Utilisation informationnel connectivité mesurer l'émergence synchrone de l'IRMf Multi-voxel information à travers les âges
1 juillet 2014
La connectivité informationnelle mesure la correspondance entre les cours temporels de l’information multi-voxel à travers différentes régions du cerveau. Des séries chronologiques de discriminabilité de motifs multi-voxels sont extraites des régions et comparées, révélant des réseaux qui ne sont pas identifiés dans une approche typique de connectivité fonctionnelle.
L'objectif général de cette procédure est de mesurer la connectivité entre des régions cérébrales en se basant sur les changements de leurs schémas d'activité distribuée au fil du temps. Cela est réalisé en premier lieu en sélectionnant une région source. Ensuite, la discriminabilité du schéma multivoxels est calculée pour chaque point temporel, pour la région source et chaque recherche locale ou région d'intérêt.
La dernière étape consiste à corréler la série temporelle de discriminabilité de la région source avec chaque faisceau exploratoire. En fin de compte, la connectivité informationnelle est utilisée pour révéler les connexions entre des régions qui contiennent des informations réparties dans des patrons de voxels. L'avantage principal de cette technique par rapport à d'autres, comme la connectivité fonctionnelle, est qu'elle permet de détecter des connexions en utilisant des conditions qui ne diffèrent pas par leur réponse immunitaire, mais qui possèdent toutefois une signature multivariée unique.
Eh bien, j'ai eu pour la première fois l'idée de cette méthode en réalisant que de nombreuses techniques de connectivité ignorent les informations contenues uniquement dans les motifs d'activité multivoxels. Tout comme nous savons désormais que les approches univariées sont totalement aveugles aux informations présentes dans les motifs d'activité multivoxels, commencez cette procédure en éliminant les signaux de mouvement et de signal moyen de la matière blanche des séries temporelles des données IRMf prétraitées, en créant un modèle de régression comportant des prédicteurs pour les paramètres de mouvement et le signal moyen de la matière blanche. Ensuite, effectuez l'analyse suivante sur les résidus obtenus.
Importez les résidus générés dans un logiciel d'analyse tel que MATLAB ou Python, en utilisant par exemple la boîte à outils open source MATLAB pour la connectivité informationnelle. Ensuite, transformez la série temporelle de chaque voxel en zco. Séparez les points temporels des jeux de données en ensembles indépendants, tels que différentes séries d'acquisition sur le scanner.
Ensuite, créez un enregistrement des étiquettes de condition associées aux points temporels en générant un vecteur d'étiquettes de condition. Cela correspond à une longueur égale aux points de temps finaux ; décalez les étiquettes de condition vers l'avant dans chaque série d'un nombre de répétitions équivalent à cinq secondes afin de tenir compte du décalage hémodynamique entre les événements et les signaux IRMf enregistrés. Pour sélectionner une région source, isolez une zone anatomique en choisissant des voxels à l’aide de votre logiciel préféré ou d’un atlas étiqueté, en localisant fonctionnellement une région ou en sélectionnant une recherche locale d’informations cérébrales présentant les meilleures performances.
Ensuite, comparez le PMV de chaque moment. Indiquez un PMV prototypique pour chaque condition. À l’aide de la boîte à outils MATLAB open source de connectivité informationnelle.
Calculez un MVP prototypique pour chaque condition en faisant la moyenne des points temporels de chaque condition dans tous les plis sauf un. Ensuite, corréléz le MVP de chaque point temporel avec le MVP moyen de chaque condition provenant des données d'apprentissage. Cela fournira à chaque temps une valeur de corrélation de 0,1 pour chaque condition.
Notez que la condition présentant la corrélation la plus élevée ici correspondra à la prédiction du classificateur MVPA basé sur la corrélation populaire. Ensuite, quantifiez la DISCRIMINABILITÉ MVP pour chaque point temporel en identifiant d'abord la corrélation représentant la condition de ce point temporel, puis en soustrayant la plus élevée des corrélations restantes.
