Hoe te amygdala activiteit detecteren met Magneto Source Imaging gebruik
3 juni 2013
In dit artikel wordt beschreven hoe u amygdala-activiteit op te nemen met magneto (MEG). Naast dit artikel wordt beschreven hoe u trace vreesconditionering zonder bewustzijn, een taak die de amygdala activeert voeren. Het zal betrekking hebben op 3 thema's: 1) Het ontwerpen van een trace paradigma conditioning behulp achteruit maskeren om het bewustzijn te manipuleren. 2) Opnemen hersenen tijdens de taak met behulp van magneto-activiteit. 3) Met behulp van de bron beeldvorming om signaal van subcorticale structuren te herstellen.
Het algemene doel van deze procedure is om amygdala-activiteit tijdens leren te detecteren met behulp van MAGNETOENCEFALOGRAFIE of MEG. Dit wordt bereikt door eerst een implicieke angstlerenstaak te ontwerpen die de amygdala activeert. De tweede stap is om de hersenactiviteit tijdens de taak op te nemen met behulp van MEG.
Vervolgens identificeren we de oppervlakken van de cortex en de amygdala met behulp van hoogwaardige anatomische MRI-scans. De laatste stap is om de oppervlakken van de cortex en amygdala te gebruiken om de neurale bronnen van het MEJ-signaal te modelleren. Uiteindelijk kunnen bronbeeldmodellen worden gebruikt om neurale activering in de amygdala te tonen tijdens leren zonder bewustzijn.
Het belangrijkste voordeel van deze techniek ten opzichte van bestaande methoden zoals FMRI is dat MEG-signalen in realtime worden opgenomen en kunnen worden gebruikt om neurale processen te bestuderen die snel of van korte duur zijn. Hoewel deze methode kan worden gebruikt om de amygdala-functie te bestuderen, kan deze ook worden gebruikt om de functie van andere subcorticale regio's te bestuderen. Begin met het verbinden van de stimuluspresentatiecomputer met het MEG-acquisitiesysteem met behulp van een standaard DB 25 multi-connector lintkabel.
Verbind vervolgens de stimuluspresentatiecomputer met de slab standalone monitor of sam. Met behulp van de acht bit naar twee bit isolatieadapter en de synchronisatiekabel kunnen de transistor-transistorlogicapulsjes die worden gebruikt om de stimuluspresentaties te markeren artefacten in de MEG-gegevens veroorzaken als ze naar de sam worden verzonden. Om deze artefacten te voorkomen, markeert u het begin van de stimuli met alleen de bits die worden geblokkeerd door de isolatieadapter, zoals hier te zien is.
De schokstimulator wordt vervolgens aangesloten op de sam. Vervolgens voert u een afgeschermde verlengkabel door de hulsgeleider en verbindt u deze met de schokstimulator. De SAM moet vervolgens worden aangesloten op een computer die de slab-gegevensacquisitiesoftware gebruikt.
Verbind de draaischakelaar met de stimuluspresentatiecomputer en het MEG-acquisitiesysteem met behulp van de game port naar game port BNC-splitter en de game port naar USB-adapter. Bevestig elektroden en sensoren aan het onderwerp met behulp van het schema dat hier wordt getoond. Zodra het correct is ingesteld, digitaliseert u de positie van het hoofd van het onderwerp ten opzichte van de HPI-spoelen met behulp van fiduciale punten.
Digitaliseer vervolgens 50 tot 100 punten langs de hoofdhuid van het onderwerp. Begeleide het onderwerp naar het MEG-systeem en sluit de elektroden en sensoren aan op de juiste interface. Verhoog de stoel zodat het hoofd van het onderwerp de bovenkant van de MEG-helm raakt en plaats het scherm zodat het geprojecteerde beeld scherp staat.
