Gegeneraliseerde psychofysiologische interactie (PPI) analyse van geheugen gerelateerde connectiviteit in personen die erfelijk risico op de ziekte van Alzheimer

Samenvatting

Dit manuscript wordt beschreven hoe de uitvoering van een analyse van de psychofysiologische interactie te onthullen taak-afhankelijke wijzigingen in functionele connectiviteit tussen een geselecteerde zaad regio en voxels in andere delen van de hersenen. Psychofysiologische interactie analyse is een populaire methode om taak effecten op hersenen connectiviteit, onderscheiden van traditionele univariate activering effecten te analyseren.

Samenvatting

In neuroimaging meet functionele magnetische resonantie imaging (fMRI) de bloed-oxygenatie-niveau afhankelijk (BOLD) signaal in de hersenen. De mate van de correlatie van de Stoute signaal ruimtelijk onafhankelijke regio's van de hersenen definieert het functionele connectiviteit van deze regio's. Tijdens een cognitieve fMRI taak, kan een psychofysiologische interactie (PPI)-analyse worden gebruikt om te onderzoeken van wijzigingen in de functionele connectiviteit tijdens specifieke contexten gedefinieerd door de cognitieve taak. Een voorbeeld van een dergelijke taak is die zich het geheugensysteem bezighoudt, vraagt de deelnemers om te leren van paren van niet-verwante woorden (codering) en herinneren het tweede woord in een paar toen gepresenteerd met het eerste woord (ophalen). In de huidige studie, we gewend zijn dit soort associatief geheugen taak en een algemene analyse van de PPI (gPPI) wijzigingen in het hippocampal connectiviteit in oudere volwassenen die dragers van de ziekte van Alzheimer (AD) genetische risicofactor apolipoproteïne-E epsilon-4 (vergelijken APOEΕ4). Specifiek, tonen we aan dat de functionele connectiviteit van deelgebieden van de hippocampus veranderingen tijdens de codering en retrieval, de twee actieve fasen van de associatief geheugen taak. Context-afhankelijke veranderingen in functionele connectiviteit van de hippocampus waren significant verschillend in dragers van APOEε4 in vergelijking met niet-dragers. PPI analyses maken het mogelijk te onderzoeken van wijzigingen in functionele connectiviteit, onderscheiden van univariate belangrijkste effecten, en deze veranderingen van groepen met elkaar vergelijken. Dus, een analyse van de PPI kan onthullen complexe taak effecten in specifieke cohorten die traditionele univariate methoden niet vastlegt. PPI analyses bepalen niet, echter directionaliteit of causaliteit tussen functioneel verbonden gebieden. Niettemin, PPI analyses bieden krachtige middelen voor het genereren van specifieke hypothesen over functionele relaties, die kunnen worden getest met behulp van causale modellen. Aangezien de hersenen steeds meer in termen van connectiviteit en netwerken beschreven is, is PPI een belangrijke methode voor het analyseren van fMRI taakgegevens die strookt met de huidige opvatting van het menselijk brein.

Inleiding

De term "connectome" werd bedacht in 2005 markering een paradigmaverschuiving in de neurowetenschappen dat tot op de dag^{1 blijft}. Het brein is steeds meer beschreven in termen van functionele netwerken, connectiviteit en interacties tussen en binnen regio's op grote schaal. De afbakening van regionale functionele specialisatie en associaties tussen fMRI-gemeten activiteit en taak eisen zijn echter nog steeds geldig en nuttig benaderingen. In het licht van de groeiende interesse in connectomics groeien functionele connectiviteit benaderingen van fMRI taakanalyse in populariteit. Een aanpak voor het meten van functionele connectiviteit veranderingen afhankelijk van taak vraagt maakt gebruik van het concept van PPI. Een PPI is de interactie van een actieve taak fase of een bepaalde taak vraag ("psycho") met de functionele connectiviteit ("fysio") van een gebied van belang of "zaad" in de hersenen. PPI verschilt van bivariate correlatie gebaseerde analyse van functionele connectiviteit, die over het algemeen de mate van de correlatie tussen de activiteit in twee regio's zonder beperkingen aan de eisen van de taak gerelateerde meet.

