باستخدام الربط المعلوماتي لقياس ظهور متزامن من الرنين المغناطيسي الوظيفي متعدد فوكسل معلومات عبر الزمن
يوليو 1, 2014
المراسلات بين الدورات الزمنية للمعلومات متعددة الفوكسيل عبر مناطق الدماغ المختلفة. يتم استخراج السلاسل الزمنية لتمييز نمط الأنماط متعددة الفوكسل من المناطق ومقارنتها ، مما يكشف عن شبكات غير محددة في نهج التوصيلية الوظيفية النموذجي.
الهدف العام من هذا الإجراء هو قياس الاتصال بين مناطق الدماغ بناء على التغيرات في أنماط نشاطها الموزعة بمرور الوقت. يتم تحقيق ذلك عن طريق اختيار منطقة البذور أولا. بعد ذلك ، يتم حساب النمط متعدد الفوكسل ، يتم حساب التمييز لكل نقطة زمنية لمنطقة البذور وكل كشاف أو منطقة ذات اهتمام.
تتمثل الخطوة الأخيرة في ربط السلسلة الزمنية للتمييز لمنطقة البذور بكل كشاف. في النهاية ، يتم استخدام الاتصال المعلوماتي للكشف عن الاتصال بين المناطق التي تحتوي على معلومات موجودة عبر أنماط voxels. حسنا ، الميزة الرئيسية لهذه التقنية على غيرها مثل الاتصال الوظيفي هي أنها يمكن أن تكتشف الاتصال باستخدام ظروف لا تختلف في الاستجابة المناعية ، ولكن لها توقيع فريد متعدد المتغيرات.
حسنا ، خطرت لي فكرة هذه الطريقة لأول مرة بعد أن أدركت أن العديد من تقنيات الاتصال تتجاهل المعلومات التي يتم الاحتفاظ بها فقط في أنماط نشاط متعددة الفوكسل. تماما كما نعلم الآن أن الأساليب أحادية المتغير عمياء تماما عن المعلومات الموجودة في أنماط نشاط فوكسل متعددة لبدء هذا الإجراء ، قم بإزالة إشارات الحركة ومتوسط المادة البيضاء من السلسلة الزمنية لبيانات FMRI المعالجة مسبقا عن طريق إنشاء نموذج انحدار مع تنبؤات لمعلمات الحركة ومتوسط إشارة المادة البيضاء. ثم قم بإجراء التحليل التالي على المخلفات الناتجة.
قم باستيراد المخلفات التي تم إنشاؤها إلى حزمة تحليل مثل MATLAB أو Python، باستخدام ، على سبيل المثال ، صندوق أدوات MATLAB للاتصال المعلوماتي مفتوح المصدر. بعد ذلك ، قم بتحويل كل سلسلة زمنية من voxels إلى zco. افصل النقاط الزمنية لمجموعات البيانات إلى مجموعات مستقلة، مثل عمليات تشغيل الماسحة الضوئية المختلفة.
ثم قم بإنشاء سجل لتسميات الشروط المقترنة بالنقاط الزمنية عن طريق إنشاء متجه لتسميات الشروط. هذا هو النقاط الزمنية النهائية التي تحولت تسميات الحالة إلى الأمام في كل شوط بعدد من المرات للتكرار بما يعادل خمس ثوان من أجل حساب التأخر الديناميكي الدموي بين الأحداث وإشارات FMRI المسجلة. لتحديد منطقة بذرة ، قم بعزل منطقة تشريحية من خلال تحديد voxels في برنامجك المفضل أو باستخدام أطلس مسمى يقوم بتوطين منطقة وظيفيا أو تحديد كشاف لرسم خرائط الدماغ للمعلومات الأفضل أداء.
ثم قارن MVP في كل مرة. أشر إلى MVP نموذجي لكل حالة. استخدام صندوق أدوات MATLAB للاتصال المعلوماتي مفتوح المصدر.
