使用种族模型不平等来量化行为多感官整合效应
May 10th, 2019
目前的研究旨在提供一个逐步教程,用于计算多感官整合效应的幅度,以促进不同临床人群的转化研究的产生。
建立一种可重复的方法来计算多感官整合效应的大小非常重要，因为它将有助于促进未来不同临床人群的转化研究。我们技术的主要优点是，我们能够量化一个健壮的多感官整合表型，该表型随后与衰老中重要的认知和运动结果（如平衡、跌倒、步态和执行功能）相关。首先使用刺激演示软件对一个简单的反应时间实验进行编程，实验条件有三个，视觉单独，躯体感觉单独，同时视觉体感。
使用带三个控制盒的刺激发生器。左右控制箱包含用于视觉刺激的双边蓝色发光二极管和具有 0.8 G 振动振幅的双边电机，振动用于躯体感官刺激，以及用于刺激器的塑料外壳。接下来，将一个中心虚拟控制箱与左右控制框等距放置，并贴上可视目标贴纸作为固定点。
实验设置后，护送学员到测试室。让参与者直立坐着，舒适地把手放在左右控制箱上。战略性地将食指放在安装在控制箱背面的振动电机上，并在 LED 下控制箱前部竖起大拇指，以不阻挡光线。
通过向参与者提供耳机，确保躯体感官刺激听不到，在舒适的水平上播放连续的白噪声。让学员使用右脚下的脚踏板作为响应垫。最后，让参与者尽快响应每个刺激，无论他们是否感觉到、看到它或感觉到它并看到它。
首先分析，排除在任何一个刺激条件下不能达到 70% 正确或更高的精度的参与者。如果参与者未能在设定的响应时间内对刺激做出响应，则将试验考虑不准确，并设置相应的反应时间（RT）为无穷大，而不是将试验排除在分析之外。RT 数据按实验条件按升序排序。
将视觉、感觉和 VS 条件放在已排序的 RT 数据单独的列中。确保每行表示一个试用版，每个单元格表示实际的 RT。请注意，不要使用删除非常慢的 RT 的数据修整过程，因为这将偏向 RT 数据的分布。确保明显异常值的 RT 设置为无穷大。
然后，要装箱 RT 数据，请确定最快和最慢的 RT。从最快速度中减去最慢的 RT，以便计算个人在所有测试条件下的 RT 范围。将 0% 到 100% 增量的 Bin RT 数据通过采取最快的 RT 并逐渐将 5% 添加到先前计算的 RT 范围，直到占 100% 的 RT 数据，从而产生 21 个时间箱。接下来，在计算机电子表格中，使用频率函数，其中数组 1 等于其中一个实验条件的实际 RT，而数组 2 等于以前计算的 21 个量化 RT bin 除以每个条件的试验总数 45。
然后，通过求和三个实验条件中每个计算箱中的概率总数求和来创建累积分布频率或 CDF。多感官条件的 CDF 表示实际 CDF。要计算预测的 CDF，请将两个单感官 CDF 相和，上限设置为 1。
在 21 个量化时间箱中每个时间条区中使用此公式。从零百分位开始，一直一直一直向下一直向下至 bin 21 的第 100 个百分位。接下来，要执行种族模型不等式测试，从 21 个量化时间箱的每个实际 CDF 中减去预测的 CDF 以获取差值。
将这 21 个值绘制为线图，其中 x 轴表示每个量化时间箱，y 轴表示实际和预测 CDF 之间的概率差。在这里，任何延迟的正值表示单感官刺激的集成，并反映对 RMI 的违反。要量化组级别的多感官效果，请对所有参与者的单个 RMI 数据进行分组平均。
使用电子表格将个人分配给行，将时间箱分配给列。然后，在一个新的电子表格中，将以前计算的 21 个差值放入单个行和时间条箱中的平均值，以创建一个组平均差值波形。然后，将组平均值 21 绘制为线图，其中 x 轴表示每个量化时间箱，y 轴表示 CDF 之间的概率差。
最后，使用参与者的数据作为示例，计算每个人曲线下的面积。将时间 bin 1 的 CDF 差值与时间 bin 2 的 CDF 差值相和，然后除以 2。目视检查包含正值的每个连续对时间箱。
然后，求和这些结果，在 0.00 到 0.10 的被侵犯百分位数范围内生成 CDF 差分波的总 AUC。结果显示，对333名老年人的样本，在零到10%的范围内发生群体平均违规。这三个量比的正值为零、一、二或三，确定一个人分别被分配到哪个多感官分类组，即缺陷、差、好或优越。
正如我们前面描述的那样，避免数据修整过程至关重要，因为它偏向了RT分布。反应时间慢和省略试验需要设置为无穷大。这里的主要目标是开发一个强大的多感官集成表型。
话虽如此，我们意识到在老化时的差异多感官集成模式，我们的下一步将是发现负责这种集成过程的神经网络，同时确定特定的结构或功能变化如何促成差分集成模式。我们正在努力确定与衰老中视觉-躯体感觉整合相关的神经相关，我们相信，这种发展将提供对几种疾病的见解，包括但不限于阿尔茨海默氏症和帕金森氏症。
View the full transcript and gain access to thousands of scientific videos
概述
本研究为计算多感官整合效应的幅度提供了详细教程。它旨在增强跨各种临床人群的转化研究。
关键研究组成部分
科学领域
- 神经科学
- 多感官整合
- 转化研究
背景
- 建立可重复的方法对研究至关重要。
- 量化多感官整合与认知和运动结果相关。
- 重要的结果包括平衡、跌倒、步态和执行功能。
- 该研究针对多样化的临床人群。
研究目的
- 促进未来的转化研究。
- 提供一种量化多感官整合的稳健方法。
- 将整合效应与认知和运动结果关联起来。
使用的方法
- 利用刺激展示软件进行实验。
- 三种实验条件：单独视觉、单独触觉和同时视觉-触觉。
- 使用带有视觉和触觉刺激器的控制箱。
- 编程一个简单的反应时间实验。
主要结果
- 量化了多感官整合的稳健表型。
- 该方法与认知结果显示出显著的关联。
- 研究结果支持多感官整合在老化中的相关性。
- 结果可以为临床环境中的未来研究提供信息。
结论
- 该研究为研究人员提供了一种有价值的方法。
- 它增强了对多感官整合效应的理解。
- 未来的研究可以在不同人群中建立在这一方法基础上。
常见问题
Executive Industry Relevance
Quantifying multisensory integration using the Race Model Inequality (RMI) provides a reproducible, data-driven approach to characterize sensory processing phenotypes relevant to cognitive and motor outcomes. This robust methodology enables translational research continuity from discovery through preclinical stages, supporting risk-adjusted decisions in neurodegenerative and aging-related portfolios. Standardized quantification of integration effects enhances predictive confidence for target validation and mechanistic de-risking in neuroscience R&D.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables rigorous interrogation of sensory integration hypotheses using quantitative behavioral phenotypes.