Le résultat correspond à la discriminabilité MVP de chaque point temporel. Pour effectuer une analyse en fenêtre glissante, placez un cluster tridimensionnel autour de chaque vle. Répétez ensuite l'étape précédente pour chaque fenêtre glissante afin que chacune possède une série temporelle de valeurs de discriminabilité MVP.
Corrélez maintenant la série temporelle de discriminabilité MVP de la graine avec la série temporelle de DISCRIMINABILITÉ de chaque faisceau de recherche. En utilisant la corrélation de rang de Spearman, la valeur RS obtenue correspond à la CI entre la graine et le faisceau de recherche. Attribuez ensuite la valeur de CI de chaque faisceau de recherche au voxel central du faisceau et enregistrez la carte cérébrale individuelle résultante.
Si les données ne sont pas déjà dans un espace standardisé, transformez les cartes CI des participants dans cet espace. Vous pouvez éventuellement lisser les cartes de recherche individuelles. Cette figure montre des exemples de DISCRIMINABILITÉ MVP dans deux régions présentant une discriminabilité MVP synchrone sans activation moyenne synchrone.
Ces points de données ont été recueillis pendant que le sujet observait des présentations visuelles d'objets fabriqués par l'homme, qui sont distinguables par des motifs multivoxels, mais pas par les réponses moyennes. Et voici un exemple des valeurs de CI et de CF entre une graine située dans les régions gauches du gyrus de la forme et des faisceaux exploratoires répartis dans tout le cerveau. Les intensités de connectivité informationnelle et fonctionnelle sont indiquées sur l'axe Z par rapport à la réponse moyenne de chaque faisceau exploratoire sur l'axe X et à la précision de classification MVPA sur l'axe Y ; le coin supérieur gauche du graphique de CI montre des faisceaux exploratoires informationnellement connectés ayant une performance de classification élevée, mais de faibles niveaux de réponse moyenne.
L'espace dans le coin supérieur gauche du graphique de FC indique que ces phares connectés ne sont pas détectés par une approche typique de FC. Voici un exemple de cartes de connectivité. Chaque ligne montre les régions significativement connectées à une graine. La significativité est déterminée par un test T de groupe avec une taille de cluster minimale issue de tests de permutation.
Les résultats de l'IC sont affichés ici à l'aide de cartes d'acné en surface produites avec FreeSurfer selon cette procédure. D'autres analyses, comme la connectivité fonctionnelle, peuvent être réalisées afin de poser des questions supplémentaires, telles que savoir si les conditions sont uniquement reliées par des patrons multivoxels ou si elles sont également synchrones dans leurs réponses moyennes. Ainsi, après avoir visionné cette vidéo, vous devriez avoir une bonne compréhension de la manière de mesurer la connectivité entre régions en fonction de leurs patrons multivariés.
Merci d'avoir regardé.
Aperçu
Cet article traite d'une méthode permettant de mesurer la connectivité informationnelle entre les régions cérébrales à partir de motifs d'activité multi-voxel au fil du temps. Il met en évidence les avantages de cette approche par rapport aux méthodes traditionnelles de connectivité fonctionnelle.
Composantes clés de l'étude
Domaine scientifique
- Neurosciences
- Connectivité cérébrale
- Analyse de l'IRMf
Contexte
- La connectivité informationnelle évalue la relation entre les séries temporelles d'informations multi-voxel provenant de différentes régions cérébrales.
- Les méthodes traditionnelles d'analyse de la connectivité fonctionnelle peuvent négliger des motifs significatifs d'activité multi-voxel.
- Cette méthode permet d'identifier une connectivité dans des conditions qui ne diffèrent pas par la réponse immunitaire mais qui présentent des signatures multivariées uniques.
- La compréhension de ces motifs de connectivité peut approfondir les connaissances sur le fonctionnement cérébral et les troubles neurologiques.
Objectif de l'étude
- Mesurer la connectivité entre les régions cérébrales à partir de changements dans les schémas d'activité distribuée.
