באמצעות הסברה קישוריות למדוד את צמיחת סינכרוני של מידע Multi-voxel fMRI לאורך זמן
1 ביולי 2014
קישוריות אינפורמטיבית מודדת את ההתאמה בין מסלולי זמן של מידע מרובה ווקסל על פני אזורי מוח שונים. סדרות זמן של אפליה בדפוס רב-ווקסל מופקות מאזורים ומושווים, וחושפות רשתות שאינן מזוהות בגישת קישוריות פונקציונלית טיפוסית.
המטרה הכוללת של הליך זה היא למדוד קישוריות בין אזורי מוח בהתבסס על שינויים בדפוסי הפעילות המבוזרים שלהם לאורך זמן. זה מושג על ידי בחירת אזור זרע תחילה. דפוס מרובה ווקסל הבא, ההבחנה מחושבת עבור כל נקודת זמן עבור אזור הזרע וכל זרקור או אזור עניין.
השלב האחרון הוא לתאם את סדרות זמן ההבחנה של אזור הזרע עם כל זרקור. בסופו של דבר, קישוריות מידע משמשת לחשיפת קישוריות בין אזורים שיש בהם מידע הכלול על פני דפוסי ווקסלים. ובכן, היתרון העיקרי של טכניקה זו על פני אחרות כמו קישוריות פונקציונלית הוא שהיא יכולה לזהות קישוריות באמצעות מצבים שאינם שונים בתגובה החיסונית, אך יש להם חתימה רב-משתנית ייחודית.
ובכן, הרעיון של השיטה הזו עלה לי לראשונה לאחר שהבנתי שטכניקות קישוריות רבות מתעלמות ממידע שמוחזק רק בדפוסי פעילות מרובי ווקסל. בדיוק כפי שאנו יודעים כעת שהגישות החד-משתנות עיוורות לחלוטין למידע המוחזק בדפוסי פעילות מרובי ווקסל כדי להתחיל בהליך זה, הסר את אותות התנועה והחומר הלבן הממוצע מסדרת הזמן של נתוני FMRI מעובדים מראש על ידי יצירת מודל רגרסיה עם מנבאים לפרמטרי תנועה ואות חומר לבן ממוצע. לאחר מכן בצע את הניתוח הבא על השאריות שנוצרו.
ייבא את השאריות שנוצרו לחבילת ניתוח כגון MATLAB או Python, באמצעות, למשל, ארגז הכלים של קישוריות מידע בקוד פתוח MATLAB. לאחר מכן, הפוך כל סדרת זמן של ווקסלים ל-zco. הפרד את נקודות הזמן של מערכי הנתונים לקבוצות עצמאיות, כגון ריצות סורק
.לאחר מכן צור תיעוד של תוויות התנאים המשויכות לנקודות זמן על-ידי יצירת וקטור של תוויות תנאים. כלומר, נקודות זמן סיום ארוכות, תוויות התנאי מתקדמות בכל ריצה במספר פעמים לחזרה שוות ערך לחמש שניות על מנת להסביר את ההשהיה ההמודינמית בין אירועים לאותות FMRI מוקלטים. כדי לבחור אזור זרע, בודד אזור אנטומי באמצעות בחירת ווקסלים בתוכנה המועדפת עליך או עם אטלס מסומן הממקם אזור באופן פונקציונלי או בחירת זרקור מיפוי מוח עם ביצועים מעולים.
לאחר מכן השווה את ה-MVP של כל פעם. הצבע על אב טיפוס MVP לכל מצב. שימוש בארגז הכלים של קישוריות מידע בקוד פתוח MATLAB.
חשב אב-טיפוס MVP עבור כל מצב על ידי ממוצע נקודות הזמן של כל מצב בכל ההיבטים מלבד אחד. לאחר מכן, מתאם כל MVP של נקודות זמן עם ה-MVP הממוצע של כל מצב מנתוני האימון. זה ייתן בכל פעם ערך מתאם של 0.1 עבור כל תנאי.
שימו לב שהמצב עם המתאם הגבוה ביותר כאן יהיה החיזוי של מסווג MVPA המבוסס על מתאם פופולרי. אחר־כך. כמת את אפליית MVP עבור כל נקודת זמן על ידי זיהוי המתאם המייצג את המצב של אותה נקודת זמן. לאחר מכן הפחיתו את הגבוה ביותר מבין המתאמים הנותרים.
התוצאה היא אפליית ה-MVP של כל נקודת זמן. כדי לבצע ניתוח אור חיפוש, מקם אשכול תלת מימדי סביב כל vle. בתורו, חזור על השלב הקודם עבור כל נורית חיפוש כך שלכל נורית חיפוש תהיה סדרת זמן של ערכי הבחנה של MVP.
