Toepassing van Granger causaliteit analyse van de gestuurde functionele verbinding in de ziekte van Alzheimer en Mild cognitief stoornis
7 augustus 2017
Gebaseerd op rust statuswaarden functionele magnetische resonantie imaging met Granger causaliteit analyse, onderzochten we de wijzigingen in de gestuurde functionele connectiviteit tussen het posterieure cingularis cortex en de hele hersenen in patiënten met de ziekte van Alzheimer (AD), patiënten met milde cognitieve stoornis (MCI) en gezonde controles.
Het algemene doel van deze Granger Causality Analysis is om gerichte functionele connectiviteit in de hersenen te bestuderen met betrekking tot de progressie van de ziekte van Alzheimer, waardoor een nieuw objectief fundament wordt gelegd voor het beoordelen van de ernst van de ziekte. Deze methode kan helpen bij het beantwoorden van belangrijke vragen op het gebied van de ziekte van Alzheimer, zoals de gerichte connectiviteit tussen de PCC en hele hersengebieden. Het grote voordeel van deze techniek is dat het de causale effecten van FMRI-tijdreeksen meet en de dynamische en richting van slecht signaal toont.
De implicatie van deze techniek strekt zich uit tot de diagnose van de progressie van de ziekte van Alzheimer omdat het de gerichte functionele connectiviteit tussen AD, MCI en de controlegroepen vergelijkt. Door deze methode kan inzicht worden verkregen in de schaal van de gerichte functionele connectiviteit van Alzheimer, het kan ook worden toegepast op andere systemen zoals elektroencefalogramstudies. Over het algemeen zullen personen die nieuw zijn met deze methode worstelen als ze niet bekend zijn met de werking van de software.
We hebben eerst hier toegevoegd voor het semester, en vervolgens beoordelen we de eerdere literatuur over Granger Causality Analysis. Met een realistische demonstratie van deze methode is het essentieel omdat er meer dan wat in de tekst kan worden geschreven, meerdere punten te noteren zijn. Begin met het openen van RESTplus via de software en klik links op Pipeline.
Importeer de relevante bestanden in RESTplus. Selecteer de werkmap en vervolgens de start-EPI en T1-mappen. Om Dicom-bestanden om te zetten naar Nifti, vinkt u het vakje DicomToNifti aan in Preprocessing.
En vink de EPI Dicom naar Nifiti en de T1 naar Nifiti parameters aan. Verwijder de eerste 10 tijdstippen door het vakje RemoveFirstTimePoints aan te vinken en de eindparameter in te stellen op 10. Vink vervolgens het Slice timing-vakje aan.
Stel het aantal plakjes in volgens de RS FMRI-parameters van de studie en voer de plakjesvolgorde in. Vink Realign aan om de tijd en hoofdbeweging te corrigeren. Voer vervolgens ruimtelijke normalisatie uit door Normalize aan te vinken en laat de standaardparameters onderaan staan.
Gebruik de T1-afbeelding uniforme segmentatie en alle hoofden standaardiseren naar dezelfde ruimte door de parameters te selecteren. Normaliseer door gebruik te maken van T1-afbeelding uniforme segmentatie en Europees. Selecteer vervolgens smooth om ruimtelijke afvlakking uit te voeren met behulp van een isotropisch Gaussiaanse kern met een volledige breedte bij half maximum van 6 mm.
Verwijder de lineaire trend door Detrend aan te vinken. Selecteer regressie van ongewenste covarianten in het volgende, zes hoofdbewegingsparameters, globaal gemiddeld signaal, witte stof signaal en cerebrospinale vloeistof signaal om de signaal-ruisverhouding te verhogen. Selecteer ten slotte filter om signalen tussen 0,01 tot 0,08 hertz te behouden.
Verwijder hoge frequentie fysiologische ruis en verwijder lage frequentie drift. Begin met het uitvoeren van de voxel-gewijze Granger Causality Analysis, of GCA, door gebruik te maken van de REST GCA in de REST-toolbox. Vink in het vakje Postprocessing GCA aan.
Stel de volgorde in op een in de standaard. Selecteer ROI definiëren en kies de sferische ROI om het gebied van interesse te definiëren. Selecteer volgende.
