ניתוח רשת של ברירת מחדל מצב הרשת באמצעות קישוריות ה-MRI התפקודי באונה הטמפורלית אפילפסיה
August 5th, 2014
מצב ברירת המחדל של הרשת (DMN) באונה הטמפורלית אפילפסיה (ייתכנו) הוא ניתח במצב המנוחה של המוח באמצעות קישוריות פונקציונלית המבוסס על זרעי MRI (fcMRI).
המטרה הכוללת של הניסוי הבא היא להשיג מפות סטטיסטיות. השוואת ההבדל בסריקות FMRI במצב מנוחה בין ביקורת בריאה לחולים עם אפילפסיה. זה מושג על ידי השגת נתוני FMRI בנבדקים עם אפילפסיה של האונה הטמפורלית, כמו גם נבדקי ביקורת בריאים.
כשלב שני, ה-FMRI מעובד מראש, מה שמכין את הנתונים לניתוח סטטיסטי. לאחר מכן, נתוני ה-FMRI המעובדים מראש מנותחים על מנת לקבל השוואות תקפות סטטיסטית בין שתי הקבוצות. מתקבלות תוצאות המראות הבדלים ברשתות המוח בין חולי אפילפסיה בהשוואה לרשתות המוח של נבדקי ביקורת בריאים.
בהתבסס על הבדלים סטטיסטיים במפות רשת המוח בין שתי הקבוצות הללו, מתברר יותר ויותר שאפילו אפילפסיות המתבטאות בהתקפים מוקדיים הן תכונות מתעוררות של הפרעות רשת מפושטות. הרעיון לטכניקה זו הגיע לאחר הכרה בחשיבותה של רשת DEF Favo במהלך התקפים ותהייה האם רשת ברירת המחדל של LO אינה תקינה בין התקפים באפילפסיה של האונה הרקתית. אוכלוסיית המחקר של פרוטוקול זה צריכה לכלול שלוש קבוצות, נכון?
חולי אפילפסיה של האונה הטמפורלית, חולי אפילפסיה של האונה הטמפורלית השמאלית, כמו גם קבוצת ביקורת בריאה. בסך הכל מומלץ כ-35 נושאים. קבוצות הנבדקים באפילפסיה צריכות להיות מטופלים המאובחנים כסובלים מאפילפסיה של האונה הטמפורלית, כגון מועמדים לכריתה של האונה הרקתית הקדמית כפי שנקבע על ידי וידאו, ניטור EEG, הדמיית PET ובדיקות נוירופסיכולוגיות מבטיחות שלכל הנבדקים יש MRI מוחי תקין והם נקיים ממחלה נוירולוגית מלבד אפילפסיה בקבוצות המטופלים.
קבל אישור IRB והסכמה מדעת בכתב מכל הנבדקים לפני הדמיה ובדיקת MRI. בטיחות. על המטופלים להמשיך את התרופות הרגילות שלהם במהלך סריקת ה-FMRI ואין לסרוק אותן מיד לאחר התקף. יש להשתמש במערכת MRI של שלוש טסלה עבור כל ההדמיה המתוארת בפרוטוקול זה.
השג פרוסות ציריות לתמונות פונקציונליות באמצעות רצף הדמיה מישורי הד ולתמונות אנטומיות, השתמש ברצף זיכרון שיפוע מקולקל. בקשו מהמשתתפים להירגע ולהישאר בשקט בעיניים עצומות, ובצעו הדמיה פונקציונלית באמצעות הפרמטרים כפי שניתן לראות כאן. השתמש גם בפרמטרים הבאים עבור הדמיה מבנית משוקללת ברזולוציה גבוהה של S PGR T.
כל מפגש הדמיה אמור להימשך כ-20 דקות. התחל בעיבוד מקדים של נתוני FMRI באמצעות תוכנת FSL תחילה. השתמש ב-FSL MFL כדי להסיר חפץ תנועת ראש.
לאחר מכן השתמש בכלי חילוץ המוח FSL או BET כדי להסיר רקמה שאינה מוחית עם האפשרות מקף F לקבצים מודגשים. זה מאפשר שלבי ניתוח נוספים על רקמת המוח בלבד. הבא ברגליים, הפעל ניתוח מעובד מינימלי עם רישום.
