Mit Informations Konnektivität, um das synchrone Entstehung von fMRI Multi-Voxel-Informationen Auf Zeit messen
1. Juli 2014
Informationelle Konnektivität misst die Entsprechung zwischen Zeitverläufen von Multi-Voxel-Informationen über verschiedene Gehirnregionen hinweg. Zeitreihen zur Unterscheidbarkeit von Multi-Voxel-Mustern werden aus Regionen extrahiert und verglichen, wodurch Netzwerke sichtbar werden, die in einem typischen funktionalen Konnektivitätsansatz nicht identifiziert werden.
Das übergeordnete Ziel dieses Verfahrens ist es, die Konnektivität zwischen Gehirnregionen auf der Grundlage von Veränderungen in ihren verteilten Aktivitätsmustern im Laufe der Zeit zu messen. Dazu wird zunächst eine Ausgangsregion ausgewählt. Beim nächsten Multi-Voxel-Muster wird die Unterscheidbarkeit für jeden Zeitpunkt für die Ausgangsregion und jeden Suchscheinwerfer oder Interessenbereich berechnet.
Der letzte Schritt besteht darin, die Unterscheidbarkeitszeitreihen der Ausgangsregion mit jedem Suchscheinwerfer zu korrelieren. Letztendlich wird die informationelle Konnektivität verwendet, um die Konnektivität zwischen Regionen aufzudecken, in denen Informationen in Voxelmustern enthalten sind. Nun, der Hauptvorteil dieser Technik gegenüber anderen wie funktioneller Konnektivität besteht darin, dass sie Konnektivität anhand von Bedingungen erkennen kann, die sich in der Immunantwort nicht unterscheiden, aber eine einzigartige multivariate Signatur aufweisen.
Nun, ich hatte die Idee zu dieser Methode, nachdem ich festgestellt hatte, dass viele Konnektivitätstechniken Informationen ignorieren, die nur in Multi-Voxel-Aktivitätsmustern enthalten sind. So wie wir jetzt wissen, dass die univariaten Ansätze völlig blind für Informationen sind, die in Multi-Voxel-Aktivitätsmustern enthalten sind, entfernen Sie zu Beginn dieses Verfahrens die Signale für Bewegung und mittlere weiße Substanz aus der Zeitreihe der vorverarbeiteten FMRI-Daten, indem Sie ein Regressionsmodell mit Prädiktoren für Bewegungsparameter und das mittlere Signal der weißen Substanz erstellen. Führen Sie dann die folgende Analyse der resultierenden Residuen durch.
Importieren Sie die generierten Residuen in ein Analysepaket wie MATLAB oder Python, z. B. mit der Open-Source-Toolbox MATLAB für Informationskonnektivität. Transformieren Sie danach die Zeitreihe jedes Voxels in zco. Unterteilen Sie die Zeitpunkte der Datasets in unabhängige Sätze, z. B. verschiedene Scannerläufe.
Erstellen Sie dann einen Datensatz der Bedingungsbeschriftungen, die mit Zeitpunkten verknüpft sind, indem Sie einen Vektor von Bedingungsbeschriftungen generieren. Das heißt, dass die Endzeitpunkte lang sind und die Bedingungsbeschriftungen bei jedem Durchlauf um ein Vielfaches nach vorne verschieben, um eine Wiederholung von fünf Sekunden zu erreichen, um die hämodynamische Verzögerung zwischen Ereignissen und aufgezeichneten FMRI-Signalen zu berücksichtigen. Um eine Seed-Region auszuwählen, isolieren Sie einen anatomischen Bereich durch Auswahl von Voxeln in Ihrer bevorzugten Software oder mit einem beschrifteten Atlas, der eine Region funktional lokalisiert, oder wählen Sie einen leistungsstarken Suchscheinwerfer für die Kartierung von Informationen im Gehirn aus.
Vergleichen Sie dann das MVP jedes Mals. Zeigen Sie für jede Bedingung auf ein prototypisches MVP. Unter Verwendung der Open-Source-Toolbox für informationelle Konnektivität MATLAB.
