Netwerk Analyse van de default-Functioneel Connectiviteit MRI in temporale kwab epilepsie
August 5th, 2014
De standaardmodus Network (DMN) in temporale kwab epilepsie (TLE) wordt geanalyseerd in de rusttoestand van de hersenen met behulp van zaad-gebaseerde functionele connectiviteit MRI (fcMRI).
Het algemene doel van het volgende experiment is om statistische kaarten te verkrijgen. Vergelijk de verschillen tussen FMRI-scans in rusttoestand tussen gezonde controles en patiënten met epilepsie. Dit wordt bereikt door FMRI-gegevens te verkrijgen bij proefpersonen met temporale lob epilepsie, evenals bij gezonde controleproefpersonen.
Als tweede stap wordt de FMRI voorverwerkt, wat de gegevens voorbereidt om statistisch te worden geanalyseerd. Vervolgens wordt de voorverwerkte FMRI-gegevens geanalyseerd om statistisch valide vergelijkingen tussen de twee groepen te verkrijgen. Er worden resultaten verkregen die verschillen in hersennetwerken tonen bij patiënten met epilepsie in vergelijking met hersennetwerken van gezonde controleproefpersonen.
Op basis van statistische verschillen in hersennetwerkkaarten tussen deze twee groepen, is het steeds duidelijker geworden dat zelfs epilepsieën die zich manifesteren door focale aanvallen emergente eigenschappen zijn van diffuse netwerkstoornissen. Het idee voor deze techniek ontstond na het herkennen van het belang van het DEF Favo-netwerk tijdens aanvallen en de vraag of het standaard LO-netwerk abnormaal is tussen aanvallen bij temporale lob epilepsie. De studiepopulatie voor dit protocol zou drie groepen moeten omvatten, toch?
Patiënten met temporale lob epilepsie, patiënten met temporale lob epilepsie aan de linkerkant, evenals gezonde controles. In totaal worden ongeveer 35 proefpersonen aanbevolen. De epilepsieproefpersonengroep zou patiënten moeten zijn die zijn gediagnosticeerd met temporale lob epilepsie, zoals kandidaten voor anterior temporale lob resectie zoals bepaald door video, EEG-bewaking, PET-beeldvorming en neuropsychologisch testen om ervoor te zorgen dat alle proefpersonen normale hersen-MRI's hebben en vrij zijn van neurologische ziekten behalve epilepsie in de patiëntengroepen.
Verkrijg IRB-goedkeuring en schriftelijke geïnformeerde toestemming van alle proefpersonen voorafgaand aan beeldvorming en screening voor MRI. Veiligheid. Patiënten moeten hun gebruikelijke medicatie tijdens de FMRI-scan blijven gebruiken en mogen niet onmiddellijk na een aanval worden gescand. Er moet een drie Tesla MRI-systeem worden gebruikt voor alle beeldvorming die in dit protocol wordt beschreven.
Verkrijg axiale plakken voor functionele beelden met behulp van een echo planar imaging-sequentie en voor anatomische beelden, gebruik een spoiled gradient recalled-sequentie. Vraag de deelnemers om te ontspannen en stil te blijven met hun ogen gesloten, en voer functionele beeldvorming uit met de parameters zoals hier te zien. Gebruik ook de volgende parameters voor de S PGR T een gewogen hoge resolutie structurele beeldvorming.
Elke beeldvormingssessie moet ongeveer 20 minuten duren. Begin met het voorverwerken van de FMRI-gegevens met behulp van FSL-software. Gebruik FSL MFL om hoofdbewegingsartefacten te verwijderen.
Gebruik vervolgens de FSL-hersenextractietool of BET om niet-hersenweefsel te verwijderen met de optie dash F voor vetgedrukte bestanden. Dit maakt verdere analysestappen op het hersenweefsel alleen mogelijk. Voer vervolgens een minimaal verwerkte analyse uit met registratie.
Selecteer eerst niveau-analyse en wijzig volledige analyse in pre-stats van de bovenste twee knoppen. Schakel vervolgens onder de pre-stats-tab, vet hersenextractie uit en selecteer geen voor bewegingscorrectie, aangezien deze al zijn uitgevoerd. Registreer vervolgens de functionele beelden naar de anatomische beelden en vervolgens naar een standaard MNI-beeld.