בחר ניתוח ברמה הראשונה ושנה את הניתוח המלא לסטטיסטיקות מוקדמות משני הכפתורים העליונים. לאחר מכן, תחת הכרטיסייה pres stats, בטל את הסימון של חילוץ מוח ההימור, ובחר אף אחד לתיקון תנועה מכיוון שאלה כבר בוצעו. לאחר מכן רשום את התמונות הפונקציונליות לתמונות האנטומיות, ולאחר מכן לתמונת MNI סטנדרטית.
התוצאה היא יצירת מטריצות טרנספורמציה, המשמשות מאוחר יותר במהלך הניתוח כדי לעוות את הזרע שנבחר במרחב הסטנדרטי לתוך מרחב המוח של הנבדק. לאחר מכן, השתמש במטריצת הטרנספורמציה שנוצרה בשם סטנדרט כדי לדוגמא מחצלת נקודות פאנק ולהפוך את החזר ה-ROI של CSF וחומר לבן למרחב המודגש הבודד. לאחר מכן באמצעות פקודת FSL mean TS, חלץ את סדרות הזמן מה-CSF וה-ROI של החומר הלבן.
שימוש ב-ROI במרחב נושא בודד כמסכה מנרמל את סדרות הזמן שחולצו באמצעות התוכנה R.סדרות זמן אלה ישמשו מאוחר יותר כרגרסורים במודל הליניארי הכללי כדי להסיר את האותות הארטיפוקטיביים המתאימים מהניתוח. השלב הבא הוא הסרת חפצים הקשורים לתנועת הנושא. לרגרסיה של פרמטרי התנועה.
הגדר את הדברים הבאים ברגלי FSL לפני הפעלתו תחילה בכרטיסיית הנתונים, השתמש בקובץ מתוקן התנועה וחולץ המוח כקלט והגדר את ערך ה-TR כך שיתאים למערך הנתונים שלך. הגדר סינון מעביר גבוה באמצעות מסנן 102, שיסיר אותות בתדר נמוך מאוד שאינם מעניינים. מסנן lowpass להסרת אותות בתדר גבוה יוחל מאוחר יותר בכרטיסיית הסטטיסטיקות של pres.
בחר אף אחד תחת תיקון תנועה ובטל את הבדיקה, אלא חילוץ מוח. לאחר ביצוע שלבים אלה, בצע החלקה מרחבית באמצעות חצי רוחב מלא של חמישה מילימטרים. לאחר מכן, בתוך לשונית הסטטיסטיקה, רגרסיה של ששת פרמטרי התנועה ונגזרותיהם הזמניות.
בחר ללא עבור קונבולוציה וסמן החל סינון זמני. השתמש בפלט של פלירטוט F selmic כדי לקבל קבצי טקסט של פרמטרי תנועה, אותם ניתן להזין לאחר מכן לניתוח כפות הרגליים כדי להחזיר אותם למודל ליניארי כללי. כמו כן, הוסף ל-GLM את אותות ה-CSF והחומר הלבן שחולצו ונורמלו בשלבים הקודמים.
בחר אף אחד עבור קונבולוציה. הוסף נגזרת זמנית ובטל את הסימון להחיל סינון זמני. יש להשתמש בשאריות מעיבוד מקדים שתוארו לעיל למתאם מבוסס זרעים.
שאריות אלה צריכות להיות מועברות תחילה דרך מסנן PESS נמוך של 0.1 הרץ, ואז להשפיל אותן על ידי חיסור הממוצע, לחלק בסטיית התקן ולאחר מכן לשנות את קנה המידה על ידי הוספת 100 זרעים בקוטר של שישה מילימטרים. במרחב ה-MNI הסטנדרטי. באמצעות תוכנת כתר MRI, הזרעים האחוריים והקדמיים צריכים להתאים לקואורדינטות כפי שניתן לראות כאן.