Het concept en het kader van een PPI-analyse werd oorspronkelijk beschreven door Friston en collega's in 1997². De auteurs verklaard dat hun aanpak belangrijk, was omdat hiermee het onderzoek van connectiviteit om meer functioneel specifieke en voor gevolgtrekkingen dat de activiteit in een distale zaad kon worden modulerende activiteit die voortvloeien uit de vraag van een taak. In 2012, McLaren en collega's aan deze oorspronkelijke kader toegevoegd en beschreven een gPPI aanpak waarin alle fasen van de taak en hun interacties zijn opgenomen in een enkel model³. Deze aanpak leidt tot resultaten die meer gevoelig en specifiek naar de taak fase en interactie onderzocht. Het is deze benadering van de bijgewerkte gPPI die wij in de huidige inzetten studie (zie stap 6.2.2 in Protocol). De aanpak van de gPPI is nu reeds in meer dan 200 studies. Voor de duidelijkheid, hierna gebruiken we 'PPI' voor het beschrijven van de gemeenschappelijke kenmerken van zowel de standaard en gegeneraliseerde versie. 'gPPI' worden gebruikt voor het bespreken van specifieke voorschotten die zijn gekoppeld aan het nieuwe kader.

Het algemene doel van de analyse van een PPI is te begrijpen hoe de eisen van een cognitieve taak beïnvloeden of het moduleren van de functionele connectiviteit van een zaad-regio. Een PPI analyse vereist een sterke een priori hypothese. Activiteit in de regio van het zaad moet worden gedifferentieerd door de taak om de aanpak van de PPI om effectief te werken⁴. Bijvoorbeeld, in de huidige studie gebaseerd wij onze zaad selectie op de sterke aanwijzingen dat hippocampal activiteit door de cognitieve eisen van de taak van een geheugen wordt gemoduleerd. Met behulp van PPI, kunnen regio's, die aanzienlijk meer of minder functioneel met de hippocampus tijdens specifieke taak fasen verbonden zijn worden geïdentificeerd. Kortom, vraag we de "in welke regio's is activiteit meer gecorreleerd met het zaad tijdens kader A ten opzichte van de basislijn?" Wij kunnen ook vragen het logische tegenovergestelde (want het is belangrijk om het verschil te begrijpen): "in welke regio's is activiteit minder gecorreleerd met het zaad tijdens kader A ten opzichte van de basislijn?" Bij de interpretatie van groep verschillen in PPI effecten, is het belangrijk om de gegevens en of positieve of negatieve verandering in functionele connectiviteit, of beide, is het rijden van groep verschillen te onderzoeken.

De PPI-aanpak heeft geweest tweedehands voor dynamische taak controle hubs in gezonde controles, bestuderen hoe de modulatie van functionele connectiviteit is gerelateerd aan cognitieve prestaties in de ziekte van Alzheimer (AD), intelligentie bij personen met autisme, motor netwerkconnectiviteit bij personen met de ziekte van Parkinson's, gezicht verwerking bij personen met body dysmorphic disorder en anorexia, emotieregulatie, geheugen en vele andere specifieke vragen met betrekking tot connectiviteit^{5,6,7 ,8,9,10,11}. In de huidige studie vergelijken we veranderingen in functionele connectiviteit van deelgebieden van de hippocampus tijdens de codering van geheugen en het ophalen tussen een groep van individuen op verhoogd erfelijk risico op neurale AD naar een groep zonder de risicofactor¹². De volgende beschrijft het protocol waarmee wij, toepassing van de gPPI aanpak, laten toe om te testen of taak-ontlokte veranderingen in functionele connectiviteit in samenwerking met de aanwezigheid van APOEε4, een genetische risico-factor voor advertentie verschillen.

