時間を越えてのfMRI多ボクセル情報の同期出現を測定するために情報を使用した接続
2014年7月1日
Informational connectivityは、異なる脳領域にわたるマルチボクセル情報の時間経過間の対応を測定します。マルチボクセルパターン識別可能性の時系列を領域から抽出して比較することで、一般的な機能的接続アプローチでは特定できないネットワークが明らかになります。
この手順の全般的な目的は、時間の経過に伴う分散した活動パターンの変化に基づき、脳領域間のコネクティビティを測定することです。まず、シード領域を選択します。次に、シード領域および各サーチライトまたは関心領域について、各タイムポイントにおけるマルチボクセルパターンの判別能を算出します。
最終ステップは、シード領域の識別可能性時系列を各サーチライトと相関させることです。最終的に、情報的な接続性は、ボクセルのパターンにわたって含まれる情報を持つ領域間の接続性を明らかにするために用いられます。この手法の、機能的接続性などの他の手法に対する主な利点は、免疫反応に差はないが、固有の多変量シグネチャーを持つ条件を用いて接続性を検出できる点にあります。
まず、多くのコネクティビティ解析手法が、マルチボクセル活動パターンにのみ保持されている情報を無視していることに気づき、本手法を考案しました。単変量アプローチがマルチボクセル活動パターンに含まれる情報に対して完全に盲目的であることが現在では分かっています。この手順を開始するには、動作パラメータと平均白質信号を予測変数とした回帰モデルを作成し、前処理済みのfMRIデータの時系列から動作および平均白質信号を除去します。その後、得られた残差に対して以下の解析を行います。
生成された残差を、例えばオープンソースの情報接続性MATLABツールボックスなどの分析パッケージ（MATLABやPythonなど）にインポートします。その後、各ボクセルの時系列データをzcoに変換します。データセットの時間点を、異なるスキャナーランなどの独立したセットに分割します。
次に、条件ラベルのベクトルを生成し、タイムポイントに関連付けられた条件ラベルの記録を作成します。具体的には、イベントと記録されたfMRI信号の間の血流動態のタイムラグを考慮するため、各ランにおいて条件ラベルを、5秒に相当する繰り返し回数分だけ前方にシフトさせます。シード領域を選択するには、好みのソフトウェアでボクセルを選択するか、ラベル付きアトラスを用いて解剖学的領域を分離し、領域を機能的に局在化させるか、あるいは情報脳マッピングのサーチライトで最もパフォーマンスの高い領域を選択します。
次に、各時点のMVPを比較します。各条件における典型的なMVPを提示してください。これには、オープンソースの情報接続性MATLABツールボックスを使用します。
1つのフォールドを除くすべてのフォールドにおいて、各条件の各タイムポイントを平均し、各条件のプロトタイプMVPを算出します。次に、すべてのタイムポイントのMVPを、トレーニングデータから得られた各条件の平均MVPと相関させます。これにより、各条件のすべてのタイムポイントについて相関値が得られます。
ここでの相関が最も高い条件が、一般的相関に基づいたMVPA分類器の予測となることに注意してください。その後、まず各時点の条件を表す相関を特定し、そこから残りの相関の中の最大値を差し引くことで、各時点におけるMVP DISCRIMINABILITYを定量化します。
結果は、各タイムポイントにおけるMVPの識別能となります。サーチライト解析を行うには、各vleの周囲に3次元クラスターを配置します。次に、すべてのサーチライトがMVP識別能値のタイムシリーズを持つように、各サーチライトに対して前述のステップを繰り返します。
次に、シードのMVP識別能（Discriminability）時系列と、各サーチライトの識別能時系列を相関させます。スペアマンの順位相関を用いることで、得られたRS値がシードとサーチライト間のICとなります。その後、各サーチライトのIC値をそのサーチライトの中心ボクセルに割り当て、個人の脳マップとして出力します。
データがまだ標準空間に変換されていない場合は、被験者のICマップを同一の空間に変換してください。オプションで、個々のサーチライトマップを平滑化します。この図は、同期的な平均活性化を伴わずに同期的なMVP識別能を示す2つの領域における、MVP DISCRIMINABILITYの例を示しています。
