Deriving functional network topology from in vivo two-photon calcium imaging: state-dependent graph features in mouse mesoscale motor cortical network

Dit onderzoek toont aan dat de functionele netwerktopologie in de primaire motorische cortex van muizen sterk afhankelijk is van de gedragsstatus, waarbij anesthesie leidt tot een meer gesegregeerde en small-world structuur met sterkere hub-connectiviteit, terwijl beweging gepaard gaat met grotere netwerkschalen en hogere hub-activiteit.

De kern

Titel: Hoe de hersenen van een muis dansen: Een reis door de motorische cortex

Stel je de hersenen voor als een gigantische, levende stad. In deze stad wonen miljarden inwoners: de neuronen (hersencellen). Soms werken ze als een georganiseerd orkest, en soms als een drukke markt. Maar hoe zien deze netwerken eruit als de stad slaapt, en hoe veranderen ze als de stad wakker wordt en gaat bewegen?

Deze studie, uitgevoerd door onderzoekers aan de West Virginia University, kijkt naar een specifiek deel van de hersenen van een muis: de motorische cortex. Dit is het "besturingspaneel" voor beweging. Ze hebben gekeken hoe deze neuronen met elkaar praten in drie verschillende situaties:

1. Rust: De muis zit stil.
2. Beweging: De muis loopt op een wieltje.
3. Slaap/Verdoofd: De muis is onder narcose (zoals diep in een droom).

Hier is wat ze hebben ontdekt, vertaald naar alledaagse beelden:

1. De drie manieren waarop de stad functioneert

De onderzoekers gebruikten een speciale camera (twee-fotonen microscopie) om te zien welke neuronen tegelijkertijd "aan" gingen. Ze zagen drie heel verschillende patronen:

• Bij Beweging (De Drukke Markt):
  Wanneer de muis beweegt, is het alsof de hele stad wakker wordt en iedereen elkaar aan het roepen is. Het netwerk is groot en uitgebreid. Er zijn veel verbindingen, maar ze zijn niet heel strak georganiseerd. Het is een beetje chaotisch, maar dat is nodig om snel te kunnen reageren.

  • Analogie: Stel je een drukke drukte op een festival voor. Iedereen praat met iedereen, er zijn veel groepjes, maar het is niet streng geregeld. Het is levendig en groot.

• Bij Anesthesie (De Strakke Orde):
  Wanneer de muis onder narcose is, is het alsof de stad in een soort "stand-by" modus gaat. Het netwerk wordt kleiner en strakker. De neuronen vormen heel duidelijke, gescheiden groepjes (zoals buurten in een stad) die onderling sterk praten, maar minder contact hebben met de rest van de stad.

  • Analogie: Denk aan een bibliotheek waar iedereen in een stil hoekje zit. Er zijn kleine kringetjes mensen die fluisteren, maar er is geen groot, luidruchtig gesprek tussen de verschillende tafels. Alles is geordend en efficiënt, maar minder dynamisch.

• Bij Rust (De Overgang):
  Als de muis stilzit, zit het ergens precies in het midden tussen die twee uitersten.

2. Het geheim van de "Hub" (De Super-Verbinders)

In elk netwerk zijn er bepaalde neuronen die heel belangrijk zijn: de hubs. Dit zijn de "super-verbinders", de mensen die met iedereen in contact staan.

• Het verrassende verschil:
  • Bij beweging zijn deze super-verbinders heel actief (ze vuren veel signalen af), maar ze hebben minder sterke banden met elkaar. Het is alsof de leiders van het festival snel met veel mensen praten, maar niet diep ingaan op het gesprek.
  • Bij anesthesie zijn deze super-verbinders minder actief (ze doen minder), maar ze hebben ontzettend sterke banden met elkaar. Ze zitten heel dicht bij elkaar en praten intensief, maar doen het rustig.
  • Analogie: Bij beweging is de hub een snelle koerier die overal langskomt. Bij anesthesie is de hub een oude vriend die langdurig en intensief met een kleine groep zit te babbelen.

3. De positieve en negatieve signalen

Niet alle gesprekken in de hersenen zijn hetzelfde.

• Positieve signalen: Neuronen die samenwerken (zoals "Ja, laten we dat doen!").
• Negatieve signalen: Neuronen die tegenwerken (zoals "Nee, doe dat niet, ik doe het anders").