Protocol

de huidige studie werd uitgevoerd in overeenstemming met de UCLA institutionele Review Board (IRB) protocollen en goedgekeurd door het UCLA Comité voor bescherming van menselijke onderwerpen. Alle deelnemers gaf schriftelijke geïnformeerde toestemming om te schrijven in deze studie.

1. deelnemer selectie

1. verkrijgen IRB goedkeuring voor het uitvoeren van de studie.
2. Scherm individuen leeftijd 55 en ouder voor cognitieve daling met behulp van een gestandaardiseerde neuropsychologische batterij. Omvatten proeven van algemene intelligentie (Subtests van de WAIS-III) ¹³, Fluency (fruit en groenten) ¹⁴, aandacht (cijfers voorwaarts en achterwaarts) ¹³, taal (Boston Naming Test ) ¹⁵, verbale geheugen (Buschke-Fuld selectieve herinneren taak) ¹⁶ WMS-III logische geheugen en verbale gekoppeld Associates leren ¹³ en visuele geheugen (Rey-Osterrieth figuur test) ¹⁷.
   1. hebben de deelnemers stemming vragenlijsten zoals de Hamilton depressie en angst inventarissen ^{18 , 19}, alsmede de Mini Mental State examen (voltooien MMSE) ²⁰.
3. Omvatten deelnemers die 26 score of hoger op de MMSE en beter presteren dan twee standaarddeviaties onder normaal voor hun leeftijd op cognitieve tests. Deelnemers worden uitgesloten met klinische angst, depressie of een andere neuropsychiatrische of neurologische ziekte. Exclusief deelnemers die niet voldoen aan de veiligheidscriteria MRI of die niet instemt met een bloed trekken.
   Opmerking: In de huidige studie, 93 deelnemers deze criteria voldaan (gemiddelde leeftijd = 67,4 jaar, 31M/49F).

2. Genotypering

1. hebben een opgeleide phlebotomist of andere medische beroeps wordt bloed trekken door elke deelnemer.
2. Isoleren 200 µg genomic DNA van 10 mL van het monster als beschreven ²¹.
3. Uit te voeren single nucleotide polymorphism (SNP) genotypering met behulp van PCR in real time op twee loci, rs429358 en rs7412 te discrimineren APOE allelen ²².
   1. Incorporate verslaggever pigmenten voor rs429358 en rs7412 in een SNP genotypering assay. Nadat elke PCR versterking cyclus is voltooid, plot fluorescerende signalen op een grafiek waarin verdeling van verslaggever en quencher verfstoffen. Uitvoeren van het experiment in tweevoud resultaten te bevestigen.
4. Analyseren de SNP genotypering gegevens met behulp van een softwarepakket ontwikkeld voor de real-time PCR-procedure uitvoer ²³.
   Opmerking: Het wordt gebruikt in de huidige studie berekend de affiniteit van het monster met een van de twee verslaggever kleurstoffen die, beurtelings, vertegenwoordigt een beleidsverklaring SNP boven de andere. In de huidige studie, 34 dragers van de advertentie risico allel, APOE ε4 (heterozygoot ε3/ε4) en 46 niet-dragers (homozygoot ε3/ε3) voor een totaal van 80 studiedeelnemers werden ingeschreven. Dragers van de APOEε2-allel uitsluiten omdat er bewijs is dat dit allel een beschermend effect aan AD. gerelateerde wellicht

