Używamy magneto- i elektroencefalografii (MEG/EEG), w połączeniu z informacjami anatomicznymi przechwyconymi przez rezonans magnetyczny (MRI), aby zmapować dynamikę sieci korowej związanej z uwagą słuchową.

Ogólnym celem tej procedury jest odwzorowanie dynamiki kory mózgowej leżącej u podstaw różnych stanów poznawczych człowieka. Osiąga się to poprzez uprzednie przechwycenie danych iskrownikowych i elektroencefalograficznych lub MEG i EEG w skrócie, podczas gdy badany wykonuje zadanie behawioralne. Drugim krokiem jest uzyskanie danych anatomicznych za pomocą odpowiednich sekwencji MRI.

Następnie przeprowadzana jest korejestracja w celu ustalenia zgodności przestrzennej między lokalizacjami czujników MEG i EEG z informacjami anatomicznymi. Ostatnim krokiem jest zastosowanie podejścia do obrazowania odwróconego w celu zmapowania aktywności mózgu danej osoby w przestrzeni korowej. Ostatecznie wnioskowanie statystyczne oparte na wspólnym układzie współrzędnych opartym na powierzchni służy do odkrywania znaczących przestrzennych wzorców czasowych, które odróżniają jeden stan poznawczy od drugiego.

Procedurę zademonstrują Eric Lawson i Ross Maddox. W przypadku doktorów w moim laboratorium, rozpocznij ten protokół od uzyskania strukturalnych obrazów MR pacjenta. Najpierw uzyskaj strukturalny skan MR za pomocą przygotowanego przez namagnesowanie szybkiego echa gradientowego lub MP rage lub podobnej sekwencji.

Ta sekwencja może trwać od pięciu do 10 minut, w zależności od konkretnej rozdzielczości skanowania i zastosowanego protokołu obrazowania, jeśli dane EEG będą używane do analizy obrazowania odwrotnego. Zrób także dwa szybkie zdjęcia pod niskim kątem lub skany MRI z lampą błyskową. Te sekwencje błysków zapewniają inny kontrast tkankowy niż standardowe sekwencje wściekłości MP.

Po zakończeniu obrazowania użyj MNE i bezpłatnego oprogramowania dla surferów, aby zrekonstruować skórę, zewnętrzną czaszkę i wewnętrzną powierzchnię czaszki na podstawie obrazów MP rage i flash. Następnie użyj tych powierzchni do wygenerowania trójwarstwowego modelu elementu granicznego lub bem przed eksperymentem MEG. Najpierw przetestuj opóźnienia słuchowe i wzrokowe, aby zapewnić integralność czasu.

Użyj mikrofonu i zdjęcia DDE podłączonego do ekranu, a następnie upewnij się, że nie ma zauważalnego jittera. Może to wymagać ustawienia projektora prezentacyjnego na jego natywną rozdzielczość. Następnie przygotuj obiekt do nagrywania, odwołując się do poprzedniego artykułu wideo luital, aby uzyskać szczegółowe informacje na temat przygotowania elektrogramu i elektrody referencyjnej, a także digitalizacji punktów odniesienia obiektu, cewek wskaźnika położenia głowy i elektrod EEG.

Gdy osoba badana usiądzie wygodnie w pozycji głowy MEG, zmierz za pomocą wskaźnika pozycji głowy lub cewek HPI, rozpocznij nagrywanie i rozpocznij prezentację bodźców słuchowych i wizualnych. Uwaga: Pomiary HPI mogą być również wykonywane w sposób ciągły. Badany powinien reagować na bodźce słuchowe i wzrokowe za pomocą optycznego pudełka z guzikami podczas wykonywania audiowizualnego zadania behawioralnego.

W tym miejscu podmiot zgłasza szprychę i cyfrę pochodzące z półpola jako kolejkę przez wskazówkę wizualną. Od czasu do czasu badani są wizualnie proszeni o skierowanie uwagi na kontralateralne półpole w połowie próby. Aby zbadać przełączanie uwagi słuchowej, dostępnych jest wiele rozwiązań sprzętowych i programowych do prezentacji bodźców.