Stel vervolgens de schok in op een niveau dat het onderwerp meldt als pijnlijk maar toelaatbaar. Geef ten slotte instructies aan het onderwerp over het juiste gebruik van de draaischakelaar met behulp van een voorbeeldpresentatiescenario. Begin met het laden van de slab-gegevensacquisitiesoftware om te beginnen met het opnemen van gebeurteniscodes en schoklevering.
De trainingssessie is van tevoren geprogrammeerd en bestaat uit vier blokken differentiële trace angstconditionering met 15 proeven per conditie, stimulus of CS per blok, zoals hier te zien is wanneer alles klaar is. Begin met vier trainingsproeven en neem ruwe gegevens op met twee kilohertz. Controleer tijdens elk visueel de gegevens in realtime op systematische bron van ruis.
Na elke run vraagt u het onderwerp de intensiteit van de schok te beoordelen om habituatie te beoordelen. Na het voltooien van de proeven, gebruik free surfer om een gesegmenteerd subcorticaal volume en oppervlakken van de cortex, buitenste huid en buitenste schedel te maken. Maak vervolgens de amygdala- en hippocampusvolumes en converteer deze naar oppervlakken.
Gebruik Slicer drie en ParaView om de volgende stap te maken in de brainstorm-database. Importeer het MRI-volume in brainstorm en vervorm het volume naar standaardruimte door de fiduciale punten te identificeren, importeer de oppervlakken en lijn de schedeloppervlak handmatig uit met MRI. Eenmaal voltooid.
Pas deze transformatie toe op alle andere oppervlakken. Voeg de schil, hippocampus en amygdala-oppervlakken samen. Creëer ten slotte gebieden van interesse voor de amygdala en hippocampus.
Nadat ze zijn gemaakt, importeert u het MEG-opnamebestand voor elke trainingssessie. De MEG-acquisitiesoftware gebruikt signaalverruimsscheiding om artefacten te verwijderen die worden veroorzaakt door bronnen buiten de magnetisch afgeschermde ruimte. Zorg ervoor dat u de schone bestanden gebruikt die vaak in een map met SSS worden gevonden om de geëvoqueerde reacties te analyseren.
Gebruik eerst het gebeurteniskanaal om epics te identificeren die overeenkomen met elk van de experimentele proeven. Verwijder artefacten veroorzaakt door hartslagen en oogbewegingen met behulp van signaalverruimprojecties van gebeurtenissen die zijn geïdentificeerd op de elektrocardiografie- en elektro-iconografiekanalen. Verfijn vervolgens de MRI-registratie met behulp van hoofdpunt.
Bereken de ruisvariantie uit de opnames met behulp van de overlappende sferenmethode met cortexinvoer, bereken het hoofdmodel, bereken bronnen met behulp van de minimumnorm-schattingsmethode en ga door met analyse op bronnen. Filter vervolgens de bronnen voor de individuele proeven. Neem de absolute waarde van de bandpass-gefilterde bronnen en converteer deze waarden naar Z-scores op basis van de baseline-variabiliteit, ruimtelijk verzacht de bronnen en gemiddelde bronnen over proeven.
Project deze gemiddelden op de standaard anatomie voor het experiment. Bereken vervolgens T-tests op de bronnen in de verschillende omstandigheden. Filter significante T-testresultaten met behulp van ruimtelijke en temporele drempels om te corrigeren voor familiefout.
Identificeer significant geactiveerde regio's en exporteer het tijdsverloop van activering voor elk onderwerp. Bereken tenslotte de gemiddelde en standaardfout van het gemiddelde over de onderwerpen op elk tijdstip. Project eerst de ruwe gegevens van de individuele proeven op de standaard anatomie voor het experiment. Bereken tijdfrequentiedecompositie op gegevens van anatomische en functionele interessegebieden.
Converteer de resulterende tijdfrequentiedecompositie-
Overzicht
Dit artikel beschrijft een methode voor het registreren van amygdala-activiteit met behulp van magnetoencefalografie (MEG) tijdens trace fear conditioning zonder bewustzijn. Het schetst het ontwerp van een trace conditioning-paradigma, de registratie van hersenactiviteit en het gebruik van source imaging om signalen uit subcorticale structuren te analyseren.