これらのデータポイントは、被験者が人工物の視覚提示を視聴している間に収集されました。これらの物体は、平均反応では区別できませんが、マルチボクセルパターンによって区別可能です。ここでは、左側視覚形態回（left views of form gyrus）のシードと脳全体のサーチライト間のICおよびFC値の例を示しています。情報的および機能的結合強度はZ軸に示されており、各サーチライトの平均反応がX軸に、MVPA分類精度がY軸にそれぞれ対応しています。ICグラフの左上隅は、分類性能は高いものの、平均反応レベルが低い、情報的に結合したサーチライトを示しています。
FCグラフの左上の隙間は、これらの接続されたサーチライトが典型的なFCアプローチでは検出されていないことを示しています。以下はコネクティビティマップの例です。各行は、シードに有意に接続している領域を示しています。有意性は、パーミュテーションテストによる最小クラスターサイズを用いたグループT検定によって決定されます。
IC（独立成分）の結果を、FreeSurferを用いて作成した表面マップ上に表示しています。機能的接続性などの他の解析を行うことで、「条件がマルチボクセルパターンによって特異的に接続されているか」、あるいは「平均反応においても同期しているか」といった追加の疑問を検証することが可能です。このビデオを視聴することで、マルチパターンに基づいた領域間の接続性を測定する方法について十分に理解できたはずです。
ご視聴ありがとうございました。
概要
本記事では、時間経過に伴うマルチボクセル活動パターンに基づいた、脳領域間の情報接続性を測定する方法について解説します。また、従来の機能的接続性手法と比較した際の本アプローチの利点についても強調します。
研究の主要構成要素
科学分野
- 神経科学
- 脳コネクティビティ
- fMRI解析
背景
- 情報接続性は、脳領域間におけるマルチボクセル情報の時系列間の関係を評価します。
- 従来の機能的接続性解析の手法では、重要なマルチボクセル活動パターンが見落とされる可能性があります。
- 本手法を用いることで、免疫応答に差はないものの、固有の多変量シグネチャーを持つ条件下での接続性を同定できます。
- これらの接続パターンを理解することは、脳機能や疾患に関する知見を深めることにつながります。
研究目的
- 分散活動パターンの変化に基づき、脳領域間のコネクティビティを測定すること。
- 機能的コネクティビティでは特定できないネットワークを明らかにする上で、情報的コネクティビティが有効であることを実証すること。
- 研究者が自身の研究にこの手法を適用するための詳細な方法論を提供すること。
使用方法
- 体動および白質平均信号を除去するためのfMRIデータの前処理。
- シード領域およびサーチライトにおけるマルチボクセルパターン識別能の算出。
- シード領域とサーチライト間の識別能時系列の相関分析。
- 接続性結果を定量化および可視化するための統計的手法の適用。
主な結果
- 従来の手法では検出できなかったが、情報的に結合している脳領域の特定。
- 結合パターンの識別における高い分類性能の実証。
- 有意な結合を示す結合マップの視覚的表現。
- マルチボクセルパターンと条件間平均応答との関係に関する知見。
結論
- 情報的なコネクティビティは、脳ネットワークを理解するための強力なツールを提供します。
- この手法により、従来の手法では見落とされる可能性のある複雑なコネクティビティパターンを明らかにすることができます。
- 今後の研究では、この手法を基盤として、脳コネクティビティのさまざまな側面を探索することが可能です。
よくある質問
産業上の重要性
情報接続性（IC）は、単変量的な差がないものの明確なマルチボクセルパターンを示す条件下において、従来の機能的接続性（FC）では検出不可能な脳ネットワーク間の相互作用を検出することで、神経科学研究における重要な課題を解決します。この能力は、疾患表現型を駆動する認知または行動表現型に関連したメカニズム経路を明らかにすることにより、神経精神疾患の創薬におけるターゲットバリデーションを強化します。平均的な活性化ではなく、分散した情報ダイナミクスに基づいて接続性を分離することで、ICは創薬の早期段階におけるターゲットエンゲージメントおよび経路変調に対する予測的信頼性をサポートします。
バイオ医薬品R&Dにおける戦略的活用
初期創薬およびターゲットバリデーション
- 科学的価値： 時間経過とともに情報処理が同期して変化する脳領域を特定することで治療仮説の検証を可能にし、パスウェイの関与を明らかにします。
- 運用的価値： 平均活性化レベルとは独立して、認知表現型と相関するコネクティビティパターンを通じて機能的ターゲットを検証することにより、生物学的なリスク低減を支援します。