Tutaj Tucker Davis Technologies RZ six służy do prezentacji bodźców słuchowych i stemplowania wyzwalaczy z zestawem narzędzi psychologicznych do prezentacji bodźców wizualnych, oba kontrolowane przez matlab. Aby rozpocząć przetwarzanie danych, należy coregister dane EEG do strukturalnego rezonansu magnetycznego za pomocą oprogramowania MNE, jak pokazano tutaj, najpierw załaduj dane digitizera do zrekonstruowanego modelu głowy MRI pacjenta. Następnie wybierz powiernicze punkty orientacyjne, aby zainicjować proces wspólnej rejestracji, a następnie przejdź do procedury automatycznego wyrównania, aby zakończyć transformację współrzędnych.

Następnie, aby powiązać położenie każdego dipola w przestrzeni źródłowej z lokalizacją każdego czujnika. Połącz zarejestrowane dane wskaźnika położenia głowicy, aby obliczyć rozwiązanie do przodu z trójwarstwowym modelem elementów granicznych, aby jeszcze bardziej zwiększyć stosunek sygnału do szumu danych. Zastosuj usuwanie artefaktów w dziedzinie czasu, takie jak usuwanie epików zawierających sygnały o nienormalnie wysokiej amplitudzie z powodu przeskoków kanału.

Zastosuj również usuwanie artefaktów w dziedzinie częstotliwości, takie jak filtrowanie pasma z wycięciem przy częstotliwości linii 50 lub 60 Hz, użyj projekcji przestrzeni sygnału lub innych technik redukcji szumów, takich jak separacja przestrzeni sygnału, w celu projekcji lub oddzielenia wzorców pola przestrzennego od otoczenia, zanieczyszczenia pola lub innych niepożądanych sygnałów fizjologicznych, takich jak te związane z mruganiem oczami i artefaktami sercowymi. Teraz wygeneruj film mózgowy z oszacowaniem rozłożonego dipola, który jest bieżącym oszacowaniem w każdym miejscu dipola w przestrzeni źródłowej w czasie dla każdego warunku eksperymentalnego. W zależności od charakterystyki czasowej projektu eksperymentalnego, dane mogą być zaginane w czasie poprzez uśrednianie bieżących szacunków przy użyciu nienakładających się okien czasowych w celu kontynuowania morfologii analizy.

Wcześniej utworzone filmy mózgowe dla każdego badanego na wspólnej przestrzeni korowej w oparciu o powierzchniowy układ współrzędnych, który optymalnie wyrównuje indywidualne wzorce jarralne sical. Pozwala to na porównanie lub uśrednienie czynności kory mózgowej u różnych badanych. Aby zastosować podejście oparte na obszarze zainteresowania, ROI można zdefiniować anatomicznie, na przykład za pomocą algorytmu automatycznej parcelizacji i/lub funkcjonalnie, rejestrując funkcjonalne zadanie lokalizacyjne, takie jak zadanie typu go no-go secon w celu zidentyfikowania analizy regionów okoruchowych, które można dodatkowo ograniczyć do określonego czasu zainteresowania, który jest odpowiedni dla zastosowanego paradygmatu eksperymentalnego, Na przykład ograniczone do okresu bezpośrednio poprzedzającego i następującego po wystąpieniu bodźców dźwiękowych.

Inne wnioskowanie statystyczne związane z analizą szeregów czasowych można również wykorzystać przy użyciu paradygmatu behawioralnego opisanego powyżej. Tutaj widzimy reprezentatywne wyniki przy użyciu nieparametrycznej procedury grupowania czasoprzestrzennego. Prawe przednie pole oczne jest istotne, gdy osoba badana wykonuje zadanie reorientacji w porównaniu z zadaniem standardowym.

