Method Article

Analiza uogólnionej interakcji psychofizjologicznej (PPI) łączności związanej z pamięcią u osób z genetycznym ryzykiem choroby Alzheimera

DOI:

10.3791/55394

⸱

November 14th, 2017

 ,  ,  ,  , 
1Psychiatry and Biobehavioral Sciences, University of California, Los Angeles, 2Biospective, Inc.

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ten manuskrypt opisuje, jak przeprowadzić analizę interakcji psychofizjologicznej, aby ujawnić zależne od zadania zmiany funkcjonalnej łączności między wybranym regionem nasiennym a wokselami w innych regionach mózgu. Analiza interakcji psychofizjologicznych jest popularną metodą badania wpływu zadań na łączność mózgową, w odróżnieniu od tradycyjnych efektów aktywacji jednowymiarowej.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W neuroobrazowaniu, funkcjonalny rezonans magnetyczny (fMRI) mierzy sygnał zależny od poziomu natlenienia krwi (BOLD) w mózgu. Stopień korelacji sygnału BOLD w przestrzennie niezależnych obszarach mózgu określa funkcjonalną łączność tych regionów. Podczas zadania poznawczego fMRI analiza interakcji psychofizjologicznej (PPI) może być wykorzystana do zbadania zmian w łączności funkcjonalnej w określonych kontekstach zdefiniowanych przez zadanie poznawcze. Przykładem takiego zadania jest takie, które angażuje system pamięci, prosząc uczestników o nauczenie się par niepowiązanych ze sobą słów (kodowanie) i przypomnienie sobie drugiego słowa w parze, gdy przedstawiono mu pierwsze słowo (odzyskiwanie). W niniejszym badaniu wykorzystaliśmy ten rodzaj zadania pamięci asocjacyjnej i uogólnioną analizę PPI (gPPI), aby porównać zmiany w połączeniach hipokampa u osób starszych, które są nosicielami genetycznego czynnika ryzyka choroby Alzheimera (AD) apolipoproteiny-E epsilon-4 (APOEε4). W szczególności pokazujemy, że funkcjonalna łączność podregionów hipokampa zmienia się podczas kodowania i odzyskiwania, dwóch aktywnych faz zadania pamięci asocjacyjnej. Zależne od kontekstu zmiany w funkcjonalnej łączności hipokampa różniły się istotnie u nosicieli APOEε4 w porównaniu z osobami niebędącymi nosicielami. Analizy PPI umożliwiają zbadanie zmian w łączności funkcjonalnej, odrębnych od jednowymiarowych efektów głównych, oraz porównanie tych zmian między grupami. W związku z tym analiza PPI może ujawnić złożone efekty zadań w określonych kohortach, których tradycyjne metody jednowymiarowe nie uwzględniają. Analizy PPI nie są jednak w stanie określić kierunkowości ani przyczynowości między funkcjonalnie połączonymi regionami. Niemniej jednak analizy PPI dostarczają potężnych środków do generowania konkretnych hipotez dotyczących zależności funkcjonalnych, które można testować za pomocą modeli przyczynowych. Ponieważ mózg jest coraz częściej opisywany w kategoriach połączeń i sieci, PPI jest ważną metodą analizy danych z zadań fMRI, która jest zgodna z obecną koncepcją ludzkiego mózgu.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Termin "konektom" został ukuty w 2005 roku, co oznacza zmianę paradygmatu w neurobiologii, która trwa do dziś1. Mózg jest coraz częściej opisywany w kategoriach sieci funkcjonalnych, połączeń i interakcji między regionami na dużą skalę. Niemniej jednak nakreślenie regionalnej specjalizacji funkcjonalnej i powiązania między aktywnością mierzoną za pomocą fMRI a wymaganiami zadaniowymi są nadal ważnymi i użytecznymi podejściami. W świetle rosnącego zainteresowania konektomomiką, coraz większą popularnością zyskują podejścia oparte na łączności funkcjonalnej do analizy fMRI. Jednym z podejść do pomiaru zmian łączności funkcjonalnej w zależności od wymagań zadania wykorzystuje się koncepcję PPI. PPI to interakcja aktywnej fazy zadania lub szczególnego zapotrzebowania na zadanie ("psycho") z funkcjonalną łącznością ("fizjo") obszaru zainteresowania lub "ziarna" w mózgu. PPI różni się od dwuwymiarowej, opartej na korelacji analizy łączności funkcjonalnej, która generalnie mierzy stopień korelacji między aktywnością w dwóch regionach bez żadnych ograniczeń związanych z zapotrzebowaniem na zadania.

Koncepcja i struktura analizy PPI została pierwotnie opisana przez Fristona i współpracowników w 1997 roku2. Autorzy stwierdzili, że ich podejście jest ważne, ponieważ pozwoli badaniom nad łącznością być bardziej funkcjonalnymi i pozwoli na wnioskowanie, że aktywność w dystalnym ziarnie może modulować aktywność wynikającą z zapotrzebowania na zadanie. W 2012 roku McLaren i jego koledzy dodali do tego oryginalnego schematu i opisali podejście gPPI, w którym wszystkie fazy zadań i ich interakcje są zawarte w jednym modelu3. Takie podejście prowadzi do wyników, które są bardziej wrażliwe i specyficzne dla badanej fazy zadania i interakcji. To właśnie zaktualizowane podejście do gPPI stosujemy w niniejszym badaniu (patrz krok 6.2.2 w Protokole). Podejście gPPI jest obecnie cytowane w ponad 200 badaniach. Dla jasności, w dalszej części artykułu używamy terminu "PPI" do opisania wspólnych cech zarówno wersji standardowej, jak i uogólnionej. "gPPI" będzie używany do omówienia konkretnych postępów związanych z nowszymi ramami.