כעת מתאם את סדרת הזמן MVP Discriminability של הזרע עם סדרת הזמן DISCRIMINABILITY של כל זרקור. באמצעות מתאם הדרגה של ספירמן, ערך ה-RS המתקבל הוא ה-IC בין הזרע לזרקור. לאחר מכן הקצה את ערך ה-IC של כל זרקור לווקסל המרכזי של הזרקור וכתוב את מפת המוח של האדם שנוצר.
אם הנתונים עדיין לא נמצאים במרחב סטנדרטי, הפוך את מפות ה-IC של המשתתף לאותו מרחב. אופציונלי להחליק את מפות הזרקורים של האדם. איור זה מציג את הדוגמאות של אפליית MVP בשני אזורים עם אפליית MVP סינכרונית ללא הפעלה ממוצעת סינכרונית.
נקודות נתונים אלה נאספו בזמן שהנבדק צפה במצגות חזותיות של חפצים מעשה ידי אדם, הניתנים להבחנה על ידי דפוסי ריבוי ווקסל, אך לא תגובות ממוצעות. ומוצגת כאן דוגמה לערכי IC ו-FC בין זרע בתצוגה השמאלית של פיתול הצורה וזרקורים על פני המוח. עוצמות הקישוריות האינפורמטיביות והפונקציונליות מצוינות על ציר Z ביחס לתגובה הממוצעת של כל זרקור על ציר X ודיוק סיווג MVPA על ציר Y, הפינה השמאלית העליונה של גרף ה-IC מציגה נורות חיפוש מחוברות מידע עם ביצועי סיווג גבוהים, אך רמות תגובה ממוצעות נמוכות.
הפער בפינה השמאלית העליונה של גרף ה-FC מראה שנורות החיפוש המחוברות הללו אינן מזוהות בגישת FC טיפוסית. הנה דוגמה למפות הקישוריות. כל שורה מציגה את האזורים המחוברים באופן משמעותי לזרע המשמעות נקבעת על ידי מבחן קבוצה T עם גודל אשכול מינימלי מבדיקת תמורה.
תוצאות ה-IC מוצגות כאן באמצעות אקנה על מפות פני השטח שהופקו עם גולש חופשי בעקבות הליך זה. ניתוחים אחרים כמו קישוריות פונקציונלית יכולים להתבצע על מנת לשאול שאלות נוספות כגון האם תנאים מחוברים באופן ייחודי על ידי דפוסי ריבוי ווקסל או אם הם גם סינכרוניים בתגובותיהם הממוצעות. אז לאחר צפייה בסרטון זה, אתה אמור להבין היטב כיצד למדוד קישוריות בין אזורים על סמך הדפוסים המרובים שלהם.
תודה שצפית.
סקירה כללית
מאמר זה דן בשיטה למדידת קישוריות מידעית בין אזורי מוח, המבוססת על דפוסי פעילות של מספר ווקסלים (multi-voxel) לאורך זמן. הוא מדגיש את היתרונות של גישה זו על פני שיטות מסורתיות של קישוריות תפקודית.
מרכיבי מפתח של המחקר
תחום מדע
- מדעי המוח
- קישוריות מוחית
- ניתוח fMRI
רקע
- קישוריות מידעית (Informational connectivity) מעריכה את הקשר בין מהלכי הזמן של מידע רב-ווקסלי (multi-voxel) באזורי מוח שונים.
- שיטות מסורתיות של קישוריות תפקודית עלולות להחמיץ תבניות משמעותיות של פעילות רב-ווקסלית.
- שיטה זו יכולה לזהות קישוריות תחת תנאים שאינם נבדלים בתגובה החיסונית אך בעלי חתימות רב-משתניות ייחודיות.
- הבנת תבניות קישוריות אלו יכולה להעמיק את התובנות לגבי תפקוד המוח והפרעות נוירולוגיות.
מטרת המחקר
- למדידת הקישוריות בין אזורי מוח על בסיס שינויים בתבניות פעילות מפוזרות.
- להדגמת יעילותה של קישוריות מידעית (informational connectivity) בחשיפת רשתות שלא זוהו באמצעות קישוריות תפקודית.
- לספק מתודולוגיה מפורטת עבור חוקרים ליישום טכניקה זו במחקריהם.
שיטות שנעשה בהן שימוש
- עיבוד מקדמי של נתוני fMRI להסרת תנועה ואותות ממוצעים של החומר הלבן.
- חישוב יכולת הבחנה של תבנית רב-ווקסלית (multi-voxel pattern discriminability) עבור אזורי זרע (seed regions) וסריקות "זרקור" (searchlights).
