Connectivité fonctionnelle inter-sujet dynamique révèle des Configurations de réseau de cerveau à chaque instant par continu ou paradigmes de Communication
21 mars 2019
L’objectif de l’approche décrite est de déterminer à quels moments du paradigme (perspective temporelle) et entre les régions (perspective spatiale), reconfigurations significatives en matière de connectivité fonctionnelle se produisent sur l’imagerie par résonance magnétique fonctionnelle enregistrements au cours duquel un stimulus temps verrouillé est joué.
Grâce à notre méthode, les moments où les interactions cérébrales fonctionnelles sont synchronisées entre les sujets peuvent être déterminés et visualisés. Le principal avantage de notre approche est sa capacité à suivre dynamiquement les changements dans les réponses cérébrales fonctionnelles inter-sujets d’une manière statistiquement saine. Notre pipeline permet d’évaluer la synchronicité entre les signaux fonctionnels de différents sujets.
Et cela peut ensuite être comparé entre différentes populations telles que les contrôles sains et ceux affectés par la maladie et les troubles tels que l’autisme et la schizophrénie. Notre méthode peut bénéficier à toute recherche visant à suivre dynamiquement la synchronicité entre les différents ensembles de cours du temps. Et cela peut également être appliqué à d’autres modalités d’imagerie telles que l’électroencéphalographie.
La démonstration visuelle de la méthode permettra aux nouveaux utilisateurs de comprendre les différentes étapes de traitement de la méthode ainsi que les fonctionnalités de l’interface utilisateur graphique. Roberto Martuzzi, le principal opérateur d’IRM de notre centre de recherche, démontrera la procédure d’imagerie. Pour que chaque bénévole soit pris en considération dans l’analyse, effectuez au moins une séance fonctionnelle d’imagerie par résonance magnétique ou d’IRMf au cours de laquelle le bénévole numérisé est soumis au paradigme d’intérêt consigné dans le temps et à une séance d’imagerie fonctionnelle au cours de laquelle le bénévole numérisé se repose au scanner les yeux fermés et est prié de ne pas s’endormir.
Puis acquérir un volume d’IRM structurelle. Pour ouvrir la première fenêtre d’interface utilisateur graphique de prétraitement, entrez JOVE_GUI1 dans le terminal MATLAB. Cliquez ensuite sur Entrez les données fMRI, sélectionnez les volumes fonctionnels réalignés appropriés et entrez le temps de répétition des données en quelques secondes dans la fenêtre de texte modifiable dédiée.
Cliquez sur Entrez les données T1 et sélectionnez les trois volumes de type tissu probabiliste appropriés. Cliquez sur Entrer le fichier motion et sélectionnez le fichier texte contenant les paramètres de mouvement de la session d’intérêt. Sélectionnez ensuite si les données doivent être détendndées et quels covariates doivent être régressés.
Pour prétrayer les données, cliquez sur Prétrayant et attendez que l’affichage apparaisse dans la fenêtre. Les données peuvent être retraitées différemment en modifiant les options et en cliquant à nouveau sur le bouton Préprocess. Ensuite, entrez JOVE_GUI2 dans le terminal MATLAB pour ouvrir la deuxième fenêtre d’interface utilisateur graphique de prétraitement et cliquez sur sélectionner les données pour sélectionner le fichier de données prétraité.
Cliquez sur Sélectionnez atlas et sélectionnez le fichier Neuroimaging Informatics Technology Initiative ou NIFTI représentant l’atlas à utiliser pour la colislation. Cliquez sur Sélectionnez la distorsion inverse et sélectionnez le fichier NIFTI représentant le champ de déformation de l’Institut neurologique de Montréal à l’espace autochtone. Cliquez ensuite sur sélectionnez le volume de l’IRMf et sélectionnez l’un des volumes de données de l’IRMf.
Pour entrer les informations liées au nettoyage, dans la liste de type de nettoyage, sélectionnez le nombre d’images à frotter avant et après les cadres marqués. Dans la fenêtre de texte du seuil de frottement, entrez la valeur du seuil de déplacement sage du cadre au-dessus de laquelle un volume d’IRMf doit être frotté en millimètres. Ensuite, entrez la taille de la fenêtre coulissante W pour être utilisé pour les calculs inter-subjection corrélation fonctionnelle ou ISFC dans les temps de répétition et cliquez sur Plot pour afficher les cours indicatifs de temps atlas avant et après les étapes de nettoyage et de filtrage.