Ogólnym celem analizy PPI jest zrozumienie, w jaki sposób wymagania zadania poznawczego wpływają lub modulują funkcjonalną łączność regionu zalążkowego. Analiza PPI wymaga silnej hipotezy a priori. Aktywność w regionie zalążkowym musi być modulowana przez zadanie, aby podejście PPI działało skutecznie4. Na przykład w niniejszym badaniu oparliśmy naszą selekcję nasion na mocnych dowodach na to, że aktywność hipokampa jest modulowana przez wymagania poznawcze zadania pamięciowego. Za pomocą PPI można zidentyfikować regiony, które są znacznie mniej lub bardziej funkcjonalnie połączone z hipokampem podczas określonych faz zadań. Krótko mówiąc, zadajemy pytanie: "w których regionach aktywność jest bardziej skorelowana z zalążkiem w kontekście A w porównaniu z linią bazową?" Możemy również zapytać o logiczne przeciwieństwo (ponieważ ważne jest, aby zrozumieć różnicę): "w których regionach aktywność jest mniej skorelowana z zalążkiem w kontekście A w porównaniu z wartością wyjściową?" Interpretując różnice grupowe w efektach PPI, Ważne jest, aby zbadać dane i sprawdzić, czy pozytywna lub negatywna zmiana w łączności funkcjonalnej, czy też jedno i drugie, napędza różnice grupowe.

Podejście PPI zostało wykorzystane do badania dynamicznych centrów kontroli zadań u zdrowych osób z grupy kontrolnej, jak modulacja funkcjonalnej łączności jest związana z wydajnością poznawczą w chorobie Alzheimera (AD), inteligencją u osób z autyzmem, łącznością sieci motorycznej u osób z chorobą Parkinsona, przetwarzaniem twarzy u osób z dysmorfofobią ciała i anoreksją, Regulacja emocji, pamięć i wiele innych szczegółowych pytań związanych z łącznością5,6,7,8,9,10,11. W niniejszym badaniu porównujemy zmiany w funkcjonalnej łączności podregionów hipokampa podczas kodowania i odzyskiwania pamięci między grupą osób o zwiększonym ryzyku genetycznym AD z grupą bez czynnika ryzyka12. Poniżej opisano protokół, który zastosowaliśmy, stosując podejście gPPI, aby umożliwić nam sprawdzenie, czy wywołane przez zadanie zmiany w łączności funkcjonalnej różnią się w związku z obecnością APOEε4, genetycznego czynnika ryzyka AD.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Niniejsze badanie zostało przeprowadzone zgodnie z protokołami UCLA Institutional Review Board (IRB) i zatwierdzone przez UCLA Human Subject Protection Committee. Wszyscy uczestnicy wyrazili pisemną świadomą zgodę w celu wzięcia udziału w tym badaniu.

1. Wybór uczestnika

  1. Uzyskanie zgody IRB na przeprowadzenie badania.
  2. Badaj osoby w wieku 55 lat i starsze pod kątem pogorszenia funkcji poznawczych za pomocą standaryzowanej baterii neuropsychologicznej. Uwzględnij testy Inteligencji Ogólnej (Podtesty WAIS-III)13, Płynność (Owoce i Warzywa)14, Uwaga (cyfry do przodu i do tyłu)13, Język (Boston Naming Test)15, Pamięć werbalna (Buschke-Fuld Selective Reminding Task)16, WMS-III Pamięć logiczna i Werbalne Sparowane Kojarzenia learning13 oraz Pamięć wzrokowa (test figury Rey-Osterrietha)17.
    1. Poproś uczestników, aby wypełnili kwestionariusze nastroju, takie jak Hamilton Depression and Anxiety Inventories18,19, a także Mini Mental State Exam (MMSE)20.
  3. Uwzględnij uczestników, którzy uzyskali wynik 26 lub więcej w MMSE i osiągają wyniki lepsze niż dwa odchylenia standardowe poniżej normy dla ich wieku w testach poznawczych. Wyklucz uczestników z klinicznym lękiem, depresją lub jakąkolwiek inną chorobą neuropsychiatryczną lub neurologiczną. Wyklucz uczestników, którzy nie spełniają kryteriów bezpieczeństwa MRI lub którzy nie wyrażają zgody na pobranie krwi.
    UWAGA: W niniejszym badaniu 93 uczestników spełniło te kryteria (średni wiek = 67,4 lat, 31M/49F).

