1 lipca 2014
Łączność informacyjna mierzy zgodność między przebiegami czasowymi informacji wielowokselowych w różnych regionach mózgu. Szeregi czasowe dyskryminacji wzorców wielowokselowych są wyodrębniane z regionów i porównywane, ujawniając sieci, które nie są identyfikowane w typowym podejściu do łączności funkcjonalnej.
Ogólnym celem tej procedury jest pomiar połączeń między regionami mózgu na podstawie zmian w ich rozproszonych wzorcach aktywności w czasie. W tym celu należy najpierw wybrać region źródłowy. Następny wzorzec wielowokselowy, dyskryminacja jest obliczana dla każdego punktu czasowego dla regionu zalążkowego i każdego reflektora lub obszaru zainteresowania.
Ostatnim krokiem jest skorelowanie szeregów czasowych dyskryminowalności regionu zalążkowego z każdym reflektorem. Ostatecznie łączność informacyjna służy do ujawniania połączeń między regionami, które zawierają informacje zawarte we wzorcach wokseli. Cóż, główną przewagą tej techniki nad innymi, takimi jak łączność funkcjonalna, jest to, że może ona wykrywać łączność przy użyciu warunków, które nie różnią się odpowiedzią immunologiczną, ale mają unikalną sygnaturę wielowymiarową.
Cóż, po raz pierwszy wpadłem na pomysł tej metody po tym, jak zdałem sobie sprawę, że wiele technik łączności ignoruje informacje, które są przechowywane tylko we wzorcach aktywności wielowokselowej. Tak jak teraz wiemy, że podejścia jednowymiarowe są całkowicie ślepe na informacje przechowywane we wzorcach aktywności wielu wokseli: Aby rozpocząć tę procedurę, usuń sygnały ruchu i średniej istoty białej z szeregów czasowych wstępnie przetworzonych danych FMRI, tworząc model regresji z predyktorami parametrów ruchu i średniego sygnału istoty białej. Następnie przeprowadź następującą analizę powstałych reszt.
Zaimportuj wygenerowane reszty do pakietu analitycznego, takiego jak MATLAB lub Python, korzystając na przykład z zestawu narzędzi MATLAB do łączności informacyjnej typu open source. Następnie przekształć każdy szereg czasowy wokseli na zco. Podziel punkty czasowe zestawów danych na niezależne zestawy, takie jak różne przebiegi skanera.
Następnie utwórz rekord etykiet warunków skojarzonych z punktami czasowymi, generując wektor etykiet warunków. Oznacza to, że długie punkty czasu końcowego przesuwają etykiety warunków do przodu w każdym przebiegu o liczbę razy do powtórzenia odpowiadającą pięciu sekundom, aby uwzględnić opóźnienie hemodynamiczne między zdarzeniami a zarejestrowanymi sygnałami FMRI. Aby wybrać region zalążkowy, wyizoluj obszar anatomiczny, wybierając woksele w preferowanym oprogramowaniu lub za pomocą oznaczonego atlasu funkcjonalnie lokalizującego region lub wybierając najskuteczniejszy reflektor do mapowania mózgu.
Następnie porównaj MVP każdego z nich. Wskaż prototypowy MVP dla każdego warunku. Korzystanie z zestawu narzędzi MATLAB do łączności informacyjnej typu open source.
Oblicz prototypowy MVP dla każdego warunku, uśredniając punkty czasowe każdego warunku we wszystkich przypadkach oprócz jednego. Następnie skoreluj MVP za każdym razem ze średnią MVP każdego warunku z danych treningowych. To da za każdym razem wartość korelacji 0,1 dla każdego warunku.
Należy pamiętać, że warunek z najwyższą korelacją w tym miejscu byłby predykcją popularnego klasyfikatora MVPA opartego na korelacji. Później. Określ ilościowo DYSKRYMINOWALNOŚĆ MVP dla każdego punktu czasowego, najpierw identyfikując korelację reprezentującą warunek tego punktu czasowego. Następnie odejmij najwyższą z pozostałych korelacji.