Berechnen Sie ein prototypisches MVP für jede Bedingung, indem Sie den Durchschnitt der Zeitpunkte jeder Bedingung in allen bis auf eine Faltung bilden. Korrelieren Sie als Nächstes jeden MVP für jeden Zeitpunkt mit dem mittleren MVP jeder Bedingung aus den Trainingsdaten. Dadurch wird jedes Mal ein Korrelationswert von 0,1 für jede Bedingung angezeigt.
Beachten Sie, dass die Bedingung mit der höchsten Korrelation hier die Vorhersage des beliebten korrelationsbasierten MVPA-Klassifikators wäre. Nachher. Quantifizieren Sie die MVP-UNTERSCHEIDUNGSFÄHIGKEIT für jeden Zeitpunkt, indem Sie zunächst die Korrelation identifizieren, die den Zustand dieses Zeitpunkts darstellt. Subtrahieren Sie dann die höchste der verbleibenden Korrelationen.
Das Ergebnis ist die MVP-Unterscheidbarkeit jedes Zeitpunkts. Um eine Suchscheinwerferanalyse durchzuführen, platzieren Sie einen dreidimensionalen Cluster um jedes Vle. Wiederholen Sie wiederum den vorherigen Schritt für jeden Suchscheinwerfer, sodass jeder Suchscheinwerfer über eine Zeitreihe von MVP-Unterscheidbarkeitswerten verfügt.
Korrelieren Sie nun die MVP-Diskriminability-Zeitreihe des Seeds mit den DISCRIMINABILITY-Zeitreihen jedes Suchscheinwerfers. Unter Verwendung der Rangkorrelation nach Spearman ist der resultierende RS-Wert das IC zwischen dem Startwert und dem Suchscheinwerfer. Weisen Sie dann den IC-Wert jedes Suchscheinwerfers dem zentralen Voxel des Suchscheinwerfers zu und schreiben Sie die resultierende Gehirnkarte der Person auf.
Wenn sich die Daten nicht bereits im standardisierten Raum befinden, transformieren Sie die IC-Maps des Teilnehmers in denselben Raum. Glätten Sie optional die Suchscheinwerferkarten der Person. Diese Abbildung zeigt die Beispiele für MVP DISCRIMINABILITY in zwei Regionen mit synchroner MVP Discriminability ohne synchrone Mittelwertaktivierung.
Diese Datenpunkte wurden gesammelt, während der Proband visuelle Darstellungen von menschengemachten Objekten betrachtete, die durch Multivoxelmuster, aber nicht durch mittlere Reaktionen unterscheidbar sind. Und hier sehen Sie ein Beispiel für die IC- und FC-Werte zwischen einem Seed in den linken Ansichten des Gyrus der Form und Suchscheinwerfern im Gehirn. Die Stärken der informationellen und funktionalen Konnektivität werden auf der Z-Achse in Bezug auf die mittlere Reaktion jedes Suchscheinwerfers auf der X-Achse und die MVPA-Klassifizierungsgenauigkeit auf der Y-Achse angezeigt, die obere linke Ecke des IC-Diagramms zeigt informativ verbundene Suchscheinwerfer mit hoher Klassifizierungsleistung, aber niedrigen mittleren Ansprechzeiten.
Die Lücke in der oberen linken Ecke des FC-Diagramms zeigt, dass diese verbundenen Suchscheinwerfer bei einem typischen FC-Ansatz nicht erkannt werden. Hier sehen Sie ein Beispiel für die Konnektivitätskarten. Jede Zeile zeigt die Regionen, die signifikant mit einem Ausgangswert verbunden sind. Die Signifikanz wird durch einen Test der Gruppe T mit minimaler Clustergröße aus Permutationstests bestimmt.