3. Functionele en structurele Imaging gegevensverzameling

1. gebruik een MRI 3 Tesla (3T) systeem om geheel-brain imaging gegevens te vergaren.
   1. Voor functionele beeldvorming, axiale segmenten met behulp van een echo vlakke imaging (EPI) volgorde te verzamelen. Om de registratie van de functionele beelden, axiale T2-gewogen, co-vlakke structurele beelden sneetjes te verwerven. Voor hoge resolutie structurele imaging, verzamelen axiale segmenten met behulp van een 3D T1-gewogen sequentie.
      Opmerking: In de huidige studie, werd een 3T magneet met een 12-kanaals hoofd spoel gebruikt. De onderstaande parameters zijn ontworpen voor een specifieke scanner en spoel. Zie Tabel van materialen voor meer informatie.
      1. Ophaal functionele beeldvorming van gegevens met behulp van de volgende reeks parameters: herhaling tijd (TR) = 2.500 ms, echo van tijd (TE) = 21 ms, beeldveld (FOV) = 200 mm x 200 mm, flip hoek = 75°, matrix = 64 x 64, 33 segmenten, segment dikte = 3 mm, interslice kloof = 0 .75 mm, voxel grootte = 3.125 x 3.125 x 3,75 mm.
      2. Trigger de taak associatief geheugen ongerelateerde woorden om te beginnen met het derde deel van de functionele beeldvorming sequentie. De eerste twee delen van elke functionele scan van analyses om evenwichtstoestand-te verklaren, uitsluiten.
         Opmerking: De niet-verwante woorden associatief geheugen taak geweest elders beschreven ^{12 , 24}. Kort, het is een blok-functionele ontwerptaak met codering en retrieval blokken. Deelnemers zijn geïnstrueerd om te leren van paren van niet-verwante woorden.
      3. Ophaal T2-gewogen, co-vlakke structurele imaging gegevens met behulp van de volgende reeks parameters: TR = 5000 ms, TE = 34 ms, FOV = 200 mm x 200 mm, flip hoek = 90°, matrix = 128 x 128, 28 segmenten, segment dikte = 3 mm, interslice kloof = 1 mm en voxel grootte = 1,56 x 1 .56 x 4 mm.
      4. Verwerven high-resolution structurele (anatomische) imaging met behulp van de volgende magnetisatie bereid snelle Gradient Echo (MPRAGE) reeks parameters: TR = 1.900 ms, TE = 2,26 ms, TI = 900 ms, FOV = 250 mm x 218 mm, flip hoek = 9°, matrix = 256 x 215, 176 segmenten , snijd dikte = 1 mm, nul-gevuld met een matrix van 256 x 224 resulterend in een voxel grootte = 1 x 0.976 x 0.976 mm.