Korzystając z podejścia ROI, pokazany jest przebieg czasowy prawego pola czołowego oka wraz z okresem, w którym te dwa warunki znacznie się różnią. Po obejrzeniu tego filmu powinieneś mieć dobry pomysł na to, jak używać M-E-G-E-E-G i MRI do mapowania dynamiki kory mózgowej w różnych zadaniach behawioralnych. Stosując odpowiednie podejścia statystyczne, można odkryć różne przestrzenne wzorce czasowe, które rozróżniają stany poznawcze.

Dziękujemy za oglądanie i życzymy powodzenia w eksperymentach.

Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych

Zaloguj się

Przegląd

To badanie wykorzystuje magneto- i elektroencefalografię (MEG/EEG) w połączeniu z rezonansem magnetycznym (MRI) w celu zbadania kortykalnej dynamiki związanej z uwagowością słuchową. Integracja tych technik pozwala na kompleksowe mapowanie aktywności mózgu podczas zadań poznawczych.

Kluczowe elementy badania

Dziedzina nauki

Neuronauki
Elektrofizjologia
Techniki obrazowania

Tło

Rozumienie stanów poznawczych jest kluczowe dla badań neuronaukowych.
MEG i EEG dostarczają informacji o aktywności mózgu z wysoką rozdzielczością czasową.
MRI oferuje szczegółowy kontekst anatomiczny do mapowania mózgu.
Współrejestracja danych poprawia dokładność analizy przestrzennej.

Cel badania

Aby zmapowywać kortykalną dynamikę związaną z uwagowością słuchową.
Aby odróżnić różne stany poznawcze na podstawie wzorców aktywności mózgu.
Aby wykorzystywać zaawansowane techniki obrazowania dla lepszego zrozumienia funkcji mózgu.

Stosowane metody

Zbieranie danych MEG i EEG podczas zadań behawioralnych.
Uzyskiwanie danych anatomicznych MRI przy użyciu odpowiednich sekwencji.
Współrejestracja lokalizacji czujników MEG/EEG z danymi MRI.
Zastosowanie odwrotnych technik obrazowania do mapowania aktywności mózgu.

Główne wyniki

Identyfikacja istotnych przestrzenno-czasowych wzorców aktywności mózgu.
Rozróżnienie stanów poznawczych na podstawie przemapowanych dynamiki kortykalnych.
Lepsze zrozumienie mechanizmów uwagowości słuchowej.
Ustanowienie wspólnego układu współrzędnych opartego na powierzchni do analizy.

Wnioski

Integracja MEG/EEG i MRI jest skuteczna w mapowaniu stanów poznawczych.
Inferencja statystyczna ujawnia ważne wzorce w aktywności mózgu.
To podejście może poprawić nasze zrozumienie uwagowości słuchowej.

Często zadawane pytania

Jaka jest znaczność stosowania MEG i EEG?

MEG i EEG zapewniają wysoką rozdzielczość czasową, pozwalając badaczom na rejestrowanie szybkich zmian w aktywności mózgu związanych z procesami poznawczymi.

Jak MRI przyczynia się do tego badania?

MRI dostarcza szczegółowych informacji anatomicznych, które pomagają w dokładnym mapowaniu aktywności mózgu na konkretne regiony.

Jakie są główne badane stany poznawcze?

Badanie koncentruje się na uwagowości słuchowej i związanych z nią kortykalnych dynamik.

Czym jest współrejestracja w tym kontekście?

Współrejestracja to proces dostosowywania danych czujników MEG/EEG do danych anatomicznych MRI, aby zapewnić dokładną analizę przestrzenną.

Jakie techniki są używane do analizy danych?

Do analizy danych stosuje się podejście odwrotne do obrazowania i inferencję statystyczną opartą na wspólnym układzie współrzędnych.

Executive Industry Relevance

Mapping cortical dynamics with MEG/EEG and MRI enables high-temporal-resolution investigation of cognitive states relevant to neuropsychiatric target validation. This approach supports mechanistic de-risking by linking distributed neural activity to behavioral phenotypes in disease-relevant systems. It provides predictive confidence for target engagement assays by identifying spatiotemporal biomarkers of cognitive dysfunction.

