针对调查中的认知控制网络与关联维度变化卡片分类性能的功能连通性年龄相关性差异的方法
May 7th, 2014
本视频介绍了在审查通过有针对性的任务/进程从事认知控制网络功能连接年龄相关的变化的方法。该技术是基于fMRI数据的多变量分析。
该程序的总体目标是识别与任务切换相关的大脑网络，并测试这些网络的功能连接性中与年龄相关的差异。这是通过首先从儿童和成人收集 FMRI 数据，同时完成维度变化卡片排序任务来实现的。对数据进行预处理后，功能卷被分解为一组统计上独立的源或组件。
与执行功能和任务绩效相关的组成部分分别通过模板匹配和线性建模来选择。最后一步是确定所选组件中的功能连接对于成人和儿童来说是否不同。最终，基于 ICA 的 FMRI 分析可用于识别与任务切换相关的网络，并测试这些网络功能组织中与年龄相关的差异。
与静息态功能连接分析等现有技术相比，该技术的主要优点是它提供了一种准确表征皮层网络功能的方法。这种方法可以帮助回答发育认知神经科学领域的关键问题，例如参与高级认知作（如任务切换）的大规模皮层网络是否在发展过程中发生功能重组。要开始获取 FMRI 数据，请遵循适合幼儿的程序，通过在准备好时提前在模拟扫描仪设施中培训参与者来限制不必要的混淆，实施尺寸变化卡排序任务的重复试验版本。
每次运行包括两个八个试验转换块和两个八个试验重复块，其中开关块由四个开关试验和四个重复试验组成，重复块由八个重复试验组成，数据收集后按照标准 FMRI 预处理程序对 FMRI 数据进行预处理，首先下载并安装 gif，一个与 SPMA 一起使用的组 ICA 软件工具箱， 著名的 FMRI 分析软件包。下载后，将礼品工具箱和所有子目录添加到 MATLAB 搜索路径中，并保存路径文件计算。使用 gif 对 FMRI 数据进行分组 ICA 对 RAM 内存提出了很高的要求。
为避免内存问题，最好在服务器上运行 ICA 分析。如果在本地计算机上运行分析，则可以使用作为 gif 一部分的脚本来估计 RAM 要求要参数化分析，请修改名为 Input data subjects one M 的预先存在的批处理脚本，该脚本存储在 ICAT B 批处理文件下的 gif 中。这也可以通过使用 gif 图形用户界面来完成。
但是，通过一些练习，通过修改这个预先存在的脚本来设置分析要容易得多。接下来，指定数据模态。作为 FMRI，将分析类型指定为 ICA，以使用 I Casso 过程运行 ICA。
在分析类型下选择两个，然后在设置文件的后续行中参数化 I Casso 过程。通过在 PCA 性能组设置下选择一个 PCA 组来启用从 SPM 设计矩阵排序，以指定不同主体是否存在不同的矩阵，从而最大限度地提高 PCA 组的性能。接下来，指定预处理后的函数数据的存储位置，以及包含设计矩阵的 SPM 点垫文件是否与预处理后的功能数据一起存储。
如果每个参与者的运行次数相同，请为方法 1 选择一个。在数据选择方法选项下，通过包括存储数据的文件路径、数据的文件格式以及指示每个主题文件夹中的各个会话作为子目录存储的语句来完成参数源转向文件模式、标志、位置，该语句指示应写入分析输出的目录。这不应是存储数据的同一目录。
下一步是提供将添加到所有输出文件的前缀。接下来，提供掩码的文件路径。至少，面罩应消除颅骨额外的大脑空间，尤其是眼球，如图所示。
请注意此示例中的 eyeball 的残差证据。这将导致次优的 ICA 分解，对于要使用的 PCA 组类型，应避免使用。选择特定学科以获得最佳时间课程。
选择 GICA 作为反向重建方法。选择数据预处理类型时，请使用强度标准化以避免输出中出现非数值。在此示例中，选择默认值 1。
选择标准 PCA 类型并接受 PCA 选项下的默认值。接下来，指定要在 ICA 之前对数据运行的 PCA 数量。此外，指定每个 PCA 使用 Z 分数缩放对数据进行评分后要保留的分量数量，为这项工作的 ICA 选择盲源分离算法。
ICA 完成后，将使用 Infomax。选择可能具有理论意义的成分以供进一步考虑。可以选择空间排序，通过与预先存在的模板的空间关联对组件进行排序，而时间排序则进行排序。
组件时间过程通过 SPM 设计矩阵中的线性预测变量进行。分析完成后，测试所选组件的 child 和 adult 版本是否不同。显示。以下是应用于具有 60 个组件的 ICA 的 ICAS O 程序的结果。
每个编号点代表一个组件。黑点表示具有不同随机种子的相同数据的不同 ICA 分解。理想情况下，此处视为不同黑点的不同分解的结果应紧密聚集在编号点周围。
这表明分解的可靠性很高。执行控制模板和选定的右额顶叶成分叠加在高分辨率解剖扫描的相同切片上，看起来非常相似。与儿童相比，成人的内侧前额叶皮层和腹侧节段区域以及背侧前额叶和下顶叶皮层的功能连接性更强。
嗯，它正在尝试这个过程。请务必记住在分析的每个阶段检查您的输出。小错误会向前传播并导致无法解释的结果。
遵循此过程。可以执行其他方法，例如功能网络连接分析，以回答其他问题，例如组件之间的功能交互是否随任务需求或参与者年龄而变化。
View the full transcript and gain access to thousands of scientific videos
概述
本视频介绍了一种方法，用于检查针对性任务激活的认知控制网络的功能连接随年龄变化的变化。该技术利用功能磁共振成像数据的多变量分析来评估这些变化。
关键研究组成部分
科学领域
- 神经科学
- 功能性磁共振成像
- 认知心理学
背景
- 理解与认知任务相关的大脑网络至关重要。
- 功能连接的年龄相关差异可能影响执行功能。
- 任务切换是认知控制研究的一个关键领域。
- 功能连接分析提供了对大脑组织的洞察。
研究目的
- 识别与任务切换相关的大脑网络。
- 测试功能连接的年龄相关差异。
- 利用功能磁共振成像数据来理解不同年龄组的认知控制。
所用方法
- 在认知任务期间收集儿童和成年人的功能磁共振成像数据。
- 对功能磁共振成像数据进行预处理以便于分析。
- 将功能体积分解为统计独立的组件。
- 通过模板匹配和线性建模选择相关组件。
主要结果
- 识别与任务切换相关的网络。
- 在成年人和儿童之间观察到的功能连接差异。
- 对认知控制网络的功能组织的洞察。
- 应用基于独立成分分析的功能磁共振成像分析来理解与年龄相关的变化。
结论
- 基于独立成分分析的分析对研究认知控制网络有效。
- 功能连接的年龄相关差异可以为认知发展研究提供信息。
- 需要进一步的研究来探讨对执行功能的影响。
常见问题
Executive Industry Relevance