احسب MVP نموذجيا لكل حالة عن طريق حساب متوسط النقاط الزمنية لكل حالة في جميع الطيات باستثناء طية واحدة. بعد ذلك ، قم بربط كل نقطة زمنية MVP بمتوسط MVP لكل حالة من بيانات التدريب. سيعطي هذا كل مرة قيمة ارتباط 0.1 لكل شرط.
لاحظ أن الشرط الذي يحتوي على أعلى ارتباط هنا سيكون التنبؤ بمصنف MVPA القائم على الارتباط الشائع. بعد ذلك. حدد تمييز MVP لكل نقطة زمنية عن طريق تحديد الارتباط الذي يمثل حالة تلك النقطة الزمنية أولا. ثم اطرح أعلى الارتباطات المتبقية.
والنتيجة هي تمييز MVP في كل نقطة زمنية. لإجراء تحليل ضوء البحث ، ضع مجموعة ثلاثية الأبعاد حول كل vle. في المقابل ، كرر الخطوة السابقة لكل مصباح بحث بحيث يحتوي كل مصباح بحث على سلسلة زمنية من قيم تمييز MVP.
الآن قم بربط السلسلة الزمنية MVP Discriminability للبذرة بسلسلة زمنية DISCRIMINABILITY لكل كشاف. باستخدام ارتباط رتبة سبيرمان ، فإن قيمة RS الناتجة هي IC بين البذرة والكشاف. ثم قم بتعيين قيمة IC لكل كشاف إلى فوكسل الكشاف المركزي واكتب خريطة دماغ الفرد الناتج.
إذا لم تكن البيانات موجودة بالفعل في مساحة قياسية ، فقم بتحويل خرائط IC الخاصة بالمشارك إلى نفس المساحة. اختياريا قم بتنعيم خرائط الكشاف الخاصة بالفرد. يوضح هذا الشكل أمثلة على تمييز MVP في منطقتين مع تمييز MVP المتزامن دون تنشيط متوسط متزامن.
تم جمع نقاط البيانات هذه أثناء مشاهدة الشخص العروض التقديمية المرئية للأشياء التي من صنع الإنسان ، والتي يمكن تمييزها بأنماط متعددة الفوكسل ، ولكن ليس الاستجابات المتوسطة. ويظهر هنا مثال على قيم IC و FC بين بذرة في وجهات النظر اليسرى لتلفيف الشكل والكشافات عبر الدماغ. يشار إلى قوة الاتصال المعلوماتية والوظيفية على المحور Z فيما يتعلق بمتوسط استجابة كل كشاف على المحور X ودقة تصنيف MVPA على المحور Y ، وتظهر الزاوية العلوية اليسرى من الرسم البياني IC مصابيح بحث متصلة معلوماتيا بأداء تصنيف عال ، ولكن متوسط مستويات استجابة منخفض.
تظهر الفجوة الموجودة في الزاوية العلوية اليسرى من الرسم البياني ل FC أنه لا يتم اكتشاف مصابيح البحث المتصلة هذه في نهج FC نموذجي. فيما يلي مثال على خرائط الاتصال. يعرض كل صف المناطق المرتبطة بشكل كبير بالبذور يتم تحديد الأهمية من خلال اختبار المجموعة T مع الحد الأدنى لحجم المجموعة من اختبار التقليب.
يتم عرض نتائج IC هنا باستخدام حب الشباب على الخرائط السطحية التي تم إنتاجها باستخدام متصفح مجاني باتباع هذا الإجراء. يمكن إجراء تحليلات أخرى مثل الاتصال الوظيفي من أجل طرح أسئلة إضافية مثل ما إذا كانت الشروط مرتبطة بشكل فريد بأنماط متعددة فوكسل أو ما إذا كانت متزامنة أيضا في متوسط استجاباتها لذلك بعد مشاهدة هذا الفيديو ، يجب أن يكون لديك فهم جيد لكيفية قياس الاتصال بين المناطق بناء على أنماطها المتعددة.