Identificeer interessepunten in de posterieure singulair cortex, of PCC, door de centrumcoördinaten en straal van de zaad-ROI in te stellen op basis van de bekende gegevens en OK te selecteren. Selecteer vervolgens Run en OK om het programma uit te voeren. Zoek vervolgens naar mappen met de naam ZGCA en GCA na verwerking van relevante bestandsgegevens. Sorteer de bestanden van ZGCA en classificeer ze in vier submappen, XX, XY, YX, YY.
Open binnen de software RESTplus en klik links op Statistische Analyse. Klik links op REST Two-Sample T-Test. Noem het uitvoerresultaat T1XY en stel de uitvoermap in.
Klik links op Groepsafbeeldingen toevoegen om de XY-submap in de AD-resultatenmap en de XY-submap in de NC-resultatenmap te openen. Klik vervolgens links om het BrainMask-subbestand in de maskermap te openen. Selecteer vervolgens Compute om het programma uit te voeren.
Noem de uitvoerresultaten T2XY en stel de uitvoermap in. Klik links op Groepsafbeeldingen toevoegen om de XY-submap in de AD-resultatenmap te openen. En de XY-submap in de MCI-resultatenmap.
Herhaal de berekening van het hersenmaskerbestand om uitvoer voor T3XY, T1YX, T2YX en T3YX te verkrijgen voor een totaal van zes bestanden. Klik links op Viewer van RESTplus om de resulterende bestanden te bekijken. Importeer de sjabloon met de naam Ch2 in Onderlaag.
Ten slotte vindt u de zes resulterende bestanden in de uitvoermap en vult u de overlay één voor één in. Maak de uiteindelijke grafiek met behulp van de zes uitvoerbestanden. Nadat de actieve knooppunten in de hele hersenen voor het eerst werden geïdentificeerd, werd GCA-technologie gebruikt om de gerichte functionele connectiviteit van de PCC naar de hele hersenen te bepalen.
En van de hele hersenen naar de PCC in de AD, MCI en controlegroepen. De gerichte connectiviteit van de hele hersenen naar de PCC was verbeterd in de AD-groep in vergelijking met de normale controlegroep en was voornamelijk gericht op de bilaterale cerebellaire regio buiten de DMN. De gerichte connectiviteit van de PCC naar de hele hersenen was significant verminderd in de AD-groep in vergelijking met de controles met de belangrijkste regio's zoals de rechter precuneus en de linker meta frontale gyrus die tot de DMN behoren.
Terwijl deze techniek in 14 uur kan worden voltooid als het op de juiste manier wordt uitgevoerd. Bij het uitvoeren van deze procedure is het belangrijk om te onthouden dat alle bestands- en fotonamen in het Engels moeten zijn en geen spaties mogen bevatten. Na de ontwikkeling van deze techniek heeft deze de weg geëffend voor onderzoekers op het gebied van FMRI om de gerichte functionele connectiviteit in de progressie van de ziekte van Alzheimer te verkennen.
Na het bekijken van deze video, zou u een goed begrip moeten hebben van hoe u de gerichte functionele connectiviteit in de hersenen gerelateerd aan de
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Deze studie onderzoekt gerichte functionele connectiviteit in de hersenen met betrekking tot de progressie van de ziekte van Alzheimer met behulp van Granger causaliteitsanalyse. Het vergelijkt de connectiviteit tussen de posteriore cingulaire cortex en de hele hersenen bij patiënten met de ziekte van Alzheimer, Mild Cognitive Impairment en gezonde controles.
Belangrijke studiecomponenten
Wetenschapsgebied
- Neurowetenschap
- Neuroimaging
- Cognitieve stoornissen
Achtergrond
- De ziekte van Alzheimer (AD) beïnvloedt de cognitieve functie en hersenconnectiviteit.
- Mild Cognitive Impairment (MCI) is een voorloper van AD.
- Functionele magnetische resonantie beeldvorming (fMRI) wordt gebruikt om hersenactiviteit te bestuderen.
- Granger causaliteitsanalyse helpt bij het beoordelen van gerichte connectiviteit in hersennetwerken.