De onderzoekers ontdekten dat de negatieve signalen (de "nee"-roepers) het netwerk een beetje verwarren. Als er veel negatieve signalen zijn (zoals onder narcose), worden de groepjes minder duidelijk en wordt het netwerk minder efficiënt in het snel doorgeven van informatie. Het is alsof er te veel mensen zijn die zeggen: "Wacht even, ik ben het niet met je eens," waardoor de organisatie wat uit elkaar valt.

Waarom is dit belangrijk?

Deze studie laat zien dat onze hersenen niet statisch zijn. Ze veranderen hun "stadsplanning" afhankelijk van wat we doen.

• Als we bewegen, schakelen de hersenen over op een flexibel, groot en actief netwerk.
• Als we rusten of slapen, schakelen ze over op een strak, georganiseerd en energiebesparend netwerk.

Dit helpt ons begrijpen hoe normale hersenen werken, maar ook wat er misgaat bij ziektes (zoals epilepsie of Alzheimer), waarbij deze schakeling tussen "bewegen" en "rusten" misschien vastloopt.

Kortom: De hersenen zijn als een slimme stad die zijn straten en gebouwen elke seconde opnieuw inricht, afhankelijk van of de inwoners aan het dansen zijn of aan het slapen.

Technische samenvatting

Probleemstelling

De hersenen zijn complexe systemen die functioneren op meerdere ruimtelijke en temporale schalen. Hoewel er veel onderzoek is gedaan naar macroscopische netwerken (bijv. via fMRI en EEG), blijft de organisatie op het mesoscale-niveau (tussen individuele cellen en grote systemen) onvoldoende begrepen. Bestaande methoden hebben vaak een beperkte ruimtelijke resolutie en kunnen de dynamiek van neurale netwerken op cellulair niveau tijdens gedrag niet adequaat vastleggen. Er is behoefte aan een robuust raamwerk om de functionele connectiviteit en topologische eigenschappen van mesoscale neurale populaties in de primaire motorische cortex (M1) te karakteriseren onder verschillende gedragsstaten.

Methodologie

De auteurs gebruikten een geavanceerde combinatie van in vivo twee-foton (2P) calciumimaging en graftheoretische analyse om excitatoire neurale netwerken in de M1 van muizen te onderzoeken.

• Experimenteel Opzet:
  • Model: Transgene muizen (CaMKII-tTA/tetO-GCaMP6s) voor specifieke expressie van de calciumindicator GCaMP6s in excitatoire neuronen.
  • Imaging: Een 5-mm craniaal venster werd geïmplanteerd over de linkerforelimb-regio van M1. Er werden neuronen in laag II/III opgenomen.
  • Gedragscondities: Drie staten werden vergeleken:
    1. Beweging (Motion): Inductie van constante beweging via een gemotoriseerd wiel.
    2. Geen beweging (No-motion): Rusttoestand.
    3. Anesthesie: Toestand onder anesthesie.
• Data-Verwerking:
  • Gebruik van de Suite2p pipeline voor het extraheren van $\Delta F/F$ activiteitssporen.
  • Deconvolutie: Toegepast om het langzame verval van GCaMP6s te compenseren en calciumtransiënten te verscherpen.
  • Connectiviteitsmatrix: Paarsgewijze Pearson-correlaties (PC) werden berekend op de gedeconvolueerde signalen, wat zowel positieve als negatieve associaties opleverde.
• Statistische Validatie:
  • Om artefacten (ruis, ruimtelijke nabijheid) te elimineren, werd een tweestapsvalidatie toegepast:
    1. Surrogaat-testen: 1000 iteraties van het shuffle-en van activiteitssporen om een null-verdeling te genereren. Alleen correlaties boven het 95% betrouwbaarheidsinterval ($p < 0.05$) werden behouden.
    2. FDR-correctie: De Benjamini-Hochberg procedure ($q = 0.05$) werd toegepast om de vals-ontdekkingsratio te controleren.
  • Dit resulteerde in schaarse, statistisch onderbouwde functionele connectiviteitsnetwerken (FC).
• Graftheoretische Analyse:
  • Berekening van globale en nodale metrics: Modulariteit (Q), Small-world topologie ($\sigma$), en Hub-identificatie (gebaseerd op de doorsnede van top 10% voor graad-, eigenvector- en tussenliggendheid-centraaliteit).
  • Analyse van netwerken op basis van teken: Positieve, negatieve en gecombineerde netwerken.