Die IC-Ergebnisse werden hier anhand einer Akne auf Oberflächenkarten angezeigt, die mit dem kostenlosen Surfer nach diesem Verfahren erstellt wurden. Andere Analysen wie die funktionale Konnektivität können durchgeführt werden, um zusätzliche Fragen zu stellen, z. B. ob Bedingungen eindeutig durch Multi-Voxel-Muster verbunden sind oder ob sie auch in ihren mittleren Antworten synchron sind. Nachdem Sie sich dieses Video angesehen haben, sollten Sie also ein gutes Verständnis dafür haben, wie Sie die Konnektivität zwischen Regionen basierend auf ihren Multi-Mustern messen können.
Danke fürs Zuschauen.
Übersicht
In diesem Artikel wird eine Methode zur Messung der informativen Konnektivität zwischen Hirnregionen basierend auf multiplen Voxel-Aktivitätsmustern über die Zeit diskutiert. Dabei werden die Vorteile dieses Ansatzes gegenüber herkömmlichen Methoden der funktionellen Konnektivität hervorgehoben.
Wesentliche Studienkomponenten
Bereich der Wissenschaft
- Neurowissenschaften
- Gehirnvernetzung
- fMRT-Analyse
Hintergrund
- Die informationelle Konnektivität bewertet die Beziehung zwischen den Zeitverläufen multi-voxelbasierter Informationen über verschiedene Hirnregionen hinweg.
- Herkömmliche Methoden zur Untersuchung der funktionellen Konnektivität können bedeutende Aktivitätsmuster auf mehreren Voxel-Ebenen übersehen.
- Diese Methode kann Konnektivität unter Bedingungen identifizieren, die sich in der Immunantwort nicht unterscheiden, aber einzigartige multivariate Signaturmuster aufweisen.
- Das Verständnis dieser Konnektivitätsmuster kann das Einsehen in die Gehirnfunktion und neurologische Erkrankungen vertiefen.
Zweck der Studie
- Um die Konnektivität zwischen Hirnregionen basierend auf Änderungen in verteilten Aktivitätsmustern zu messen.
- Um die Wirksamkeit der informativen Konnektivität bei der Aufdeckung von Netzwerken zu demonstrieren, die mittels funktioneller Konnektivität nicht identifiziert werden.
- Um eine detaillierte Methodik bereitzustellen, mit der Forschende diese Technik in ihren Studien anwenden können.
Verwendete Methoden
- Vorverarbeitung der fMRT-Daten zur Entfernung von Bewegungs- und mittleren weißen Hirnsubstanz-Signalen.
- Berechnung der multivoxelbasierten Musterdiskriminierbarkeit für Seed-Regionen und Suchleuchten.
- Korrelation der Diskriminierbarkeits-Zeitreihen zwischen Seed-Regionen und Suchleuchten.
- Anwendung statistischer Methoden zur Quantifizierung und Visualisierung der Konnektivitätsresultate.
Hauptergebnisse
- Identifizierung von Hirnregionen, die informationsmäßig verbunden sind, jedoch nicht durch traditionelle Methoden erfasst werden.
- Nachweis einer hohen Klassifikationsleistung bei der Identifizierung von Konnektivitätsmustern.
- Visuelle Darstellung von Konnektivitätskarten, die signifikante Verbindungen zeigen.
- Erkenntnisse über die Beziehung zwischen Multi-Voxel-Mustern und mittleren Antworten über verschiedene Bedingungen hinweg.
Schlussfolgerungen
- Die informationelle Konnektivität bietet ein leistungsfähiges Werkzeug zum Verständnis von Gehirnnetzwerken.
- Diese Methode kann komplexe Konnektivitätsmuster aufdecken, die mit herkömmlichen Methoden möglicherweise übersehen werden.
- Zukünftige Studien können auf dieser Methodik aufbauen, um verschiedene Aspekte der Gehirnkonnektivität zu untersuchen.