Pour les calculs ISFC de fenêtre coulissante, entrez des JOVE_GUI3 dans le terminal MATLAB pour ouvrir la première fenêtre d’interface utilisateur graphique liée à l’ISCF et cliquez sur Les données de charge pour sélectionner tous les fichiers de données appropriés. Sélectionnez si les segments de session sélectionnés doivent subir une randomisation progressive et entrez la taille de la fenêtre dans les temps de répétition au cours duquel les mesures de connectivité doivent être calculées ainsi que la taille de l’étape dans les temps de répétition par lesquels les fenêtres successives doivent être déplacées. Modifiez le tableau des types de session pour spécifier lequel des segments de session chargés ont été acquis dans la même condition expérimentale en augmentant le nombre d’entiers à partir d’un seul et jusqu’à étiqueter les différents types de segments.
Dans les fenêtres de texte modifiables appropriées, entrez le nombre de plis bootstrapping sur lesquels effectuer les calculs ISFC et le nombre de sujets qui devraient constituer le groupe de référence pour chaque pli des calculs ISFC. Dans la section paramètres de synchronisation, entrez les spécifications sur lesquelles la sous-portion des cours du temps doit être analysée et cliquez sur Plot pour effectuer les calculs ISFC. Les écrans seront progressivement mis à jour au fil du temps ainsi que la quantité de plis bootstrapping écoulés.
Pour ouvrir la deuxième fenêtre d’interface utilisateur graphique liée à l’ISFC, entrez JOVE_GUI4 dans le terminal MATLAB. Pour sélectionner les fichiers de sortie ISFC liés au stimulus, cliquez sur Les données ISFC de charge et sélectionnez les fichiers de sortie ISFC liés au stimulus. Pour sélectionner les fichiers de sortie ISFC nuls, cliquez sur Charger les données nulles et sélectionnez soit l’ISFC de l’état de repos, soit les fichiers de sortie ISFC randomisés liés au stimulus en fonction du schéma de génération de données nulle utilisé.
Cliquez ensuite sur Charger le codebook et sélectionnez le fichier codebook. Dans la fenêtre de texte modifiable appropriée, entrez la valeur alpha en pourcentage à laquelle les cours de temps ISFC doivent être seuils pour mettre en évidence des changements significatifs. Pour construire une distribution nulle, cliquez sur Plot pour lancer le processus de seuil ISFC pour lequel toutes les mesures ISFC nulles disponibles sont agrégées pour une connexion donnée et après quoi les mesures ISFC liées au stimulus seront seuils en fonction de la valeur alpha sélectionnée.
Pour visualiser les modèles spatiaux ISFC à différents points de temps, faites glisser le curseur sous la parcelle d’excursion ISFC. Au cours de ces sessions représentatives, le film évalué a été affiché de cinq à 353 secondes avec un segment d’état de repos suivant le film de 386 à 678 secondes. En outre, une session d’état de repos de 310 secondes seulement a été acquise pour chaque sujet.
Les cours du temps ISFC ont été générés à des longueurs de fenêtre de W 10 et W 5 fois de répétition pour trois connexions représentatives différentes impliquant une inhibition de réponse médiatante de région et un autre impliqué dans respectivement l’attente des objets mobiles, la coordination sensorielle, ou le traitement des significations de mot. Le bruit est plus grand aux heures de répétition W 5 et des changements ISFC verrouillés dans le temps sont observés dans la connexion un et deux cours du temps de regarder des films. Ici, la fraction des sujets montrant des transitoires ISFC verrouillés statistiquement significatifs est montrée pour les trois mêmes connexions.
Les transitoires sont plus nombreux à de plus grandes longueurs de fenêtre pendant que des mesures plus robustes d’ISFC facilitent l’extraction et à de plus grandes valeurs alpha pendant que plus de faux positifs sont détectés. Dans ces données représentatives, un extrait de film en particulier a été impliqué dans l’inhibition de réponse liée aux objets en mouvement et a conduit à des changements isfc répandus. La longueur de la fenêtre ne doit pas être trop courte pour des estimations robustes ni trop longue pour capturer la dynamique ISFC.
