條）將不見，請受試者只根據和自身起點（紅點）與目標位置之間的相對關系來定位目標，并使用鼠標找到隱藏目標；e. 環境中心導航的示例，隱藏目標并旋轉后，紅點將不再具有參考價值，請受試者根據線索信息（黃點與綠條）來定位目標，并使用鼠標找到隱藏目標
1.3 MRI 數據采集
MRI 數據采集使用上海聯影公司生產的 uMRT780 3.0 T MRI 儀，32 通道頭部相控陣線圈。數據采集時用海綿固定受試者頭部以減少頭動，囑其在掃描時應保持安靜、放松、閉眼但清醒的狀態。先采用常規腦部 MRI 檢查（T1 加權像、T2 加權像、T1 液體衰減反轉恢復序列、T2 液體衰減反轉恢復序列）以排除腦部疾病。采用快速擾相梯度回波序列采集 3D T1 高分辨率結構像用于圖像處理過程中的配準，掃描參數：重復時間/回波時間=6.9 ms/3 ms，翻轉角=9°，層厚=1 mm，視野=256 mm×250 mm，矩陣=230×256，重建矩陣 2 倍，帶寬=250 Hz/pixel，體素體積=0.5 mm×0.5 mm×1.0 mm，連續采集 210 層，從矢狀位、冠狀位、橫斷位 3 個方向采集。采用基于梯度回波的單次激發平面回波成像序列采集靜息態功能 MRI 數據，掃描參數：重復時間/回波時間=2000 ms/30 ms，翻轉角=80°，視野=230 mm×230 mm，矩陣=64×64，帶寬=1910 Hz/pixel，體素體積=3.59 mm×3.59 mm×3.50 mm，層厚=3.5 mm，層間距=0，掃描時間 540 s。
1.4 數據預處理
采用 Gretna 2.0.0 軟件對原始 MRI 圖像進行預處理：① 將 DICOM 格式圖像轉換成 NIFTI 格式；② 去除前 10 個時間點；③ 時間層校正；④ 頭動校正：重新對齊單個圖像，使所有體積中大腦的每個部分都處于同一位置；⑤ 將圖像配準到蒙特利爾神經研究所（Montreal Neurological Institute, MNI）建立的標準 MNI 空間；⑥ 線性漂移去除；⑦ 去除協變量，如 Friston 24 頭動參數、線性趨勢、全腦體積均值、腦白質及腦脊液信號。
1.5 數據分析
采用 Gretna 2.0.0 軟件依據 AAL116（anatomical automatic labeling 116）模板構建腦功能網絡并分析其拓撲學指標。該圖譜將人腦劃分為 116 個區，其中小腦劃分為 26 個區域，每個區域視為一個網絡節點，提取每個區域所有體素的平均時間序列，計算每對節點平均時間序列之間的 Pearson 相關系數，得到一個 116×116 的相關系數矩陣，對相關系數 r 進行 Fisher r 到 Z 變換，制作出大腦功能連接網絡的模型。本研究首先將閾值設定為 0.01～0.1，進行拓撲屬性分析后發現腦網絡的拓撲屬性在數值為 0.045 處開始已經不再變化，故確定在閾值范圍為 0.01～0.045、間隔為 0.01 的參數設定下進行拓撲屬性分析。計算常見的拓撲屬性參數：① 全局屬性：包括聚類系數（Cp）、特征路徑長度（Lp）、標準化的聚類系數（γ）、標準化的特征路徑長度（λ）、小世界屬性（σ）、全局效率（Eg）、局部效率（Eloc）；② 節點屬性：包括度中心性、節點效率、節點聚類系數。當滿足 γ>1、λ≈1、σ>1 時，表示該網絡符合小世界網絡的屬性。
1.6 統計學方法
