Análisis de la interacción psicofisiológica generalizada (PPI) de la memoria relacionados con la conectividad en individuos con riesgo genético de la enfermedad de Alzheimer

Summary

Este manuscrito describe cómo implementar un análisis de interacción psicofisiológica para revelar cambios dependientes de la tarea en la conectividad funcional entre una región de semilla seleccionada y voxels en otras regiones del cerebro. Análisis de interacción psicofisiológica es un popular método para examinar los efectos de la tarea en la conectividad cerebral, distinta de los efectos de activación univariantes tradicionales.

Abstract

En Neuroimagen, la proyección de imagen de resonancia magnética funcional (fMRI) mide el nivel de oxigenación de la sangre dependiente (en negrilla) de señal en el cerebro. El grado de correlación de la negrita de la señal espacial regiones independientes del cerebro define la conectividad funcional de las regiones. Durante una tarea cognitiva fMRI, un análisis de interacción psicofisiológica (PPI) se puede utilizar para examinar los cambios en la conectividad funcional en contextos específicos definidos por la tarea cognitiva. Un ejemplo de una tarea es una que involucra el sistema de memoria, solicitando a los participantes aprender pares de palabras sin relación (codificación) y recordar la segunda palabra en un par cuando se presentó con la primera palabra (recuperación). En el presente estudio, hemos utilizado este tipo de tarea de la memoria asociativa y un análisis generalizado de PPI (gPPI) para comparar cambios en Conectividad del hipocampo en los adultos mayores que son portadores de la enfermedad de Alzheimer (EA) factor de riesgo genético apolipoproteína-E épsilon-4 ( APOEΕ4). En concreto, mostramos que la conectividad funcional de subregiones de los cambios del hipocampo durante la codificación y recuperación, las dos fases activas de la tarea de memoria asociativa. Dependiente del contexto de cambios en la conectividad funcional del hipocampo fueron significativamente diferentes en portadores de APOEε4 en comparación con los no portadores. Análisis PPI permiten examinar los cambios en la conectividad funcional, distinta de principales efectos univariados y comparar estos cambios a través de grupos. Así, un análisis PPI pueden revelar efectos compleja en cohortes específicas que los métodos univariantes tradicionales no captan. Análisis PPI no pueden, sin embargo, determinar direccionalidad o causalidad entre las regiones funcionalmente conectadas. Sin embargo, análisis PPI ofrecen poderosos medios para la generación de hipótesis específicas sobre relaciones funcionales, que pueden ser probadas usando modelos causales. Como el cerebro cada vez más se describe en términos de conectividad y redes, PPI es un importante método de análisis de datos de tarea de fMRI que está en consonancia con la concepción actual del cerebro humano.

Introduction

El término "conectoma" fue acuñado en 2005 marca un cambio de paradigma en la neurociencia que continúa a este día¹. El cerebro es cada vez más descrito en términos de interacciones entre regiones a gran escala, la conectividad y redes funcionales. Sin embargo, la delineación de especialización funcional regional y asociaciones entre fMRI mide la actividad y las demandas de la tarea son enfoques todavía válidos y útiles. Teniendo en cuenta el creciente interés en connectomics, conectividad funcional enfoques de análisis de tarea fMRI están creciendo en popularidad. Un enfoque para medir cambios de conectividad funcional depende de la tarea exige hace uso del concepto de PPI. Un PPI es la interacción de una fase de tarea activa o demanda de tarea ("psycho") con la conectividad funcional ("fisio") de una región de interés o "semilla" en el cerebro. PPI se diferencia del análisis bivariado, basado en la correlación de la conectividad funcional, que generalmente mide el grado de correlación entre la actividad en dos regiones sin restricciones relacionadas con las demandas de la tarea.

