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

El objetivo general de este análisis es identificar los cambios dependientes del contexto relacionados con la memoria en la conectividad funcional entre las regiones del hipocampo y el resto del cerebro. Este método puede ayudar a responder preguntas clave en el campo de la neurociencia cognitiva, como por ejemplo, cómo cambia la conectividad funcional en respuesta a demandas cognitivas específicas dentro de una tarea experimental. La principal ventaja de esta técnica es que permite a los investigadores probar hipótesis específicas sobre la conectividad funcional de regiones cerebrales clave durante una tarea cognitiva.

Para este experimento, incluya a personas de 55 años o más con deterioro cognitivo que hayan sido genotipadas para el alelo de riesgo de la enfermedad de Alzheimer apolipoproteína E épsilon cuatro antes del experimento, evalúe a los sujetos para determinar la seguridad de la resonancia magnética y obtenga el consentimiento informado. Utilice un sistema de resonancia magnética de tres teslas para adquirir datos de imágenes de todo el cerebro. Para la obtención de imágenes funcionales, recoja cortes axiales utilizando una secuencia de imágenes ecoplanas mientras ejecuta una tarea de memoria asociativa de palabras no relacionadas.

Para facilitar el registro de las imágenes funcionales, adquiera también cortes axiales de imágenes estructurales coplanares ponderadas en T2. Para obtener imágenes estructurales de alta resolución, recopile cortes axiales utilizando una secuencia 3D ponderada T1. Una vez que se hayan completado las imágenes para todos los participantes, configure los pasos de preprocesamiento y el modelo lineal general de primer nivel utilizando la herramienta de análisis experto FSL FMRI, o FEAT, para el primer participante.

En la pestaña Datos, haga clic en Seleccionar datos 4D y navegue hasta el archivo de corrección de movimiento y extracción cerebral. Ajuste el TR para que coincida con el de la secuencia funcional y utilice el filtro de paso alto predeterminado. Ahora, en la pestaña Estadísticas previas, haga clic en ninguno en corrección de movimiento y desmarque la extracción de cerebro BET.

Introduzca cinco milímetros para establecer el ancho completo medio máximo del kernel gaussiano para el suavizado espacial. A continuación, haga clic en Configuración completa del modelo y cree los archivos de temporización de tareas que denotan el inicio y el desplazamiento de las fases de la tarea. Añádalos al GLM eligiendo el formato de tres columnas y navegando hasta el archivo de texto correspondiente.

Incluya uno para la fase de codificación de la tarea y otro para la fase de recuperación. Para la convolución, elija la opción HRF de doble gamma. A continuación, utilice la salida de la herramienta MCFLIRT para crear seis archivos de texto de una sola columna que describan la corrección de movimiento realizada en cada volumen dentro del conjunto de datos.

Seleccione Configuración completa del modelo y agregue los parámetros y sus derivados temporales como variables explicativas, o EV, en el GLM. Para cada EV de movimiento, elija Personalizado para la forma básica, ninguno para la convolución y el relleno temporal. Ahora, navegue hasta la pestaña Estadísticas en el software y seleccione la salida de la herramienta de valores atípicos de movimiento FSL en la opción Agregar EV confusos adicionales.

Ahora, en la pestaña Registro, marque Imagen funcional expandida e Imagen estructural principal para un registro de dos pasos. Seleccione el escaneo estructural coplanar ponderado en T2 de los participantes para el primer paso para registrar el funcional en los datos estructurales. Elija seis grados de libertad en el segundo cuadro desplegable.

Para el siguiente paso, registre la imagen ponderada en T2 en el MP-RAGE ponderado en T1 de alta resolución seleccionando el registro basado en límites en el cuadro desplegable. Por último, registre los datos estructurales de alta resolución en la plantilla estándar MNI 152 seleccionando 12 grados de libertad y una transformación lineal. Antes de configurar el modelo de interacción psicofisiológica, primero cargue los datos de preprocesamiento en el software FSL FEAT.