使用 SPSS 26.0 軟件進行統計分析。采用 Shapiro-Wilk 檢驗進行計量資料的正態性檢驗，符合正態分布的計量資料（全局參數 γ、λ、σ、Cp、Lp、Eg 和 Eloc，以及節點屬性節點聚類系數）以均數±標準差表示，組間比較采用兩獨立樣本 t 檢驗；不符合正態分布的計量資料（年齡、教育年限及空間導航平均誤差距離）以中位數（下四分位數，上四分位數）表示，組間比較采用 Mann-Whitney U 檢驗。所有分析均為雙側檢驗，檢驗水準 α=0.05。
2 結果
2.1 人口學資料及測試結果
兩組年齡及教育程度差異無統計學意義（P>0.05）；PN 組的平均距離誤差大于 GN 組，差異有統計學意義（P<0.05）。見表1。
表1
GN 組和 PN 組人口學及空間導航測試結果數據［M（QL，QU）］
2.2 兩組腦功能網絡全局拓撲學屬性改變
在所選的網絡稀疏度閾值范圍（0.01～0.045）內兩組受試者的腦功能網絡均滿足小世界網絡的屬性，即 γ>1、λ≈1、σ>1。在閾值范圍內兩組的 λ、Cp、Lp 和 Eloc 的曲線下面積差異無統計學意義（P>0.05）；PN 組 Eg、γ、σ 的曲線下面積明顯小于 GN 組，差異有統計學意義（P<0.05）。見圖2、表2。
圖2
腦功能網絡的全局屬性隨閾值變化的曲線圖及曲線下面積比較
a～f. 分別為
表2
GN 組和 PN 組全局拓撲屬性隨閾值變化的曲線下面積比較（x±s）
2.3 兩組腦功能網絡節點拓撲學屬性改變
節點水平分析結果顯示 PN 組在左側眶部額上回、右側直回、左側扣帶回中部及其側面環繞的腦回、左側枕下回、右側小腦 3 區、右側小腦 9 區等腦區的聚類系數較 GN 組降低或升高（P<0.05）。見圖3、表3。
圖3
腦功能網絡節點屬性的比較結果圖
空間導航能力極好組（GN 組）與空間導航能力極差組（PN 組）腦功能節點聚類系數的比較，紅色節點代表聚類系數存在差異
表3
GN 組和 PN 組節點聚類系數存在差異的腦區隨閾值變化的曲線下面積比較（x±s）
3 討論
3.1 功能網絡全局屬性指標的結果分析
大腦是一個相互連接的復雜高效網絡，以整合和隔離的方式來運作，使大腦可以高效率運行的同時具有很好的穩定性[8]。功能整合是將大腦觀察為一個相互組成的網絡，該網絡包含大腦中的不同網絡，這些網絡以合作的方式處理特定功能相關信息的能力。隔離意味著處理大腦內特定的網絡連接中信息的能力[9]。圖論是探索大腦中整合和隔離網絡的一種技術，主要是對于處理節點和邊的研究[10]。評價整合的指標主要有 LP 和 Eg，LP 表示網絡節點到達網絡中其他節點的最短路徑的平均值，LP 越短，節點信息傳輸需要經過的路徑越短。Eg 是指所有節點的全局效率的平均值，用來衡量網絡全局的信息傳輸能力，Eg 越高，整個網絡范圍內信息傳遞的速度就越快。評價隔離的指標主要有 Cp，Cp 顯示了網絡中節點傾向于聚類在一起的程度，Cp 越高的網絡意味著該網絡局部節點間聯系更緊密，也代表了近距離傳遞信息的能力越強。γ 是真實網絡聚類系數與隨機化網絡聚類系數的比值。當大腦網絡有較高的 Cp 和較短的 Lp 時，大腦可以快速地處理全局和局部的信息，有最高的處理效率，符合小世界網絡的屬性[8, 11]。本研究中 GN 組和 PN 組都具有小世界網絡的屬性，說明兩組在功能分化和信息整合之間都仍然保持相對平衡的狀態。但是 PN 組的 Eg、γ、σ 比起 GN 組較低，說明 PN 組大腦網絡信息傳遞的速度減慢且節點間的連接性降低，更接近于隨機網絡。對存在空間導航能力下降的輕度認知障礙患者和阿爾茨海默病患者的腦結構網絡研究中也有類似的結果[12-13]。但是與之前的研究不同，本研究中兩組的 Cp、Lp、λ 值無明顯差異，可能因為兩組均為正常人群，腦網絡功能網絡連接沒有明顯的損傷。綜上所述，空間導航能力存在差異人群的腦功能網絡全局屬性有一定差異，空間導航能力差的人群腦網絡連接更趨向于隨機狀態。
