Micro-État et Analyses complexité Omega de l’état de repos l’électroencéphalographie
15 juin 2018
Cet article décrit le protocole sous-jacent électroencéphalographie (EEG) micro-État analyse et analyse de complexité oméga, qui sont deux mesures d’EEG référence-gratuit et très utile pour explorer les mécanismes neuronaux des troubles cérébraux.
Ce semestre a répondu à 10 questions dans le domaine des troubles cérébraux, comme comment identifier une paire efficace de marqueurs à un code de bios dans le diagnostic d’aujourd’hui. Le principal avantage de cette technique est qu’elle peut émaner comme une référence du problème en cours lorsque vous adhérez à l’analyse EEG traditionnelle. Les applications de cette technique s’étendent à notre compréhension des réseaux d’états de repos du cerveau humain.
Pour commencer cette procédure, importez les données EEG brutes dans le logiciel de laboratoire EEG. Ensuite, chargez le fichier de localisation du canal dans le logiciel de laboratoire EEG pour obtenir les emplacements spatiaux de ces électrodes. Pour supprimer les électrodes de référence, l’option Sélectionner les données dans la plage de canaux de la boîte de dialogue contextuelle permet de sélectionner uniquement les électrodes d’enregistrement et de ne pas sélectionner les électrodes de référence afin de pouvoir les supprimer.
Pour filtrer les données EEG entre 0,5 et 80 hertz, dans la boîte de dialogue contextuelle, choisissez 0,5 pour le bord inférieur de la bande passante hertz et 80 pour le bord supérieur de la bande passante hertz. Cliquez ensuite Ok.To supprimer le bruit du courant porteur avec un filtre coupe-bande entre 49 et 51 hertz, dans la boîte de dialogue contextuelle, choisissez 49 pour le bord inférieur de la bande passante hertz et choisissez 51 pour le bord supérieur de la bande passante hertz. Sélectionnez ensuite l’option Filtre coupe-bande des données au lieu de la bande passante, puis cliquez Ok.To supprimer les mouvements oculaires, cliquez sur Outils, puis cliquez sur Suppression des artefacts à l’aide d’AAR 1.3 et Suppression de l’EOG à l’aide de BSS.
Pour supprimer l’EMG, cliquez sur Outils, puis sur Suppression des artefacts à l’aide d’AAR 1.3 et Suppression d’EMG à l’aide de BSS. Ensuite, segmentez les données EEG continues prétraitées en époques d’une durée de deux secondes. Une fenêtre s’ouvrira qui permettra d’enregistrer les données EEG segmentées.
Importez ensuite les données EEG segmentées dans le logiciel de laboratoire EEG et rejetez les époques EEG avec des valeurs d’amplitude supérieures à plus ou moins 80 microvolts à n’importe quelle électrode. Ensuite, enregistrez les données EEG prétraitées. Dans cette procédure pour chaque sujet, chargez les données EEG prétraitées, convertissez les canaux de référence en référence moyenne commune et filtrez les données EEG passe-bande entre deux et 20 hertz.
Ensuite, identifiez les quatre cartes de micro-états dans chaque sujet. Dans la boîte de dialogue contextuelle, choisissez trois pour le nombre minimum de classes, choisissez six pour le nombre maximal de classes, choisissez 50 pour le nombre de redémarrages, choisissez le nombre maximal de cartes à utiliser et sélectionnez les options Pic GFP uniquement et Aucune polarité. Cliquez ensuite sur le bouton Ok.
Par la suite, enregistrez les données EEG de chaque sujet après avoir identifié ses propres cartes de micro-états. Importez en une seule fois les ensembles de données EEG de tous les sujets enregistrés à la dernière étape. Identifiez ensuite les cartes de micro-états au niveau du groupe.
Dans la boîte de dialogue contextuelle, sélectionnez les ensembles de données de tous les sujets dans l’option Choisir les ensembles pour le calcul de la moyenne. Dans l’option Nom de la moyenne, donnez un nom aux cartes de micro-états au niveau du groupe, puis cliquez sur le bouton OK.Cela créera un nouvel ensemble de données nommé GrandMean qui stocke les cartes de micro-états au niveau du groupe. Triez manuellement l’ordre des cartes de micro-états au niveau du groupe en fonction de leur ordre classique.
Dans la fenêtre contextuelle, sélectionnez Plus, puis le nombre de cartes affichées devient quatre. Après cela, sélectionnez Tri de l’homme. Dans la boîte de dialogue contextuelle, entrez le nouvel ordre des quatre cartes de micro-états au niveau du groupe et cliquez sur Fermer.