Quantitative analysis of age-related differences in cognitive control network connectivity enables mechanistic de-risking at the discovery stage for neurodevelopmental targets. This method provides predictive confidence in linking functional brain network maturation to behavioral flexibility, supporting early-stage target validation and translational continuity. Integrating multivariate fMRI analysis into R&D pipelines enhances portfolio decisions for cognitive disorder programs.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of neural mechanisms underlying cognitive flexibility and executive function.
- Supports biological de-risking by mapping functional connectivity changes across development.
- Facilitates predictive confidence in target selection for neurodevelopmental indications.
Screening & Assay Development
- Prepares validated neuroimaging paradigms for downstream biomarker and phenotypic screening workflows.
- Standardizes quantitative outputs for cross-cohort and cross-age reproducibility.
- Enables reliable evaluation of candidate interventions on cognitive control networks.
Translational & Preclinical Research
- Aligns functional connectivity metrics with disease-relevant cognitive endpoints.
- Supports continuity from discovery through preclinical validation in neurodevelopmental models.
- Provides mechanistic readouts for risk-adjusted advancement decisions.
Pipeline & Workflow Integration
This multivariate fMRI method integrates from early discovery through lead identification and preclinical research for cognitive and neurodevelopmental programs.
- Discovery Biology: Supports hypothesis testing on network-level mechanisms of cognitive flexibility.
- Screening: Delivers reproducible, quantitative connectivity metrics for assay readiness.
- Analytics: Provides statistical outputs enabling comparison of functional networks across age groups.
- Translational Research: Bridges discovery findings to preclinical and clinical biomarker strategies.
- Enterprise Reuse: Establishes a reusable neuroimaging analysis capability for diverse cognitive endpoints.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in neurodevelopmental target validation.
- Operational Value: Standardizes neuroimaging workflows for reproducibility and scalability across studies.
- Strategic Value: Informs go/no-go decisions and capital allocation for cognitive disorder portfolios.
- Portfolio Impact: Enables risk-adjusted prioritization of programs targeting executive function and cognitive flexibility.
Implementation Considerations
- Requires expertise in fMRI acquisition, preprocessing, and multivariate analysis.
- Demands robust computational infrastructure for group ICA and statistical modeling.
- Necessitates cross-team standardization of neuroimaging protocols and data management.
- Adaptation across age groups and cognitive tasks may require protocol optimization.
- Careful quality control is essential to prevent error propagation in analytic outputs.