3.2 功能網絡節點屬性指標的結果分析
節點聚類系數是指該節點與其相連節點聚類在一起的程度，節點聚類系數越高，該節點近距離傳遞信息的能力越強。當大腦中重要節點傳遞信息能力降低后，空間導航能力也會出現差異。
眶部額上回和直回屬于眶額部的一部分。既往研究發現眶額葉皮質（orbitofrontal cortex, OFC）與海馬的功能存在相似性，OFC 在學習、記憶和決策等認知過程中均有重要作用[14-15]。一項基于人類空間導航任務的研究進一步顯示，OFC 中的學習機制可能使人腦能夠預測目標導向行動未來的結果[16]。最近的嚙齒動物和人類研究表明，OFC 可能參與的是更新和學習價值，而非直接參與選擇行為本身[17]。總之，OFC 很可能在導航過程中通過推斷未采取但可能的路徑，在路口的選擇方面發揮關鍵作用。
腹后扣帶皮質屬于后扣帶皮質，是壓后皮質向后延伸的腦區。在人類和獼猴的研究中都發現后扣帶皮質中存在著視覺相關信號，與前庭信號的處理相關[18-19]。并且在對獼猴進行的空間導航相關任務中發現后扣帶皮質中存在著與導航相關的神經元[20]。近年一項對獼猴神經元進行記錄的研究也進一步顯示后扣帶皮質攜帶前庭信號，與空間導航中的路徑整合相關[21]。
枕下回是枕部區域的一部分。2003 年一項功能 MRI 研究顯示背枕葉中存在場景響應區，2013 年這個區域被命名為枕部區域（occipital place area, OPA）[22-23]。既往有研究發現 OPA 參與感知空間中的邊界位置[24]。而近年研究發現，OPA 更多的在空間導航相關的場景感知中發揮重要作用，在局部環境導航相關的視覺場景中提取重要的空間特征[25-27]。相關的它與另外 2 個場景感知區域（海馬旁區域、壓后皮質）共同構建一個連貫而詳細的場景，用于確定人在環境中的位置和方向。
一項功能 MRI 和電生理學的研究發現，用光遺傳學對小腦進行刺激，會影響海馬和前扣帶皮質等空間導航相關腦區的神經元活動[28]。另一項通過病毒行經神經元示蹤的研究也顯示小腦與海馬存在相互連接，在解剖上，小腦發出的信息經過不同的路徑傳入到海馬，在電生理學上海馬和小腦相關區域也存在相關的活動[29]。小腦通過與海馬的相關作用，參與海馬中空間地圖的構建，從而參與目標導向的導航。小腦也與前額葉皮質有關，參與接受感覺和運動信息，從而在目標為導向的到達時，參與視覺-肢體動作協調的處理。
3.3 本研究的局限性
本研究具有一定的局限性。本研究是對青年健康男性的研究，沒有女性樣本，今后需要進一步研究性別對腦功能網絡的影響。另外，本研究發現了功能差異的腦區，而其中內在的機制以及它們之間是否存在聯系仍未明確，這也是我們未來研究的方向。
綜上所述，基于圖論對受試者腦網絡拓撲屬性的分析，本研究發現即使是健康人之間腦網絡的拓撲結構依然存在差異，并且這些差異存在于空間導航相關的一些腦區中。腦網絡的拓撲屬性分析有望為評價空間導航能力提供有效的神經影像學標志物。
利益沖突：所有作者聲明不存在利益沖突。