Ensuite, triez l’ordre des quatre cartes de micro-états de chaque sujet, enregistrez les paramètres de micro-états pour chaque sujet qui appellera deux boîtes de dialogue contextuelles séquentiellement. Dans la première boîte de dialogue, sélectionnez les ensembles de données de tous les sujets. Dans la deuxième boîte de dialogue, sélectionnez 4 classes pour l’option Nombre de classes.
Sélectionnez les options Ajuster uniquement sur les pics GFP et Supprimer les micro-états potentiellement tronqués. Ensuite, choisissez 30 pour la fenêtre de lissage d’étiquette, ms, et choisissez Un pour la pénalité de non-lissage, puis cliquez sur OK.Un fichier CSV qui stocke les paramètres de sous-micro-état sera enregistré sur l’ordinateur. Ces images montrent que les classes de micro-états A et B ont respectivement une orientation frontale droite vers l’occipitale gauche et une orientation frontale gauche vers l’occipitale droite.
Les classes C et D des micro-états ont des topographies symétriques, mais une orientation préfrontale à occipitale et une orientation frontale à centrale à occipitale ont été observées respectivement. Ce tableau montre la moyenne et l’écart-type des paramètres de micro-état des sujets sains. Une fois maîtrisée, cette technique peut être réalisée en une heure si elle est exécutée correctement.
Lors de la tentative de cette procédure, il est important de se rappeler que les données EEG doivent être prétraitées avec soin. Après cette procédure, d’autres méthodes telles que la localisation de la source peuvent être effectuées afin de répondre à des questions supplémentaires telles que l’origine de ces cartes de micro-états. Cette technique a ouvert la voie aux chercheurs dans le domaine de la science du cerveau pour exposer la maladie comme dans le cerveau humain.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
Cet article décrit un protocole d'analyse des micro-états en électroencéphalographie (EEG) et d'analyse de la complexité oméga, deux mesures d'EEG indépendantes de toute référence. Ces méthodologies sont essentielles pour étudier les mécanismes neuronaux associés aux troubles cérébraux.
Composantes clés de l'étude
Domaine scientifique
- Neurosciences
- Électrophysiologie
- Troubles cérébraux
Contexte
- L'analyse des micro-états EEG est une technique utilisée pour examiner les réseaux à l'état de repos dans le cerveau humain.
- L'analyse de la complexité Omega fournit des informations sur la complexité des signaux EEG.
- Ces méthodes permettent aux chercheurs d'explorer les mécanismes neuronaux sous-jacents aux troubles cérébraux.
Objectif de l'étude
- Présenter des protocoles d'analyse des données d'EEG sans utiliser de référence.
- Approfondir la compréhension des dynamiques neuronales associées à divers troubles cérébraux.
- Proposer une approche standardisée pouvant être reproduite dans la recherche.
Méthodes utilisées
- Le logiciel du laboratoire d'EEG est utilisé pour traiter les données brutes d'EEG.
- Les étapes comprennent le filtrage, la suppression des artefacts et la segmentation des données d'EEG en époques.
- Les cartes de micro-états sont identifiées et analysées afin de comprendre l'activité du réseau cérébral.
- Le traitement des données inclut l'élimination du bruit de la ligne électrique et des artefacts liés aux mouvements oculaires.
- Les données finales sont organisées pour comparer les paramètres des micro-états entre les sujets.
Résultats principaux
- Quatre cartes de micro-états distinctes ont été identifiées dans les données EEG, démontrant des orientations spatiales spécifiques.
- Les paramètres des micro-états ont été quantifiés, révélant la moyenne et les écarts-types chez des sujets sains.
- Cette méthodologie permet des comparaisons entre individus et pourrait identifier des anomalies associées à des troubles cérébraux.
Conclusions
- L'étude présente un protocole qui améliore le processus d'analyse des EEG, le rendant efficace pour une application rapide.
- Elle illustre le potentiel de ces méthodes pour mieux comprendre les mécanismes et dynamiques neuronaux dans les troubles cérébraux.
- Les résultats offrent une base conceptuelle pour de futures recherches sur la nature des interactions au sein des réseaux cérébraux.
Questions fréquemment posées
Pertinence industrielle pour les cadres
Les mesures EEG indépendantes de référence, telles que les analyses des micro-états et de la complexité oméga, répondent à une limitation majeure des méthodes spectrales traditionnelles en éliminant les biais liés à la référence. Ces approches permettent une caractérisation plus fiable de la dynamique des réseaux cérébraux au repos, soutenant ainsi la validation des cibles en découverte de médicaments neuropsychiatriques. En fournissant des métriques complémentaires de complexité temporelle et spatiale, elles améliorent la détection mécanistique des cibles du SNC grâce à une meilleure interprétabilité des signaux.