El concepto y el marco de un análisis PPI fue descrito originalmente por Castellon y colaboradores en 1997². Los autores afirmaron que su enfoque es importante porque permitiría que la investigación de la conectividad para ser más funcionalmente específico y permitir inferencias que la actividad en una semilla distal podría modular actividad resultante de una demanda de la tarea. En 2012, McLaren y sus colegas ha añadido a este marco original y se describen un enfoque gPPI en que todas las fases de la tarea y sus interacciones están incluidos en un solo modelo³. Este enfoque conduce a resultados que son más sensibles y específicas para la fase de la tarea y la interacción investigada. Es este enfoque actualizado gPPI que empleamos en el presente estudio (ver paso 6.2.2 en Protocolo). El enfoque de gPPI ahora ha sido citado en más de 200 estudios. Para mayor claridad, en lo sucesivo utilizamos 'Ppp' para describir las características comunes de la versión estándar y generalizada. 'gPPI' se utilizará para discutir avances específicos relacionados con el marco más reciente.

El objetivo general de un análisis PPI es entender cómo las demandas de una tarea cognitiva influyen o modulan la conectividad funcional de una región de semilla. Un análisis de PPP requiere una hipótesis a priori fuerte. Actividad en la región de semilla debe modulada por la tarea en orden para el enfoque PPI trabajar con eficacia⁴. Por ejemplo, en el presente estudio, basamos nuestra selección de semilla en la fuerte evidencia que la actividad hipocampal es modulado por las demandas cognitivas de una tarea de memoria. Utilizando el PPI, se pueden identificar regiones significativamente más o menos funcionalmente conectados el hipocampo durante las fases de la tarea específica. En definitiva, le pedimos a la pregunta, "en qué regiones es actividad más correlacionada con la semilla durante el contexto A con respecto a la línea de base?" También podemos preguntarle lo contrario de la lógica (como es importante entender la diferencia): "en qué regiones es actividad menos correlacionado con la semilla en contexto A con respecto a la línea de base?" Al interpretar las diferencias de grupo en efectos PPI, es importante examinar los datos y si cambio positivo o negativo en la conectividad funcional, o ambos, está conduciendo a las diferencias de grupo.

El enfoque de la PPI se ha utilizado para el estudio de centros de control de tarea dinámica en controles sanos, como modulación de la conectividad funcional se relaciona con rendimiento cognitivo en la enfermedad de Alzheimer (AD), inteligencia en los individuos con autismo, conectividad de red motor en individuos con enfermedad de Parkinson, cara de procesamiento en los individuos con trastorno dismórfico corporal, anorexia, regulación de la emoción, memoria y muchas otras preguntas específicas relacionadas con la conectividad^{5,6,7 ,8,9,10,11}. En el presente estudio, se comparan cambios en la conectividad funcional de subregiones del hipocampo durante la codificación de la memoria y la recuperación entre un grupo de individuos con mayor riesgo genético para el anuncio a un grupo sin el factor de riesgo¹². A continuación describe el protocolo que, aplicando el enfoque gPPI, nos permiten comprobar si la tarea produce cambios en la conectividad funcional se diferencian en asociación con la presencia de APOEε4, un factor de riesgo genético para la EA.

Protocol

el presente estudio fue realizado en cumplimiento de los protocolos de la Junta de revisión institucional (IRB) de UCLA y aprobado por el Comité de protección de sujetos humanos de UCLA. Todos los participantes dieron consentimiento informado para inscribirse en este estudio.

1. participante selección

1. aprobación IRB obtener para realizar el estudio.
2. Pantalla individuos de 55 y más viejo para el deterioro cognitivo mediante una batería neuropsicológica estandarizada. Incluyen pruebas de inteligencia General (subpruebas del WAIS-III) ¹³, ¹⁴ de la fluidez (frutas y verduras), atención (dígitos hacia adelante y hacia atrás) ¹³, lengua (Boston Naming Test ) ¹⁵, ¹⁶ memoria verbal (Buschke-Fuld selectivo recordando tarea), aprendizaje de memoria lógica del WMS-III y Verbal asociado asociados ¹³ y memoria Visual (test de la figura de Rey-Osterrieth) ¹⁷.
   1. que los participantes completar cuestionarios de estado de ánimo como la depresión de Hamilton y los inventarios de ansiedad ^{18 , 19}, así como el Mini examen del Estado Mental ( MMSE) ²⁰.
3. Incluir participantes que puntuación 26 o superior en el MMSE y realizar más dos desviaciones estándar debajo de lo normal para su edad en pruebas cognitivas. Excluir a los participantes con ansiedad clínica, depresión o cualquier otra enfermedad neurológica o neuropsiquiátrico. Excluir los participantes que no cumplan con los criterios de seguridad MRI o que no acepta a un sangre dibujar.
   Nota: En el presente estudio, 93 participantes cumplieron con estos criterios (edad media = 67,4 años, 31M/49F).