人類的大腦是由許多不同的腦區所構成，這些腦區的解剖結構是固定的，但大腦的功能卻非常復雜，這可能與腦區之間的功能連接相關[1]。既往的腦功能研究主要集中在任務態的腦反應上，但研究發現活動消耗的腦能量只占全腦總能量的 5% 以下，而大腦靜息時存在的自發活動消耗大腦 95% 以上的能量，因此對大腦靜息狀態下腦區之間功能連接的研究越來越重要[2]。隨著靜息態功能 MRI 技術的發展，現在 MRI 可以無創地測量大腦區域的自發激活模式之間的相關性，從而構建腦功能網絡。在此基礎上，采用圖論的方法對靜息態功能 MRI 技術獲得的數據進行進一步處理，構建一個由許多節點（腦區）和邊（腦區之間的結構和功能連接）構成的結構復雜的腦網絡模型，可以描繪腦區之間的相互連接情況，并通過測量整個大腦網絡中感興趣區的拓撲特性，來探究中樞系統的微觀變化。空間導航是基于自身位置和外在環境構建復雜的認知地圖的一種能力，包括視覺感知、空間定向、記憶、規劃和決策等多個復雜的認知過程，對維持日常生活至關重要[3-4]。既往有大量研究表明空間導航能力下降與衰老或疾病相關，并且這種下降與大腦的結構連接和功能連接相關[5-7]，然而，相同年齡的人群之間空間導航能力是否存在差異，人們仍然知之甚少。因此，本研究基于圖論分析，從全腦功能網絡層面上分析人群空間導航相關腦網絡是否有助于認識空間導航能力的差別。
1 對象與方法
1.1 研究對象
本橫斷面研究得到空軍第九八六醫院倫理委員會的批準（批件編號：2020003），所有受試者在測試前均被告知測試內容并簽署了知情同意書。本研究數據來源于 2020 年 9 月－2021 年 9 月中國人民解放軍陸軍邊海防學院在讀的 100 名學生。納入標準：① 男性；② 年齡 20～30 歲；③ 本科在讀及以上學歷；④ 右利手。排除標準：① 神經系統疾病史，如腦血管病、腦腫瘤、腦外傷、癲癇或者癡呆等；② 精神疾病，如嚴重抑郁癥、精神分裂癥；③ 色盲；④ MRI 檢查禁忌證；⑤ 對一定噪音和短時幽閉的環境有過度不良反應。
1.2 空間導航能力測試及分組
采用奧地利 NeuroScios GmbH 公司基于人類模擬水迷宮試驗設計的計算機空間導航障礙測試系統（AMUNET-PC spatial navigation tests）測試受試者的多種空間導航能力。所用方法為隱藏目標試驗（圖1），受試者需在計算機虛擬環境中尋找一個隱藏的目標（用鼠標在屏幕上移動），任務分為 3 個子任務，分別涉及自我參考系+環境參考系、自我參考系、環境參考系。每個子任務包括 8 次測試來評價受試者的導航能力，最后計算機自動計算 8 次測試距離誤差的平均值。以 3 個子任務的平均誤差距離為空間導航能力的評價指標，該值越大，提示受試者偏離正確位置的距離越大，表明導航能力越差。最后選取空間導航能力測試成績前 25% 和后 25%，分別作為空間導航能力極好組（GN 組）和極差組（PN 組），進行靜息態功能 MRI 掃描。
圖1
AMUNET 導航測試示例圖
a. 示范正確的相對位置關系，紅點為受試者自身起點，紫圈為目標，黃點和綠條為線索信息；b. 計算受試者尋找的目標位置與真實位置（紫圈）之間的距離誤差（白箭）；c. 綜合導航示例，隱藏目標并旋轉后，請受試者根據線索信息（黃點與綠條）和自身起點（紅點）與目標位置之間的相對關系來定位目標，并使用鼠標找到隱藏目標；d. 自我中心導航的示例，隱藏目標并旋轉后，線索信息（黃點與綠條）將不見，請受試者只根據和自身起點（紅點）與目標位置之間的相對關系來定位目標，并使用鼠標找到隱藏目標；e. 環境中心導航的示例，隱藏目標并旋轉后，紅點將不再具有參考價值，請受試者根據線索信息（黃點與綠條）來定位目標，并使用鼠標找到隱藏目標