- מתאם של סדרות זמן של יכולת הבחנה בין אזורי זרע לסריקות זרקור.
- שימוש בשיטות סטטיסטיות לכימות ולהצגה ויזואלית של תוצאות הקישוריות.
תוצאות עיקריות
- זיהוי אזורי מוח המקושרים מידעית אך אינם מזוהים על ידי שיטות מסורתיות.
- הדגמה של ביצועי סיווג גבוהים בזיהוי תבניות קישוריות.
- ייצוג חזותי של מפות קישוריות המראות קשרים משמעותיים.
- תובנות לגבי הקשר בין תבניות מרובות-ווקסלים לבין תגובות ממוצעות לאורך תנאים שונים.
מסקנות
- קישוריות מידעית מספקת כלי רב עוצמה להבנת רשתות מוחיות.
- שיטה זו יכולה לחשוף תבניות קישוריות מורכבות ששיטות מסורתיות עשויות להחמיץ.
- מחקרים עתידיים יכולים להבסס את עצמם על מתודולוגיה זו כדי לחקור היבטים שונים של קישוריות מוחית.
שאלות נפוצות
רלוונטיות תעשייתית למנהלים
קישוריות אינפורמציונית (IC) נותנת מענה לפער קריטי במחקרי מדעי המוח על ידי זיהוי אינטראקציות ברשתות מוחיות שאינן נראות בקישוריות פונקציונלית (FC) מסורתית, במקרים שבהם התנאים אינם מראים הבדלים חד-משתניים אך מציגים דפוסים מובחנים של מספר ווקסלים. יכולת זו משפרת את תיקוף המטרה בתגליות של תרופות נוירו-פסיכיאטריות, על ידי חשיפת מסלולים מכניסטיים הקשורים לפנוטיפים קוגניטיביים או התנהגותיים המניעים פנוטיפים של מחלה. באמצעות בידוד הקישוריות על בסיס דינמיקה של מידע מפוזר ולא על בסיס הפעלה ממוצעת, IC תומכת בביטחון חיזוי לגבי מעורבות המטרה ומודולציה של המסלול בשלבים מוקדמים של התגליות.
יישומים אסטרטגיים במחקר ופיתוח בביופארמה
גילוי מוקדם ותיקוף מטרה
- ערך מדעי: מאפשר בחינה של השערות טיפוליות על ידי זיהוי אזורי מוח שבהם עיבוד המידע משתנה באופן סינכרוני לאורך זמן, ובכך מבהיר את מעורבותם של מסלולים עצביים.
- ערך תפעולי: תומך בהפחתת סיכונים ביולוגיים באמצעות תיקוף של מטרות תפקודיות באמצעות דפוסי קישוריות המתואמים עם פנוטיפים קוגניטיביים, ללא תלות ברמות ההפעלה הממוצעות.
- ערך ניבוי: מגביר את הביטחון בבחירת המטרה על ידי חשיפת רשתות המעבדות מידע ספציפי למצב, ובכך מסייע במיון הפורטפוליו עבור תרופות למערכת העצבים המרכזית (CNS).
סריקה ופיתוח בדיקה
- מוכנות הבדיקה: מכינה מערכות ביולוגיות מתוקפות (למשל, קריאות מבוססות fMRI) לסריקה בהמשך התהליך, על ידי ביסוס מדדים כמותיים הניתנים לשחזור של קישוריות מבוססת מידע.
- סטנדרטיזציה: מקדמת את חסון הבדיקה באמצעות עיבוד מקדים סטנדרטי (הסרת תנועה ואותים של חומר לבן) וביצוע z-scoring לסדרות זמן של ווקסלים, ובכך משפרת את המהימנות בין מעבדות שונות.
- יכולת הרחבה (Scalability): מאפשרת שימוש חוזר בפלטפורמה באמצעות עיצובים מבוססי searchlight או ROI, דבר המאפשר סריקה ניתנת להרחבה של השפעות תרכובות על רשתות עיבוד מידע.
מחקר תרגומי ופרה-קליני
- המשכיות תרגומית: מקשרת בין ממצאי IC משלב הגילוי לבין תיקוף פרה-קליני, על ידי קישור תבניות מידע רב-ווקסליות לנקודות קצה קוגניטיביות או התנהגותיות הרלוונטיות למחלה.
- הפחתת סיכונים מכניסטית: מתמקדת בערך ניבוי על ידי בידוד קישוריות המונעת מדפוסי פעילות מפוזרים, ובכך מפחיתה את ההסתמכות על ביומרקרים חד-משתניים שעלולים להחמיץ פתופיזיולוגיה מרכזית.
