Analisi di interazione generalizzata psicofisiologica (PPI) di memoria relative connettività in individui a rischio genetico per la malattia di Alzheimer

L'obiettivo generale di questa analisi è identificare i cambiamenti dipendenti dal contesto legati alla memoria nella connettività funzionale tra le regioni dell'ippocampo e il resto del cervello. Questo metodo può aiutare a rispondere a domande chiave nel campo delle neuroscienze cognitive, come ad esempio come cambia la connettività funzionale in risposta a specifiche richieste cognitive all'interno di un compito sperimentale. Il vantaggio principale di questa tecnica è che consente ai ricercatori di testare ipotesi specifiche riguardanti la connettività funzionale delle regioni chiave del cervello durante un compito cognitivo.

Per questo esperimento, includere individui di età pari o superiore a 55 anni con declino cognitivo che sono stati genotipizzati per l'allele di rischio di Alzheimer apolipoproteina E epsilon quattro prima dell'esperimento, sottoporre a screening i soggetti per la sicurezza della risonanza magnetica e ottenere il consenso informato. Utilizza un sistema di risonanza magnetica da tre Tesla per acquisire tutti i dati di imaging cerebrale. Per l'imaging funzionale, raccogliere sezioni assiali utilizzando una sequenza di imaging ecoplanare durante l'esecuzione di un'attività di memoria associativa di parole non correlate.

Per facilitare la registrazione delle immagini funzionali, acquisire anche fette assiali di immagini strutturali complanari pesate in T2. Per l'imaging strutturale ad alta risoluzione, raccogli le fette assiali utilizzando una sequenza 3D pesata in T1. Una volta completata l'imaging per tutti i partecipanti, impostare le fasi di pre-elaborazione e il modello lineare generale di primo livello utilizzando lo strumento di analisi esperto FSL FMRI, o FEAT, per il primo partecipante.

Nella scheda Dati, fare clic su Seleziona dati 4D e accedere al file con correzione del movimento e all'estrazione del cervello. Impostare il TR in modo che corrisponda a quello della sequenza funzionale e utilizzare il filtro passa alto predefinito. Ora, nella scheda Pre-statistiche, fai clic su nessuno sotto la correzione del movimento e deseleziona l'estrazione del cervello BET.

Immettere cinque millimetri per impostare la larghezza completa metà del kernel gaussiano massimo per l'arrotondamento spaziale. Quindi, fare clic su Impostazione completa del modello e creare i file di temporizzazione delle attività che indicano l'inizio e l'offset delle fasi delle attività. Aggiungili al GLM scegliendo il formato a tre colonne e navigando fino al file di testo pertinente.

Includerne uno per la fase di codifica dell'attività e uno per la fase di recupero. Per la convoluzione, scegliere l'opzione HRF a doppia gamma. Successivamente, utilizza l'output dello strumento MCFLIRT per creare sei file di testo a colonna singola che descrivono la correzione del movimento eseguita in ciascun volume all'interno del set di dati.

Selezionate Impostazione completa del modello e aggiungete i parametri e le loro derivate temporali come variabili esplicative, o EV, nel GLM. Per ogni EV di movimento, scegliere Personalizzato per la forma di base, nessuno per la convoluzione e il riempimento temporale. A questo punto, accedere alla scheda Statistiche del software e selezionare l'output dello strumento Valori anomali di movimento FSL nell'opzione Aggiungi ulteriori EV confondibili.

Ora, nella scheda Registrazione, seleziona Immagine funzionale espansa e Immagine strutturale principale per una registrazione in due passaggi. Selezionare la scansione strutturale complanare pesata in T2 dei partecipanti per il primo passaggio per registrare i dati funzionali rispetto a quelli strutturali. Scegli sei gradi di libertà nella seconda casella a discesa.

Per il passaggio successivo, registrare l'immagine ponderata in T2 nell'MP-RAGE ponderato in T1 ad alta risoluzione selezionando la registrazione basata su limiti dalla casella a discesa. Infine, registrare i dati strutturali ad alta risoluzione nel modello standard MNI 152 selezionando 12 gradi di libertà e una trasformazione lineare. Prima di impostare il modello di interazione psicofisiologica, caricare i dati di pre-elaborazione nel software FSL FEAT.