1.3 MRI 數據采集
MRI 數據采集使用上海聯影公司生產的 uMRT780 3.0 T MRI 儀，32 通道頭部相控陣線圈。數據采集時用海綿固定受試者頭部以減少頭動，囑其在掃描時應保持安靜、放松、閉眼但清醒的狀態。先采用常規腦部 MRI 檢查（T1 加權像、T2 加權像、T1 液體衰減反轉恢復序列、T2 液體衰減反轉恢復序列）以排除腦部疾病。采用快速擾相梯度回波序列采集 3D T1 高分辨率結構像用于圖像處理過程中的配準，掃描參數：重復時間/回波時間=6.9 ms/3 ms，翻轉角=9°，層厚=1 mm，視野=256 mm×250 mm，矩陣=230×256，重建矩陣 2 倍，帶寬=250 Hz/pixel，體素體積=0.5 mm×0.5 mm×1.0 mm，連續采集 210 層，從矢狀位、冠狀位、橫斷位 3 個方向采集。采用基于梯度回波的單次激發平面回波成像序列采集靜息態功能 MRI 數據，掃描參數：重復時間/回波時間=2000 ms/30 ms，翻轉角=80°，視野=230 mm×230 mm，矩陣=64×64，帶寬=1910 Hz/pixel，體素體積=3.59 mm×3.59 mm×3.50 mm，層厚=3.5 mm，層間距=0，掃描時間 540 s。
1.4 數據預處理
采用 Gretna 2.0.0 軟件對原始 MRI 圖像進行預處理：① 將 DICOM 格式圖像轉換成 NIFTI 格式；② 去除前 10 個時間點；③ 時間層校正；④ 頭動校正：重新對齊單個圖像，使所有體積中大腦的每個部分都處于同一位置；⑤ 將圖像配準到蒙特利爾神經研究所（Montreal Neurological Institute, MNI）建立的標準 MNI 空間；⑥ 線性漂移去除；⑦ 去除協變量，如 Friston 24 頭動參數、線性趨勢、全腦體積均值、腦白質及腦脊液信號。
1.5 數據分析
采用 Gretna 2.0.0 軟件依據 AAL116（anatomical automatic labeling 116）模板構建腦功能網絡并分析其拓撲學指標。該圖譜將人腦劃分為 116 個區，其中小腦劃分為 26 個區域，每個區域視為一個網絡節點，提取每個區域所有體素的平均時間序列，計算每對節點平均時間序列之間的 Pearson 相關系數，得到一個 116×116 的相關系數矩陣，對相關系數 r 進行 Fisher r 到 Z 變換，制作出大腦功能連接網絡的模型。本研究首先將閾值設定為 0.01～0.1，進行拓撲屬性分析后發現腦網絡的拓撲屬性在數值為 0.045 處開始已經不再變化，故確定在閾值范圍為 0.01～0.045、間隔為 0.01 的參數設定下進行拓撲屬性分析。計算常見的拓撲屬性參數：① 全局屬性：包括聚類系數（Cp）、特征路徑長度（Lp）、標準化的聚類系數（γ）、標準化的特征路徑長度（λ）、小世界屬性（σ）、全局效率（Eg）、局部效率（Eloc）；② 節點屬性：包括度中心性、節點效率、節點聚類系數。當滿足 γ>1、λ≈1、σ>1 時，表示該網絡符合小世界網絡的屬性。
1.6 統計學方法