4. fMRI vet gegevens voorbewerken

1. voorbehandelen van de functionele gegevens met behulp van functionele MRI van de hersenen (FMRIB) Software bibliotheek (FSL) versie 6.0 (http://fsl.fmrib.ox.ac.ul) als volgt:
   1. Voor elke deelnemer ' s dataset, verwijderen hoofd beweging artefact uit de gegevens met behulp van de resolutie correctie FMRIB ' s lineaire afbeelding registratie Tool (MCFLIRT) ²⁵.
   2. Niet-hersenweefsel verwijderen uit de beelden hersenen extractie tool (inzet) gebruiken met de optionele -F vlag ²⁶.
   3. Het FSL Motion uitschieters hulpprogramma gebruiken voor het identificeren van de volumes in de functionele gegevens wanneer er buitensporige beweging gebaseerd op frame verplaatsing tussen volumes. Vlag van volumes waar beweging wordt gemeten als een uitschieter (boven ^{de 75 percentiel} + 1,5 keer het Inter kwartiel bereik) in vergelijking met de rest van de scan en de uitvoer van dit programma downweight gebruiken deze volumes in analyses.
      Opmerking: Voordat u groep vergelijkingen, Controleer dat gemiddelde beweging, zoals gemeten door FSL Motion uitschieters, niet van de twee fracties verschilt. Dit zal helpen waarborgen dat bevindingen niet worden gedreven door groep-gerelateerde verschillen in beweging.
2. De preprocessing en eerste niveau algemeen lineair model (GLM) met behulp van de grafische gebruikersinterface (GUI) voor FSL fMRI deskundige analyse Tool (FEAT) voor de eerste deelnemer instellen.
   Opmerking: Herhaal deze stap voor elke deelnemer van de studie. Als u wilt opslaan van de tijd, na het opzetten van een run voor één deelnemer, het schrijven van een script wilt uitvoeren voor de resterende studiedeelnemers voorbewerken ' gegevens door een wijziging van de " design.fsf " bestand (FSL FEAT output) voor elke deelnemer om te verwijzen naar van die deelnemer ' s specifieke gegevens.
   1. In het tabblad gegevens, klik op " 4D gegevens toevoegen " en ga naar de motie-gecorrigeerd en hersenen-geëxtraheerde bestand. De TR ingesteld op 2,5 s (overeenkomend met de TR van de functionele reeks verworven). Gebruik de standaard high-pass filter (ingesteld op 100 s).
      Opmerking: High-pass filter verwijdert laagfrequente signalen van geen belang.
   2. Klik op het tabblad pre stats op " geen " onder " bewegings-correctie " (zoals het werd reeds uitgevoerd in stap 4.1). Schakel " BET hersenen extractie " (zoals dit is reeds ingevuld in stap 4.1). Type " 5 " in het vak set 5 mm volle breedte half-maximaal Gaussian kernel (FWHM) voor ruimtelijke smoothing.
      Opmerking: De FWHM voor de smoothing kernel moet in het algemeen bedraagt ongeveer twee keer de grootte van de functionele scan voxel grootte.
   3. Gebruiken de uitvoer (6 kolommen, rijen = # van TRs in de scan) van MCFLIRT 6 één kolom tekstbestanden maken die de motie correctie beschrijven uitgevoerd op elk volume binnen de dataset. Deze zal worden toegevoegd aan het model als regressors in de volgende stap.
      1. In het tabblad Statistieken onder " volledige model setup ", toevoegen, de parameters 6 beweging en hun temporele derivaten zoals regressors of verklarende variabelen (EVs) in de GLM. Kies voor elke beweging EV " aangepaste " (1 inzending per volume) voor basisvorm, " geen " voor convolutie en controleer " toepassing temporele filtering. "
         Opmerking: Motion parameters hoeft niet te worden door een functie convolved omdat zij verwijst naar de herschikking uitgevoerd op elk functioneel volume tijdens beweging correctie en hoeft dus niet te worden aangepast.
   4. In het tabblad Statistieken selecteren in de uitvoer van FSL Motion uitschieters stap 4.1 onder de " toevoegen extra beschamen EVs ".
      Opmerking: Deze uitgang is een matrix ter aanduiding van elk volume dat was gemarkeerd voor buitensporige beweging en door toevoeging van het confound-bestand, zal worden deweighted in de GLM.
   5. Klik op het tabblad Statistieken op " volledig model set-up ". Maak de taak timing tekstbestanden ter aanduiding van het ontstaan en de verschuiving van de taak van de verschillende fasen en voeg deze als EVW in de GLM door 1 kolom formaat te kiezen en te navigeren naar de relevante tekstbestand (inclusief één voor de codering fase van de taak en één voor de fase ophalen). Voor " convolutie " kiezen de " dubbel-gamma HRF " optie in de vervolgkeuzelijst voor hen beiden. Niet doen model de basislijn- of niet-actieve gedeelten van de taak in de GLM.
      Opmerking: HRF staat voor hemodynamische reactie functie. De timing van de taak EV consequenter met verwachte vet signaal van taak-geïnduceerde veranderingen in de hersenen convolving de taak EV door de HRF verschuift.
   6. Op het tabblad registratie controleren " uitgebreide functionele afbeelding " en " structurele hoofdafbeelding " voor de registratie van een in twee stappen.
      1. Selecteer de deelnemer ' s co-vlakke T2-gewogen structurele scan voor de eerste stap, waarin functionele gegevens is aangemeld bij de co-vlakke Landeninformatie. Kies 6 graden van vrijheid (DOF) voor deze stap door te klikken op de tweede drop-down box onder deze stap en kiezen " 6 DOF ".
      2. Voor de volgende stap, waarin de T2-gewogen afbeelding is geregistreerd bij de hoge resolutie T1-gewogen MPRAGE, selecteer grens gebaseerd registration (BBR) vanuit naar de waterdruppel waas vak ²⁷.
         Opmerking: BBR intensiteit verschillen tussen witte stof en grijze stof gebruikt voor het registreren van structurele en functionele scans en is aangetoond dat beter presteren dan FLIRT en andere alternatieve methoden.
      3. De laatste stap, waar de hoge resolutie Landeninformatie is geregistreerd in de standaard sjabloon van de MNI152, kies voor 12 graden van vrijheid en een lineaire transformatie door te kiezen voor " 12 DOF ".
         Opmerking: Wanneer alle stappen in de sectie 4 volledig zijn de functionele gegevens zijn voorverwerkte en klaar voor verdere analyse.

