Analyse d’Interaction psychophysiologique généralisée (PPI) de mémoire qui connectivité chez les personnes à risque génétique pour la maladie d’Alzheimer

L’objectif global de cette analyse est d’identifier les changements contextuels liés à la mémoire dans la connectivité fonctionnelle entre les régions de l’hippocampe et le reste du cerveau. Cette méthode peut aider à répondre à des questions clés dans le domaine des neurosciences cognitives, telles que la façon dont la connectivité fonctionnelle change en réponse à des demandes cognitives spécifiques dans le cadre d’une tâche expérimentale. Le principal avantage de cette technique est qu’elle permet aux chercheurs de tester des hypothèses spécifiques concernant la connectivité fonctionnelle des régions cérébrales clés au cours d’une tâche cognitive.

Pour cette expérience, incluez des personnes âgées de 55 ans et plus atteintes d’un déclin cognitif qui ont été génotypées pour l’allèle de risque de maladie d’Alzheimer apolipoprotéine E epsilon quatre avant l’expérience, dépister l’innocuité de l’IRM chez les sujets et obtenir un consentement éclairé. Utilisez un système d’IRM à trois teslas pour acquérir des données d’imagerie cérébrale complètes. Pour l’imagerie fonctionnelle, collectez des coupes axiales à l’aide d’une séquence d’imagerie écho-planaire tout en exécutant une tâche de mémoire associative de mots non apparentés.

Pour faciliter le recalage des images fonctionnelles, acquérir également des tranches axiales d’images structurelles coplanaires pondérées en T2. Pour l’imagerie structurelle haute résolution, collectez les coupes axiales à l’aide d’une séquence pondérée en 3D T1. Une fois l’imagerie terminée pour tous les participants, configurez les étapes de prétraitement et le modèle linéaire général de premier niveau à l’aide de l’outil d’analyse expert FSL FMRI, ou FEAT, pour le premier participant.

Dans l’onglet Données, cliquez sur Sélectionner des données 4D et accédez au fichier corrigé en mouvement et extrait du cerveau. Réglez le TR pour qu’il corresponde à celui de la séquence fonctionnelle et utilisez le filtre passe-haut par défaut. Maintenant, dans l’onglet Pré-statistiques, cliquez sur aucun sous Correction de mouvement et décochez l’extraction de cerveau BET.

Entrez cinq millimètres pour définir la largeur totale moitié maximum du noyau gaussien pour le lissage spatial. Ensuite, cliquez sur Configuration complète du modèle et créez les fichiers de minutage de tâche indiquant le début et le décalage des phases de tâche. Ajoutez-les au GLM en choisissant le format à trois colonnes et en accédant au fichier texte approprié.

Incluez-en un pour la phase d’encodage de la tâche et un pour la phase de récupération. Pour la convolution, choisissez l’option HRF Double-Gamma. Ensuite, utilisez la sortie de l’outil MCFLIRT pour créer six fichiers texte à une seule colonne qui décrivent la correction de mouvement effectuée à chaque volume de l’ensemble de données.

Sélectionnez Configuration complète du modèle et ajoutez les paramètres et leurs dérivées temporelles en tant que variables explicatives, ou EV, dans le GLM. Pour chaque mouvement EV, choisissez Personnalisé pour la forme de base, aucun pour la convolution et le remplissage temporel. Maintenant, naviguez jusqu’à l’onglet Statistiques du logiciel et sélectionnez la sortie de l’outil FSL motion aberrations sous l’option Ajouter des EV supplémentaires confondants.

Maintenant, dans l’onglet Enregistrement, cochez Image fonctionnelle développée et Image structurelle principale pour un enregistrement en deux étapes. Sélectionnez le balayage structurel coplanaire pondéré T2 des participants pour la première étape d’enregistrement de la fonctionnalité dans les données structurelles. Choisissez six degrés de liberté dans la deuxième liste déroulante.

Pour l’étape suivante, enregistrez l’image pondérée T2 dans la MP-RAGE haute résolution pondérée T1 en sélectionnant l’alignement basé sur les limites dans la liste déroulante. Enfin, enregistrez les données structurelles haute résolution dans le modèle standard MNI 152 en sélectionnant 12 degrés de liberté et une transformation linéaire. Avant de configurer le modèle d’interaction psychophysiologique, chargez d’abord les données de prétraitement dans le logiciel FSL FEAT.