شكرا للمشاهدة.
نظرة عامة
تناقش هذه المقالة طريقة لقياس الاتصالية المعلوماتية بين مناطق الدماغ بناءً على أنماط نشاط متعددة الفوكسيلات بمرور الوقت. وتسلط الضوء على مزايا هذا النهج مقارنة بطرق الاتصالية الوظيفية التقليدية.
المكونات الرئيسية للدراسة
مجال العلم
- علم الأعصاب
- اتصال الدماغ
- تحليل التصوير بالرنين المغناطيسي الوظيفي (fMRI)
خلفية علمية
- تقيم الاتصالية المعلوماتية العلاقة بين المسارات الزمنية لمعلومات متعددة الفوكسلات عبر مناطق الدماغ.
- قد تغفل طرق الاتصالية الوظيفية التقليدية عن أنماط نشاط هامة متعددة الفوكسلات.
- يمكن لهذه الطريقة تحديد الاتصالية في ظل ظروف لا تختلف في الاستجابة المناعية ولكنها تمتلك بصمات متعددة المتغيرات فريدة.
- من شأن فهم أنماط الاتصالية هذه أن يعزز الرؤى حول وظائف الدماغ واضطراباته.
الغرض من الدراسة
- لقياس الاتصالية بين مناطق الدماغ بناءً على التغيرات في أنماط النشاط الموزعة.
- لإثبات فعالية الاتصالية المعلوماتية في الكشف عن شبكات لم يتم تحديدها بواسطة الاتصالية الوظيفية.
- لتوفير منهجية مفصلة للباحثين لتطبيق هذه التقنية في دراساتهم.
الطرق المستخدمة
- المعالجة المسبقة لبيانات التصوير بالرنين المغناطيسي الوظيفي (fMRI) لإزالة تأثيرات الحركة وإشارات المادة البيضاء المتوسطة.
- حساب إمكانية تمييز نمط متعدد الفوكسل (multi-voxel pattern discriminability) للمناطق البذرية ومناطق البحث (searchlights).
- إيجاد الارتباط بين السلاسل الزمنية لإمكانية التمييز بين المناطق البذرية ومناطق البحث.
- استخدام الأساليب الإحصائية لتقدير نتائج الاتصالية وتصورها بيانياً.
النتائج الرئيسية
- تحديد مناطق الدماغ المرتبطة معلوماتياً والتي لا يمكن اكتشافها بواسطة الطرق التقليدية.
- إثبات أداء تصنيف عالٍ في تحديد أنماط الاتصال.
- تمثيل بصري لخرائط الاتصال التي تظهر الروابط الجوهرية.
- رؤى حول العلاقة بين أنماط الـ multi-voxel والاستجابات المتوسطة عبر الظروف المختلفة.
الاستنتاجات
- توفر الاتصال المعلوماتي أداة قوية لفهم شبكات الدماغ.
- يمكن لهذه الطريقة أن تكشف عن أنماط اتصال معقدة قد تغفل عنها الطرق التقليدية.
- يمكن للدراسات المستقبلية أن تعتمد على هذه المنهجية لاستكشاف جوانب مختلفة من اتصال الدماغ.
الأسئلة الشائعة
الأهمية الصناعية التنفيذية
تعالج الاتصالية المعلوماتية (IC) فجوة حرجة في أبحاث العلوم العصبية من خلال الكشف عن تفاعلات شبكة الدماغ التي تكون غير مرئية في الاتصالية الوظيفية (FC) التقليدية عندما تفتقر الظروف إلى اختلافات أحادية المتغير ولكنها تظهر أنماطاً متميزة متعددة الفوكسلات. وتعزز هذه القدرة من عملية التحقق من الأهداف في اكتشاف الأدوية النفسية العصبية عبر الكشف عن المسارات الميكانيكية المرتبطة بالأنماط الظاهرية المعرفية أو السلوكية التي تحرك الأنماط الظاهرية للمرض. ومن خلال عزل الاتصالية بناءً على ديناميكيات المعلومات الموزعة بدلاً من متوسط التنشيط، تدعم الاتصالية المعلوماتية الثقة التنبؤية في ارتباط الهدف وتعديل المسار في مراحل مبكرة من عملية الاكتشاف.