2. Genotipado de

1. tener un flebotomista capacitado u otro profesional médico extraer la sangre de cada participante.
2. Aislar 200 μg de ADN genómico de 10 mL de la muestra como describe en ²¹.
3. Realizar polimorfismo de nucleótido único genotipificación (SNP) mediante PCR en tiempo real en dos loci, rs429358 y rs7412 discriminación APOE alelos ²². Reportero
   1. incorporar colorantes para rs429358 y rs7412 en un ensayo de genotipado SNP. Después de completa cada ciclo de amplificación de PCR, parcela señales fluorescentes en un gráfico que muestra la distribución de tintes reportero y extintor. Realizar el experimento por duplicado para confirmar resultados.
4. Analizar los datos SNP genotyping utilizando un paquete de software desarrollados para el procedimiento de PCR en tiempo real de la salida ²³.
   Nota: El programa utilizado en el presente estudio calcula la afinidad de la muestra a uno de los tintes de dos reportero que, a su vez, representa un SNP de APOE sobre la otra. En el presente estudio, el riesgo de 34 portadores del anuncio de alelo APOE ε4 (heterozigótica ε3/ε4) y 46 no portadores (homocigótica ε3/ε3) se inscribieron un total de 80 participantes en el estudio. Excluir a los portadores del alelo APOEε2 porque existe evidencia que este alelo puede tener un efecto protector relacionado con anuncio.

3. Recolección de datos la proyección de imagen estructural y funcional

1. uso una resonancia magnética de 3 Tesla (3T) sistema de adquisición de datos de imágenes de todo el cerebro.
   1. Para la proyección de imagen funcional, recoger cortes axiales usando una echo planar imaging (EPI) secuencia. Para facilitar el registro de las imágenes funcionales, adquieren cortes axiales de imágenes estructurales de T2-weighted, co-planar. Para la proyección de imagen de alta resolución estructural, recoger cortes axiales con un 3D secuencia de T1-weighted.
      Nota: En el presente estudio, se utilizó un imán de 3T con una bobina principal de 12 canales. Los parámetros a continuación fueron diseñados para un explorador específico y una bobina. Para más información vea la Tabla de materiales.
      1. Adquisición funcional proyección de imagen usando los siguientes parámetros de la secuencia de datos: tiempo de repetición (TR) = 2.500 ms, eco tiempo (TE) = ms 21, campo de visión (FOV) = 200 mm x 200 mm, tapa ángulo = 75°, matriz = 64 x 64, 33 rebanadas, grosor de corte = 3 mm, hueco interslice = 0 .75 milímetro, tamaño del voxel = 3.125 x 3.125 x 3,75 mm.
      2. Activar la tarea de memoria asociativa de palabras sin relación para comenzar con el tercer volumen de la secuencia de imágenes funcional. Para tener en cuenta para el equilibrio de estado estacionario, excluir a los dos primeros volúmenes de cada exploración funcional de análisis.
         Nota: Las palabras sin relación tarea memoria asociativa ha sido describen en otra parte ^{12 , 24}. En Resumen, es una tarea funcional de diseño de bloques con bloques de codificación y recuperación. Los participantes aprenden a aprender pares de palabras no relacionadas.
      3. Adquisición de T2-weighted, co-planar estructural datos usando los siguientes parámetros de la secuencia de imágenes: TR = 5.000 ms, TE = ms 34, FOV = 200 mm x 200 mm, tapa ángulo = 90°, matriz = 128 x 128, 28 rodajas, de grosor de corte = 3 mm, hueco interslice = tamaño de 1 mm y voxel = 1.56 x 1 .56 x 4 mm.
      4. Adquisición de alta resolución estructural (anatómica) proyección de imagen usando los siguientes parámetros de secuencia de magnetización preparado rápida gradiente eco (MPRAGE): TR = 1.900 ms, TE = 2,26 ms, TI = 900 ms, FOV = 250 mm x 218 mm, ángulo flip = 9°, matriz = 256 x 215, rebanadas de 176 , espesor de corte = 1 mm, sin contenido a una matriz de 256 x 224, dando por resultado un tamaño de voxel = 1 x 0.976 x 0,976 mm.