Häufig gestellte Fragen
Ausschlaggebende Bedeutung für die Industrie
Die informationelle Konnektivität (IC) schließt eine entscheidende Lücke in der Neurowissenschaftsforschung, indem sie Wechselwirkungen in Hirnnetzwerken erfasst, die für die traditionelle funktionelle Konnektivität (FC) unsichtbar sind, wenn unter den Bedingungen keine univariaten Unterschiede bestehen, jedoch unterschiedliche Muster auf mehreren Voxel-Ebenen auftreten. Diese Fähigkeit verbessert die Zielvalidierung in der neuropsychiatrischen Wirkstoffforschung, da sie mechanistische Signalwege offenlegt, die mit kognitiven oder verhaltensbezogenen Phänotypen verknüpft sind und Krankheitsphänotypen antreiben. Indem die Konnektivität auf der Grundlage verteilter Informationsdynamik statt auf der mittleren Aktivierung isoliert wird, ermöglicht die IC eine vorhersagbare Zuversicht bezüglich Zielbindung und Modulation von Signalwegen bereits in einem frühen Stadium der Entdeckung.
Strategische Anwendungen in der Biopharma-Forschung und -Entwicklung
Frühe Entdeckung und Zielvalidierung
- Wissenschaftlicher Wert: Ermöglicht die Überprüfung therapeutischer Hypothesen, indem Gehirnregionen identifiziert werden, deren Informationsverarbeitung zeitlich synchron verändert ist, und so die Beteiligung von Bahnen klärt.
- Operationaler Wert: Unterstützt die biologische Risikominderung, indem funktionelle Zielstrukturen durch Konnektivitätsmuster validiert werden, die mit kognitiven Phänotypen korrelieren, unabhängig von mittleren Aktivierungsgraden.
- Prädiktiver Wert: Steigert das Vertrauen in die Zielstrukturauswahl, indem Netzwerke aufgedeckt werden, die bedingungsspezifische Informationen verarbeiten, und so die Priorisierung von Wirkstoffkandidaten für zentrale Nervensystemtherapeutika unterstützt.
Screening und Assay-Entwicklung
- Assay-Bereitschaft: Bereitet validierte biologische Systeme (z. B. fMRT-basierte Auslesungen) für die nachgeschaltete Untersuchung vor, indem reproduzierbare, quantitative Maße der informationsbasierten Konnektivität etabliert werden.
- Standardisierung: Fördert die Robustheit des Assays durch standardisierte Vorverarbeitung (Entfernung von Bewegungs- und weißem Hirnsubstanz-Signalen) und Z-Transformation der Voxel-Zeitreihen, wodurch die Übertragbarkeit zwischen Laboren verbessert wird.
- Skalierbarkeit: Ermöglicht die Wiederverwendung der Plattform durch Searchlight- oder ROI-basierte Designs und erlaubt die skalierbare Untersuchung der Wirkung von Substanzen auf Netzwerke der Informationsverarbeitung.
Translationale und präklinische Forschung
- Translationaler Zusammenhang: Verbindet IC-Ergebnisse aus der Entdeckungsphase mit der präklinischen Validierung, indem multi-voxel Informationsmuster mit krankheitsrelevanten kognitiven oder verhaltensbezogenen Endpunkten verknüpft werden.
- Mechanistische Entlastung von Risiken: Konzentriert sich auf den Vorhersagewert, indem die durch verteilte Aktivitätsmuster verursachte Konnektivität isoliert wird, wodurch die Abhängigkeit von univariaten Biomarkern verringert wird, die wesentliche pathophysiologische Aspekte übersehen könnten.
- Risikoadjustierte Weiterentwicklung: Unterstützt Entscheidungen über Fortführung oder Abbruch, indem gezeigt wird, ob eine Substanz die Netzwerke der Informationsverarbeitung in einer Weise moduliert, die mit der therapeutischen Hypothese übereinstimmt.
Pipeline- und Workflow-Integration
Die informationelle Konnektivität fügt sich in den Entdeckungsprozess von der Hypothesenprüfung bis zur Identifizierung von Leitstrukturen ein, insbesondere in der CNS-Wirkstoffentwicklung, wo das Verständnis der verteilten neuronalen Informationsverarbeitung entscheidend für die Zielvalidierung und mechanistische Erkenntnisse ist.