التطبيقات الاستراتيجية في البحث والتطوير في مجال الأدوية الحيوية
الاكتشاف المبكر والتحقق من الهدف
- القيمة العلمية: تتيح استقصاء الفرضيات العلاجية من خلال تحديد مناطق الدماغ التي تتغير عمليات معالجة المعلومات فيها بشكل متزامن بمرور الوقت، مما يوضح مدى تفعيل المسارات العصبية.
- القيمة التشغيلية: تدعم تقليل المخاطر البيولوجية من خلال التحقق من الأهداف الوظيفية عبر أنماط الاتصال التي ترتبط بالأنماط الظاهرية المعرفية، بشكل مستقل عن مستويات التنشيط المتوسطة.
- القيمة التنبؤية: تزيد من الثقة في اختيار الأهداف عن طريق الكشف عن الشبكات التي تعالج المعلومات الخاصة بحالة معينة، مما يساعد في عملية فرز محفظة العلاجات الخاصة بالجهاز العصبي المركزي (CNS).
الفحص وتطوير المقايسة
- جاهزية المقايسة: تعمل على تحضير الأنظمة البيولوجية المعتمدة (مثل قراءات fMRI) لعمليات الفرز اللاحقة من خلال وضع مقاييس كمية قابلة للتكرار للاتصال القائم على المعلومات.
- التقييس: تعزز متانة المقايسة من خلال المعالجة المسبقة الموحدة (إزالة الحركة وإشارات المادة البيضاء) وحساب z-scoring للسلاسل الزمنية للفوكسل، مما يحسن الموثوقية بين المختبرات المختلفة.
- القابلية للتوسع: تتيح إعادة استخدام المنصة عبر تصميمات تعتمد على searchlight أو ROI، مما يسمح بفرز قابل للتوسع لتأثيرات المركبات على شبكات معالجة المعلومات.
الأبحاث الانتقالية وما قبل السريرية
- الاستمرارية الانتقالية: تربط نتائج التصوير الحاسوبي (IC) في مرحلة الاكتشاف بالتحقق قبل السريري، وذلك من خلال ربط أنماط المعلومات متعددة الفوكسل (multi-voxel) بالنهايات المعرفية أو السلوكية ذات الصلة بالمرض.
- تقليل المخاطر الميكانيكية: تركز على القيمة التنبؤية من خلال عزل الاتصالية المدفوعة بأنماط النشاط الموزعة، مما يقلل الاعتماد على المؤشرات الحيوية أحادية المتغير التي قد تغفل عن الفيزيولوجيا المرضية الرئيسية.
- التقدم المعدل حسب المخاطر: توفر البيانات اللازمة لاتخاذ قرارات الاستمرار أو التوقف (go/no-go) من خلال إظهار ما إذا كان المركب يعدل شبكات معالجة المعلومات بطريقة تتفق مع الفرضية العلاجية.
تكامل مسارات العمل والتدفقات التشغيلية
تندرج الاتصالية المعلوماتية ضمن تسلسل الاكتشاف بدءاً من اختبار الفرضيات وصولاً إلى تحديد المركبات الواعدة، لا سيما في تطوير أدوية الجهاز العصبي المركزي حيث يعد فهم معالجة المعلومات العصبية الموزعة أمراً حاسماً للتحقق من الهدف واكتساب رؤى ميكانيكية.