- 予測的価値： 疾患特異的な情報を処理するネットワークを明らかにすることでターゲット選択の信頼性を高め、中枢神経系（CNS）治療薬のポートフォリオ選別を支援します。
スクリーニングおよびアッセイ開発
- アッセイの準備：情報ベースのコネクティビティの再現性のある定量的指標を確立することで、ダウンストリームのスクリーニングに向けた検証済みの生物学的システム（例：fMRIベースのリードアウト）を準備します。
- 標準化：標準化された前処理（体動および白質信号の除去）とボクセル時系列のzスコア化を通じてアッセイの堅牢性を高め、ラボ間の信頼性を向上させます。
- スケーラビリティ：サーチライトまたはROIベースの設計によるプラットフォームの再利用を可能にし、情報処理ネットワークに対する化合物の影響をスケーラブルにスクリーニングできます。
トランスレーショナル・前臨床研究
- トランスレーショナルな連続性：マルチボクセル情報パターンを疾患に関連する認知または行動エンドポイントに結びつけることで、探索段階のIC所見を前臨床検証へと繋げます。
- メカニズムによるリスク軽減：分散した活動パターンによって駆動されるコネクティビティを分離して予測価値に焦点を当てることで、重要な病態生理を見逃す可能性がある単変量バイオマーカーへの依存を低減します。
- リスク調整済み推進：化合物が治療仮説と一致する方法で情報処理ネットワークを調節するかどうかを示すことで、Go/No-go判断に根拠を提供します。
パイプラインおよびワークフローの統合
情報的なコネクティビティ（Informational connectivity）は、仮説検証からリード化合物の同定に至る探索のコンティニュアム（連続体）に適合します。特に、分散した神経情報処理の理解がターゲットのバリデーションやメカニズムの解明に不可欠であるCNS（中枢神経系）創薬において、その重要性は高まります。
- ディスカバリーバイオロジー： 脳領域間で情報が時間経過とともにどのように同期して現れるかを測定することで、仮説検証とパスウェイの解明を支援し、特定の認知または行動条件に関連する機能的ネットワークを明らかにします。
- スクリーニング： 情報ベースのコネクティビティに対する化合物の影響を比較することを可能にする、定量的で時間分解能の高い識別能指標を生成し、アッセイの準備状態を向上させます。
- アナリティクス： 識別能時系列のスピアマンの順位相関などの解釈可能な出力を提供し、条件間または治療群間でのコネクティビティ強度の統計的比較を可能にします。
- トランスレーショナルリサーチ： 同様のMVPAに着想を得たアプローチを用いて動物モデルで再現可能な、バイオマーカーに整合したリードアウト（情報の同期性）を提供することで、前臨床研究へと繋げます。
- エンタープライズ再利用： 単発のアッセイではなく、再利用可能なプラットフォーム機能として機能し、情報処理に関わるさまざまなタスク、患者グループ、および治療領域に適用可能です。
運用および企業への影響
- 科学的価値：マルチボクセル情報パターンに基づいたコネクティビティを検出することで予測の信頼性を高め、ターゲットバリデーションにおけるメカニズム的な曖昧さを低減します。
- 運用的価値：固定された前処理ステップとオープンソースツールボックス（MATLAB/Pythonなど）の実装により、標準化と再現性を促進します。
- 戦略的価値：情報処理ネットワークに影響を与えるターゲットを特定することで、go/no-goの意思決定を改善し、CNSプログラムにおける後期の生物学的リスクを低減します。
- ポートフォリオへの影響：情報ベースのネットワーク変調を介して認知表現型と強力なメカニズム的関連を持つターゲットを明確にすることで、リスク調整後の優先順位付けを可能にします。
実施上の検討事項
- fMRIの前処理、マルチボクセルパターン分析（MVPA）、および統計的相関法に関する専門知識が必要です。
- MVPAおよび情報コネクティビティツールボックスをサポートするMATLABやPythonなどのニューロイメージング解析環境へのアクセスに依存します。
- シード選択、ラベルシフト、および識別能計算の一貫した適用を確実にするため、イメージング、計算、および生物学の各チーム間での標準化が必要です。
- 異なる種、脳領域、または認知タスクにわたってICを適用する場合、特に適切な条件ラベルの定義や血流動態ラグの補正において、適応上の検討が必要となります。
- 実用上の制限として、血流動態ラグを考慮して条件ラベルを5秒シフトさせる必要があるように、識別能の時系列を信頼性高く推定するための十分な時間分解能と試行数が必要となります。