4. fMRI preprocesado de datos BOLD

1. preprocesar los datos funcionales utilizando resonancia magnética funcional del cerebro (FMRIB) Software Library (FSL) versión 6.0 (http://fsl.fmrib.ox.ac.ul) como sigue:
   1. Para cada participante ' s conjunto de datos, eliminar movimiento principal artefacto de los datos mediante el movimiento corrección FMRIB ' s herramienta de registro de imagen lineal (MCFLIRT) ²⁵.
   2. Quitar tejido no cerebral de las imágenes usando la herramienta de extracción de cerebro (BET) con el opcional de bandera -F ²⁶.
   3. Utilizar la herramienta de FSL afloramientos de movimiento para identificar los volúmenes de los datos funcionales donde hay movimiento excesivo basado en desplazamiento de marco entre volúmenes. Volúmenes donde el movimiento es medido como un outlier (por encima ^{del percentil 75} + 1,5 veces el rango intercuartil) en comparación con el resto de la exploración de la bandera y usar la salida de este programa para downweight esos volúmenes en análisis.
      Nota: Antes de ejecutar comparaciones de grupo, compruebe que movimiento promedio, medida por FSL movimiento afloramientos, no difieren entre los dos grupos. Esto ayudará a asegurar que los resultados no dependen de las diferencias relacionadas con el grupo en movimiento.
2. Configurar el preprocesamiento y primer nivel modelo lineal general (GLM) usando la interfaz gráfica de usuario (GUI) para FSL fMRI herramienta de análisis de experto (FEAT) para el primer participante.
   Nota: Repita este paso para cada participante del estudio. Para ahorrar tiempo, después de configurar una carrera de uno de los participantes, escribir un script para ejecutar el proceso previo para los restantes participantes del estudio ' datos alterando la " design.fsf " archivo (FSL FEAT salida) para cada participante a participante de referencia ' s datos específicos.
   1. En la ficha datos, haga clic en " agregar datos de D 4 " y desplácese hasta el archivo de corrección de movimiento y cerebro extraído. Establecer el TR en 2.5 s (correspondiente a lo TR de la secuencia funcional adquirida). Utilice el filtro predeterminado (establecido en 100 s).
      Nota: Filtro de paso alto elimina señales de baja frecuencia de ningún interés.
   2. En la ficha estadísticas previas, haga clic en " no " en " corrección de movimiento " (como ya se realizó en el paso 4.1). Desactivar " extracción de cerebro BET " (como ya fue completado en el paso 4.1). Tipo " 5 " en el cuadro al kernel set 5 mm ancho total medio máximo (FWHM) gaussiano para suavizar espacial.
      Nota: El FWHM para el kernel de alisado generalmente se fijase en dos veces del tamaño del tamaño de voxel de exploración funcional.
   3. Utilizar la salida (6 columnas, filas = # de TRs en el análisis) de MCFLIRT para crear archivos de texto de una columna 6 que describen la corrección del movimiento realizada en cada volumen dentro del conjunto de datos. Estos se agregarán al modelo como regressors en el paso siguiente.
      1. En la ficha estadísticas en " completa de configuración de modelo ", agregar los parámetros de 6 movimiento y sus derivados temporales como regressors o variables explicativas (EVs) en el MLG. Para cada movimiento EV elegir " personalizado " (1 entrada por volumen) de forma básica, " ninguno " convolución y comprobar " aplicar filtrado temporal. "
         Nota: parámetros de movimiento no es necesario ser convolved por cualquier función, ya que hacen referencia los reajuste realizado en cada volumen funcional durante la corrección del movimiento y por lo tanto no es necesario ajustar.
   4. En la pestaña de estadísticas, seleccione la salida de FSL movimiento afloramientos del paso 4.1 bajo el " agregar adicional confundir EVs ".
      Nota: Esta salida es una matriz que denota cada volumen que fue marcado por excesivo movimiento y agregar el archivo confound, se deweighted en el MLG.
   5. En la pestaña de estadísticas, haga clic en " montaje completo modelo ". Crear la tarea tiempo archivos de texto que indica el inicio y el desplazamiento de fases de diferentes tareas y agregar como EVs en el MLG 1 formato columna y navegando por el archivo de texto correspondiente (incluye uno para la fase de codificación de la tarea y otro para la fase de recuperación). Para " circunvolución " elegir el " doble gamma HRF " opción de la lista desplegable para los dos. No modelo de la línea de base o no activa partes de la tarea en el MLG.
      Nota: HRF está parado para la función de la respuesta hemodinámica. Convolución de tamaño la tarea EV por la HRF cambia la sincronización de la tarea EV para ser más coherente con los cambios de señal BOLD inducida por la tarea prevista en el cerebro.
   6. En la ficha de registro, compruebe " imagen funcional ampliada " y " imagen estructural principal " para un registro de dos etapas.
      1. Seleccione el participante ' s co-planar de T2-weighted estructurales análisis del primer paso, en el que está registrados datos funcionales a la co-planar de los datos estructurales. Seleccione 6 grados de libertad (DOF) para este paso haciendo clic en el segundo menú desplegable cuadro en este paso y elegir " DOF 6 ".
      2. Para el siguiente paso, en el que la imagen de T2-weighted es registrada en la alta resolución MPRAGE de T1-weighted, seleccione Registro límite base (RBb) en el desplegable de la casilla ²⁷.
         Nota: BBR utiliza las diferencias de intensidad entre materia blanca y materia gris para registrar el análisis estructurales y funcionales y se ha demostrado para llevar a cabo mejor que ligar y otros métodos alternativos.
      3. Para el paso final, en el cual los datos estructurales de alta resolución está registrados en la plantilla de MNI152 estándar, elegir 12 grados de libertad y una transformación lineal, eligiendo " DOF 12 ".
         Nota: Cuando todos los pasos en la sección 4 completados los datos funcionales son preprocesados y listos para su posterior análisis.

