Metaanálisis de estudios de neuroimagen basados en Voxel mediante mapeo d basado en semillas con permutación de imágenes de sujeto (SDM-PSI)
November 27th, 2019
Detallamos cómo realizar un metaanálisis de estudios de neuroimagen basados en vóxeles utilizando la asignación d basada en semillas con permutación de imágenes de sujeto (SDM-PSI).
El mapeo d basado en semillas es un método para poner los estudios de neuroimagen meta-análisis que pueden parecer contradictorios. Por ejemplo, los resultados de estudios de anomalías de la materia gris en el TOC. Los métodos metaanálisis anteriores han evaluado comúnmente si los estudios admiten más picos estadísticos en una razón o en otra, mientras que SDM-PSI evalúa si hay un efecto en una razón particular.
Los investigadores han utilizado principalmente SDM para investigar los sustratos neuronales de las funciones psicológicas y trastornos neuropsiquiátricos, que pueden incluir estudios de fMRI, VBM, DTI, PET o SBM. El uso de SDM-PSI hasta ahora es bastante sencillo. Sin embargo, los pasos más importantes para realizar un metaanálisis correcto son diseñar un plan de metanálisis preciso y recopilar cuidadosamente los datos.
Para realizar una búsqueda exhaustiva, abra la base de datos de interés e introduzca varias palabras clave que permitan buscar cualquier estudio que pueda cumplir los criterios de inclusión. A continuación, registre el número de estudios recuperados y el número de estudios excluidos por cada motivo. Considere la posibilidad de crear un diagrama de flujo PRISMA con estos números.
Después de leer los manuscritos de interés para encontrar los datos específicos que se van a extraer, para convertir los valores Z y los valores P en valores T, haga clic en Convertir picos en el software SDM-PSI. A continuación, utilice valores T positivos para los picos de aumento y los valores T negativos para los picos de disminución, utilizando la tabla para obtener instrucciones sobre cómo decidir el signo de los valores T. En dos estudios de muestra, se utilizan valores T positivos cuando la señal de RMN es mayor en pacientes que en los controles.
Y utilice valores T negativos cuando la señal de RMN sea más baja en los pacientes que en los controles. Para introducir los datos en SDM-PSI, abra la interfaz gráfica de usuario SDM-PSI y cierre la ventana Acerca de la presentación. Haga clic en Cambiar metanálisis para seleccionar un nuevo directorio vacío para el metaanálisis.
Haga clic en el editor de tablas SDM para introducir información general de los estudios y abrir un editor de texto para crear un archivo de texto para cada estudio para escribir las coordenadas y los valores T de los picos. Y nombre el archivo, el programa de software utilizado y el espacio estereotáctico. Para el preprocesamiento de los datos, haga clic en el botón de preprocesamiento, seleccione la modalidad de los estudios en el cuadro de lista denominado Modalidad y pulse OK. A continuación, espere varios minutos mientras la permutación del programa de imágenes de sujeto calculó los mapas de los límites inferior y superior de los tamaños de efecto potencial.
Para realizar el análisis principal, haga clic en el botón Media y pulse OK. Después de que el SDM-PSI haya llevado a cabo la imputación múltiple y el metanálisis, haga clic en Umbral, seleccione los valores P no corregidos del análisis principal y haga clic en Aceptar. SDM-PSI abrirá automáticamente tanto MRIcron para visualizar los resultados como una página web con un informe detallado de los resultados. Haga clic en Corrección de errores en familia para seleccionar el análisis principal en el cuadro de lista y haga clic en Aceptar. El programa SDM-PSI llevará a cabo la prueba de permutación durante varias horas o días. Al final del resto, haga clic en Umbral, seleccione la corrección TFCE del análisis principal y haga clic en Aceptar. El programa abrirá automáticamente tanto MRIcron para visualizar los resultados como una página web con un informe detallado del análisis.
Para la heterogeneidad, el sesgo de publicación y la calificación, haga clic en Extraer, seleccione un pico en el análisis principal y pulse OK. El programa abrirá automáticamente una página web con estadísticas de este P.Record la heterogeneidad I-cuadrado estadística. A continuación, haga clic en el botón Prueba de sesgo, seleccione un pico del análisis principal y haga clic en Aceptar. El programa abrirá automáticamente una página web con una gráfica de embudo y los resultados de una prueba para el efecto de estudio pequeño y una prueba de importancia excesiva. A continuación, haga clic en el botón Calificación de evidencia del cuadro de herramientas superior.