- Démontrer l'efficacité de la connectivité informationnelle pour révéler des réseaux non identifiés par la connectivité fonctionnelle.
- Fournir une méthodologie détaillée permettant aux chercheurs d'appliquer cette technique dans leurs études.
Méthodes utilisées
- Prétraitement des données IRMf pour éliminer les signaux liés aux mouvements et aux signaux moyens de la matière blanche.
- Calcul de la discriminabilité des patrons multivoxels pour les régions d'intérêt et les fenêtres mobiles.
- Corrélation des séries temporelles de discriminabilité entre les régions d'intérêt et les fenêtres mobiles.
- Utilisation de méthodes statistiques pour quantifier et visualiser les résultats de connectivité.
Résultats principaux
- Identification des régions cérébrales qui sont informationnellement connectées mais non détectées par les méthodes traditionnelles.
- Démonstration d'une performance élevée en classification pour l'identification des schémas de connectivité.
- Représentation visuelle des cartes de connectivité montrant des connexions significatives.
- Éclairages sur la relation entre les profils multivoxels et les réponses moyennes à travers différentes conditions.
Conclusions
- La connectivité informationnelle constitue un outil puissant pour comprendre les réseaux cérébraux.
- Cette méthode peut révéler des schémas complexes de connectivité que des méthodes traditionnelles pourraient omettre.
- De futures études pourront s'appuyer sur cette méthodologie afin d'explorer divers aspects de la connectivité cérébrale.
Questions fréquemment posées
Pertinence industrielle pour les cadres
La connectivité informationnelle (IC) comble une lacune critique dans la recherche en neurosciences en détectant les interactions au sein des réseaux cérébraux qui restent invisibles à la connectivité fonctionnelle traditionnelle (FC) lorsque les conditions ne présentent pas de différences univariées mais affichent des profils multivoxels distincts. Cette capacité améliore la validation des cibles en découverte de médicaments neuropsychiatriques en révélant des voies mécanistiques associées à des phénotypes cognitifs ou comportementaux à l'origine des manifestations de la maladie. En isolant la connectivité selon des dynamiques informationnelles distribuées plutôt que selon une activation moyenne, l'IC renforce la confiance prédictive dans l'engagement de la cible et la modulation des voies précoces en phase de découverte.
Applications stratégiques en R&D biopharmaceutique
Découverte précoce et validation de cibles
- Valeur scientifique : Permet d'interroger des hypothèses thérapeutiques en identifiant les régions cérébrales dont le traitement de l'information évolue de manière synchrone dans le temps, clarifiant ainsi l'engagement des voies neuronales.
- Valeur opérationnelle : Contribue à la dé-risquisation biologique en validant des cibles fonctionnelles à travers des profils de connectivité corrélés à des phénotypes cognitifs, indépendamment des niveaux moyens d'activation.
- Valeur prédictive : Renforce la confiance dans le choix des cibles en révélant des réseaux qui traitent des informations spécifiques à une condition, facilitant ainsi le tri des projets dans le portefeuille de thérapeutiques du système nerveux central.
Développement de tests et criblage
- Prêt de l'essai : Prépare des systèmes biologiques validés (par exemple, des lectures basées sur l'IRMf) pour des criblages ultérieurs en établissant des mesures reproductibles et quantitatives de la connectivité fondée sur l'information.
- Normalisation : Renforce la robustesse de l'essai grâce à un prétraitement normalisé (élimination des artefacts de mouvement et du signal de la matière blanche) et à la transformation en cotes z des séries temporelles des voxels, améliorant ainsi la fiabilité interlaboratoire.
- Extensibilité : Permet la réutilisation de la plateforme par des conceptions basées sur des fenêtres mobiles (« searchlight ») ou sur des régions d'intérêt (ROI), permettant un criblage évolutif des effets de composés sur les réseaux de traitement de l'information.
Recherche translationnelle et préclinique
- Continuité translationnelle : Relie les découvertes issues de la phase d'identification aux validations précliniques en associant des patrons d'information multi-voxels à des critères d'issue cognitifs ou comportementaux pertinents pour la maladie.