2. Genotypowanie

  1. Poproś przeszkolonego flebotomistę lub innego lekarza o pobranie krwi od każdego uczestnika.
  2. Wyizolować 200 μg genomowego DNA z 10 ml próbki zgodnie z opisem21.
  3. Przeprowadź genotypowanie polimorfizmu pojedynczego nukleotydu (SNP) przy użyciu PCR w czasie rzeczywistym w dwóch loci, rs429358 i rs7412, aby rozróżnić allele APOE22.
    1. Włącz barwniki reporterowe dla rs429358 i rs7412 do testu genotypowania SNP. Po zakończeniu każdego cyklu amplifikacji PCR wykreślić sygnały fluorescencyjne na wykresie przedstawiającym rozkład barwników reporterowych i gaszących. Wykonaj eksperyment w dwóch egzemplarzach, aby potwierdzić wyniki.
  4. Analizuj dane genotypowania SNP za pomocą pakietu oprogramowania opracowanego dla procedury PCR w czasie rzeczywistym output23.
    UWAGA: Program zastosowany w niniejszym badaniu oblicza powinowactwo próbki do jednego z dwóch barwników reporterowych, które z kolei reprezentują jeden SNP APOE nad drugim. Do niniejszego badania włączono 34 nosicieli allelu ryzyka choroby Alzheimera, APOEε4 (heterozygotyczny ε3/ε4) i 46 niebędących nosicielami (homozygotyczny ε3/ε3) dla łącznie 80 uczestników badania. Należy wykluczyć nosicieli allelu APOEε2, ponieważ istnieją dowody na to, że allel ten może mieć działanie ochronne związane z chorobą Alzheimera.

3. Gromadzenie danych obrazowania funkcjonalnego i strukturalnego

  1. Użyj systemu MRI o natężeniu 3 Tesli (3T), aby uzyskać dane obrazowania całego mózgu.
    1. W przypadku obrazowania funkcjonalnego należy pobrać wycinki osiowe za pomocą sekwencji obrazowania echa płaskiego (EPI). Aby ułatwić rejestrację obrazów funkcjonalnych, należy uzyskać osiowe warstwy współpłaszczyznowych obrazów strukturalnych T2-zależnych. W przypadku obrazowania strukturalnego o wysokiej rozdzielczości należy zebrać warstwy osiowe za pomocą sekwencji 3D T1-ważonej
      UWAGA: W niniejszym badaniu zastosowano magnes 3T z 12-kanałową cewką głowicy. Poniższe parametry zostały zaprojektowane dla konkretnego skanera i cewki. Zobacz Spis materiałów, aby uzyskać więcej informacji.
      1. Uzyskaj funkcjonalne dane obrazowania przy użyciu następujących parametrów sekwencji: czas powtarzania (TR) = 2 500 ms, czas echa (TE) = 21 ms, pole widzenia (FOV) = 200 mm x 200 mm, kąt odwrócenia = 75°, matryca = 64 x 64, 33 warstwy, grubość warstwy = 3 mm, odstęp międzywarstwowy = 0,75 mm, rozmiar woksela = 3,125 x 3,125 x 3,75 mm.
      2. Wywołaj zadanie pamięci asocjacyjnej niepowiązanych słów, aby rozpocząć się od trzeciego tomu sekwencji obrazowania funkcjonalnego. Aby uwzględnić równowagę w stanie ustalonym, należy wykluczyć z analiz pierwsze dwa tomy każdego skanu funkcjonalnego.
        UWAGA: Zadanie pamięci asocjacyjnej niepowiązanych słów zostało opisane w innym miejscu12,24. Krótko mówiąc, jest to zadanie funkcjonalne polegające na projektowaniu bloków z blokami kodowania i pobierania. Uczestnicy są instruowani, aby nauczyć się par niepowiązanych ze sobą słów.
      3. Uzyskaj T2-ważone, współpłaszczyznowe dane obrazowania strukturalnego przy użyciu następujących parametrów sekwencji: TR = 5 000 ms, TE = 34 ms, FOV = 200 mm x 200 mm, kąt odwrócenia = 90°, matryca = 128 x 128, 28 warstw, grubość warstwy = 3 mm, odstęp międzywarstwowy = 1 mm i rozmiar woksela = 1,56 x 1,56 x 4 mm.
      4. Uzyskaj obrazowanie strukturalne (anatomiczne) o wysokiej rozdzielczości przy użyciu następujących parametrów sekwencji MPRAGE (Magnetization Prepared Rapid Gradient Echo): TR = 1,900 ms, TE = 2,26 ms, TI = 900 ms, FOV = 250 mm x 218 mm, kąt odwrócenia = 9°, matryca = 256 x 215, 176 warstw, grubość warstwy = 1 mm, wypełnienie zerem do matrycy 256 x 224, co daje rozmiar woksela = 1 x 0,976 x 0,976 mm.