שימו לב שמיקומי הזרעים הללו הוגדרו בבקרות בריאות. לאחר מכן יש להפוך את הזרעים למרחב המוח התפקודי האישי של כל נבדק ממרחב ה-MNI הסטנדרטי. לשם כך, השתמש במטריצת הטרנספורמציה שנוצרה בעבר כדי להפוך את הזרע ממרחב m ו-i סטנדרטי למרחב הפונקציונלי הבודד.
לאחר מכן, השתמש בפקודה FSL mean Ts כדי לחלץ את סדרת הזמן מהשארית שהושפלה וקנה המידה הקודם. שימוש בזרע במרחב הנושא הבודד כמסכה. נרמל את סדרות הזמן שחולצו באמצעות התוכנה R יש לחשב בנפרד מתאמים חלקיים בין ווקסלי הזרע וכל הווקסלים במוח שלהם עבור כל נבדק עבור כל ריצה.
לשם כך, בתוך ממשק הרגליים של FSL, בחר ניתוח ברמה הראשונה ולאחר מכן סטטיסטיקות בתוספת סטטיסטיקות פוסט בכרטיסיית הנתונים. יש להשתמש בשאריות שהושפלו בעבר והוגדלו כקלט. הגדר את חיתוך מסנן המעבר הגבוה ל-10, 000 מכיוון שהשאריות כבר גבוהות, מועברות ב-100 שניות בכרטיסיית הסטטיסטיקה.
בטל את הבחירה, השתמש בהלבנה מוקדמת של סרט והשתמש בסדרת זמן הזרעים שחולצה ונורמלה בעבר. ב-GLM בכרטיסייה סטטיסטיקות פוסטים, הגדר את סף הסטטיסטיקה Z הרצוי לערך של 2.0 לפני הפעלת ניתוח קבוצתי. בשילוב ריצות בתוך נושאים, יש לבצע טרנספורמציית פישר Z בניגוד להערכות פרמטרים.
קובץ שנוצר מניתוח המתאם, העתק את נתוני הרישום מספריית הרישום של ניתוח כפות הרגליים לריצת המתאם. הפעל ניתוח ברמה גבוהה יותר על ידי שילוב ריצות בתוך כל נושא. ראשית, בחר ניתוח ברמה גבוהה יותר ולאחר מכן סטטיסטיקות בתוספת סטטיסטיקות פוסט.
לאחר מכן, בכרטיסיית הנתונים, בחר קלט בספריות רגליים ברמה נמוכה יותר והזן את הריצות של הנושא בכרטיסיית הסטטיסטיקה. בחר אפקטים מעורבים. OLS פשוט הגדיר מודל כאפקט הממוצע והזן ערך של אחד עבור כל אחד מההרצות של הנבדקים.
כדי לשלב הצפת נתונים בין נבדקים יש להשתמש בניתוח אפקטים מעורבים פשוט רגיל בריבוע הקטן ביותר לשם כך, בחר ניתוח ברמה גבוהה יותר וסטטיסטיקות בתוספת סטטיסטיקות פוסט בכרטיסיית הנתונים. בחר קלטים הם ספריות רגליים ברמה נמוכה יותר והזן את הריצות המשולבות של הנבדק בכרטיסיית הסטטיסטיקה, בחר אפקטים מעורבים. OLS פשוט הגדיר מודל כאשר שלוש קבוצות מזינות ערך של אחד עבור הקבוצה.
כל נושא שייך לאפס. אחרת, יש לבצע ניתוח קבוצתי על כל ווקסל באמצעות חידוש חד כיווני עם שלוש רמות המתאימות לשלוש הקבוצות לסף. התמונות הסטטיסטיות של Z משתמשות בסף יצירת אשכול של Z גדול מ-2.0 וסף מובהק של אשכול מתוקן של P שווה ל-0.05 כדי להשיג ערכי Z נכונים במפת המתאם.
יש לבצע התמרת פישר Z הפוכה על התוצאות. לבסוף, השתמש בניגודים הספציפיים הבאים כפי שניתן לראות על המסך כאן. איור זה מציג את רשת מצב ברירת המחדל שנחשפה עם קישוריות מזרע אחורי, כולל הטחול הרטרו והפרקונאוס בצבעי צהוב אדום ובזרע קדמי, כולל קליפת המוח הקדם-מצחית האמצעית בצבעים ירוקים כחולים.