- بيولوجيا الاكتشاف: تدعم اختبار الفرضيات وتوضيح المسارات من خلال قياس كيفية ظهور المعلومات بشكل متزامن عبر مناطق الدماغ بمرور الوقت، مما يكشف عن الشبكات الوظيفية المرتبطة بحالات معرفية أو سلوكية محددة.
- الفحص: يعزز جاهزية المقايسة من خلال توليد مقاييس تمييز كمية ومحددة زمنياً تسمح بمقارنة تأثيرات المركبات على الاتصالية القائمة على المعلومات.
- التحليلات: توفر مخرجات قابلة للتفسير مثل ارتباط رتب سبيرمان للسلاسل الزمنية للتمييز، مما يمكن من إجراء مقارنة إحصائية لقوة الاتصالية عبر الحالات أو مجموعات العلاج.
- الأبحاث الانتقالية: تربط العمل ما قبل السريري من خلال توفير قراءة متوافقة مع المؤشرات الحيوية (التزامن المعلوماتي) والتي يمكن محاكاتها في النماذج الحيوانية باستخدام مناهج مماثلة مستوحاة من MVPA.
- إعادة الاستخدام المؤسسي: تعمل كقدرة منصة قابلة لإعادة الاستخدام بدلاً من كونها مقايسة لمرة واحدة، وهي قابلة للتطبيق عبر المهام، ومجموعات المرضى، والمجالات العلاجية التي تتضمن معالجة المعلومات.
التأثير التشغيلي والمؤسسي
- القيمة العلمية: تزيد من الثقة التنبؤية من خلال الكشف عن الاتصال المتجذر في أنماط معلومات متعددة الفوكسل (multi-voxel)، مما يقلل من الغموض الميكانيكي في التحقق من الأهداف.
- القيمة التشغيلية: تعزز التوحيد القياسي وقابلية التكرار من خلال خطوات معالجة مسبقة ثابتة وتطبيق أدوات برمجية مفتوحة المصدر (مثل MATLAB/Python).
- القيمة الاستراتيجية: تحسن عملية اتخاذ قرار المضي قدماً أو التوقف (go/no-go) من خلال تحديد الأهداف التي يؤثر تعديلها على شبكات معالجة المعلومات، وبالتالي تقليل المخاطر البيولوجية في المراحل المتأخرة من برامج الجهاز العصبي المركزي (CNS).
- تأثير المحفظة: تتيح تحديد الأولويات المعدلة حسب المخاطر من خلال تسليط الضوء على الأهداف ذات الروابط الميكانيكية القوية بالأنماط الظاهرية المعرفية عبر تعديل الشبكة القائم على المعلومات.
اعتبارات التنفيذ
- يتطلب خبرة في المعالجة المسبقة لصور الرنين المغناطيسي الوظيفي (fMRI)، وتحليل الأنماط متعددة الفوكسل (multi-voxel pattern analysis)، وطرق الارتباط الإحصائي.
- يعتمد على إمكانية الوصول إلى بيئات تحليل التصوير العصبي مثل MATLAB أو Python مع دعم لصناديق أدوات MVPA والاتصال المعلوماتي.
- يستلزم توحيد المعايير بين الفرق التصويرية والحسابية والبيولوجية لضمان التطبيق المتسق لاختيار البذور، وإزاحة التسميات، وحسابات القابلية للتمييز.
- يتضمن اعتبارات التكيف عند تطبيق الاتصال المعلوماتي (IC) عبر أنواع مختلفة من الكائنات، أو مناطق الدماغ، أو المهام المعرفية، خاصة في تحديد تسميات الحالات المناسبة وتصحيح التأخر الديناميكي الدموي.
- تشمل القيود العملية الحاجة إلى دقة زمنية كافية وأعداد تجارب كافية لتقدير السلاسل الزمنية للقابلية للتمييز بشكل موثوق، كما هو موضح في متطلب إزاحة تسميات الحالات بمقدار خمس ثوانٍ لمراعاة التأخر الديناميكي الدموي.