4. Wstępne przetwarzanie danych fMRI BOLD

  1. Wstępnie przetwórz dane funkcjonalne przy użyciu biblioteki oprogramowania Functional MRI of the Brain (FMRIB) Software Library (FSL) w wersji 6.0 (http://fsl.fmrib.ox.ac.ul) w następujący sposób:
    1. Dla zestawu danych każdego uczestnika usuń artefakt ruchu głowy z danych za pomocą narzędzia Motion Correction FMRIB's Linear Image Registration Tool (MCFLIRT)25.
    2. Usuń tkankę inną niż mózgowa z obrazów za pomocą narzędzia do ekstrakcji mózgu (BET) z opcjonalną flagą -F26.
    3. Narzędzie FSL Motion Outliers służy do identyfikowania wszelkich woluminów w danych funkcjonalnych, w których występuje nadmierny ruch na podstawie przemieszczenia klatek między woluminami. Oznacz woluminy, w których ruch jest mierzony jako wartość odstającą (powyżej 75. percentyla + 1,5-krotność przedziału międzykwartylowego) w porównaniu z resztą skanowania i użyj danych wyjściowych tego programu, aby zmniejszyć wagę tych objętości w analizach.
      UWAGA: Przed przeprowadzeniem porównań grup sprawdź, czy średni ruch, mierzony za pomocą FSL Motion Outliers, nie różni się w obu grupach. Pomoże to zapewnić, że wyniki nie będą napędzane przez różnice w ruchu związane z grupą.
  2. Skonfiguruj wstępne przetwarzanie i ogólny model liniowy pierwszego poziomu (GLM) za pomocą graficznego interfejsu użytkownika (GUI) dla narzędzia FSL fMRI Expert Analysis Tool (FEAT) dla pierwszego uczestnika.
    UWAGA: Powtórz ten krok dla każdego uczestnika badania. Aby zaoszczędzić czas, po skonfigurowaniu jednego przebiegu dla jednego uczestnika, napisz skrypt, który uruchomi wstępne przetwarzanie danych pozostałych uczestników badania, zmieniając plik "design.fsf" (dane wyjściowe FSL FET) dla każdego uczestnika, aby odwoływał się do konkretnych danych tego uczestnika.
    1. W zakładce danych kliknij "dodaj dane 4D" i przejdź do pliku z korekcją ruchu i wyodrębnionym mózgiem. Ustaw TR na 2.5 s (odpowiadający TR uzyskanej sekwencji funkcjonalnej). Użyj domyślnego filtra górnoprzepustowego (ustawionego na 100 s).
      UWAGA: Filtrowanie górnoprzepustowe usunie sygnały o niskiej częstotliwości, które nie są interesujące.
    2. W zakładce pre-stats kliknij "brak" w sekcji "korekcja ruchu" (tak jak to zostało już wykonane w kroku 4.1). Odznacz "Ekstrakcja mózgu BET" (ponieważ została już zakończona w kroku 4.1). Wpisz "5" w polu, aby ustawić jądro Gaussa o pełnej szerokości i połowie maksimum (FWHM) o pełnej szerokości do wygładzania przestrzennego.
      UWAGA: FWHM dla jądra wygładzającego powinien być ustawiony na około dwukrotność rozmiaru funkcjonalnego woksela skanowania.
    3. Użyj danych wyjściowych (6 kolumn, wierszy = # TR w skanie) MCFLIRT, aby utworzyć 6 jednokolumnowych plików tekstowych, które opisują korekcję ruchu wykonaną na każdym woluminie w zestawie danych. Zostaną one dodane do modelu jako regresory w następnym kroku.
      1. W zakładce statystyki w sekcji "pełna konfiguracja modelu" dodaj 6 parametrów ruchu i ich pochodne czasowe jako regresory lub zmienne objaśniające (EV) w GLM. Dla każdego ruchu EV wybierz "niestandardowy" (1 wpis na tom) dla podstawowego kształtu, "brak" dla konwolucji i zaznacz "zastosuj filtrowanie czasowe"."
        UWAGA: Parametry ruchu nie muszą być konwolucjonowane przez żadną funkcję, ponieważ odnoszą się do wyrównania wykonanego przy każdej objętości funkcjonalnej podczas korekcji ruchu, a zatem nie muszą być regulowane.
    4. Na karcie statystyk wybierz dane wyjściowe FSL Motion Outliers z kroku 4.1 w sekcji "dodaj dodatkowe zakłócające EVs".
      UWAGA: To wyjście jest macierzą oznaczającą każdy wolumin, który został oznaczony jako nadmierny ruch i poprzez dodanie pliku mylącego zostanie zdeważowany w GLM.
    5. W zakładce statystyki kliknij "pełna konfiguracja modelu". Utwórz pliki tekstowe czasu zadania oznaczające początek i przesunięcie różnych faz zadania i dodaj je jako EV w OWU, wybierając format 1 kolumny i przechodząc do odpowiedniego pliku tekstowego (w tym jeden dla fazy kodowania zadania i jeden dla fazy pobierania). W przypadku "konwolucji" wybierz opcję "HRF z podwójnym gamma" z listy rozwijanej dla obu z nich. Nie należy modelować bazowej ani nieaktywnej części zadania w GLM.
      UWAGA: HRF oznacza funkcję odpowiedzi hemodynamicznej. Ukierunkowanie EV zadania przez HRF przesuwa czas EV zadania, aby był bardziej spójny z oczekiwanymi zmianami sygnału BOLD w mózgu wywołanymi zadaniem.
    6. W zakładce rejestracji zaznacz "rozszerzony obraz funkcjonalny" i "główny obraz strukturalny", aby uzyskać dwuetapową rejestrację.
      1. Wybierz współpłaszczyznowy skan strukturalny T2 uczestnika dla pierwszego kroku, w którym dane funkcjonalne są rejestrowane we współpłaszczyznowych danych strukturalnych. Wybierz 6 stopni swobody (DOF) dla tego kroku, klikając drugie pole rozwijane pod tym krokiem i wybierając "6 stopni swobody".
      2. W następnym kroku, w którym obraz T2-weighted jest rejestrowany w MPRAGE T1-weighted o wysokiej rozdzielczości, wybierz boundary based registration (BBR) z listy rozwijanej27.
        UWAGA: BBR wykorzystuje różnice intensywności między istotą białą a szarą do rejestrowania skanów strukturalnych i funkcjonalnych i wykazano, że działa lepiej niż FLIRT i inne alternatywne metody.
      3. W ostatnim kroku, w którym dane konstrukcyjne o wysokiej rozdzielczości są rejestrowane w standardowym szablonie MNI152, wybierz 12 stopni swobody i transformację liniową, wybierając "12 DOF".
        UWAGA: Po wykonaniu wszystkich kroków w sekcji 4 dane funkcjonalne są wstępnie przetwarzane i gotowe do dalszej analizy.