Et une valeur alpha suffisamment rigoureuse devrait être utilisée pour limiter les faux positifs. Les mesures ISFC peuvent être regroupées dans des états ISFC du cerveau entier pour un examen spécial des caractéristiques temporelles. Les transitoires importants de l’ISFC peuvent également être représentés comme un graphique reflétant le flux d’information.
Aperçu
Cette étude présente une approche novatrice pour suivre les changements dynamiques de la connectivité fonctionnelle à l'aide de l'imagerie par résonance magnétique fonctionnelle (fMRI) durant des stimuli synchronisés dans le temps. La méthode facilite la visualisation et l'évaluation des réponses cérébrales fonctionnelles intersujets, permettant des comparaisons entre des populations saines et celles touchées par des troubles tels que l'autisme et la schizophrénie.
Composantes clés de l'étude
Domaine scientifique
- Neurosciences
- Imagerie fonctionnelle
- Analyse de la connectivité
Contexte
- Les méthodes traditionnelles d'analyse des données IRMf peuvent ne pas capturer efficacement les changements dynamiques de connectivité.
- La connectivité fonctionnelle peut varier d'un sujet à l'autre, ce qui influence l'interprétation des données d'imagerie cérébrale.
- Identifier les moments et régions significatifs de la reconfiguration de la connectivité fonctionnelle est essentiel pour comprendre le fonctionnement cérébral.
Objectif de l'étude
- Développer une méthode permettant d'identifier les interactions fonctionnelles cérébrales synchronisées entre individus.
- Permettre la visualisation de cette synchronie afin de faciliter la compréhension des mécanismes neuronaux.
- Appliquer cette méthode pour comparer la connectivité cérébrale entre des individus en bonne santé et ceux atteints de troubles neuropsychiatriques.
Méthodes utilisées
- Des séances d'imagerie par résonance magnétique fonctionnelle (fMRI) ont été utilisées, tant pendant un paradigme verrouillé sur le temps que durant des états de repos.
- L'étude a impliqué des étapes de prétraitement sous MATLAB, incluant la sélection des données et l'élimination des artefacts de mouvement.
- La connectivité dynamique a été évaluée à l'aide de calculs de corrélation fonctionnelle inter-sujets (ISFC) sur des fenêtres temporelles définies.
- Des démonstrations visuelles et des outils d'interface graphique (GUI) ont été utilisés pour un traitement et une analyse efficaces des données.
Résultats principaux
- La méthode permet un suivi dynamique de la synchronisation interindividuelle des signaux cérébraux, révélant des moments critiques de changement de connectivité.
- Différentes populations ont présenté des profils distincts de connectivité fonctionnelle lorsqu'elles ont été soumises aux mêmes stimuli.
- Des exemples illustratifs ont montré des variations des courbes temporelles de la ISFC selon différentes conditions expérimentales.
Conclusions
- La présente étude démontre une technique puissante permettant d'analyser les dynamiques temporelles et spatiales de la connectivité cérébrale.
- Les connaissances acquises grâce à cette méthode pourraient améliorer notre compréhension des mécanismes de synchronisation neuronale dans les états sains et pathologiques.
- Cette approche présente un potentiel prometteur pour des applications plus larges en neuroimagerie dans divers troubles.
Questions fréquemment posées
Pertinence professionnelle pour l'industrie
Cette méthode permet le suivi dynamique de la connectivité fonctionnelle entre sujets, offrant une approche statistiquement robuste pour isoler les réorganisations des réseaux cérébraux induites par un stimulus, par rapport aux fluctuations spontanées. En capturant la synchronisation d’un moment à l’autre entre individus, elle facilite la validation ciblée en recherche neuropsychiatrique grâce à une réduction mécaniste des risques associés aux hypothèses fondées sur la connectivité. La possibilité de comparer des populations saines et malades renforce la confiance prédictive dans la découverte de biomarqueurs translationnels et dans l’alignement des modèles précliniques.
Applications stratégiques en recherche et développement en biopharmaceutique
Découverte précoce et validation des cibles
- Valeur scientifique : Interroge des hypothèses thérapeutiques en associant des stimuli spécifiques à des modifications synchronisées de la connectivité cérébrale entre sujets.
- Valeur opérationnelle : Permet une détection biologique des risques grâce à un seuil rigoureux qui isole les changements significatifs des corrélations fonctionnelles intersujets.