5. Hippocampal zaden

1. genereren een masker van de linker hippocampus in elke deelnemer ' s hoge resolutie structurele ruimte met behulp van FSL ' s FMRIB geïntegreerde registratie en segmentatie Tool (eerste) segmentatie algoritme ²⁸ .
   Opmerking: Andere regio's, met inbegrip van juiste hippocampus, zou interessant zijn en geldig zaden voor verdere analyses.
2. Met behulp van een statistische softwareplatform, schrijven hun code in voor het berekenen van de lengte van de voorste en achterste derde van de structuur- ²⁹. In het bijzonder de lengte van het volumetrische hippocampal masker gebruiken in het anterior-posterior vlak te vinden van de coördinaten van de voorste en achterste derde van dit vliegtuig demarking.
   Opmerking: Een onlangs gepubliceerde methode voor het segmenteren van de hippocampus langs de longitudinale as misschien wel een alternatieve zaad creatie aanpak ³⁰.
3. Gebaseerd op deze coördinaten, maken beelden van de anterieure en posterieure hippocampal masker. Registreren van de anterieure en posterieure hippocampal maskers in native functionele ruimte met behulp van de " example_func2highres " matrix in de directory van de registratie van de uitgang FEAT.
   Opmerking: Met behulp van de anterieure en posterieure derde voorkomen signaal vervaging over de twee hippocampal zaden na registratie aan functionele ruimte. Er is bewijs van functionele specialisatie langs de longitudinale as van de hippocampus ^{31 , 32 , 33 , 34}. Anterior regio's zijn input regio's en bijbehorende met codering, terwijl de achterste hippocampus een gebied van de uitvoer die zijn gekoppeld aan geheugen ophalen en consolidatie ^{35 , 36 ,} is ³⁷. dus, met behulp van deze regio's kunt beoordeling van functionele betrokkenheid van anterior versus posterior hippocampus in codering versus ophalen fasen van de geheugen-taak.
4. Gebruik FSL betekenen timeseries (fslmeants) om de ontstoorde gemiddelde timeseries uittreksel uit de voorste en achterste hippocampal zaden ( Figuur 1). Volg de instructies van het programma en gebruiken beide de voorste of achterste hippocampal zaad als het masker en de ontstoorde, voorverwerkte functionele gegevens als de hoofdafbeelding.

Figuur 1 : Hippocampal zaden. In de oorspronkelijke ruimte, één deelnemer ' s voorste hippocampus zaad wordt weergegeven in het geel. Het zaad van de posterieure hippocampus voor eenzelfde deelnemer wordt weergegeven in het roze. Zaden worden gedefinieerd in elke deelnemer ' s uniek structurele imago en vervolgens geregistreerd aan hun functionele scan. Zaden zijn nooit in een gestandaardiseerde ruimte, dat de nauwkeurigheid van de hippocampal segmentatie verbetert. Dit cijfer is herdrukt met toestemming ¹². Klik hier voor een grotere versie van dit cijfer.