Belangrijkste studiecomponenten
Wetenschappelijk vakgebied
- Neurowetenschappen
- Gedragspsychologie
- Neurobeeldvorming
Achtergrond
- Het begrijpen van de functie van de amygdala is essentieel voor het bestuderen van emotioneel leren.
- Magnetoencefalografie (MEG) biedt realtime gegevens over hersenactiviteit.
- Trace fear conditioning is een methode die wordt gebruikt om impliciet leren te bestuderen.
- Backward masking kan worden gebruikt om het bewustzijn tijdens conditioneringstaken te manipuleren.
Doel van de studie
- Om amygdala-activiteit tijdens impliciet angstleren te detecteren.
- Om MEG te gebruiken voor real-time registratie van hersenactiviteit.
- Om neurale bronnen van MEG-signalen uit subcorticale structuren te analyseren.
Gebruikte methoden
- Het ontwerpen van een trace-conditioneringsparadigma met backward masking.
- Het registreren van hersenactiviteit tijdens de conditioneringstaak met behulp van MEG.
- Het gebruik van MRI met een hoge resolutie voor anatomische mapping van de amygdala.
- Het toepassen van bronbeeldtechnieken om neurale signalen te herstellen.
Belangrijkste resultaten
- Succesvolle detectie van amygdala-activatie tijdens leertaken.
- MEG-gegevens in real-time toonden snelle neurale processen aan.
- Source imaging onthulde significante activatiepatronen in de amygdala.
- De bevindingen ondersteunen de effectiviteit van MEG ten opzichte van traditionele fMRI-methoden.
Conclusies
- MEG is een waardevol instrument voor het bestuderen van de functie van de amygdala in realtime.
- De methode kan worden aangepast voor andere subcorticale regio's.
- Fear conditioning zonder bewustzijn biedt inzicht in mechanismen van impliciet leren.
Veelgestelde vragen
Industriële relevantie voor executives
Het detecteren van amygdala-activiteit tijdens impliciet angstleren biedt een mechanistisch inzicht in onbewuste dreigingsverwerking, wat relevant is voor het verminderen van risico's bij therapeutische hypothesen gericht op het centrale zenuwstelsel (CZS). Magnetoencefalografie (MEG) met bronbeeldvorming maakt real-time onderzoek met een hoge temporele resolutie naar diepe hersenstructuren mogelijk, wat bijdraagt aan de vroege validatie van targets die betrokken zijn bij emotionele regulatie en angststoornissen. Deze benadering slaat een brug tussen ontdekkingsneurowetenschappen en de ontwikkeling van translationele biomarkers door neurale reacties op biologisch relevante stimuli te kwantificeren zonder bewuste waarneming.
Strategische Toepassingen in Biofarmaceutische R&D
Vroege Ontdekking & Targetvalidatie
- Wetenschappelijke waarde: Maakt onderzoek naar amygdala-afhankelijke angstcircuits mogelijk om targets te valideren die impliciet emotioneel leren moduleren.
- Operationele waarde: Biedt een menselijk relevant systeem om target-engagement in subcorticale regio's te onderzoeken die ontoegankelijk zijn voor tragere hemodynamische methoden.
Screening & Assayontwikkeling
- Wetenschappelijke waarde: Genereert kwantificeerbare, tijdopgeloste neurale activatiemetrieken die geschikt zijn voor assay-achtige screening van verbindingen die de angstverwerking beïnvloeden.
- Operationele waarde: Ondersteunt de standaardisatie van stimulustiming en neurale read-outs over experimentele sessies heen voor een reproduceerbare beoordeling van doelgerichte modulatie.
Translationeel & Preklinisch Onderzoek
- Wetenschappelijke waarde: Sluit aan bij ziekte-relevante systemen door impliciete angstreacties te modelleren die verbonden zijn met de pathofysiologie van angststoornissen en PTSS.