Dit resulteert in de generatie van transformatiematrices, die later tijdens de analyse worden gebruikt om het in standaardruimte geselecteerde zaad in de hersenruimte van het proefpersoon te vervormen. Gebruik vervolgens de gegenereerde transformatiematrix genaamd standaard om voorbeeldfunk dot mat te transformeren en CSF- en witte stof ROI's naar de individuele bold-ruimte. Gebruik vervolgens de FSL mean TS-opdracht om de tijdreeksen uit de CSF- en witte stof ROI's te extraheren.
Gebruik de ROI in de individuele proefpersoonruimte als masker om de geëxtraheerde tijdreeksen te normaliseren met behulp van de software R. Deze tijdreeksen worden later gebruikt als regressors in het algemene lineaire model om de bijbehorende artefactuele signalen uit de analyse te verwijderen. De volgende stap is het verwijderen van artefacten gerelateerd aan proefpersoonsbeweging. Voor regressie van de bewegingsparameters.
Stel het volgende in FSL-voeten in voordat u het eerst uitvoert binnen de data-tab, gebruik het bewegingsgecorrigeerde en hersenextractiebestand als invoer en stel de TR-waarde in om overeen te komen met uw dataset. Stel high-pass filtering in met een 102-filter, die zeer lage frequentiesignalen van geen belang zal verwijderen. Een lowpass-filter om hoge frequentiesignalen te verwijderen zal later worden toegepast binnen de pre-stats-tab.
Kies geen onder bewegingscorrectie en schakel uit, maar hersenextractie. Aangezien deze stappen zijn uitgevoerd, voer ruimtelijke verzachting uit met een vijf millimeter volledige breedte op de helft van de maximum. Vervolgens in de stats-tab, regresseer de zes bewegingsparameters en hun temporele afgeleiden.
Selecteer geen voor convolutie en vink toepassing van temporele filtering aan. Gebruik de uitvoer van F selmic flirt om tekstbestanden van bewegingsparameters te verkrijgen, die vervolgens kunnen worden ingevoerd in de voetenanalyse om deze in een algemeen lineair model te regresseren. Voeg ook de CSF- en witte stofsignalen toe die in eerdere stappen zijn geëxtraheerd en genormaliseerd.
Selecteer geen voor convolutie. Voeg een temporele afgeleide toe en schakel toepassing van temporele filtering uit. De restanten van de hierboven beschreven voorverwerking moeten worden gebruikt voor zaadgebaseerde correlatie.
Deze restanten moeten eerst door een lage PESS-filter van 0,1 hertz worden gepasseerd, vervolgens gedemeaned worden door de gemiddelde te trekken, delen door de standaarddeviatie en vervolgens worden geschaald door 100 toe te voegen. Het zaad moet worden gedefinieerd met een diameter van zes millimeter. In de standaard MNI-ruimte. Met behulp van MRI-kroonsoftware moeten de achterste en de voorste zaden overeenkomen met de coördina
View the full transcript and gain access to thousands of scientific videos
Overzicht
Deze studie onderzoekt het Default Mode Network (DMN) bij patiënten met Temporale Lobe Epilepsie (TLE) tijdens rusttoestand met behulp van functionele connectiviteit MRI (fcMRI). Het onderzoek heeft tot doel verschillen in hersennetwerken te vergelijken tussen gezonde controles en TLE-patiënten.
Belangrijkste onderdeel van het onderzoek
Wetenschapsgebied
- Neurowetenschap
- Functionele MRI
- Epilepsie Onderzoek
Achtergrond
- Temporale Lobe Epilepsie beïnvloedt de hersenconnectiviteit.
- Het Default Mode Network is cruciaal voor het begrijpen van hersenfunctie.
- Resttoestand fMRI biedt inzichten in hersenactiviteitspatronen.
- Vergelijkende studies helpen bij het identificeren van abnormaliteiten bij epilepsie.
Doel van het onderzoek
- Om rusttoestand fMRI-scans bij TLE-patiënten te analyseren.
- Om hersennetwerken te vergelijken tussen TLE-patiënten en gezonde controles.
- Om statistisch significante verschillen in hersenconnectiviteit te identificeren.
Gebruikte methoden
- Seed-based functionele connectiviteit MRI (fcMRI) analyse.
- Gegevensverzameling van TLE-patiënten en gezonde controles.
- Voorverwerking van fMRI-gegevens voor statistische analyse.
- Statistische vergelijking van hersennetwerken tussen groepen.
Belangrijkste resultaten
- Er werden verschillen in hersennetwerken waargenomen tussen TLE-patiënten en controles.