Choisissez l’image débruitée comme fichier d’entrée. Dans les onglets Pré-statistiques, réglez la correction de mouvement et l’extraction du cerveau sur Aucun. N’effectuez pas de filtrage temporel ou de lissage spatial.

Ensuite, dans l’onglet Statistiques, sélectionnez Configuration complète du modèle et dans l’onglet EV, ajoutez toutes les variables de la modélisation de premier niveau, y compris la correction de mouvement, la matrice confondante des valeurs aberrantes de mouvement FSL et le minutage des tâches. Inclure une EV pour l’évolution physiologique du temps à partir de la graine comme covariable sans intérêt. Ensuite, créez les termes PPI en choisissant Interaction dans le menu Forme de base, puis sélectionnez le cours de temps de départ EV et une tâche EV. Pour l’option Rendre zéro, choisissez Centre pour les variables de tâche et Moyenne pour le cours de temps de départ EV. Maintenant, dans l’onglet Contrastes et F-tests, modélisez les effets spécifiques suivants en en entrant un dans les cellules EV correspondantes.

Phase de tâche d’encodage, phase de tâche de récupération, déroulement du temps de graine, IPP de la graine et de l’encodage et IPP de la graine et récupération. Enfin, entrez moins un pour modéliser les IPP négatifs pour chaque phase de tâche. Utilisez des outils logiciels de cartographie paramétrique statistique pour effectuer des comparaisons au niveau du groupe.

Commencez par sélectionner Spécifier le deuxième niveau, puis sélectionnez Test T à deux échantillons sous Conception. Naviguez jusqu’au répertoire contenant les images d’estimation des paramètres pour le premier groupe et sélectionnez-les. Ensuite, ajoutez les images du deuxième groupe et lancez cette comparaison en cliquant sur le bouton Lecture.

Maintenant, revenez à la fenêtre principale. Sélectionnez Estimation et accédez au SPM. mat créé à l’étape précédente pour exécuter l’estimation du modèle.

Ensuite, sous l’onglet Résultats, sélectionnez Définir un nouveau contraste. Choisissez Contraste T et entrez un contraste négatif dans la zone Contraste pour les porteurs APOE-4 supérieurs aux non-porteurs APOE-4, puis cliquez sur OK. Enfin, exécutez des contrastes de comparaison de groupe comme on le voit ici. Choisissez Aucun pour Appliquer le masquage, puis définissez manuellement le seuil au niveau du voxel et la taille minimale du cluster en fonction de la sortie du logiciel 3dClustSim d’AFNI.

Entrez moins un-un pour les non-porteuses APOE-4 supérieures à celles des porteuses APOE-4. Au sein du groupe, les analyses généralisées des interactions psychophysiologiques ont révélé des diminutions significatives de la connectivité fonctionnelle chez les porteurs d’APOE-4, verts, pour les conditions de tâche et les sous-régions de l’hippocampe. Chez les non-porteurs d’APOE-4, des diminutions rouges et significatives de la connectivité fonctionnelle n’ont été observées qu’avec l’hippocampe postérieur lors de l’encodage.

Au cours des récupérations, des différences significatives entre les porteurs et les non-porteurs de l’APOE-4 ont été observées dans le gyrus supramarginal gauche, bleu foncé, la jonction angulaire supramarginale droite, orange, ainsi que dans le précunéus droit, violet. La coordonnée maximale de chaque cluster est indiquée dans l’espace MNI. Ici, les contrastes des estimations de paramètres de chaque cluster sont tracés par groupe.

Les lignes rouges indiquent zéro et mettent en évidence que les porteurs ont une connectivité fonctionnelle réduite à l’hippocampe antérieur dans ces régions lors de la récupération. La bande à l’intérieur des cases représente la médiane, tandis que les bords supérieur et inférieur des cases représentent respectivement les premier et troisième quartiles. Après son développement, cette technique a ouvert la voie aux neuroimageurs fonctionnels pour explorer la connectivité dynamique liée aux tâches chez l’homme.

Cela inclut à la fois les cohortes de patients en bonne santé et les personnes présentant un risque génétique accru de maladie, comme nous le décrivons ici. Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la façon d’utiliser une analyse PPI pour tester les changements de connectivité fonctionnelle dépendants du contexte entre votre région d’intérêt et le reste du cerveau.