Applications stratégiques en recherche et développement biopharmaceutique
Début de la découverte et validation de la cible
- Valeur scientifique : Permet d'explorer les modifications des réseaux à l'état de repos en tant que biomarqueurs potentiels d'engagement thérapeutique dans les troubles cérébraux.
- Valeur opérationnelle : Soutient la sélection d'objectifs du SNC selon une démarche hypothético-déductive en reliant la topographie des micro-états aux réseaux fonctionnels connus.
- Valeur prédictive : Facilite la réduction précoce des risques associés aux cibles en quantifiant les perturbations à l'échelle des réseaux, indicatives d'états physiopathologiques.
Développement de tests et criblage
- Valeur scientifique : Génère des données quantitatives d'EEG indépendantes de tout référentiel, adaptées au criblage à haut débit des effets de composés sur la dynamique des réseaux cérébraux.
- Valeur opérationnelle : Standardise les pipelines de prétraitement (filtrage, élimination des artefacts, segmentation en époques) afin d'assurer la reproductibilité entre les lots de tests de composés.
- Préparation du test : Produit des paramètres stables des micro-états (durée, occurrence, couverture) qui servent de critères d'évaluation robustes pour la modélisation dose-réponse.
Recherche translationnelle et préclinique
- Continuité translationnelle : Permet la comparaison interspécifique de l'organisation des réseaux à l'état de repos lorsqu'elle est alignée sur les homologues connus des classes de micro-états humains.
- Dérisquage mécanistique : La complexité oméga fournit des métriques de complexité spatiale qui complètent les métriques temporelles des micro-états, offrant une vision multidimensionnelle des altérations de l'état cérébral.
- Progression ajustée au risque : Les profils combinés de micro-états et de complexité oméga aident à stratifier les modèles précliniques selon leur similitude avec les phénotypes humains des réseaux à l'état de repos.
Intégration des pipelines et des flux de travail
Cette méthode s'inscrit dans la phase précoce de la découverte, en soutenant la vérification des hypothèses lors de la validation de cibles et en permettant le développement de tests pour les cascades de dépistage neuropsychologique.
- Biologie de la découverte : Met à l'épreuve des hypothèses thérapeutiques en mesurant des modifications des paramètres de classes de micro-états reflétant la reconfiguration des réseaux en état de repos.
- Triage : Fournit des sorties EEG standardisées et quantitatives après suppression des artefacts et segmentation en époques, permettant un criblage fiable de bibliothèques de composés.
- Analyse : Génère des paramètres de micro-états (durée moyenne, probabilité de transition) ainsi que des valeurs de complexité oméga, permettant la comparaison statistique de la complexité cérébrale entre différentes conditions.
- Recherche translationnelle : Assure une continuité entre la préclinique et la clinique en associant les topographies des micro-états aux réseaux en état de repos, facilitant l'alignement des biomarqueurs.
- Réutilisation en entreprise : Met en place un cadre reutilisable de prétraitement et d'analyse des EEG, applicable à plusieurs projets de découverte en système nerveux central.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive dans la validation des cibles en réduisant l'ambiguïté mécanistique grâce à un phénotypage EEG au niveau du réseau.
- Valeur opérationnelle : Améliore la reproductibilité et l'évolutivité par des flux de travail logiciels EEG normalisés pour le filtrage, l'élimination des artefacts et la cartographie des micro-états.
- Valeur stratégique : Affine les décisions d'aller/arrêt en fournissant des mesures objectives et quantitatives de la modulation des réseaux cérébraux induite par la cible.
- Impact sur le portefeuille : Permet une priorisation ajustée au risque des candidats du SNC selon leur capacité à normaliser les profils anormaux de micro-états ou de complexité oméga.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en prétraitement des EEG, correction des artefacts (suppression AAR, BSS, EOG, EMG) et techniques de filtrage spectral.
- Dépend d'un logiciel de laboratoire d'EEG capable d'identifier les cartes d'états transitoires, de détecter les pics de GFP et de réaliser une moyenne au niveau du groupe entre les sujets.
- Exige une standardisation entre équipes des paramètres de segmentation en époques (par exemple, époques de 2 secondes), des seuils de rejet d'amplitude (±80 µV) et des procédures de classification des états transitoires.
- Implique des adaptations à prendre en compte lors de l'application à différentes espèces, modèles de maladie ou systèmes d'EEG avec des montages d'électrodes variables.
- Limité par la qualité des enregistrements EEG bruts ; un bruit excessif ou des artefacts peuvent compromettre l'identification des cartes d'états transitoires et l'extraction des paramètres.