5. Hippocampal semillas

1. generar una máscara del hipocampo izquierdo en cada participante ' espacio estructural de s alta resolución usando FSL ' algoritmo de segmentación de FMRIB registro integrado y herramienta de segmentación (primero) s ²⁸ .
   Nota: Otras regiones, incluyendo el hipocampo derecho, sería interesantes y válidas semillas para más análisis.
2. Través de una plataforma de software estadístico, escribir código calcular la longitud de los tercios anteriores y posteriores de la estructura ²⁹. En concreto, utilizar la longitud de la máscara hipocampal volumétrica en el plano antero-posterior para encontrar las coordenadas que demarca los tercios anteriores y posteriores de este plano.
   Nota: Un método recientemente publicado de segmentar el hipocampo a lo largo del eje longitudinal puede ser una alternativa semillas creación enfoque ³⁰.
3. Basado en estas coordenadas, crear imágenes de máscara hipocampo anterior y posterior. Colocarse las máscaras hipocampales anteriores y posteriores en espacio funcional nativo usando el " example_func2highres " matriz en el directorio de registro de la salida FEAT.
   Nota: Usando los tercios anteriores y posteriores impidieron señal borrosa a través de las dos semillas hipocampales después del registro al espacio funcional. Hay evidencia de especialización funcional a lo largo del eje longitudinal del hipocampo ^{31 , 32 , 33 , 34}. Regiones anteriores son regiones de entrada y asociado con la codificación, mientras que el hipocampo posterior es una región de salida asociada con memoria recuperación y consolidación ^{35 , 36 , 37}. por lo tanto, utilizar estas regiones permite la evaluación de la implicación funcional del anterior versus posterior hipocampo en codificación versus las fases de recuperación de la tarea de la memoria.
4. Uso FSL significa Series (fslmeants) para extraer el denoised series promedio de las semillas hipocampales anteriores y posteriores ( figura 1). Siga las instrucciones del programa y utilizar la semilla hipocampo ya sea anterior o posterior como la máscara y los datos funcionales denoised, preprocesados como principal imagen.