5. Nasiona hipokampa

  1. Wygeneruj maskę lewego hipokampa w przestrzeni strukturalnej o wysokiej rozdzielczości każdego uczestnika, korzystając z algorytmu segmentacji FSL FMRIB Integrated Registration and Segmentation Tool (FIRST)28.
    UWAGA: Inne regiony, w tym prawy hipokamp, byłyby interesującymi i ważnymi zalążkami do dalszych analiz.
  2. Korzystając z platformy oprogramowania statystycznego, napisz kod, aby obliczyć długość przedniej i tylnej trzeciej części struktury29. W szczególności użyj długości wolumetrycznej maski hipokampa w płaszczyźnie przednio-tylnej, aby znaleźć współrzędne wyznaczające przednią i tylną trzecią część tej płaszczyzny.
    UWAGA: Niedawno opublikowana metoda segmentacji hipokampa wzdłuż osi podłużnej może być alternatywnym podejściem do tworzenia nasion30.
  3. Na podstawie tych współrzędnych utwórz obrazy przedniej i tylnej maski hipokampa. Zarejestruj przednie i tylne maski hipokampa w natywnej przestrzeni funkcjonalnej za pomocą macierzy "example_func2highres" w katalogu rejestracyjnym wyjścia FET.
    UWAGA: Użycie przednich i tylnych tercji zapobiegło rozmyciu sygnału w dwóch nasionach hipokampa po rejestracji w przestrzeni funkcjonalnej. Istnieją dowody na specjalizację funkcjonalną wzdłuż osi podłużnej hipokampa31,32,33,34. Obszary przednie są regionami wejściowymi i są związane z kodowaniem, podczas gdy tylny hipokamp jest regionem wyjściowym związanym z odzyskiwaniem i konsolidacją pamięci35,36,37. Tak więc wykorzystanie tych regionów pozwala na ocenę funkcjonalnego zaangażowania przedniego i tylnego hipokampa w kodowanie i odzyskiwanie faz zadania pamięciowego.
  4. Użyj średnich szeregów czasowych FSL (fslmeants), aby wyodrębnić odszumione średnie szeregi czasowe z przednich i tylnych nasion hipokampa (Rysunek 1). Postępuj zgodnie z instrukcjami programu i użyj przedniego lub tylnego nasienia hipokampa jako maski oraz odszumionych, wstępnie przetworzonych danych funkcjonalnych jako głównego obrazu.

figure-protocol-1
Rysunek 1: Nasiona hipokampa. W przestrzeni natywnej przednie nasienie hipokampa pojedynczego uczestnika jest pokazane na żółto. Tylne nasienie hipokampa dla tego samego uczestnika jest pokazane na różowo. Nasiona są definiowane na unikalnym obrazie strukturalnym każdego uczestnika, a następnie rejestrowane w ich funkcjonalnym skanie. Nasiona nigdy nie znajdują się w ustandaryzowanej przestrzeni, co poprawia dokładność segmentacji hipokampa. Ten rysunek został przedrukowany za zgodą12. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

6. Model PPI

  1. Użyj graficznego interfejsu użytkownika dla FSL FEAT, aby załadować wstępnie przetworzone dane funkcjonalne.
    1. W zakładce danych wybierz "filtered_func_data" odszumiony obraz (dane wyjściowe z kroków wykonanych w sekcji 4) jako plik wejściowy. Na karcie statystyk wstępnych ustaw korekcję ruchu i ekstrakcję mózgu na "brak". Usuń zaznaczenie pól, aby wykonać filtrowanie czasowe i wygładzanie przestrzenne.
  2. Konfiguracja modelu PPI (tabela 1).
    1. W zakładce statystyki wybierz "pełna konfiguracja modelu". W zakładce EVs dodaj wszystkie EV z modelu pierwszego poziomu: 6 EV z korekcją ruchu, macierz conbit EV z FSL Motion Outliers oraz EV z zadaniem timingu. Kliknij strzałkę w górę, aby dodać pojazdy elektryczne. Uwzględnij w tym modelu EV dla fizjologicznego przebiegu czasu z ziarna (dane wyjściowe pliku tekstowego fslmeants w kroku 5.4) jako współzmienną niebędącą przedmiotem zainteresowania, klikając strzałkę w górę.
    2. Utwórz warunki PPI.
      1. Wybierz "interakcja" w menu kształtu podstawowego i wybierz EV kursu czasowego nasion i EV jednego zadania. Dla opcji "zrób zero" wybierz "średnia" dla EV początkowego kursu czasowego i "środek" dla zadania EV. Powtórz tę procedurę dla pozostałych faz zadania. Uruchom oddzielny model dla każdego regionu inicjatorskiego.
        UWAGA: Te nowe EV są terminami PPI dla fazy wybranego zadania (psycho) i ziarna (fizjo). W niniejszym badaniu w każdym modelu PPI uwzględniono termin PPI dla fazy kodowania i drugi termin PPI dla fazy wyszukiwania. Opcja "środek" zapewnia, że fazy "włączenia" i "wyłączenia" zadania projektowania bloków są traktowane jednakowo. Opcja "średnia" jest zawsze stosowana do przebiegu czasowego nasion i powoduje odjęcie średniej od tego regresora.
    3. W zakładce kontrasty i testy F zamodeluj następujące konkretne efekty, wpisując "1" w odpowiedniej komórce EV: psych_enc (faza zadania kodowania), psych_ret (faza zadania wyszukiwania), phys (przebieg czasowy nasion), PPI_enc (PPI nasion i kodowania), PPI_ret (PPI nasion i odzyskiwania). Na koniec wprowadź wartość "-1", aby modelować ujemne PPI dla każdej fazy zadania.