- Statistische kaarten onthulden veranderde connectiviteit in het DMN.
- De bevindingen dragen bij aan het begrijpen van de neurale basis van epilepsie.
- De resultaten kunnen toekomstige therapeutische strategieën informeren.
Conclusies
- De studie benadrukt significante verschillen in hersenconnectiviteit bij TLE.
- Resttoestand fMRI is een waardevol hulpmiddel voor epilepsieonderzoek.
- Verder onderzoek is nodig om klinische implicaties te onderzoeken.
Veelgestelde vragen
Executive Industry Relevance
Understanding network-level disruptions in neurological disorders like Temporal Lobe Epilepsy (TLE) supports target validation by revealing distributed pathophysiology beyond focal lesions. Seed-based functional connectivity MRI (fcMRI) enables mechanistic de-risking by quantifying Default Mode Network (DMN) alterations that correlate with clinical phenotypes such as impaired consciousness. This approach enhances predictive confidence in preclinical models by linking network biomarkers to disease subtypes, informing portfolio triage for CNS therapeutics.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by testing whether DMN hub disconnection serves as a network-level biomarker of TLE pathophysiology.
- Operational Value: Enables biological de-risking through reproducible seed-based correlation analysis that isolates specific network connections for functional target validation.
- Predictive Value: Supports portfolio triage by demonstrating how left and right TLE exhibit divergent DMN connectivity patterns, informing subtype-specific therapeutic strategies.
Screening & Assay Development
- Assay Readiness: Prepares validated biological systems for downstream workflows by establishing standardized fcMRI protocols that quantify intra- and inter-network connectivity.
- Quantitative Outputs: Delivers reproducible Z-statistic maps and Fisher Z-transformed correlation metrics enabling reliable compound effect screening in disease models.
- Platform Reuse: Highlights scalability of seed-based fcMRI across neurological disorders, supporting cross-indication assay standardization and reduced redevelopment burden.
Translational & Preclinical Research
- Translational Continuity: Connects discovery findings to preclinical validation by demonstrating how resting-state fcMRI captures basal-state network abnormalities relevant to seizure-related consciousness impairment.
- Risk-Adjusted Advancement: Informs go/no-go decisions by showing that DMN alterations persist between seizures, supporting chronic target engagement over acute seizure suppression.
- Mechanistic De-risking: Focuses on predictive value by linking network connectivity changes to cognitive outcomes, reducing ambiguity in target selection for CNS indications.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from hypothesis testing through lead identification, where network connectivity metrics serve as pharmacodynamic readouts for target engagement in epilepsy models.
- Discovery Biology: Supports hypothesis testing by enabling statistical comparison of DMN connectivity between disease models and controls, clarifying pathway involvement in TLE.
- Screening: Describes assay readiness through standardized preprocessing and seed correlation steps that yield reproducible connectivity matrices for compound screening.
- Analytics: Highlights Fisher Z transformation and cluster-based thresholding as statistical outputs that allow cross-condition comparison of network effect sizes.
- Translational Research: Connects method to preclinical continuity by showing how basal-state DMN disconnection aligns with consciousness impairment, a clinically relevant endpoint.
- Enterprise Reuse: Positions seed-based fcMRI as a reusable platform for network biomarker qualification across CNS indications, not limited to single-study application.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence through quantification of DMN hub disconnection as a mechanistically interpretable biomarker of network dysfunction in TLE.
- Operational Value: Standardization and reproducibility via predefined seed coordinates in MNI space and standardized FSL-based preprocessing pipelines.
- Strategic Value: Better go/no-go decisions by enabling detection of lateralized DMN changes (increased left TLE, decreased right TLE connectivity) that may predict differential drug response.
- Portfolio Impact: Risk-adjusted prioritization by identifying DMN connectivity as a stratification biomarker for enrichment in clinical trials of CNS therapeutics.
Implementation Considerations
- Requires expertise in neuroimaging data analysis, including FSL preprocessing, GLM modeling, and correlation mapping.
- Depends on access to 3T MRI systems with EPI and SPGR sequences, plus software tools (FSL, R) for time series extraction and normalization.
- Necessitates cross-team standardization between imaging, analysis, and biology teams to ensure consistent seed definition and group-level statistical thresholds.
- Involves adaptation considerations when applying seed coordinates to non-human models or alternative atlases, with validation needed for species-specific homology.
- Includes practical limitations such as susceptibility to motion artifacts, requiring strict subject compliance and post-processing regression of motion and physiological noise.