- Réduction du risque mécanistique : Met l'accent sur la valeur prédictive en isolant la connectivité induite par des patrons d'activité distribués, réduisant ainsi la dépendance à l'égard de biomarqueurs univariés susceptibles de manquer des éléments clés de la physiopathologie.
- Avancement ajusté au risque : Éclaire les décisions de poursuite ou d'abandon en démontrant si un composé module les réseaux de traitement de l'information d'une manière conforme à l'hypothèse thérapeutique.
Intégration du pipeline et du flux de travail
La connectivité informationnelle s'inscrit dans le continuum de découverte allant du test d'hypothèse à l'identification de candidats, en particulier dans le développement de médicaments pour le système nerveux central, où la compréhension du traitement neuronal distribué de l'information est essentielle pour la validation des cibles et l'acquisition de connaissances mécanistiques.
- Biologie de la découverte : Soutient la vérification d'hypothèses et la clarification des voies en mesurant comment l'information émerge de manière synchrone entre différentes régions cérébrales au fil du temps, révélant ainsi des réseaux fonctionnels associés à des conditions cognitives ou comportementales spécifiques.
- Triage : Améliore la préparation des tests en générant des métriques quantitatives et résolues dans le temps de discriminabilité, permettant de comparer les effets de composés sur la connectivité fondée sur l'information.
- Analyse : Fournit des résultats interprétables tels que la corrélation de rang de Spearman des séries temporelles de discriminabilité, permettant la comparaison statistique de l'intensité de connectivité entre différentes conditions ou groupes de traitement.
- Recherche translationnelle : S'articule avec les travaux précliniques en fournissant un indicateur biologique aligné (synchronie de l'information) qui peut être reproduit chez des modèles animaux à l'aide d'approches inspirées de la MVPA.
- Réutilisation en entreprise : Fonctionne comme une capacité de plateforme réutilisable plutôt que comme un test ponctuel, applicable à diverses tâches, groupes de patients et domaines thérapeutiques impliquant le traitement de l'information.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive en détectant des connexions fondées sur des motifs d'information multi-voxel, réduisant ainsi l'ambiguïté mécanistique dans la validation des cibles.
- Valeur opérationnelle : Favorise la standardisation et la reproductibilité grâce à des étapes de prétraitement fixes et à une implémentation dans une boîte à outils open source (par exemple, MATLAB/Python).
- Valeur stratégique : Améliore la prise de décision « aller/ne pas aller » en identifiant les cibles dont la modulation affecte les réseaux de traitement de l'information, réduisant ainsi les risques biologiques en phase avancée dans les programmes du SNC.
- Impact sur le portefeuille : Permet une priorisation ajustée au risque en mettant en évidence les cibles ayant des liens mécanistiques solides avec des phénotypes cognitifs via la modulation de réseaux fondée sur l'information.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en prétraitement d'IRMf, en analyse de motifs multi-voxels et en méthodes statistiques de corrélation.
- Dépend de l'accès à des environnements d'analyse d'imagerie neurologique tels que MATLAB ou Python, compatibles avec les boîtes à outils d'analyse MVPA et de connectivité informationnelle.
- Implique une standardisation entre équipes, notamment entre les équipes d'imagerie, computationnelles et biologiques, afin d'assurer une application cohérente de la sélection des régions d'intérêt (seeds), du décalage des étiquettes de condition et des calculs de discriminabilité.
- Suppose des adaptations lors de l'application de la connectivité informationnelle (IC) à différentes espèces, régions cérébrales ou tâches cognitives, en particulier pour la définition des étiquettes de condition appropriées et la correction du décalage hémodynamique.
- Les limitations pratiques incluent la nécessité d'une résolution temporelle et d'un nombre d'essais suffisants pour estimer de manière fiable les séries temporelles de discriminabilité, comme indiqué dans l'exigence de décaler les étiquettes de condition de cinq secondes afin de tenir compte du décalage hémodynamique.
