ניתוחי נתונים איכותיים והשוואתיים של פעילות קליפת המוח מניסוי ספקטרוסקופיה כמעט אינפרא-אדום פונקציונלי החלת עיצוב בלוק
3 בדצמבר 2020
אנו מתארים את הניתוח של ניסוי ספקטרוסקופיה כמעט אינפרא אדום פונקציונלי גל מתמשך באמצעות עיצוב בלוק עם משימה sensorimotor. כדי להגביר את המהימנות של ניתוח הנתונים, השתמשנו במיפוי פרמטרי סטטיסטי איכותי המבוסס על מודל ליניארי כללי ובמודלים מעורבים היררכיים השוואתיים עבור ערוצים מרובים.
הפרשנות של נתוני F-N-I-R-S, או fNIRS, יכולה להיות קשה עבור משתמשים מתחילים מכיוון שבדרך כלל לא ניתן לכמת את הנתונים. הפרוטוקול שלנו המשתמש בשתי שיטות משלימות מספק הבנה טובה יותר של נתונים אלה. היתרון העיקרי של טכניקה זו הוא הגידול והאמינות של ניתוח הנתונים באמצעות שני מיפוי פרמטרי סטטיסטי איכותי מבוסס GLM ומודלים מעורבים היררכיים השוואתיים לריבוי ערוצים.
לפני ביצוע ניסוי fNIRS, הניחו את מכשיר ה-fNIRS באזור חשוך וחסר רעש והניחו מכסה הקלטה שלם של fNIRS על ראשו של הנבדק, כך שהמיקום המתאים למרכז מערכת 10-20 הבינלאומית ממוקם במחזיק המספר 245 של מכסה הראש. צרף את מדבקת הסימון לנקודות מיקום התייחסות וצלם את ראש הנבדק עם מיקומי הבדיקה, כולל נקודות הייחוס מ-15 נקודות מבט. סדר את מערכת 48 הערוצים עם 32 אופטודות למכסה ראש דו-צדדי מעל האזורים הקדמיים והקודקודיים כאזורי עניין והשתמש בתוכנת הדיגיטייזר התלת-ממדית כדי לקבוע את הרישום המרחבי.
לאחר סריקת נתוני תמונה עבור כל הראש, קבע את הקואורדינטות המרחביות של הנושא על ידי מדידה אוטומטית ושמור את הנתונים כקבצי מקור ואחרים. כדי לבצע ניתוח fNIRS, בקשו מהנבדק להיכנס לתנוחה נוחה ולהורות לנבדק לעצום את עיניו. לאחר מכן הודע לנבדק על רמזי ההתחלה והעצירה ובקש מהנבדק לבצע את משימת עיצוב הבלוק תוך שמירה על אותה יציבה זקופה עבור כל משימה.
כדי להשתמש בתוכנת NIRS-SPM לביצוע ניתוח מודל ליניארי כללי איכותי, הפעל את תוכנית NIRS-SPM בתוכנת MATLAB ובחר באפשרות מערכת NIRS מהתפריט הקופץ. בחר בלחצן טען. כדי לזהות את הרישום המרחבי של מיקום ערוץ NIRS, בחר בתיבות הסימון עצמאי ועם דיגיטייזר תלת-ממדי.
במרחב From Real Coordinates to MNI Space, השתמש בתיבת הדו-שיח כדי לבחור את נקודת הייחוס של הקואורדינטות ואת קבצי הבדיקות/הערוצים של הקואורדינטות. לחץ על Registration ובחר את הנקודות כדי להמשיך להערכה המרחבית. לחץ על אישור ופרויקט קואורדינטות MNI למוח מעובד.
בחר תצוגה דורסית ולחץ על שמור. במקטע ציין את הרמה הראשונה, בחר את שם קובץ הנתונים של NIRS ואת ספריית SPM. סמן את תיבת הסימון של ההמוגלובין ובחר ציין עיצוב ושניות.
בחר וקטור של התחלה ומשכים והזן וקטור של התחלה כפול משך תנאי הניסוי כפי שצוין. לביטול מגמה, בחר Wavelet-MDL. השתמש בשיטת הצביעה המוקדמת, מסנן מעביר נמוך, ובחר hrf.
נכון עבור המתאם הטורי, בחר ללא. כדי להעריך את המתאמים הזמניים, בדוק ניתוח אינדיבידואלי כדי לנתח אדם יחיד. כדי להעריך את המתאמים הזמניים עבור קבוצת נבדקים, בדוק ניתוח קבוצתי, ולאחר מכן חשב את מפת ההפעלה על סמך השינויים ברמת ההמוגלובין עבור המוח המתוקנן.