使用 SPSS 26.0 軟件進行統計分析。采用 Shapiro-Wilk 檢驗進行計量資料的正態性檢驗，符合正態分布的計量資料（全局參數 γ、λ、σ、Cp、Lp、Eg 和 Eloc，以及節點屬性節點聚類系數）以均數±標準差表示，組間比較采用兩獨立樣本 t 檢驗；不符合正態分布的計量資料（年齡、教育年限及空間導航平均誤差距離）以中位數（下四分位數，上四分位數）表示，組間比較采用 Mann-Whitney U 檢驗。所有分析均為雙側檢驗，檢驗水準 α=0.05。
2 結果
2.1 人口學資料及測試結果
兩組年齡及教育程度差異無統計學意義（P>0.05）；PN 組的平均距離誤差大于 GN 組，差異有統計學意義（P<0.05）。見表1。
表1
GN 組和 PN 組人口學及空間導航測試結果數據［M（QL，QU）］
2.2 兩組腦功能網絡全局拓撲學屬性改變
在所選的網絡稀疏度閾值范圍（0.01～0.045）內兩組受試者的腦功能網絡均滿足小世界網絡的屬性，即 γ>1、λ≈1、σ>1。在閾值范圍內兩組的 λ、Cp、Lp 和 Eloc 的曲線下面積差異無統計學意義（P>0.05）；PN 組 Eg、γ、σ 的曲線下面積明顯小于 GN 組，差異有統計學意義（P<0.05）。見圖2、表2。
圖2
腦功能網絡的全局屬性隨閾值變化的曲線圖及曲線下面積比較
a～f. 分別為
表2
GN 組和 PN 組全局拓撲屬性隨閾值變化的曲線下面積比較（x±s）
2.3 兩組腦功能網絡節點拓撲學屬性改變
節點水平分析結果顯示 PN 組在左側眶部額上回、右側直回、左側扣帶回中部及其側面環繞的腦回、左側枕下回、右側小腦 3 區、右側小腦 9 區等腦區的聚類系數較 GN 組降低或升高（P<0.05）。見圖3、表3。
圖3
腦功能網絡節點屬性的比較結果圖
空間導航能力極好組（GN 組）與空間導航能力極差組（PN 組）腦功能節點聚類系數的比較，紅色節點代表聚類系數存在差異
表3
GN 組和 PN 組節點聚類系數存在差異的腦區隨閾值變化的曲線下面積比較（x±s）
3 討論
3.1 功能網絡全局屬性指標的結果分析
大腦是一個相互連接的復雜高效網絡，以整合和隔離的方式來運作，使大腦可以高效率運行的同時具有很好的穩定性[8]。功能整合是將大腦觀察為一個相互組成的網絡，該網絡包含大腦中的不同網絡，這些網絡以合作的方式處理特定功能相關信息的能力。隔離意味著處理大腦內特定的網絡連接中信息的能力[9]。圖論是探索大腦中整合和隔離網絡的一種技術，主要是對于處理節點和邊的研究[10]。評價整合的指標主要有 LP 和 Eg，LP 表示網絡節點到達網絡中其他節點的最短路徑的平均值，LP 越短，節點信息傳輸需要經過的路徑越短。Eg 是指所有節點的全局效率的平均值，用來衡量網絡全局的信息傳輸能力，Eg 越高，整個網絡范圍內信息傳遞的速度就越快。評價隔離的指標主要有 Cp，Cp 顯示了網絡中節點傾向于聚類在一起的程度，Cp 越高的網絡意味著該網絡局部節點間聯系更緊密，也代表了近距離傳遞信息的能力越強。γ 是真實網絡聚類系數與隨機化網絡聚類系數的比值。當大腦網絡有較高的 Cp 和較短的 Lp 時，大腦可以快速地處理全局和局部的信息，有最高的處理效率，符合小世界網絡的屬性[8, 11]。本研究中 GN 組和 PN 組都具有小世界網絡的屬性，說明兩組在功能分化和信息整合之間都仍然保持相對平衡的狀態。但是 PN 組的 Eg、γ、σ 比起 GN 組較低，說明 PN 組大腦網絡信息傳遞的速度減慢且節點間的連接性降低，更接近于隨機網絡。對存在空間導航能力下降的輕度認知障礙患者和阿爾茨海默病患者的腦結構網絡研究中也有類似的結果[12-13]。但是與之前的研究不同，本研究中兩組的 Cp、Lp、λ 值無明顯差異，可能因為兩組均為正常人群，腦網絡功能網絡連接沒有明顯的損傷。綜上所述，空間導航能力存在差異人群的腦功能網絡全局屬性有一定差異，空間導航能力差的人群腦網絡連接更趨向于隨機狀態。