figure-protocol-2

Tabela 1: Konfiguracja modelu gPPI.

7. Porównania grup

  1. Wybierz "analizę wyższego poziomu" w FSL FEAT, aby uruchomić prosty model grupowy porównujący nośniki APOEε4 z niebędącymi nosicielami dla każdej kombinacji zadania-ziarna.
    UWAGA: Porównania te są uruchamiane w celu wygenerowania odpowiednich grupowych obrazów reszt 4D ("res4d") potrzebnych do oszacowania gładkości zestawu danych. Statystycznie istotne wyniki tego porównania grup są ważne, ale w poniższych krokach opisano inne podejście progowe wykorzystujące AFNI i SPM8 w celu wyznaczenia znaczącego minimum klastra na podstawie symulacji Monte Carlo.
  2. Analiza użytkowania neuroobrazowania funkcjonalnego (AFNI)
    1. Użyj 3dFWHMx AFNI (dowolna wersja po grudniu 2015 r.) w wierszu polecenia, aby oszacować gładkość grupowych obrazów reszt 4D wygenerowanych za pomocą FSL.
      UWAGA: W 3dClustSim AFNI wykryto błąd i poprawiono go w maju 2015 r. W grudniu 2015 r. 3dFWHMx firmy AFNI został zaktualizowany w celu dokładniejszego modelowania automatycznych korelacji. W związku z tym należy używać wersji tych narzędzi wydanych w grudniu 2015 r. lub nowszych.
    2. Użyj 3dClustSim AFNI (dowolna wersja po grudniu 2015 r.), aby określić minimalne zakresy klastra osiągające istotność przy różnych progach na poziomie wokseli. Uwzględnij oszacowania gładkości z poprzedniego kroku w wywołaniu wiersza poleceń 3dClustSim. Z tabeli wygenerowanej przez 3dClustSim, na podstawie hipotez badania dotyczących wielkości i zasięgu oczekiwanych efektów, wybierz próg na poziomie woksela i odpowiadający mu minimalny rozmiar klastra.
      UWAGA: Ogólnie rzecz biorąc, większe klastry minimalizują liczbę wyników fałszywie dodatnich.
  3. Korzystanie ze statystycznego mapowania parametrycznego (SPM8)
    1. Korzystając z graficznego interfejsu użytkownika SPM8, wybierz "określ 2. poziom". Otworzy się edytor wsadowy. Wybierz "test t dla dwóch próbek" w obszarze projektowanie. Przejdź do katalogu z obrazami estymacji parametrów dla grupy 1 (nośniki APOEε4) i wybierz, klikając na nie. Następnie dodaj obrazy z grupy 2 (APOEε4 niebędące nośnikami). Uruchom to porównanie, klikając zielony przycisk odtwarzania.
    2. Wróć do graficznego interfejsu użytkownika SPM, wybierz "oszacowanie" i przejdź do pliku SPM.mat utworzonego w poprzednim kroku, aby uruchomić proces szacowania modelu.
    3. Wybierz "wyniki" i uruchom kontrasty porównania grup: nosiciele APOEε4 > nienosiciele APOEε4, APOEε4 niebędący nosicielami > nosiciele APOEε4.
      1. Kliknij "zdefiniuj nowy kontrast", wybierz "T-contrast" w polu "typ" i wpisz "1 -1" w polu "kontrast" dla nośników APOEε4 > APOEε4 niebędących nosicielami. Kliknij "gotowe". Wybierz "brak" dla opcji Zastosuj maskowanie i ręcznie ustaw próg poziomu woksela oraz minimalny rozmiar klastra zgodnie z ustaleniami dokonanymi w kroku 7.2.2.Wprowadź "-1 1" dla APOEε4 niebędących nosicielami > nośnikami APOEε4.
        Uwaga: W niniejszym badaniu zastosowano próg wokselowy p <0,005, a klastry osiągnęły próg alfa <0,05.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Z dwoma różnymi fazami aktywnego zadania (kodowanie i pobieranie) oraz dwoma regionami nasiennymi (przedni i tylny hipokamp) istnieją cztery warunki do raportowania wyników dla każdej grupy. Mapy aktywacji zadań wewnątrzgrupowych (nie pokazane tutaj, patrz Harrison i in., 201612) pokazują, że płat potyliczny, kora słuchowa, duże obszary płata ciemieniowego, czołowe obszary językowe, górny zakręt skroniowy i jądro ogoniaste (bardziej wyraźne podczas pobiera...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wczesne badania fMRI oparte na zadaniach miały na celu odkrycie statystycznych zależności między określonymi procesami poznawczymi lub wymaganiami a zmianami sygnału BOLD w stosunku do pomiaru podstawowego. To tradycyjne podejście jest przydatne do identyfikacji określonych regionów mózgu, w których aktywność jest modulowana przez zadanie eksperymentalne. W przeciwieństwie do tego, analiza PPI dotyczy głównie modulacji funkcjonalnej łączności lub synchronizacji aktywności, która wynika z procesu poznawczego wywołanego za...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