כדי לבצע ניתוח השוואתי רב-ערוצי המבוסס על מודל מעורב היררכי, פתח תוכנת ניתוח סטטיסטי מתאימה והמר את מסמך הטקסט של שינויים בריכוז ההמוגלובין מחומצן ומחומצן בקובץ הנתונים הקרוב ביותר המעובד עם מסנן המעבר הנמוך לקובץ הערכים המופרדים בפסיקים של תוכנת הגיליון האלקטרוני. השתמש בפקודות כדי ליצור נתוני ייבוא לפני ואחרי ההתערבות עבור כל נושא והפעל את פקודת הנתונים לפני ואחרי ההתערבות עבור כל ערוץ כפי שצוין. בהתבסס על הנתונים שהתקבלו מתוצאות הפלט, הזן את ההבדלים לפני ההתערבות לעומת אחרי ההתערבות בערכי שינוי, מנוחה ומשימה של כל ערוץ בגיליון האלקטרוני.
לאחר מכן הזן את דרגות החופש של המונה והמכנה ואת ערכי F ו-P של פריט האינטראקציה של מבחן סוג האפקט הקבוע שלוש לגיליון האלקטרוני. בניתוח קבוצתי מייצג זה של 10 חולי שבץ מוחי, נצפתה עלייה בפעילות קליפת המוח של קליפת המוח המוטורית הראשונית בחצי הכדור הנמדד מיד לאחר השיקום בעזרת רובוט בהשוואה לזה שנצפה לפני האימון. בניתוח קבוצתי רב-ערוצי זה המשווה לפני ההתערבות לעומת אחריה, נצפתה פעילות מוגברת בקליפת המוח המוטורית הראשונית לאחר ההתערבות, אותו אזור במוח שנצפה ב-NIRS-SPM.
ניתן להשתמש בשיטות שלנו לביצוע ניתוח לפני ואחרי התערבות עבור מגוון הפרעות נוירולוגיות, כגון הפרעות תנועה, מחלות כלי דם במוח והפרעות נוירו-פסיכיאטריות. במקום תנועות מרפק, חוקרים יכולים גם ליישם משימות אחרות של עיצוב בלוקים, כגון תנועות רגליים. בנוסף, הפרוטוקול שלנו שימושי לחשיפת השפעות הטיפול במסגרות שונות.
צפו בתמליל המלא וקבלו גישה לאלפי סרטונים מדעיים
סקירה
מחקר זה מפרט מתודולוגיה לניתוח נתונים מניסויי ספקטרוסקופיה תפקודית בתחום התת-אדום הקרוב (fNIRS) באמצעות עיצוב בלוקים עם משימה סנסורימוטורית. המטרה העיקרית היא לשפר את אמינות הנתונים באמצעות שימוש במפות סטטיסטיות פרמטריות מבוססות מודל ליניארי כללי איכותי ומודלים מעורבים היררכיים השוואתיים על פני ערוצים מרובים.
רכיבי מחקר מרכזיים
תחום המדע
- מדעי המוח
- הדמיה תפקודית
- מחקרי שיקום
רקע
- נתוני fNIRS מציעים כימות מאתגר לחוקרים מתחילים.
- שימוש במתודולוגיות כפולות יכול לעזור בהבנת פרשנויות נתוני fNIRS.
- רישום מרחבי הוא קריטי לניתוח fNIRS מדויק.
- שונות באפקטים של הטיפול מחייבת שיטות הערכה אמינות.
מטרת המחקר
- לפתח פרוטוקול לביצוע ניסויי fNIRS עם אמינות משופרת בניתוח הנתונים.
- לספק שיטות לניתוח שינויים בהפעלת המוח לפני ואחרי התערבות.
- להקל על הבנת נתוני fNIRS לחוקרים בהפרעות נוירולוגיות שונות.
שיטות בשימוש
- המחקר השתמש בטכנולוגיית ספקטרוסקופיה תפקודית בתחום התת-אדום הקרוב (fNIRS).
- 10 מטופלי שבץ שימשו כמודל ביולוגי להערכת פעילות קליפת המוח המוטורית.
- פורטו הליכים ספציפיים להתקנה, רכישת נתונים וניתוח באמצעות תוכנת NIRS-SPM.
