fa اختلالات شبکه استراحت مغز در بیماران پارکینسونی بيوانفورماتيك در علوم اعصاب Bioinformatics in Neuroscience پژوهشي Research --- Open Access, CC-BY-NC <strong>مقدمه:‌ </strong>در سال‌های اخیر تحقیقات تصویربرداری عصبی بر روی تصویربرداری تشدید مغناطیسی عملکردی در بسیاری از شرایط پاتولوژی و روانی استفاده شده است. تجزیه و تحلیل تغییرات در شبکه‌های حالت استراحت یک روش مهم برای درک عمیق تغییرات عملکردی و ارتباطی از بیماری به‌منظور ارائه روش‌های جدید تشخیصی و درمانی است. در این مقاله تعاملات عملکردی و اختلالات ارتباطی بین شبکه‌های حالت استراحت در بیماری پارکینسون بر روی داده‌های تصویربرداری تشدید مغناطیسی عملکردی در حالت استراحت مورد مطالعه قرار گرفته است. <strong>مواد و روش‌ها: </strong>تمامی داده‌های Rs-fMRI<span style="color:#FFFFFF;">ر</span>10 فرد پارکینسونی و 10 فرد سالم در سیستم MRI سه تسلا مورد بررسی قرار گرفت. برای استخراج شبکه‌های حالت استراحت، از تجزیه و تحلیل مؤلفه‌های مستقل احتمالی استفاده شده است. &nbsp;RSNها با استفاده از همبستگی مکانی با الگوی شبکه مرجع حالت استراحت شناسایی شده‌اند. تفاوت‌های فردی بین گروه‌ها، با رگرسیون دوگانه و تکنیک تصادفی‌سازی محاسبه شده است. <strong>یافته‌ها: </strong>نقشه‌های مؤلفه‌های گروه که به طور معنی‌داری با شبکه مرجع همپوشانی داشتند، منجر به شناسایی برخی خوشه‌های اصلی RSNها از جمله قشر بینایی، شبکه حالت پیش فرض عقبی و قشر موتوری پشتیبان شدند. تفاوت‌های فردی بین نقشه‌های RSN شبکه‌های گیجگاهی، پیش فرض عقبی و برجسته به‌عنوان خوشه‌های اصلی مشخص شده است. <strong>نتیجه‌گیری:</strong> اغلب مطالعات قبلی تغییرات ارتباطات عملکردی در بیماران پارکینسونی با استفاده از تجزیه و تحلیل مبتنی بر همبستگی سری زمانی ناحیه خاص با نواحی دیگر مغز را مورد بررسی قرار دادند. در اینجا ما رویکرد داده محور بر اساس گروه &nbsp;PICA برای استخراج و ارزیابی تغییرات RSN در تمام شبکه‌های عصبی مرتبط را به کار گرفتیم. یافته‌های ما نشان می‌دهد که تغییرات ارتباطی عملکردی RSNها با بیماری پارکینسون مرتبط است. <strong>Introduction:</strong> In the recent years, neuroimaging research on functional Magnetic Resonance Imaging (fMRI) is used in many pathological and mental conditions. The analysis of alterations in the resting state networks (RSN) is an important method for the scrupulous understanding of the function and connectivity changes of the disease in order to provide new diagnostic and therapeutic approaches. In this paper, we studied the resting-state functional MRI (Rs-fMRI) data in Parkinson&rsquo;s disease (PD) to explore the complex disruption in the RSNs and the functional interactions between them. <strong>Materials and Methods:</strong> A total Rs-fMRI data of 10 Parkinsonism and 10 healthy people in the 3T-MRI system were considered. Probabilistic independent component analysis (PICA) was used to extract network components. RSNs were identified using spatial correlation with a rest reference template network. Dual regression and randomize technique calculated individual differences between the groups. <strong>Results:</strong> Group component maps resulted in some main clusters of RSN that significantly overlapped with the reference network, such as the visual cortex, salience network, and supplementary motor area. Individual differences between RSN maps identified temporal, salience and cingulate networks as the main clusters.&nbsp;<strong>Conclusion: </strong>Most of the previous studies investigated the functional connectivity alterations in PD by seed-based analysis.&nbsp;Here, we employed the data-driven approach based on group PICA to extract and evaluate RSN changes in all related neural networks. Our finding indicates that changes of the functional architecture of the RSNs are associated with PD. تصویربرداری رزونانسی مغناطیسی, بیماری‌های تحلیل برنده عصبی, تصویربرداری تشخیصی, مغز Magnetic Resonance Imaging, Neurodegenerative Diseases, Diagnostic Imaging, Brain 23 33 http://shefayekhatam.ir/browse.php?a_code=A-10-24-1346&slc_lang=fa&sid=1 Mahdieh Ghasemi مهدیه قاسمی m.ghasemi@neyshabur.ac.ir 100319475328460019906 100319475328460019906 Yes Department of Electrical Engineering, University of Neyshabur, Neyshabur, Iran گروه مهندسی برق، دانشگاه نیشابور، نیشابور، ایران Ali Foroutannia علی فروتن‌نیا 100319475328460019907 100319475328460019907 No Department of Electrical Engineering, University of Neyshabur, Neyshabur, Iran گروه مهندسی برق، دانشگاه نیشابور، نیشابور، ایران