- Valeur prédictive : Facilite le tri des projets en identifiant des signatures de connectivité reproductibles associées à des paradigmes cognitifs ou comportementaux.
Développement de criblages et de tests
- Valeur scientifique : Prépare des systèmes biologiques validés pour des flux de travail en aval en générant des séries temporelles fonctionnelles de corrélation interindividuelle quantifiables.
- Valeur opérationnelle : Résout les questions de standardisation des tests et de reproductibilité grâce à une analyse par fenêtres glissantes et à des repliements bootstrap permettant une inférence statistique robuste.
- Extensibilité : Met en évidence la préparation au criblage par le biais d’un pipeline et d’outils d’interface graphique disponibles publiquement, permettant une réutilisation de la plateforme dans différents laboratoires.
Recherche translationnelle et préclinique
- Continuité translationnelle : Aborde la pertinence pour les maladies en permettant des comparaisons entre des sujets témoins sains et des populations touchées par des troubles tels que l'autisme et la schizophrénie.
- Dérisquage mécanistique : Décrit une continuité allant de la découverte à la validation préclinique en capturant les profils temporels et les instantanés spatiaux de la reconfiguration des connexions.
- Avancement ajusté au risque : Soutient la prise de décision en représentant les transitoires significatifs de corrélation fonctionnelle interindividuelle sous forme de graphes reflétant le flux d'information.
Intégration des pipelines et des flux de travail
La méthode s'inscrit dans le continuum de découverte allant du test d'hypothèse à l'identification de composés candidats, en soutenant l'analyse de la connectivité dynamique comme filtre de confiance dans la cible avant tout investissement préclinique.
- Biologie de la découverte : Explique comment la méthode soutient la vérification d'hypothèses en suivant les configurations instantanées des réseaux cérébraux induites par des paradigmes continus ou de communication.
- Dépistage : Décrit la prête-à-l'emploi du test grâce au calcul de corrélations fonctionnelles inter-sujets sur des fenêtres temporelles définies, avec une durée de fenêtre et un pas ajustables.
- Analytique : Met en évidence des mesures telles que les séries temporelles de corrélation fonctionnelle inter-sujets et les changements significatifs seuillés, permettant des comparaisons entre conditions.
- Recherche translationnelle : Relie la méthode à la continuité préclinique en permettant la visualisation de motifs de connectivité associés à des stimuli spécifiques, facilitant l'alignement des biomarqueurs.
- Réutilisation en entreprise : Présente la méthode comme une capacité réutilisable grâce à des outils d'interface graphique sous MATLAB et à un pipeline partagé ouvertement pour une standardisation interéquipes.
Impact opérationnel et organisationnel
- Valeur scientifique : Confiance prédictive, validation des cibles, réduction de l'ambiguïté mécanistique dans les hypothèses fondées sur la connectivité.
- Valeur opérationnelle : Normalisation, reproductibilité et évolutivité de l'analyse des corrélations fonctionnelles inter-sujets au cours des séances d'imagerie.
- Valeur stratégique : Meilleures décisions d'aller/arrêt, efficacité du capital et réduction des risques biologiques en phase avancée dans le développement de médicaments neuropsychiatriques.
- Impact sur le portefeuille : Priorisation et décisions d'avancement ajustées au risque, basées sur des réorganisations reproductibles des réseaux cérébraux verrouillées sur le stimulus.
Considérations relatives à la mise en œuvre
- Une expertise requise en prétraitement d'IRMf, en utilisation d'interfaces graphiques sous MATLAB et en analyse de corrélation fonctionnelle inter-sujets.
- Les besoins en instrumentation comprennent l'acquisition d'IRM fonctionnelles et structurelles, avec une compatibilité étendue à l'électroencéphalographie.
- La standardisation entre équipes exige une utilisation cohérente des paramètres de fenêtre glissante, des plis de rééchantillonnage par bootstrap et du seuil alpha pour la significativité.
- Les considérations d'adaptation entre systèmes modèles impliquent l'ajustement de la longueur de la fenêtre et de la taille du pas afin d'équilibrer estimations robustes et capture des dynamiques.
- Les limites pratiques incluent la nécessité d'un nombre suffisant de sujets par pli de bootstrap et un choix rigoureux des schémas de génération de données nulles afin d'éviter les faux positifs.