השורה הראשונה חושפת את הרשת עבור נבדקי הביקורת, השורה השנייה עבור אפילפסיה של האונה הרקתית השמאלית, והשורה התחתונה עבור אפילפסיה של האונה הרקתית הימנית. התרשים הבא משווה את הרשתות הללו בין שלוש הקבוצות הללו. כאן אנו רואים את רשתות מצב ברירת המחדל שנחשפו עם זרע קדמי ואחורי עבור אפילפסיה משולבת של האונה הרקתית הימנית והשמאלית בהשוואה לבקרות בריאות.
איור זה מציג את רשתות מצב ברירת המחדל שהתגלו עם אותן נקודות זרע לאפילפסיה של האונה הרקתית השמאלית רק בהשוואה לבקרות בריאות. בעוד שאיור זה מראה את הרשתות שהתגלו עבור אפילפסיה של האונה הטמפורלית הימנית רק בהשוואה לביקורת בריאה, ולבסוף כאן אנו רואים את רשתות מצב ברירת המחדל שהתגלו עם זרע קדמי ואחורי עבור אפילפסיה של האונה הטמפורלית השמאלית בהשוואה לאפילפסיה של האונה הטמפורלית הימנית. מחקרים על קישוריות תפקודית הכוללת את המוח כולו חיוניים להבנת המנגנונים הבסיסיים של אפילפסיה.
השתמשנו בטכניקה מבוססת זרעים בניסוי זה כדי להעריך את הקישוריות לרשת מצב ברירת המחדל. יהיה מעניין לראות כיצד טכניקות אחרות משתוות בתוצאותיהן כאשר חוקרים אפילפסיה של האונה הרקתית.
View the full transcript and gain access to thousands of scientific videos
סקירה כללית
מחקר זה חוקר את רשת המצב ברירת המחדל (DMN) בחולים עם אפילפסיה באונה הרקתית (TLE) במהלך מצב מנוחה באמצעות טומוגרפיה ממוחשבת מתפקדת (fcMRI). המחקר נועד להשוות את ההבדלים ברשתות המוח בין קבוצת בקרה בריאה לחולים עם TLE.
רכיבי מחקר עיקריים
תחום המדע
- נוירולוגיה
- טומוגרפיה מגנטית מתפקדת
- מחקר אפילפסיה
רקע
- אפילפסיה באונה הרקתית משפיעה על קישוריות המוח.
- רשת המצב ברירת המחדל חיונית להבנת תפקוד המוח.
- טומוגרפיה מגנטית מתפקדת במצב מנוחה מספקת תובנות לדפוסי פעילות המוח.
- מחקרים השוואתיים עוזרים לזהות חריגות באפילפסיה.
מטרת המחקר
- לנתח סריקות טומוגרפיה מגנטית מתפקדת במצב מנוחה בחולים עם TLE.
- להשוות את רשתות המוח בין חולים עם TLE לבין קבוצת בקרה בריאה.
- לזהות הבדלים סטטיסטיים משמעותיים בקישוריות המוח.
שיטות ששימשו
- ניתוח טומוגרפיה מגנטית מתפקדת מבוססת זרע (fcMRI).
- איסוף נתונים מחולים עם TLE וקבוצת בקרה בריאה.
- עיבוד מוקדם של נתוני טומוגרפיה מגנטית לצורך ניתוח סטטיסטי.
- השוואה סטטיסטית של רשתות המוח בין הקבוצות.
תוצאות עיקריות
- הושמו לבד הבדלים ברשתות המוח בין חולים עם TLE לבין קבוצת הביקורת.
- מפות סטטיסטיות חשפו שינוי בקישוריות ברשת המצב ברירת המחדל.
- הממצאים תורמים להבנת הבסיס העצבי של האפילפסיה.
- התוצאות עשויות לספק מידע לגבי אסטרטגיות טיפוליות עתידיות.
מסקנות
- המחקר מדגיש הבדלים משמעותיים בקישוריות המוח ב-TLE.
- טומוגרפיה מגנטית מתפקדת במצב מנוחה היא כלי חשוב למחקר אפילפסיה.