Rezultatem jest dyskryminacja MVP każdego punktu czasowego. Aby przeprowadzić analizę światła poszukiwawczego, umieść trójwymiarowy klaster wokół każdego vle. Z kolei powtórz poprzedni krok dla każdej lampy szperaczowej, tak aby każda lampa szperakowa miała szereg czasowy wartości dyskryminowalności MVP.
Teraz skoreluj szeregi czasowe dyskryminowalności MVP ziarna z szeregami czasowymi DYSKRYMINOWALNOŚCI każdego reflektora. Korzystając z korelacji rang spearmana, wynikowa wartość RS to IC między ziarnem a reflektorem. Następnie przypisz wartość IC każdego reflektora do centralnego woksela reflektora i napisz mapę mózgu wynikowej osoby.
Jeśli dane nie znajdują się jeszcze w ustandaryzowanej przestrzeni, przekształć mapy IC uczestnika w tę samą przestrzeń. Opcjonalnie wygładź mapy reflektorów danej osoby. Na tym rysunku przedstawiono przykłady DYSKRYMINOWALNOŚCI MVP w dwóch regionach z synchroniczną dyskryminacją MVP bez synchronicznej aktywacji średniej.
Te punkty danych zostały zebrane, gdy badany oglądał wizualne prezentacje obiektów stworzonych przez człowieka, które można odróżnić za pomocą wzorców wielowokselowych, ale nie średnich odpowiedzi. Pokazano tu przykład wartości IC i FC między ziarnem w lewym widoku zakrętu formy a reflektorami w mózgu. Siła łączności informacyjnej i funkcjonalnej jest wskazana na osi Z w odniesieniu do średniej odpowiedzi każdego reflektora na osi X i dokładności klasyfikacji MVPA na osi Y, lewy górny róg wykresu IC pokazuje informacyjnie połączone reflektory o wysokiej wydajności klasyfikacji, ale niskich średnich poziomach odpowiedzi.
Luka w lewym górnym rogu wykresu FC pokazuje, że te połączone reflektory nie są wykrywane w typowym podejściu FC. Oto przykład map łączności. Każdy wiersz pokazuje regiony, które są znacząco połączone z zalążkiem Istotność jest określana przez test grupy T z minimalnym rozmiarem klastra z testowania permutacji.
Wyniki IC są wyświetlane tutaj za pomocą trądziku na mapach powierzchniowych utworzonych za pomocą bezpłatnego surfera Postępując zgodnie z tą procedurą. Inne analizy, takie jak łączność funkcjonalna, mogą być przeprowadzane w celu zadania dodatkowych pytań, takich jak to, czy warunki są jednoznacznie połączone wzorcami wielowokselowymi, czy też są one również synchroniczne w swoich średnich odpowiedziach. Dlatego po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak mierzyć łączność między regionami na podstawie ich wzorców wielorakich.
Dzięki za oglądanie.
W niniejszym artykule omówiono metodę pomiaru łączności informacyjnej między obszarami mózgu w oparciu o wzorce aktywności wielu wokseli w czasie. Podkreślono zalety tego podejścia w porównaniu z tradycyjnymi metodami badania łączności funkcjonalnej.
Konektywność informacyjna (IC) wypełnia istotną lukę w badaniach neurobiologicznych, wykrywając interakcje sieci mózgowych niewidoczne dla tradycyjnej konektywności funkcjonalnej (FC) w sytuacjach, gdy brakuje różnic jednowymiarowych, lecz występują wyraźne wzorce wielowokselowe. Zdolność ta usprawnia walidację celów w procesie odkrywania leków neuropsychiatrycznych, ujawniając ścieżki mechanistyczne powiązane z fenotypami poznawczymi lub behawioralnymi, które napędzają fenotypy chorobowe. Poprzez izolowanie konektywności w oparciu o rozproszoną dynamikę informacji, a nie średnią aktywację, IC zwiększa pewność prognostyczną w zakresie zaangażowania celu i modulacji ścieżek na wczesnym etapie odkrywania leków.
Łączność informacyjna wpisuje się w kontinuum odkryć, od testowania hipotez po identyfikację cząsteczek wiodących, szczególnie w procesie opracowywania leków na schorzenia OUN, gdzie zrozumienie rozproszonego przetwarzania informacji neuronalnych ma kluczowe znaczenie dla walidacji celu i uzyskania wglądu w mechanizmy działania.