- Operationele waarde: Faciliteert translationele continuïteit van angstconditioneringsparadigma's bij knaagdieren naar menselijke neurale correlaten van dreigingsverwerking.
Integratie van pipeline en workflow
Deze methode past binnen het ontdekkingscontinuüm, van het testen van target-hypotheses tot lead-identificatie, en biedt een readout op neuraal niveau die bijdraagt aan mechanistische risicoreductie voorafgaand aan fenotypische screeningscampagnes.
- Ontdekkingsbiologie: Ondersteunt de verduidelijking van signaalpaden door het isoleren van amygdala-specifieke reacties tijdens trace conditioning, wat doelwitvalidatie in angst- en stresscircuits mogelijk maakt.
- Screening: Levert kwantitatieve, over trials gemiddelde metrieken voor neurale activatie die vergelijking van experimentele condities mogelijk maken, zoals reacties op gemaskerde versus ongemaskerde stimuli.
- Analytica: Maakt gebruik van source imaging, minimum norm estimation en statistische drempelwaarden om ruimtelijk en temporeel opgeloste neurale activatiekaarten te genereren voor conditievergelijkingen.
- Translationeel onderzoek: Verbindt impliciet angstleren bij mensen met preklinische modellen door een cross-species neuraal correlaat van dreigingsverwerking tijdens trace-intervallen te bieden.
- Bedrijfsmatige hergebruik: Vestigt een herbruikbaar neuroimaging-platform voor het onderzoeken van subcorticale doelwitten in meerdere therapeutische gebieden, waaronder angst, verslaving en stoornissen in de sociale cognitie.
Operationele & Bedrijfsimpact
- Wetenschappelijke waarde: Verhoogt het voorspellende vertrouwen bij targetvalidatie door ambiguïteit in de mechanistische pathways van impliciet emotioneel leren te verminderen.
- Operationele waarde: Levert reproduceerbare, real-time neurale signalen met een hoge temporele resolutie, waardoor nauwkeurige analyse van snelle cognitieve processen mogelijk wordt.
- Strategische waarde: Verbetert go/no-go-beslissingen door vroegtijdig neuraal bewijs te leveren van targetinteractie in subcorticale circuits, wat uitval in een laat stadium door gebrek aan targetmodulatie vermindert.
- Impact op portfolio: Maakt risico-gecorrigeerde prioritering van verbindingen mogelijk op basis van hun vermogen om amygdala-afhankelijke angstreacties te moduleren zonder dat bewuste waarneming vereist is.
Overwegingen bij de implementatie
- Vereist expertise in MEG-acquisitie, MRI-gebaseerde bronmodellering en het ontwerp van angstconditioneringsparadigma's.
- Is afhankelijk van magnetisch afgeschermde kamers, MEG-systemen met een hoge temporele resolutie en gesynchroniseerde hardware voor stimuluslevering.
- Vereist cross-team standaardisatie tussen groepen voor neurowetenschappen, beeldvorming en data-analyse voor consistente preprocessing en statistische correctie.
- Omvat overwegingen voor aanpassing bij het uitbreiden van het amygdala-gecentreerde model naar andere subcorticale structuren, zoals de hippocampus of hypothalamus.
- Wordt beperkt door de noodzaak van geïndividualiseerde anatomische modellering en de uitdaging om diepe bronsignalen van ruis te onderscheiden zonder geavanceerde technieken voor signaalruimtescheiding en projectie.
Biopharma Veelgestelde Vragen
Chapters in this video
0:05
Title
1:21
Magnetoencephalography (MEG) Set-up
2:36
Subject Preparation
3:33
Record MEG During Training
4:22
Preprocess MRI Volume
5:28
Preprocess MEG Recordings
6:17
Analyze Evoked Responses
7:54
Perform Time-frequency Decompositions on ROI
8:31
Results: MEG Signals from Subcortical Structures
10:21
Conclusion