figura 1 : semillas Hippocampal. En el espacio nativo, un solo participante ' semilla de hipocampo anterior de s se muestra en amarillo. La semilla del hipocampo posterior por el mismo participante se muestra en color rosa. Las semillas se definen en cada participante ' imagen estructural única de s y luego registrado en su análisis funcional. Las semillas son nunca en un espacio estandarizado, que mejora la precisión de la segmentación hippocampal. Esta figura ha sido reimpreso con permiso de ¹². haga clic aquí para ver una versión más grande de esta figura.

6. modelo PPI

1. usar la GUI para FSL FEAT cargar los datos preprocesados funcionales.
   1. En la ficha datos, seleccione la " filtered_func_data " imagen denoised (salida de los pasos en la sección 4) como el archivo de entrada. En la ficha estadísticas previas, establece extracción de cerebro y corrección de movimiento en " ninguno. " Unclick cajas para realizar el filtrado temporal y espacial suavizado.
2. Mod PPIel montaje (tabla 1).
   1. En la pestaña de estadísticas, seleccione " montaje completo modelo ". En la ficha de EVs, agregar todos lo EVs desde el primer modelo nivel: 6 movimiento corrección EVs, confundir EV matriz de FSL movimiento afloramientos y tarea EVs de sincronización. Haga clic en la flecha hacia arriba para añadir EVs. Incluyen en este modelo un EV para la timecourse fisiológica de la semilla (la salida de archivo de texto de fslmeants en el paso 5.4) como covariable de ningún interés al hacer clic en la flecha hacia arriba.
   2. Crear los términos PPI.
      1. Elegir " interacción " en el menú de forma básica y seleccionar la semilla timecourse EV y una tarea de EV. Para el " hacer cero " opción, elegir " significa " de la semilla timecourse EV y " centro de " para la tarea EV. Repita este procedimiento para la tarea de otra fases. Ejecutar un modelo separado para cada región semilla.
         Nota: Estas nuevas EVs son los términos PPI para la fase de la tarea seleccionada (psycho) y la semilla (Fisio). En el presente estudio, se incluyeron un PPI para la fase de codificación y un segundo plazo PPI para la fase de recuperación en cada modelo PPI. El " centro " opción asegura de que el " en " y " de " las fases de la tarea de diseño del bloque reciban el mismo trato. La " significa " opción se aplica siempre a la timecourse de la semilla y los resultados en la media que resta de este regressor.
   3. En los contrastes y la ficha de pruebas de F, modelo de los siguientes efectos específicos introduciendo " 1 " en la EV correspondiente celular: psych_enc (fase de codificación tarea), psych_ret (fase de la tarea de recuperación), PHY (semillas timecourse), PPI_enc (PPI de semilla y de codificación), PPI_ret (PPI de semillas y recuperación). Por último, introduzca un " -1 " a protones negativos del modelo para cada fase de trabajo.

tabla 1: configuración del modelo de gPPI.