Belangrijkste Bijdragen

1. Validatie Framework: Een robuust protocol om dichte correlatiematrices om te zetten in statistisch geldige, schaarse FC-netwerken uit mesoscale calciumimaging-data.
2. Teken-afhankelijkheid: Het systematisch onderscheiden van de invloed van positieve versus negatieve correlaties op de netwerktopologie.
3. Staat-afhankelijke Topologie: Een gedetailleerde kwantificering van hoe de netwerkindeling verandert tussen beweging, rust en anesthesie op het mesoscale-niveau.
4. Hub-Dynamiek: Het onthullen van een tegenstrijdigheid waarbij anesthesie leidt tot sterkere connectiviteit van hubs maar lagere neuronale activiteit, terwijl beweging leidt tot hogere activiteit maar zwakkere connectiviteitsstructuren.

Resultaten

1. Netwerkschaal en Dichtheid:

• Beweging: Vertoonde de grootste netwerkindeling met het hoogste aantal knopen (nodes) en randen (edges).
• Anesthesie: Toonde de meest gereduceerde connectiviteitsstructuur (minste nodes en edges).
• Geen beweging: Fungeerde als een intermediaire baseline.
• Negatieve randen: Vormden een klein maar significant deel (<10%) van de connectiviteit. Het percentage negatieve randen was het hoogst tijdens anesthesie en het laagst tijdens beweging.

2. Modulariteit (Segregatie):

• Anesthesie: Toonde de hoogste modulariteit (sterke scheiding in gemeenschappen).
• Beweging: Toonde de laagste modulariteit (meer gedistribueerde organisatie).
• Invloed van teken: Negatieve netwerken hadden aanzienlijk lagere modulariteit en meer fragmentatie dan positieve netwerken. Negatieve associaties verminderen de modulaire segregatie.

3. Small-world Topologie:

• Anesthesie: Vertoonde de sterkste small-world eigenschappen (hoge clustering, korte padlengten, $\sigma > 1$).
• Beweging: Toonde verzwakte small-world structuur (lagere clustering, langere padlengten).
• Negatieve netwerken: Toonden consistent geen small-world organisatie ($\sigma < 1$), wat wijst op een gebrek aan efficiënte lokale-globale balans in antagonistische interacties.

4. Hub-Organisatie:

• Activiteit vs. Connectiviteit:
  • Anesthesie: Hubs hadden de hoogste connectiviteit (graad en sterkte) maar de laagste neuronale activiteit ($\Delta F/F$).
  • Beweging: Hubs hadden de hoogste activiteit maar zwakkere connectiviteitsstructuren.
• Ruimtelijke organisatie: Hubs waren dichter bij elkaar onder anesthesie (consistent met kleinere netwerkschaal) en verder uit elkaar tijdens beweging.
• Netwerktype: Negatieve hubs hadden over het algemeen lagere graad en sterkte dan positieve hubs.

Significantie en Conclusie

De studie demonstreert dat mesoscale neurale netwerken een gestructureerde, staat-afhankelijke organisatie vertonen die fundamenteel verschilt van macroscopische bevindingen.

• Functie: De hersenen schakelen tussen een meer gesegregeerde, lokaal geoptimaliseerde toestand (anesthesie) en een meer gedistribueerde, geïntegreerde toestand (beweging).
• Rol van Negatieve Correlaties: Negatieve associaties spelen een cruciale rol in het vormgeven van de topologie door modulariteit en small-world eigenschappen te verminderen.
• Toekomstperspectief: De ontwikkelde methode biedt een raamwerk voor het bestuderen van corticale netwerkdynamiek in normale functies en bij neurologische aandoeningen, waarbij de balans tussen integratie en segregatie op cellulair niveau kan worden gekwantificeerd.

De auteurs benadrukken dat hoewel FC statistische associaties weergeeft en niet directe synaptische interacties, deze aanpak een waardevol inzicht biedt in de emergente eigenschappen van neurale populaties.