Elija la imagen sin ruido como archivo de entrada. En las pestañas Estadísticas previas, establezca Corrección de movimiento y Extracción de cerebro en Ninguno. No realice el filtrado temporal ni el suavizado espacial.

A continuación, en la pestaña Estadísticas, seleccione Configuración completa del modelo y, en la pestaña EV, agregue todas las variables del modelado de primer nivel, incluida la corrección de movimiento, la matriz de confusión de los valores atípicos de movimiento FSL y la temporización de tareas. Incluya un EV para el curso temporal fisiológico de la semilla como una covariable sin interés. A continuación, cree los términos PPI eligiendo Interacción en el menú de forma Básica y seleccione el EV del curso de tiempo de siembra y el EV de una tarea. En la opción Hacer cero, elija Centro para las variables de tarea y Media para el curso de tiempo de inicialización EV. Ahora, en la pestaña Contrastes y pruebas F, modele los siguientes efectos específicos introduciendo uno en las celdas EV correspondientes.

Fase de la tarea de codificación, fase de la tarea de recuperación, curso de tiempo de semilla, PPI de semilla y codificación y PPI de semilla y recuperación. Por último, introduzca menos uno para modelar los PPI negativos para cada fase de la tarea. Utilice herramientas de software de mapeo estadístico paramétrico para ejecutar comparaciones a nivel de grupo.

Comience seleccionando Especificar segundo nivel y, a continuación, seleccione Prueba T de dos muestras en Diseño. Navegue hasta el directorio con el parámetro estimar imágenes para el grupo uno y selecciónelas. Luego, agregue las imágenes para el grupo dos y ejecute esta comparación haciendo clic en el botón Reproducir.

Ahora, regrese a la ventana principal. Seleccione Estimar y navegue hasta el SPM. mat creado en el paso anterior para ejecutar la estimación del modelo.

A continuación, en la pestaña Resultados, seleccione Definir un nuevo contraste. Elija Contraste T e introduzca uno negativo en el cuadro Contraste para las portadoras APOE-4 mayores que las no portadoras APOE-4 y, a continuación, haga clic en Aceptar. Por último, ejecute los contrastes de comparación de grupos como se ve aquí. Elija Ninguno para Aplicar enmascaramiento y, a continuación, establezca manualmente el umbral de nivel de vóxel y el tamaño mínimo del clúster de acuerdo con la salida del software 3dClustSim de AFNI.

Introduzca menos uno-uno para las no portadoras de APOE-4 mayores que las portadoras de APOE-4. Dentro del grupo, los análisis de interacción psicofisiológica generalizada revelaron disminuciones significativas en la conectividad funcional en los portadores de APOE-4, verde, tanto para las condiciones de tarea como para las subregiones del hipocampo. En los no portadores de APOE-4, rojo, solo se observaron disminuciones significativas en la conectividad funcional con el hipocampo posterior durante la codificación.

Durante las recuperaciones, se encontraron diferencias significativas entre los portadores y los no portadores de APOE-4 en la circunvolución supramarginal izquierda, azul oscuro, la unión angular supramarginal derecha, naranja, así como en el precúneo derecho, morado. La coordenada de pico de cada clúster se indica en el espacio MNI. Aquí, los contrastes de las estimaciones de los parámetros de cada conglomerado se representan por grupo.

Las líneas rojas indican cero y resaltan que los portadores tienen una conectividad funcional disminuida con el hipocampo anterior en estas regiones durante la recuperación. La banda dentro de las cajas representa la mediana, mientras que los bordes superior e inferior de las cajas representan el primer y tercer cuartil respectivamente. Después de su desarrollo, esta técnica allanó el camino para que los neuroimagineros funcionales exploraran la conectividad dinámica relacionada con las tareas en humanos.

Esto incluye tanto a cohortes sanas como a las de pacientes, así como a los individuos con mayor riesgo genético de enfermedad, como describimos aquí. Después de ver este video, debería tener una buena comprensión de cómo usar un análisis PPI para probar los cambios de conectividad funcional dependientes del contexto entre su región de interés inicial y el resto del cerebro.