在阿尔茨海默病和轻度认知功能损害的定向功能连接格兰杰因果关系分析中的应用
2017年8月7日
我们基于静息态功能磁共振成像与格兰杰因果分析法，研究了定向功能连接后扣带皮层与整个大脑在阿尔茨海默病 (AD) 患者、 患者轻度认知功能损害 (MCI) 和健康对照组之间改建。
该 Granger 因果关系分析的总体目标是研究大脑中与阿尔茨海默病进展相关的定向功能连接，从而为评估疾病的严重程度建立新的客观基础。这种方法可以帮助回答阿尔茨海默病领域的关键问题，例如 PCC 和整个大脑区域之间的定向连接。这种技术的主要优点是它测量 FMRI 时间序列的因果效应，并显示不良信号的动态和方向。
该技术的含义延伸到阿尔茨海默病进展的诊断，因为它比较了 AD、MCI 和对照组之间的定向功能连接。通过这种方法可以深入了解阿尔茨海默病的缩放定向功能连接，它也可以应用于其他系统，例如电脑图研究。通常，如果不熟悉该软件的作，不熟悉这种方法的人会很挣扎。
我们首先在此处添加学期的内容，然后我们对有关 Granger Causality Analysis 的先前文献进行评分。在对这种方法进行实际演示时，它很关键，因为除了文本中可以写的内容之外，还有多个需要注意的地方。首先通过软件打开 RESTplus，然后左键单击 Pipeline。
将相关文件导入 RESTplus。选择工作目录，然后选择起始 EPI 和 T1 目录。接下来，要将 Dicom 文件转换为 Nifti，请选中 DicomToNifti 中的框 预处理.
并检查 EPI Dicom 到 Nifiti 和 T1 到 Nifiti 参数。通过选中 RemoveFirstTimePoints 并将 end 参数设置为 10 来删除前 10 个时间点。然后，选中 Slice timing 框。
根据研究的 RS FMRI 参数设置切片编号，然后输入切片顺序。选中 Realign 以更正时间和头部运动。然后，通过选中 Normalize 并将默认参数保留在底部来执行空间归一化。
使用 T1 图像统一分割，并通过选择参数将所有头标准化到同一空间。使用 T1 图像统一分割和欧洲进行规范化。接下来，选择 smooth 以使用各向同性高斯内核执行空间平滑，其半峰最大全宽为 6 mm。
通过勾选 Detrend 来删除线性趋势。在以下 6 个头部运动参数、全局平均信号、白质信号和脑脊液信号中选择干扰协变量回归，以提高信噪比。最后，选择滤波器以保留 0.01 到 0.08 赫兹之间的信号。
消除高频生理噪声以及消除低频漂移。首先，使用 REST 工具箱中的 REST GCA 执行体素明智的 Granger Causality Analysis （GCA）。在 Postprocessing 框中，选中 GCA。
在默认值中将 order 设置为 1。选择 Define ROI 并选择球形 ROI 以定义感兴趣区域。选择 下一步。
通过根据已知数据设置种子 ROI 的中心坐标和半径，然后选择 "确定" ，确定后奇异皮层 （PCC） 中感兴趣的种子点。然后选择 运行 和 OK 运行程序。接下来，在处理相关文件数据后，找到名为 ZGCA 和 GCA 的文件夹。对 ZGCA 的文件进行分类，分别分为 XX、XY、YX、YY 四个子文件夹。
在软件中，打开 RESTplus 并左键单击 Statistical Analysis。左键单击"REST Two-Sample T-Test"（REST 双样本 T 检验）。将输出结果命名为 T1XY，并设置输出目录。
左键单击"添加组图像"以打开 AD Results 文件夹中的 XY 子文件夹和 NC Results 文件夹中的 XY 子文件夹。接下来，左键单击以打开 mask 文件夹中的 BrainMask 子文件。然后选择 Compute 以运行程序。
将输出结果命名为 T2XY 并设置输出目录。左键单击 Add Group Images 以打开 AD Results 文件夹中的 XY 子文件夹。以及 MCI Results 文件夹中的 XY 子文件夹。
重复计算脑掩码文件，以获得 T3XY、T1YX、T2YX 和 T3YX 的输出，总共六个文件。左键单击 RESTplus 的 Viewer 以查看生成的文件。在 Underlay 中导入名为 Ch2 的模板。
最后，在输出目录中找到六个结果文件，并一一填写叠加层。使用六个输出文件创建最终图形。在首次确定全脑中的活动节点后，使用 GCA 技术来确定从 PCC 到全脑的定向功能连接。
从整个大脑到 AD、MCI 和对照组的 PCC。与正常对照组相比，AD 组从整个大脑到 PCC 的定向连接增强，主要集中在 DMN 外的双侧小脑区域。与对照组相比，AD 组从 PCC 到整个大脑的定向连接显着减少，主要区域（如右楔前叶和左中额回）属于 DMN。
虽然是大师，但如果执行得当，这项技术可以在 14 小时内完成。在尝试此过程时，请务必记住所有文件和照片名称都必须为英文，并且不能有空格。经过开发，这项技术为 FMRI 领域的研究人员探索阿尔茨海默病进展中的定向派系联系铺平了道路。
看完这个视频后，你应该对如何开始大脑中与 AD 进展相关的定向派系连接有一个很好的了解。从而为评估疾病的严重程度建立一个狭窄的客观基础。
查看完整文字稿并访问数千部科学视频
概述
本研究使用Granger因果性分析调查了与阿尔茨海默病进展相关的大脑中定向功能连接性。它比较了阿尔茨海默病患者、轻度认知障碍和健康对照组之间后扣带回皮质与全脑之间的连接性。
关键研究组成部分
科学领域
- 神经科学
- 神经影像学
- 认知障碍
背景
- 阿尔茨海默病（AD）影响认知功能和大脑连接性。
- 轻度认知障碍（MCI）是AD的前兆。
- 功能性磁共振成像（fMRI）用于研究大脑活动。
- Granger因果性分析有助于评估大脑网络中的定向连接性。
研究目的
- 建立评估阿尔茨海默病严重程度的基础。
- 调查PCC和全脑区域之间的定向连接性。
- 提供关于阿尔茨海默病进展的见解。
使用的方法
- 静息状态功能性磁共振成像（fMRI）。
- 使用Granger因果性分析测量定向功能连接性。
- 比较AD、MCI和对照组中的连接性。
- 分析fMRI时间序列数据以评估因果效应。
主要结果
- 在AD和MCI患者中观察到定向功能连接性的改变。
- 在患者组和对照组之间识别出连接模式的差异。
- 该方法提供了关于大脑连接性动态的见解。
- 潜在应用扩展到其他神经影像学研究。
结论
- Granger因果性分析是研究阿尔茨海默病的有价值工具。
- 它为评估疾病进展提供了新的客观基础。
- 进一步的研究可以增进对认知障碍中大脑连接性的理解。
常见问题
Executive Industry Relevance