Strategic Applications in Biopharma R&D

Early Discovery & Target Validation

Scientific Value: Interrogates therapeutic hypotheses by mapping cortical network dynamics during attention tasks.
Operational Value: Enables biological de-risking through distributed source localization of cognitive phenotypes.
Predictive Value: Supports portfolio triage by identifying cortical biomarkers predictive of attentional deficits.

Screening & Assay Development

Assay Readiness: Prepares validated neurophysiological systems for compound screening using time-locked and sustained responses.
Quantitative Outputs: Generates reproducible cortical dipole activation time-series for dose-response modeling.
Platform Scalability: Supports high-throughput evaluation via automated source modeling and group-level statistics.

Translational & Preclinical Research

Disease Relevance: Maps cortical dynamics in auditory attention paradigms translatable to ADHD, schizophrenia, and autism models.
Translational Continuity: Bridges discovery to preclinical validation through common surface-based coordinate systems.
Risk-Adjusted Advancement: Informs go/no-go decisions by quantifying target engagement effects on network-level cognition.

Pipeline & Workflow Integration

The method integrates into discovery biology through hypothesis testing of cortical networks, advances to screening via reproducible neurophysiological readouts, and supports translational research via group-level statistical inference in a common cortical space.

Discovery Biology: Tests mechanistic hypotheses by isolating cortical dynamics underlying specific cognitive states like auditory attention.
Screening: Delivers assay-ready, standardized cortical activation maps for evaluating compound effects on neural networks.
Analytics: Provides spatiotemporal cortical time-series and group-level statistics for comparing conditions across subjects.
Translational Research: Connects to preclinical work through anatomically constrained source models and ROI-based analysis of cognitive networks.
Enterprise Reuse: Establishes a reusable pipeline for mapping cognitive states across therapeutic areas using standardized MNE and FreeSurfer workflows.

Operational & Enterprise Impact

Scientific Value: Reduces mechanistic ambiguity by linking MEG/EEG signals to cortical sources during cognitive tasks.
Operational Value: Ensures reproducibility through standardized co-registration, artifact removal, and inverse imaging steps.
Strategic Value: Improves go/no-go decisions by providing objective, network-level biomarkers of target engagement.
Portfolio Impact: Enables risk-adjusted prioritization of compounds based on effects on distributed cortical networks.

Implementation Considerations

Requires expertise in neuroimaging, MRI acquisition, and MNE/FreeSurfer source modeling.
Dependent on MEG/EEG systems, MRI scanners, and computational infrastructure for forward/inverse solutions.
Necessitates cross-team standardization of head positioning, artifact correction, and ROI definition.
Adaptation across models requires validation of anatomical boundaries and source space alignment.
Practical limitations include sensitivity to environmental noise and need for artifact rejection protocols.

Biopharma FAQs

Why does null hypothesis testing matter for target validation in MEG/EEG source analysis?

Null hypothesis testing determines whether observed cortical activation patterns during attention tasks significantly differ from baseline, providing statistical confidence in target engagement effects.

How does independent variable isolation fit the discovery pipeline for cognitive state mapping?

Isolating independent variables like auditory cue direction allows attribution of cortical dynamics to specific cognitive processes, supporting hypothesis-driven target validation.

What quantitative dependent variable measurements enable cortical dynamics mapping in MEG/EEG studies?

Dependent variables such as cortical dipole amplitude and latency over time provide quantifiable readouts for assessing network engagement and compound effects.

Why do replication requirements matter for cross-functional collaboration in cortical source imaging?

Replication across subjects using a common cortical coordinate system ensures reliability and enables pooled statistical inference for multi-site target validation studies.

What statistical analysis capabilities are required before implementing group-level MEG/EEG cortical mapping?

Capabilities for spatiotemporal clustering and surface-based coordinate alignment are required to identify significant cortical patterns across subject populations.