- יש צורך במחקר נוסף כדי לחקור את ההשלכות הקליניות.
שאלות נפוצות
Executive Industry Relevance
Understanding network-level disruptions in neurological disorders like Temporal Lobe Epilepsy (TLE) supports target validation by revealing distributed pathophysiology beyond focal lesions. Seed-based functional connectivity MRI (fcMRI) enables mechanistic de-risking by quantifying Default Mode Network (DMN) alterations that correlate with clinical phenotypes such as impaired consciousness. This approach enhances predictive confidence in preclinical models by linking network biomarkers to disease subtypes, informing portfolio triage for CNS therapeutics.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by testing whether DMN hub disconnection serves as a network-level biomarker of TLE pathophysiology.
- Operational Value: Enables biological de-risking through reproducible seed-based correlation analysis that isolates specific network connections for functional target validation.
- Predictive Value: Supports portfolio triage by demonstrating how left and right TLE exhibit divergent DMN connectivity patterns, informing subtype-specific therapeutic strategies.
Screening & Assay Development
- Assay Readiness: Prepares validated biological systems for downstream workflows by establishing standardized fcMRI protocols that quantify intra- and inter-network connectivity.
- Quantitative Outputs: Delivers reproducible Z-statistic maps and Fisher Z-transformed correlation metrics enabling reliable compound effect screening in disease models.
- Platform Reuse: Highlights scalability of seed-based fcMRI across neurological disorders, supporting cross-indication assay standardization and reduced redevelopment burden.
Translational & Preclinical Research
- Translational Continuity: Connects discovery findings to preclinical validation by demonstrating how resting-state fcMRI captures basal-state network abnormalities relevant to seizure-related consciousness impairment.
- Risk-Adjusted Advancement: Informs go/no-go decisions by showing that DMN alterations persist between seizures, supporting chronic target engagement over acute seizure suppression.
- Mechanistic De-risking: Focuses on predictive value by linking network connectivity changes to cognitive outcomes, reducing ambiguity in target selection for CNS indications.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from hypothesis testing through lead identification, where network connectivity metrics serve as pharmacodynamic readouts for target engagement in epilepsy models.
- Discovery Biology: Supports hypothesis testing by enabling statistical comparison of DMN connectivity between disease models and controls, clarifying pathway involvement in TLE.
- Screening: Describes assay readiness through standardized preprocessing and seed correlation steps that yield reproducible connectivity matrices for compound screening.
- Analytics: Highlights Fisher Z transformation and cluster-based thresholding as statistical outputs that allow cross-condition comparison of network effect sizes.
- Translational Research: Connects method to preclinical continuity by showing how basal-state DMN disconnection aligns with consciousness impairment, a clinically relevant endpoint.
- Enterprise Reuse: Positions seed-based fcMRI as a reusable platform for network biomarker qualification across CNS indications, not limited to single-study application.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence through quantification of DMN hub disconnection as a mechanistically interpretable biomarker of network dysfunction in TLE.
- Operational Value: Standardization and reproducibility via predefined seed coordinates in MNI space and standardized FSL-based preprocessing pipelines.
- Strategic Value: Better go/no-go decisions by enabling detection of lateralized DMN changes (increased left TLE, decreased right TLE connectivity) that may predict differential drug response.
- Portfolio Impact: Risk-adjusted prioritization by identifying DMN connectivity as a stratification biomarker for enrichment in clinical trials of CNS therapeutics.
Implementation Considerations
- Requires expertise in neuroimaging data analysis, including FSL preprocessing, GLM modeling, and correlation mapping.
- Depends on access to 3T MRI systems with EPI and SPGR sequences, plus software tools (FSL, R) for time series extraction and normalization.
- Necessitates cross-team standardization between imaging, analysis, and biology teams to ensure consistent seed definition and group-level statistical thresholds.
- Involves adaptation considerations when applying seed coordinates to non-human models or alternative atlases, with validation needed for species-specific homology.
- Includes practical limitations such as susceptibility to motion artifacts, requiring strict subject compliance and post-processing regression of motion and physiological noise.