Granger Causality Analysis (GCA) of fMRI data enables objective, quantitative assessment of directed functional connectivity changes in Alzheimer's disease (AD) and mild cognitive impairment (MCI). This approach supports mechanistic de-risking and target validation by revealing directional network disruptions relevant to disease progression. Integrating GCA into neuroimaging workflows enhances predictive confidence for biomarker development and portfolio triage in neurodegenerative research.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables hypothesis-driven interrogation of brain network disruptions in AD and MCI.
- Supports functional target validation by quantifying directional connectivity changes involving the PCC.
- Facilitates mechanistic de-risking through objective measurement of network anisotropy.
- Improves predictive confidence for prioritizing neurodegenerative disease targets.
Screening & Assay Development
- Prepares validated neuroimaging datasets for downstream biomarker screening.
- Standardizes quantitative outputs for reproducible comparison across disease stages.
- Enables scalable analysis of directed connectivity for high-throughput screening readiness.
- Supports reliable evaluation of candidate imaging biomarkers.
Translational & Preclinical Research
- Aligns imaging outputs with disease-relevant functional biomarkers for translational continuity.
- Enables risk-adjusted advancement decisions based on objective network metrics.
- Provides mechanistic insights to inform preclinical model selection and validation.
- Supports continuity from discovery through preclinical neuroimaging studies.
Pipeline & Workflow Integration
GCA-based fMRI analysis fits within the neuroimaging discovery continuum, bridging early mechanistic studies and translational biomarker development for neurodegenerative portfolios.
- Discovery Biology: Quantifies directional network disruptions to clarify disease mechanisms and validate imaging targets.
- Screening: Delivers reproducible, quantitative connectivity metrics for candidate biomarker evaluation.
- Analytics: Provides statistical outputs enabling robust group comparisons and condition-specific insights.
- Translational Research: Aligns imaging readouts with disease progression for preclinical and clinical continuity.
- Enterprise Reuse: Establishes a scalable, reusable workflow for directed connectivity analysis across neurodegenerative indications.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in neurodegenerative disease research.
- Operational Value: Standardizes neuroimaging analysis for reproducibility and scalability across studies.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency by enabling objective biomarker prioritization.
- Portfolio Impact: Supports risk-adjusted advancement and cross-program comparability in neuroimaging portfolios.
Implementation Considerations
- Requires expertise in neuroimaging preprocessing and statistical analysis.
- Depends on access to fMRI instrumentation and specialized software (e.g., RESTplus).
- Demands rigorous cross-team standardization of data formats and naming conventions.
- Adaptation across disease models may require parameter optimization and validation.
- Practical limitations include software learning curve and preprocessing complexity.