DGM jest pracownikiem firmy Biospective, Inc. Biospective, Inc. nie przetwarzała żadnych z prezentowanych danych.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta praca była wspierana przez National Institute of Aging (grant numer R01AG013308 dla SYB, F31AG047041 dla TMH). Autorzy korzystali z usług obliczeniowych i pamięci masowej związanych z klastrem Hoffman2 Shared Cluster dostarczanym przez UCLA Institute for Digital Research and Education's Research Technology Group.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Skaner rezonansu monetycznego 3TSiemens Medical SolutionsMAGNETOM Trio, A Tim SystemSkaner MRI 3T
FSL (biblioteka oprogramowania FMRIB)Uniwersytet Oksfordzkiw wersji 6.0Oprogramowanie do funkcjonalnego przetwarzania obrazowania
AFNI (Analiza funkcjonalnego neuroobrazowania)National Institute of Mental Health, National Institutes of HealthDowolna wersja po maju 2015r.Oprogramowanie do funkcjonalnego przetwarzania obrazowania
SPM8 (statystyczne mapowanie parametryczne)University College of LondonSPM8Oprogramowanie do funkcjonalnego przetwarzania obrazowania Oprogramowanie
MatlabMathworks, IncWersja R2012aOprogramowanie komputerowe
Oprogramowanie SDSApplied Biosystems, Inc7900HT Szybki system PCRczasie rzeczywistym PCR w czasie rzeczywistym
Testy TaqmanaThermoFisher Naukowespecyficzne dlaSNP Genotypowanie SNP
w