Seleccione el análisis principal en el cuadro de lista y haga clic en Aceptar para ver los resultados. Como se observa en estos mapas representativos, los pacientes con TOC tienen un volumen de materia gris estadísticamente significativamente más pequeño en la corteza frontal medial dorsal anterior cingulada. El clúster es moderadamente pequeño y se encuentra principalmente en el área 32 de Brodmann con el pico del clúster en MNI dos, 32, 32 con un valor Z de 4,97 y una tasa de error familiar corregida valor P de 0,01.
En este análisis de datos, la estadística baja de I-cuadrado indica una heterogeneidad muy pequeña y la gráfica del embudo no muestra asimetrías. Los aspectos clave de un metaanálisis exitoso son la creación de criterios claros de inclusión y exclusión, la recopilación cuidadosa de datos y no la limitación de los resultados a los valores P. SDM-PSI incorpora el modelo lineal general para el que los usuarios pueden realizar meta-regresiones o meta-compresións de grupos de estudios y compararlo con el análisis.
Muchos metanálisis de SDM han tenido una influencia considerable en sus campos específicos. Por ejemplo, varios metanálisis han revelado efectos interesantes de estimulantes en las anomalías cerebrales observadas en el TDAH.
Visión general
Este artículo detalla el proceso de realizar un meta-análisis de estudios de neuroimagen basados en vóxeles utilizando Mapeo basado en semillas con Permutación de Imágenes de Sujetos (SDM-PSI). El método tiene como objetivo reconciliar resultados de varios estudios que pueden parecer contradictorios, particularmente en lo que respecta a las anomalías de la materia gris en condiciones como el TOC.
Componentes clave del estudio
Área de la ciencia
- Neurociencia
- Neuroimagen
- Meta-análisis
Antecedentes
- El mapeo basado en semillas (SDM) aborda las discrepancias en estudios de neuroimagen.
- SDM se ha aplicado a varias funciones psicológicas y trastornos neuropsiquiátricos.
- A diferencia de los métodos anteriores, SDM-PSI evalúa la presencia de efectos en lugar de solo picos estadísticos.
- Los criterios de inclusión claros y la cuidadosa recopilación de datos son cruciales para un meta-análisis exitoso.
Propósito del estudio
- Demostrar los pasos involucrados en la realización de un meta-análisis utilizando SDM-PSI.
- Proporcionar información sobre el preprocesamiento y análisis de datos de neuroimagen.
- Destacar el impacto de los estudios de neuroimagen en la comprensión de los trastornos neuropsiquiátricos.
Métodos utilizados
- La plataforma principal utilizada es el software SDM-PSI para el meta-análisis de datos de neuroimagen.
- El estudio se centra en estudios de neuroimagen relacionados con el TOC, incluyendo varias modalidades de imagen como fMRI y PET.
- Los pasos metodológicos esenciales implican diseñar un plan de meta-análisis, recopilación de datos y conversión de valores estadísticos utilizando la interfaz SDM-PSI.
- Se destacan pasos críticos como el preprocesamiento de datos y la ejecución del análisis principal.
Principales resultados
- Los pacientes con TOC exhibieron reducciones significativas del volumen de materia gris en áreas cerebrales específicas.
- Los análisis estadísticos revelaron hallazgos importantes sobre la heterogeneidad y los sesgos potenciales en los estudios existentes.
- Los resultados ilustraron la aplicación práctica de SDM-PSI en el descubrimiento de efectos de neuroimagen y distribuciones espaciales.
- Conocimientos clave sobre cómo los métodos SDM-PSI pueden aprovecharse para futuros meta-análisis de neuroimagen.
Conclusiones
- Este estudio demuestra la utilidad de SDM-PSI para realizar meta-análisis exhaustivos de estudios de neuroimagen.
- Los hallazgos subrayan la importancia de enfoques metodológicos cuidadosos para revelar inconsistencias entre estudios.
- Las implicaciones de los resultados mejoran la comprensión de las variaciones neuroanatómicas en trastornos psiquiátricos.