Doel van de studie
- Om een basis te leggen voor het beoordelen van de ernst van de ziekte van Alzheimer.
- Om de gerichte connectiviteit tussen de PCC en hele hersengebieden te onderzoeken.
- Om inzichten te bieden in de progressie van de ziekte van Alzheimer.
Gebruikte methoden
- Resting-state functionele magnetische resonantie beeldvorming (fMRI).
- Granger causaliteitsanalyse om gerichte functionele connectiviteit te meten.
- Vergelijking van connectiviteit in AD, MCI en controlegroep.
- Analyse van fMRI tijdsreeksgegevens om causale effecten te beoordelen.
Belangrijkste resultaten
- Veranderingen in gerichte functionele connectiviteit werden waargenomen bij AD en MCI patiënten.
- Er werden verschillen in connectiviteitspatronen geïdentificeerd tussen patiëntengroepen en controles.
- De methode leverde inzichten op in de dynamiek van hersenconnectiviteit.
- Mogelijke toepassingen strekken zich uit tot andere neuroimaging studies.
Conclusies
- Granger causaliteitsanalyse is een waardevol hulpmiddel voor het bestuderen van de ziekte van Alzheimer.
- Het biedt een nieuw objectief basis voor het beoordelen van ziekteprogressie.
- Verder onderzoek zou de begrip van hersenconnectiviteit bij cognitieve stoornissen kunnen verbeteren.
Veelgestelde vragen
Executive Industry Relevance
Granger Causality Analysis (GCA) of fMRI data enables objective, quantitative assessment of directed functional connectivity changes in Alzheimer's disease (AD) and mild cognitive impairment (MCI). This approach supports mechanistic de-risking and target validation by revealing directional network disruptions relevant to disease progression. Integrating GCA into neuroimaging workflows enhances predictive confidence for biomarker development and portfolio triage in neurodegenerative research.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables hypothesis-driven interrogation of brain network disruptions in AD and MCI.
- Supports functional target validation by quantifying directional connectivity changes involving the PCC.
- Facilitates mechanistic de-risking through objective measurement of network anisotropy.
- Improves predictive confidence for prioritizing neurodegenerative disease targets.
Screening & Assay Development
- Prepares validated neuroimaging datasets for downstream biomarker screening.
- Standardizes quantitative outputs for reproducible comparison across disease stages.
- Enables scalable analysis of directed connectivity for high-throughput screening readiness.
- Supports reliable evaluation of candidate imaging biomarkers.
Translational & Preclinical Research
- Aligns imaging outputs with disease-relevant functional biomarkers for translational continuity.
- Enables risk-adjusted advancement decisions based on objective network metrics.
- Provides mechanistic insights to inform preclinical model selection and validation.
- Supports continuity from discovery through preclinical neuroimaging studies.
Pipeline & Workflow Integration
GCA-based fMRI analysis fits within the neuroimaging discovery continuum, bridging early mechanistic studies and translational biomarker development for neurodegenerative portfolios.
- Discovery Biology: Quantifies directional network disruptions to clarify disease mechanisms and validate imaging targets.
- Screening: Delivers reproducible, quantitative connectivity metrics for candidate biomarker evaluation.
- Analytics: Provides statistical outputs enabling robust group comparisons and condition-specific insights.
- Translational Research: Aligns imaging readouts with disease progression for preclinical and clinical continuity.
- Enterprise Reuse: Establishes a scalable, reusable workflow for directed connectivity analysis across neurodegenerative indications.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in neurodegenerative disease research.
- Operational Value: Standardizes neuroimaging analysis for reproducibility and scalability across studies.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency by enabling objective biomarker prioritization.
- Portfolio Impact: Supports risk-adjusted advancement and cross-program comparability in neuroimaging portfolios.
Implementation Considerations
- Requires expertise in neuroimaging preprocessing and statistical analysis.
- Depends on access to fMRI instrumentation and specialized software (e.g., RESTplus).
- Demands rigorous cross-team standardization of data formats and naming conventions.
- Adaptation across disease models may require parameter optimization and validation.
- Practical limitations include software learning curve and preprocessing complexity.