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Sporns, O., Tononi, G., Kötter, R. The Human Connectome: A Structural Description of the Human Brain. PLoS Comput Biol. 1 (4), 42(2005).
  2. Friston, K. J., Buechel, C., Fink, G. R., Morris, J., Rolls, E., Dolan, R. J. Psychophysiological and modulatory interactions in neuroimaging. NeuroImage. 6 (3), 218-229 (1997).
  3. McLaren, D. G., Ries, M. L., Xu, G., Johnson, S. C. A generalized form of context-dependent psychophysiological interactions (gPPI): a comparison to standard approaches. NeuroImage. 61 (4), 1277-1286 (2012).
  4. O'Reilly, J. X., Woolrich, M. W., Behrens, T. E. J., Smith, S. M., Johansen-Berg, H. Tools of the trade: psychophysiological interactions and functional connectivity. Soc Cogn Affect Neurosci. 7 (5), 604-609 (2012).
  5. Moody, T. D., Sasaki, M. A., et al. Functional connectivity for face processing in individuals with body dysmorphic disorder and anorexia nervosa. Psychol Med. 45 (16), 3491-3503 (2015).
  6. Simard, I., Luck, D., Mottron, L., Zeffiro, T. A., Soulières, I. Autistic fluid intelligence: Increased reliance on visual functional connectivity with diminished modulation of coupling by task difficulty. NeuroImage Clin. 9, 467-478 (2015).
  7. Yan, L. -R., Wu, Y. -B., Zeng, X. -H., Gao, L. -C. Dysfunctional putamen modulation during bimanual finger-to-thumb movement in patients with Parkinson's disease. Front Hum Neurosci. 9, 516(2015).
  8. Cole, M. W., Reynolds, J. R., Power, J. D., Repovs, G., Anticevic, A., Braver, T. S. Multi-task connectivity reveals flexible hubs for adaptive task control. Nat Neurosci. 16 (9), 1348-1355 (2013).
  9. McLaren, D. G., Sperling, R. A., Atri, A. Flexible modulation of network connectivity related to cognition in Alzheimer's disease. NeuroImage. 100, 544-557 (2014).
  10. Morawetz, C., Bode, S., Baudewig, J., Heekeren, H. R. Effective amygdala-prefrontal connectivity predicts individual differences in successful emotion regulation. Soc Cogn Affect Neurosci. , 169(2016).
  11. Takashima, A., Bakker, I., van Hell, J. G., Janzen, G., McQueen, J. M. Richness of information about novel words influences how episodic and semantic memory networks interact during lexicalization. NeuroImage. 84, 265-278 (2014).
  12. Harrison, T. M., Burggren, A. C., Small, G. W., Bookheimer, S. Y. Altered memory-related functional connectivity of the anterior and posterior hippocampus in older adults at increased genetic risk for Alzheimer's disease. Hum Brain Mapp. 37 (1), 366-380 (2016).
  13. Wechsler, D. Wecshler Adult Intelligence Scale, 3rd Edition. , Harcourt Assessement. San Antonio, TX. (1997).
  14. Cauthen, N. R. Verbal fluency: normative data. J Clin Psychol. 34 (1), 126-129 (1978).
  15. Goodglass, H. P., Kaplan, E. P. Boston Naming Test, 3rd Edition. , (2001).
  16. Buschke, H., Fuld, P. A. Evaluating storage, retention, and retrieval in disordered memory and learning. Neurol. 24 (11), 1019-1025 (1974).
  17. Osterrieth, P. A. Le test de copie d'une figure complex: Contribution à l'étude de la perception et de la memoir. Archives de Psychologie. 30, 286-356 (1944).
  18. Hamilton, M. The assessment of anxiey states by rating. Br J Med Psychol. 32, (August) 50-55 (1959).
  19. Hamilton, M. A rating scale for depression. J Neurol Neurosurg Psychiatry. 23, 56-62 (1960).
  20. Folstein, M. F., Robins, L. N., Helzer, J. E. The Mini-Mental State Examination. Arch Gen Psychiatry. 40 (7), 812(1983).
  21. O'Brien, D., Campbell, K. A., Morken, N. W., Bair, R. J., Heath, E. M. Automated Nucleic Acid Purification for Large Samples. J Lab Autom. 6 (2), 67-70 (2001).
  22. Lehmann, M., Ghosh, P. M., et al. Greater medial temporal hypometabolism and lower cortical amyloid burden in ApoE4-positive AD patients. J Neurol Neurosurg Psychiatry. 85 (3), 266-273 (2014).
  23. TaqMan® SNP Genotyping Assays User Guide. , Thermo Fisher Scientific. Available from: https://tools.thermofisher.com/content/sfs/manuals/TaqMan_SNP_Genotyping_Assays_man.pdf (2014).
  24. Bookheimer, S. Y., Strojwas, M. H., et al. Patterns of brain activation in people at risk for Alzheimer's disease. N Engl J Med. 343 (7), 450-456 (2000).
  25. Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. NeuroImage. 17 (2), 825-841 (2002).
  26. Smith, S. M. Fast robust automated brain extraction. Hum Brain Mapp. 17 (3), 143-155 (2002).
  27. Greve, D. N., Fischl, B. Accurate and robust brain image alignment using boundary-based registration. NeuroImage. 48 (1), 63-72 (2009).
  28. Patenaude, B., Smith, S. M., Kennedy, D. N., Jenkinson, M. A Bayesian model of shape and appearance for subcortical brain segmentation. NeuroImage. 56 (3), 907-922 (2011).
  29. Learn MATLAB Basics. , Available from: https://www.mathworks.com/support/learn-with-matlab-tutorials.html?s_tid=hp_ff_I_tutorials (2017).
  30. Lerma-Usabiaga, G., Iglesias, J. E., Insausti, R., Greve, D. N., Paz-Alonso, P. M. Automated segmentation of the human hippocampus along its longitudinal axis. Hum Brain Mapp. 37 (9), 3353-3367 (2016).
  31. Salami, A., Eriksson, J., Nyberg, L. Opposing effects of aging on large-scale brain systems for memory encoding and cognitive control. J Neurosci. 32 (31), 10749-10757 (2012).
  32. Schacter, D. L., Wagner, A. D. Medial temporal lobe activations in fMRI and PET studies of episodic encoding and retrieval. Hippocampus. 9 (1), 7-24 (1999).
  33. Strange, B., Dolan, R. Functional segregation within the human hippocampus. Mol Psychiatry. 4 (6), 508-511 (1999).
  34. Strange, B. A., Fletcher, P. C., Henson, R. N., Friston, K. J., Dolan, R. J. Segregating the functions of human hippocampus. Proc Natl Acad Sci U S A. 96 (7), 4034-4039 (1999).
  35. Eldridge, L. L., Engel, S. A., Zeineh, M. M., Bookheimer, S. Y., Knowlton, B. J. A dissociation of encoding and retrieval processes in the human hippocampus. J Neurosci. 25 (13), 3280-3286 (2005).
  36. Strange, B. A., Witter, M. P., Lein, E. S., Moser, E. I. Functional organization of the hippocampal longitudinal axis. Nat Rev Neurosci. 15 (10), 655-669 (2014).
  37. Zeineh, M. M., Engel, S. A., Thompson, P. M., Bookheimer, S. Y. Dynamics of the hippocampus during encoding and retrieval of face-name pairs. Science. 299 (5606), 577-580 (2003).
  38. Nieuwenhuis, S., Forstmann, B. U., Wagenmakers, E. -J. Erroneous analyses of interactions in neuroscience: a problem of significance. Nat Neurosci. 14 (9), 1105-1107 (2011).
  39. Cisler, J. M., Bush, K., Steele, J. S. A comparison of statistical methods for detecting context-modulated functional connectivity in fMRI. NeuroImage. 84, 1042-1052 (2014).
  40. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. NeuroImage. 19 (4), 1273-1302 (2003).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Psychophysiological Interaction AnalysisFunctional Connectivity ChangesAssociative Memory TaskAPOE Epsilon 4 CarriersHippocampal SubregionsfMRI Preprocessing StepsGeneral Linear ModelPPI Term CreationGroup Level ComparisonsMNI Space Coordinates

Related Articles