- משימות עיצוב בלוקים, מיקום החולה ושלבי הכנה יסודיים היו קריטיים.
- בוצעו ניתוחים סטטיסטיים להשוואת רמות ההפעלה לפני ואחרי התערבות.
תוצאות עיקריות
- נצפו עליות משמעותיות בפעילות קליפת המוח הראשית לאחר התערבות.
- ניתוח רב-ערוצי אישר את הממצאים של שינויי המוגלובין הקשורים לביצוע המשימה.
- התוצאות השתקפו ביעילות האסטרטגיות השיקוםיות שהופעלו.
- לממצאים יש השלכות על מצבים נוירולוגיים שונים.
מסקנות
- המחקר ממחיש מסגרת אמינה לניתוח נתוני fNIRS הניתנת ליישום בסביבות קליניות.
- הוא מדגיש את הפוטנציאל להתאים התערבויות על סמך הערכות fNIRS בשיקום.
- מתודולוגיה זו תורמת לקידום יישומים של fNIRS בהבנת מנגנוני המוח.
שאלות נפוצות
Executive Industry Relevance
Functional near-infrared spectroscopy (fNIRS) provides a non-invasive method to assess cortical activity changes in neurological disorders, supporting target validation in preclinical and early clinical research. The dual-method approach combining qualitative GLM-based analysis and comparative hierarchical mixed modeling enhances data reliability and mechanistic de-risking for intervention studies. This enables predictive confidence in evaluating therapeutic effects on brain function prior to larger-scale trials.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by visualizing task-activated cortical areas via mass-univariate GLM analysis.
- Scientific Value: Supports biological de-risking through functional target validation of motor cortex engagement in neurological disease models.
- Scientific Value: Increases predictive confidence by corroborating activation patterns across qualitative and quantitative analytical frameworks.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream workflows by establishing spatially registered fNIRS channels relative to brain anatomy.
- Operational Value: Ensures assay standardization and reproducibility through 3D digitizer-based spatial registration and consistent block design task execution.
- Operational Value: Delivers quantitative hemoglobin concentration outputs enabling reliable compound or intervention effect screening.
Translational & Preclinical Research
- Scientific Value: Demonstrates disease relevance in movement disorders, cerebrovascular conditions, and neuropsychiatric disorders through pre-vs-post intervention cortical activity measurement.
- Translational Value: Bridges discovery through preclinical validation by providing continuity in assessing intervention-induced brain activity changes.
- Strategic Value: Supports risk-adjusted advancement decisions by quantifying cortical response reliability before scaling to larger cohorts.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from hypothesis testing through lead identification to preclinical validation by providing reproducible cortical activity readouts.
- Discovery Biology: Supports hypothesis testing and pathway clarification by detecting task-related hemoglobin changes in targeted cortical regions.
- Screening: Enables assay readiness and reproducibility through standardized spatial registration and block design task protocols.
- Analytics: Delivers quantitative dependent variable measurements (HbO/HbR changes) that allow cross-condition comparison and statistical modeling.
- Translational Research: Connects to preclinical continuity by measuring intervention effects on cortical activity in disease-relevant systems.
- Enterprise Reuse: Establishes a reusable capability for multi-site neurophysiological assessment in neurological disorder programs.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence in target engagement, reduction of mechanistic ambiguity in cortical response interpretation.
- Operational Value: Standardization, reproducibility, and scalability across subjects and sessions via hierarchical mixed modeling.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk in CNS drug development.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions based on quantifiable pre-post intervention brain activity changes.
Implementation Considerations
- Requires expertise in neuroimaging, fNIRS operation, and statistical modeling (GLM, hierarchical mixed models).
- Dependent on fNIRS hardware, 3D digitizer for spatial registration, and analysis software (NIRS-SPM, statistical packages).
- Necessitates cross-team standardization of sensor placement, task instruction, and data processing pipelines.
- Adaptation considerations include varying head anatomies, signal depth limitations, and task generalizability across motor or cognitive domains.
- Practical limitations include motion sensitivity, superficial cortical sampling, and need for controlled environments to minimize noise.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:56
Functional Near-Infrared Spectroscopy (fNIRS) Preparation and Analysis
2:14
Qualitative General Linear Model (GLM) Analysis
3:57
Multi-Channel Comparative Analysis
4:55
Results: Representative Group and Multi-Channel Analyses Using GLM and Mixed Models
5:28
Conclusion