Scegli l'immagine con rumore ridotto come file di input. Nelle schede Pre-statistiche, imposta la correzione del movimento e l'estrazione del cervello su Nessuna. Non eseguire il filtraggio temporale o l'arrotondamento spaziale.

Quindi, nella scheda Statistiche, seleziona Configurazione completa del modello e nella scheda EV, aggiungi tutte le variabili della modellazione di primo livello, tra cui la correzione del movimento, la matrice di confusione dai valori anomali del movimento FSL e la tempistica delle attività. Includere una EV per il decorso temporale fisiologico dal seme come covariata di non interesse. Quindi, crea i termini PPI scegliendo Interazione nel menu della forma di base e seleziona l'EV del tempo di avviamento e un EV dell'attività. Per l'opzione Imposta zero, scegliere Centro per le variabili di attività e Media per l'andamento EV del tempo di avviamento. Ora, nella scheda Contrasti e test F, modellare i seguenti effetti specifici inserendone uno nelle celle EV corrispondenti.

Fase dell'attività di codifica, fase dell'attività di recupero, andamento del tempo di inizializzazione, PPI di inizializzazione e codifica e PPI di inizializzazione e recupero. Infine, inserisci uno negativo per modellare i PPI negativi per ogni fase dell'attività. Utilizza gli strumenti software di mappatura parametrica statistica per eseguire confronti a livello di gruppo.

Per iniziare, selezionare Specifica secondo livello, quindi selezionare Test T a due campioni in Progettazione. Passare alla directory con le immagini di stima del parametro per il primo gruppo e selezionarle. Quindi, aggiungi le immagini per il secondo gruppo ed esegui questo confronto facendo clic sul pulsante Riproduci.

Ora torna alla finestra principale. Selezionare Stima e passare all'SPM. MAT creato nel passaggio precedente per eseguire la stima del modello.

Successivamente, nella scheda Risultati, selezionare Definisci un nuovo contrasto. Scegliere Contrasto T e inserirne uno negativo nella casella Contrasto per le portanti APOE-4 maggiori delle non portanti APOE-4, quindi fare clic su OK. Infine, eseguire i contrasti di confronto di gruppo come illustrato di seguito. Scegliere Nessuno per Applica mascheramento, quindi impostare manualmente la soglia a livello di voxel e la dimensione minima del cluster in base all'output del software 3dClustSim di AFNI.

Inserisci uno a uno negativo per le non portanti APOE-4 superiori alle portanti APOE-4. All'interno del gruppo, le analisi di interazione psicofisiologica generalizzata hanno rivelato diminuzioni significative della connettività funzionale nei portatori di APOE-4, in verde, sia per le condizioni di attività che per le sottoregioni ippocampali. Nei non portatori di APOE-4, il rosso, diminuzioni significative della connettività funzionale sono state osservate solo con l'ippocampo posteriore durante la codifica.

Durante i recuperi, sono state riscontrate differenze significative tra i portatori di APOE-4 e i non portatori nel giro sopramarginale sinistro, blu scuro, nella giunzione angolare sopramarginale destra, arancione, così come nel precuneo destro, viola. La coordinata del picco per ogni cluster è riportata nello spazio MNI. Qui, i contrasti delle stime dei parametri di ciascun cluster sono tracciati per gruppo.

Le linee rosse indicano zero ed evidenziano che i portatori hanno una ridotta connettività funzionale all'ippocampo anteriore in queste regioni durante il recupero. La fascia all'interno delle caselle rappresenta la mediana, mentre i bordi superiore e inferiore delle caselle rappresentano rispettivamente il primo e il terzo quartile. Dopo il suo sviluppo, questa tecnica ha aperto la strada ai neuroimager funzionali per esplorare la connettività dinamica correlata ai compiti negli esseri umani.

Ciò include sia le coorti sane che quelle di pazienti, nonché gli individui a maggior rischio genetico di malattia, come descriviamo qui. Dopo aver visto questo video, dovresti avere una buona comprensione di come utilizzare un'analisi PPI per testare i cambiamenti di connettività funzionale dipendenti dal contesto tra la regione seme di interesse e il resto del cervello.