7. comparaciones de grupo

1. Select " Análisis de alto nivel " en FSL para ejecutar un modelo de grupo simple comparando APOEε4 portadores a los no transportistas para cada combinación de tarea-semilla.
   Nota: Estas comparaciones se ejecutan para generar las imágenes de residuos 4D grupo correspondiente (" res4d ") es necesario estimar la suavidad del conjunto de datos. Resultados estadísticamente significativos de esta comparación de grupo son válidos, pero en los pasos a continuación otro método de umbralización utilizando AFNI y SPM8 para establecer un cluster importante mínimo basado en simulaciones de Monte Carlo se describe.
2. Uso análisis de funcional Neuroimaging (AFNI)
   1. uso AFNI ' 3dFWHMx s (cualquier versión después de diciembre de 2015) en la línea de comandos para estimar la suavidad de los residuos de grupo 4D imágenes generan con FSL.
      Nota: Un error fue descubierto en AFNI ' 3dClustSim s y corregido en mayo de 2015. En diciembre de 2015, AFNI ' s 3dFWHMx fue actualizado para mayor precisión modelo auto-correlaciones. Así, las versiones de estas herramientas lanzado en diciembre de 2015 o debe ser utilizadas más adelante.
   2. Uso AFNI ' 3dClustSim s (cualquier versión después de diciembre de 2015) para determinar mínimos de parte de cluster alcanzar significación en diferentes umbrales de nivel de voxel. Incluyen las estimaciones de la suavidad del paso anterior en la invocación de la línea de comandos de 3dClustSim. De la tabla generada por 3dClustSim, basado en las hipótesis de estudio sobre los efectos esperados ' altura y medida, elegir un voxel-nivel umbral y tamaño mínimo de cluster correspondiente.
      Nota: en general, más grandes racimos minimizan falsos positivos.
3. Uso estadístico paramétrico Mapping (SPM8)
   1. utilizando el GUI de SPM8, seleccione " especificar 2 ^nd-nivel ". Se abrirá el editor por lotes. Seleccione " dos muestras t-test " bajo diseño. Desplácese hasta el directorio con las imágenes de estimación de parámetro para el grupo 1 (APOEε4 portadores) y seleccione haciendo clic sobre ellos. A continuación, añadir imágenes de grupo 2 (no APOEε4 portadores). Ejecutar esta comparación haciendo clic en el botón play verde.
   2. Volver a la GUI de SPM, seleccione " estimar la " y desplácese hasta el archivo SPM.mat creado en el paso anterior para ejecutar el proceso de estimación del modelo.
   3. Select " resultados " y contrastes de comparación de Grupo: APOEε4 portadores > APOEε4 no portadores, no APOEε4 portadores > portadores APOEε4.
      1. Clic en " definir un nuevo contraste ", elegir " contraste T " bajo " tipo " y entrar en " 1 -1 " en el " contraste " caja para APOEε4 portadores > APOEε4 no portadores. Haga clic en " hecho ". Elegir " ninguno " para aplicar enmascaramiento y manualmente conjunto voxel-nivel umbral y el mínimo tamaño de clúster según la determinación realizada en el paso 7.2.2.Enter "-1 1 " para APOEε4 no portadores > APOEε4 transportistas.
         Nota: en el presente estudio, un umbral de voxelwise de p < 0.005 fue utilizado y racimos thresholded en alfa < 0.05.

Results

Con dos fases diferentes tarea activa (codificación y recuperación) y semilla de dos regiones (hipocampo anterior y posterior) hay cuatro condiciones para reportar resultados para cada grupo. Los mapas de activación dentro del grupo de tarea (no se muestra aquí, véase Harrison et al., 2016¹²) demuestran que el lóbulo occipital, la corteza auditiva, grandes regiones del lóbulo parietal, áreas del lenguaje frontal, circunvolución temporal superior y caudado ...

Discussion

Los primeros estudios de fMRI basado en tareas fueron diseñados para descubrir relaciones estadísticas entre procesos cognitivos específicos o demandas y cambios en la negrita de la señal en relación con una medición de línea de base. Este enfoque tradicional es útil para la identificación de regiones específicas del cerebro donde la actividad es modulada por una tarea experimental. En contraste, un análisis PPI se refiere principalmente a la modulación de la conectividad funcional o sincronía de la actividad, que result...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Escáner de imágenes por resonancia manética 3T	Siemens Medical Solutions	MAGNETOM Trio, A Tim System	3T MRI Scanner
FSL (FMRIB Software Library)	Oxford	versión 6.0	Software de procesamiento de imágenes funcionales
AFNI (Análisis de Neuroimágenes Funcionales)	Instituto Nacional de Salud Mental, Institutos Nacionales de Salud	Cualquier versión posterior a mayo de 2015	Software de procesamiento de imágenes funcionales
SPM8 (mapeo paramétrico estadístico)	University College of London	SPM8	Software de procesamiento de imágenes funcionales
Matlab	The Mathworks, Inc	versión R2012a	Software de computación
SDS	Software Applied Biosystems, Inc	7900HT Sistema de PCR rápido en tiempo real	PCR en tiempo real
Ensayos Taqman	ThermoFisher Científico	específico del	genotipado de SNP SNP