Preguntas frecuentes
Executive Industry Relevance
In neuropharmacology and CNS drug development, reconciling contradictory neuroimaging findings is critical for target validation and mechanistic de-risking. SDM-PSI advances beyond binary significance testing by quantifying effect strength and assessing bias, enabling more confident go/no-go decisions in early discovery. This supports portfolio triage by providing continuous evidence grading rather than binary outcomes.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by assessing whether observed neuroimaging effects are non-null rather than merely counting significant peaks.
- Operational Value: Enables pathway clarification through effect size estimation and bias detection, reducing false target assumptions.
- Predictive Value: Supports predictive confidence by grading evidence strength across significance levels and data quantity, informing target prioritization.
Screening & Assay Development
- Assay Readiness: Prepares validated neuroimaging biomarkers for downstream screening by establishing reproducible effect maps with quantified uncertainty.
- Quantitative Outputs: Generates continuous effect size estimates (d-values) and heterogeneity metrics (I-squared) that enable reliable compound screening decisions.
- Platform Reuse: Standardized workflow supports cross-modality application (fMRI, VBM, DTI, PET) for consistent biomarker validation across discovery campaigns.
Translational & Preclinical Research
- Translational Continuity: Bridges discovery and preclinical validation by providing disease-relevant effect maps with bias assessment, supporting mechanistic de-risking.
- Risk-Adjusted Advancement: Evidence grading criteria (incorporating significance levels, data amount, small-study effect, excess significance) inform preclinical go/no-go decisions.
- Biomarker Alignment: Enables alignment of imaging biomarkers with phenotypic outcomes through spatially specific, bias-corrected effect maps.
Pipeline & Workflow Integration
SDM-PSI integrates into the discovery continuum from target validation through lead identification to preclinical work by providing quantitative, bias-aware neuroimaging evidence that supports hypothesis testing and mechanistic de-risking.
- Discovery Biology: Supports hypothesis testing by assessing non-null effects and estimating effect sizes, moving beyond peak counting to biological effect quantification.
- Screening: Delivers assay-ready, reproducible effect maps with quantitative outputs (T-values, d-values, P-values) enabling reliable compound evaluation across modalities.
- Analytics: Provides statistical outputs including heterogeneity (I-squared), bias tests (funnel plot, excess significance), and graded evidence levels for cross-functional interpretation.
- Translational Research: Connects to preclinical continuity through disease-relevant effect maps (e.g., OCD gray matter volume) with quantified uncertainty and bias assessment.
- Enterprise Reuse: Establishes a reusable neuroimaging meta-analysis platform applicable across psychiatric indications and imaging modalities, reducing redundant method development.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence through effect size estimation, target validation via non-null effect assessment, reduction of mechanistic ambiguity by quantifying biological effects.
- Operational Value: Standardization via predefined preprocessing and analysis pipelines, reproducibility through permutation-based inference, scalability across studies and modalities.
- Strategic Value: Better go/no-go decisions via evidence grading, capital efficiency by reducing false target pursuit, reduced late-stage biological risk through early bias detection.
- Portfolio Impact: Risk-adjusted prioritization using graded evidence (significance levels, data amount, bias detection), advancement decisions informed by continuous effect metrics.
Implementation Considerations
- Expertise in neuroimaging meta-analysis, statistical interpretation of permutation tests, and understanding of bias assessment methods (funnel plots, excess significance tests).
- SDM-PSI software infrastructure, capacity for permutation testing (hours/days per analysis), and visualization tools (MRIcron) for result interpretation.
- Cross-team standardization of inclusion/exclusion criteria, data extraction protocols (converting Z/P to T-values), and stereotactic space reporting (MNI/Talairach).
- Adaptation considerations across neuroimaging modalities (fMRI, VBM, DTI, PET, SBM) requiring modality-specific preprocessing in SDM-PSI.
- Practical limitations include dependence on primary study quality, potential bias from unpublished null results, and computational demands of permutation testing for large datasets.
Biopharma FAQs
Chapters in this video
0:04
Title
0:59
Exhaustive Search and Data Collection
2:03
Seed-Based d Mapping with Permutation of Subject Images (SDM-PSI) Data Introduction
2:42
Pre-Processing and Main Analysis
4:08
Heterogeneity, Publication Bias, and Grading
4:53
Results: Representative Smaller Gray Matter Volume Analyses
5:38
Conclusion