- קידום מותאם סיכונים: מספקת בסיס להחלטות של המשך או עצירה (go/no-go) על ידי הצגת השאלה האם תרכובת מסוימת משפיעה על רשתות עיבוד מידע באופן העולה בקנה אחד עם ההיפותזה הטיפולית.
שילוב תהליכי עבודה וקווי עיבוד
קישוריות מידעית משתלבת ברצף הגילוי, החל מבדיקת השערות ועד לזיהוי מועמדים לתרופה (lead identification), במיוחד בפיתוח תרופות למערכת העצבים המרכזית (CNS), שבה הבנת עיבוד מידע עצבי מבוזר היא קריטית לתיקוף המטרה (target validation) ולהשגת תובנה מכניסטית.
- ביולוגיה של הגילוי: תומכת בבדיקת השערות ובבירור מסלולים על ידי מדידה של האופן שבו מידע מופיע באופן סינכרוני בין אזורי מוח לאורך זמן, ובכך חושפת רשתות תפקודיות הקשורות למצבים קוגניטיביים או התנהגותיים ספציפיים.
- סריקה: משפרת את מוכנות הבדיקה על ידי יצירת מדדי הבחנה כמותיים ורזולוציית-זמן, המאפשרים השוואה של השפעות תרכובות על קישוריות מבוססת מידע.
- אנליטיקה: מספקת פלטים הניתנים לפירוש, כגון מתאם דרג של Spearman של סדרות זמן של מדדי הבחנה, מה שמאפשר השוואה סטטיסטית של עוצמת הקישוריות בין מצבים או קבוצות טיפול.
- מחקר תרגומי: מתחבר לעבודה פרה-קלינית על ידי אספקת קריאה המיושרת עם ביומארקרים (סינכרוניות מידע), שניתן לשכפל במודלים של בעלי חיים באמצעות גישות דומות בהשראת MVPA.
- שימוש חוזר ארגוני: מתפקד כבסיס פלטפורמה לשימוש חוזר ולא כבדיקה חד-פעמית, וניתן ליישום במגוון משימות, קבוצות מטופלים ותחומים טיפוליים העוסקים בעיבוד מידע.
השפעה תפעולית וארגונית
- ערך מדעי: מגביר את הביטחון החזוי על ידי זיהוי קישוריות המבוססת על דפוסי מידע רב-ווקסליים, ובכך מפחית עמימות מכניסטית בתיקוף המטרה.
- ערך תפעולי: מקדם סטנדרטיזציה ושחזור באמצעות שלבי עיבוד מקדים קבועים ומימוש של ארגז כלים בקוד פתוח (למשל, MATLAB/Python).
- ערך אסטרטגי: משפר את קבלת ההחלטות לגבי המשך או הפסקת פיתוח (go/no-go) על ידי זיהוי מטרות שהמודולציה שלהן משפיעה על רשתות עיבוד מידע, ובכך מפחית סיכון ביולוגי בשלבים מאוחרים בתוכניות למערכת העצבים המרכזית (CNS).
- השפעה על הפורטפוליו: מאפשר תעדוף מותאם סיכון על ידי הדגשת מטרות בעלות קשרים מכניסטיים חזקים לפנוטיפים קוגניטיביים באמצעות מודולציה של רשתות מבוססות מידע.
שיקולי יישום
- נדרשת מומחיות בעיבוד מקדמי של fMRI, ניתוח תבניות רב-ווקסלי (multi-voxel pattern analysis) ושיטות של מתאם סטטיסטי.
- תלוי בגישה לסביבות ניתוח של דימות מוחי כגון MATLAB או Python עם תמיכה ב-MVPA ובספריות כלים לקישוריות מידעית (informational connectivity).
- מחייב סטנדרטיזציה בין-צוותית בין צוותי הדימות, המחשוב והביולוגיה כדי להבטיח יישום עקבי של בחירת גרעין (seed selection), הזזת תוויות וחישובי יכולת הבחנה (discriminability).
- כולל שיקולי התאמה בעת יישום IC על מינים שונים, אזורי מוח שונים או משימות קוגניטיביות שונות, במיוחד בהגדרה של תוויות מצב מתאימות ותיקון השהיה המודינמית.
- מגבלות מעשיות כוללות את הצורך ברזולוציה זמנית מספקת ובמספר ניסיונות מספיק כדי להעריך באופן מהימן סדרות זמן של יכולת הבחנה, כפי שצוין בדרישה להזיז את תוויות המצב בחמישה שניות כדי להתחשב בהשהיה ההמודינמית.