6. PPI Model

1. Gebruik de GUI voor FSL FEAT de voorverwerkte functionele gegevens te laden.
   1. Kies in het tabblad gegevens, de " filtered_func_data " ontstoorde afbeelding (output van de stappen in sectie 4 afgerond) als de input file. Stel in het tabblad pre stats correctie en hersenen winning van de beweging op " geen. " Unclick vakken standaardinteracties temporele filtering en ruimtelijke smoothing.
2. PPI ModEl Set-Up (tabel 1).
   1. Selecteer in het tabblad Statistieken " volledig model set-up ". In het tabblad EVs alle de EVs uit het eerste niveau model toevoegen: 6 bewegings-correctie EVs, EV matrix van FSL Motion uitschieters beschamen en timing EVs taak. Klik op de pijl-omhoog om toe te voegen EVs. Opnemen in dit model een EV voor de fysiologische timecourse uit het zaad (de tekstuitvoer in een bestand van fslmeants in stap 5.4) als een covariate niet van belang door te klikken op de pijl-omhoog.
   2. Maken de PPI-voorwaarden.
      1. Kiezen " interactie " in het menu van de basisvorm en selecteer het zaad timecourse EV en één taak EV. Voor de " maken van nul " optie, kies " betekenen " voor het zaad timecourse EV en " centrum " voor de taak EV. Herhaal deze procedure voor de andere taak fase(n). Uitvoeren van een apart model voor elke regio zaad.
         Opmerking: Deze nieuwe EVs zijn de PPI-voorwaarden voor de fase van de geselecteerde taak (psycho) en het zaad (fysio). In de huidige studie, werden een PPI voor de codering fase en een tweede termijn van de PPI voor de ophalen fase opgenomen in elk model PPI. Het " centrum " optie zorgt ervoor dat de " op " en " uit " fasen van de ontwerptaak blok worden behandeld. De " betekenen " optie wordt altijd toegepast op het zaad timecourse en resulteert in het gemiddelde wordt afgetrokken van dit regressor.
   3. Model in de contrasten en tabblad F-proeven, de volgende specifieke effecten door het invoeren van " 1 " cell in de bijbehorende EV: psych_enc (codering taak fase), psych_ret (ophalen taak fase), phys (zaad timecourse), PPI_enc (PPI van zaad en codering), PPI_ret (PPI zaad en het ophalen). Tot slot, voer een " -1 " model van negatieve PPIs voor elke taak fase.

tabel 1: gPPI model set-up.