- Entdeckungsbiologie: Unterstützt die Hypothesenprüfung und die Aufklärung von Wegen, indem sie misst, wie Informationen synchron über die Zeit hinweg in verschiedenen Hirnregionen entstehen, und so funktionelle Netzwerke offenbart, die mit bestimmten kognitiven oder verhaltensbezogenen Zuständen verknüpft sind.
- Screening: Verbessert die Bereitschaft von Assays, indem quantitative, zeitlich aufgelöste Diskriminierbarkeitsmaße generiert werden, die den Vergleich der Wirkung von Substanzen auf die informationsbasierte Konnektivität ermöglichen.
- Analytik: Liefert interpretierbare Ergebnisse, wie etwa die Rangkorrelation nach Spearman der Diskriminierbarkeits-Zeitreihen, und ermöglicht so den statistischen Vergleich der Stärke der Konnektivität zwischen verschiedenen Bedingungen oder Behandlungsgruppen.
- Translationale Forschung: Knüpft an präklinische Arbeiten an, indem sie einen biomarkerbasierten Endpunkt (Informationssynchronität) bereitstellt, der in Tiermodellen mithilfe ähnlicher, von der MVPA inspirierter Ansätze nachgebildet werden kann.
- Unternehmensweite Wiederverwendung: Funktioniert als wiederverwendbare Plattformfunktion statt als Einmal-Assay und ist anwendbar über verschiedene Aufgaben, Patientengruppen und therapeutische Bereiche hinweg, die Informationsverarbeitung betreffen.
Operative und unternehmerische Auswirkungen
- Wissenschaftlicher Wert: Erhöht die Vorhersagesicherheit, indem Konnektivität erfasst wird, die auf multimodalen Informationsmustern beruht, und verringert so die mechanistische Mehrdeutigkeit bei der Zielvalidierung.
- Operationaler Wert: Fördert Standardisierung und Reproduzierbarkeit durch festgelegte Vorverarbeitungsschritte und eine Open-Source-Toolbox-Implementierung (z. B. MATLAB/Python).
- Strategischer Wert: Verbessert die Entscheidungsfindung hinsichtlich der Weiterentwicklung eines Targets, indem Ziele identifiziert werden, deren Modulation Informationsverarbeitungsnetzwerke beeinflusst, wodurch das biologische Risiko in späteren Phasen von ZNS-Programmen reduziert wird.
- Portfolio-Wirkung: Ermöglicht eine risikoadjustierte Priorisierung, indem Ziele hervorgehoben werden, die starke mechanistische Verbindungen zu kognitiven Phänotypen über informationsbasierte Netzwerkmodulation aufweisen.
Durchführungsaspekte
- Erfordert Fachkenntnisse in der fMRT-Vorverarbeitung, der multivoxelbasierten Musteranalyse und statistischen Korrelationsmethoden.
- Setzt den Zugang zu Umgebungen für die Neurobildanalyse voraus, wie MATLAB oder Python, die Unterstützung für MVPA- und Informationskonnektivitäts-Toolboxen bieten.
- Erfordert eine standardisierte Vorgehensweise über verschiedene Teams hinweg – Bildgebung, Informatik und Biologie –, um eine konsistente Anwendung von Seed-Auswahl, Label-Verschiebung und Diskriminierbarkeitsberechnungen sicherzustellen.
- Beinhaltet Anpassungsüberlegungen bei der Anwendung der IC auf verschiedene Spezies, Hirnregionen oder kognitive Aufgaben, insbesondere bei der Definition geeigneter Bedingungslabels und der Korrektur des hämodynamischen Lags.
- Zu den praktischen Einschränkungen gehört die Notwendigkeit ausreichender zeitlicher Auflösung und einer hinreichenden Anzahl an Durchläufen, um Diskriminierbarkeits-Zeitreihen zuverlässig schätzen zu können, wie im Hinweis auf die Verschiebung der Bedingungslabels um fünf Sekunden zur Kompensation des hämodynamischen Lags beschrieben.