- Supports functional target validation by linking integration metrics to cognitive and motor endpoints.
- Facilitates mechanistic de-risking for neurodegenerative and aging-related targets.
- Provides a standardized framework for portfolio triage based on integration effect magnitude.
Screening & Assay Development
- Prepares validated behavioral systems for downstream compound screening and intervention studies.
- Delivers reproducible, quantitative outputs for cross-study and cross-cohort comparisons.
- Enables assay standardization and scalability for high-throughput behavioral phenotyping.
- Supports reliable evaluation of candidate interventions targeting sensory integration pathways.
Translational & Preclinical Research
- Aligns behavioral phenotypes with disease-relevant endpoints such as balance, gait, and executive function.
- Ensures continuity from discovery-stage quantification to preclinical model validation.
- Informs risk-adjusted advancement decisions for neurocognitive and motor disorder programs.
- Provides predictive de-risking value for translational biomarker development.
Pipeline & Workflow Integration
The RMI-based quantification method integrates into the discovery-to-preclinical continuum, supporting hypothesis testing, target validation, and translational research in neuroscience portfolios.
- Discovery Biology: Enables robust null hypothesis testing and pathway clarification for multisensory integration mechanisms.
- Screening: Provides assay-ready, reproducible behavioral outputs for intervention studies.
- Analytics: Delivers quantitative CDF and area-under-curve metrics for cross-condition comparisons.
- Translational Research: Bridges discovery phenotypes to preclinical and clinical endpoints relevant to aging and neurodegeneration.
- Enterprise Reuse: Establishes a reusable, standardized capability for multisensory integration quantification across programs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in sensory integration research.
- Operational Value: Promotes standardization, reproducibility, and scalability of behavioral phenotyping workflows.
- Strategic Value: Supports informed go/no-go decisions and capital-efficient portfolio management.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of neurocognitive and motor disorder assets.
Implementation Considerations
- Requires expertise in behavioral neuroscience and quantitative data analysis.
- Needs stimulus presentation software, programmable control boxes, and analytical infrastructure for CDF calculations.
- Demands cross-team standardization of data handling and outlier management procedures.
- Adaptable to diverse model systems and clinical populations with appropriate protocol adjustments.
- Careful handling of slow or omitted responses is critical to avoid data bias, as supported by source guidance.