7. vergelijkingen van de groep

1. Selecteer " op een hoger niveau analyse " in FSL FEAT uitvoeren van een enkelvoudige groep model vergelijken van APOEε4 vervoerders niet-dragers voor elke taak-zaad combinatie.
   Opmerking: Deze vergelijkingen worden uitgevoerd voor het genereren van de relevante groep 4D storingswaarden afbeeldingen (" res4d ") die nodig zijn voor het schatten van de gladheid van de dataset. Statistisch significante resultaten uit de vergelijking van deze groep zijn geldig, maar in de stappen onder een andere benadering van drempelmethode met AFNI en SPM8 in te stellen van een belangrijke cluster minimale gebaseerd op Monte Carlo simulaties beschreven.
2. Gebruik analyse van functionele Neuroimaging (AFNI)
   1. gebruik AFNI ' s 3dFWHMx (elke versie na December 2015) op de opdrachtregel te schatten de gladheid van de groep 4D storingswaarden afbeeldingen gegenereerd met behulp van FSL.
      Opmerking: Een bug werd ontdekt in AFNI ' s 3dClustSim en gecorrigeerd in mei 2015. In December 2015, AFNI ' s 3dFWHMx werd bijgewerkt aan nauwkeuriger model auto-correlaties. Aldus, versies van deze hulpprogramma's uitgebracht in December 2015 of later moet worden gebruikt.
   2. Gebruik AFNI ' s 3dClustSim (elke versie na December 2015) om te bepalen van cluster mate minima betekenis op verschillende voxel-niveau drempels bereiken. Omvatten de ramingen van de gladheid van de vorige stap in de opdrachtregel aanroepen van 3dClustSim. Uit de tabel gegenereerd door 3dClustSim, gebaseerd op de studie hypothesen over de verwachte gevolgen ' hoogte en omvang, kies een voxel-niveau drempel en de bijbehorende cluster minimummaat.
      Opmerking: In het algemeen, grotere clusters minimaliseren valse positieven.
3. Gebruik statistische parametrische Mapping (SPM8)
   1. met behulp van de GUI van het SPM8, selecteer " opgeven 2 ^nd-niveau ". De batch-editor wordt geopend. Selecteer " twee sample t-test " onder ontwerp. Navigeer naar de map met de parameter schatting beelden voor groep 1 (APOEε4 dragers) en selecteer door te klikken op hen. Voeg vervolgens groep 2 (niet APOEε4-dragers) beelden. Deze vergelijking uitvoeren door te klikken op de groene afspeelknop.
   2. Terug naar de SPM GUI, selecteer " schatten ", en ga naar het SPM.mat-bestand gemaakt in de vorige stap uitvoeren van het proces model schatting.
   3. Selecteer " resultaten " en stormloop groep vergelijking contrasten: APOEε4 vervoerders > APOEε4 niet-dragers, niet APOEε4-dragers > APOEε4 vervoerders.
      1. Klik op " definiëren een nieuwe contrast ", kies " T-contrast " onder " type " en voer " 1 -1 " in de " contrast " vak voor APOEε4 vervoerders > APOEε4 niet-dragers. Klik op " gedaan ". Kies " geen " voor toepassing maskeren, en handmatig de drempel van de set het voxel-niveau en het minimum cluster grootte volgens de bepaling gemaakt in stap 7.2.2.Enter "-1-1 " voor APOEε4 niet-dragers > APOEε4 vervoerders.
         Opmerking: In de huidige studie, de drempel van een voxelwise van p < 0,005 werd gebruikt en clusters thresholded Alfa < 0.05.

Resultaten

Er zijn vier voorwaarden aan rapportresultaten voor elke groep met twee verschillende actieve taak fasen (codering en ophalen) en twee zaad regio's (anterior en posterior hippocampus). De kaarten van de activering binnen-groep taak (hier niet getoond, zie Harrison et al., 2016¹²) tonen aan dat de Occipitale kwab, auditieve cortex, grote gebieden van de Pariëtale kwab, frontale taalgebieden, superieure temporele gyrus, en Spiegelse (meer uitgesproken tijden...

Discussie

Vroege taakgerichte fMRI studies werden ontworpen om te ontdekken van statistische relaties tussen bepaalde cognitieve processen of eisen en veranderingen in de Stoute signaal ten opzichte van een nulmeting. Deze traditionele aanpak is handig voor het identificeren van specifieke gebieden in de hersenen waar de activiteit wordt gemoduleerd door een experimentele taak. Daarentegen is een PPI-analyse voornamelijk bezig met de modulering van de functionele connectiviteit of synchronie van activiteit, die het gevolg is van e...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
3T manetische resonantie beeldvorming scanner	Siemens Medical Solutions	MAGNETOM Trio, A Tim System	3T MRI Scanner
FSL (FMRIB Software Library)	Oxford University	Versie 6.0	Functionele Beeldverwerkingssoftware
AFNI (Analyse van Functionele Neuroimaging)	National Institute of Mental Health, National Institutes of Health	Elke versie na mei 2015	Functionele Beeldverwerkingssoftware
SPM8 (Statistisch Parametrisch Kartering)	University College of London	SPM8	Functionele Beeldverwerkingssoftware
Matlab Software	The Mathworks, Inc	Versie R2012a	Computersoftware
SDS Software	Applied Biosystems, Inc	7900HT Fast Real-Time PCR System	Real Time PCR
Taqman Assays	ThermoFisher Scientific	Specifiek voor SNP	SNP Genotypering