3.2 功能網絡節點屬性指標的結果分析
節點聚類系數是指該節點與其相連節點聚類在一起的程度，節點聚類系數越高，該節點近距離傳遞信息的能力越強。當大腦中重要節點傳遞信息能力降低后，空間導航能力也會出現差異。
眶部額上回和直回屬于眶額部的一部分。既往研究發現眶額葉皮質（orbitofrontal cortex, OFC）與海馬的功能存在相似性，OFC 在學習、記憶和決策等認知過程中均有重要作用[14-15]。一項基于人類空間導航任務的研究進一步顯示，OFC 中的學習機制可能使人腦能夠預測目標導向行動未來的結果[16]。最近的嚙齒動物和人類研究表明，OFC 可能參與的是更新和學習價值，而非直接參與選擇行為本身[17]。總之，OFC 很可能在導航過程中通過推斷未采取但可能的路徑，在路口的選擇方面發揮關鍵作用。
腹后扣帶皮質屬于后扣帶皮質，是壓后皮質向后延伸的腦區。在人類和獼猴的研究中都發現后扣帶皮質中存在著視覺相關信號，與前庭信號的處理相關[18-19]。并且在對獼猴進行的空間導航相關任務中發現后扣帶皮質中存在著與導航相關的神經元[20]。近年一項對獼猴神經元進行記錄的研究也進一步顯示后扣帶皮質攜帶前庭信號，與空間導航中的路徑整合相關[21]。
枕下回是枕部區域的一部分。2003 年一項功能 MRI 研究顯示背枕葉中存在場景響應區，2013 年這個區域被命名為枕部區域（occipital place area, OPA）[22-23]。既往有研究發現 OPA 參與感知空間中的邊界位置[24]。而近年研究發現，OPA 更多的在空間導航相關的場景感知中發揮重要作用，在局部環境導航相關的視覺場景中提取重要的空間特征[25-27]。相關的它與另外 2 個場景感知區域（海馬旁區域、壓后皮質）共同構建一個連貫而詳細的場景，用于確定人在環境中的位置和方向。
一項功能 MRI 和電生理學的研究發現，用光遺傳學對小腦進行刺激，會影響海馬和前扣帶皮質等空間導航相關腦區的神經元活動[28]。另一項通過病毒行經神經元示蹤的研究也顯示小腦與海馬存在相互連接，在解剖上，小腦發出的信息經過不同的路徑傳入到海馬，在電生理學上海馬和小腦相關區域也存在相關的活動[29]。小腦通過與海馬的相關作用，參與海馬中空間地圖的構建，從而參與目標導向的導航。小腦也與前額葉皮質有關，參與接受感覺和運動信息，從而在目標為導向的到達時，參與視覺-肢體動作協調的處理。
3.3 本研究的局限性
本研究具有一定的局限性。本研究是對青年健康男性的研究，沒有女性樣本，今后需要進一步研究性別對腦功能網絡的影響。另外，本研究發現了功能差異的腦區，而其中內在的機制以及它們之間是否存在聯系仍未明確，這也是我們未來研究的方向。
綜上所述，基于圖論對受試者腦網絡拓撲屬性的分析，本研究發現即使是健康人之間腦網絡的拓撲結構依然存在差異，并且這些差異存在于空間導航相關的一些腦區中。腦網絡的拓撲屬性分析有望為評價空間導航能力提供有效的神經影像學標志物。
利益沖突：所有作者聲明不存在利益沖突。
