Analiza sieciowa sieci w trybie domyślnym z wykorzystaniem rezonansu magnetycznego łączności funkcjonalnej w padaczce skroniowej
5 sierpnia 2014
Sieć trybu domyślnego (DMN) w padaczce skroniowej (TLE) jest analizowana w stanie spoczynku mózgu za pomocą rezonansu magnetycznego (fcMRI) opartego na nasionach.
Ogólnym celem poniższego eksperymentu jest uzyskanie map statystycznych. Porównanie różnic w skanach FMRI stanu spoczynku między zdrową grupą kontrolną a pacjentami z padaczką. Osiąga się to poprzez uzyskanie danych FMRI u osób z padaczką skroniową, a także u zdrowych osób z grupy kontrolnej.
W drugim kroku FMRI jest wstępnie przetwarzany, który przygotowuje dane do analizy statystycznej. Następnie wstępnie przetworzone dane FMRI są analizowane w celu uzyskania statystycznie ważnych porównań między obiema grupami. Uzyskano wyniki, które pokazują różnice w sieciach mózgowych wśród pacjentów z padaczką w porównaniu z sieciami mózgowymi zdrowych osób z grupy kontrolnej.
Opierając się na statystycznych różnicach w mapach sieci mózgowych między tymi dwiema grupami, staje się coraz bardziej oczywiste, że nawet padaczki, które objawiają się napadami ogniskowymi, są wyłaniającymi się właściwościami rozproszonych zaburzeń sieci. Pomysł na tę technikę pojawił się po uznaniu znaczenia sieci DEF Favo podczas napadów i zastanowieniu się, czy domyślna sieć LO jest nieprawidłowa między napadami w padaczce skroniowej. Populacja badawcza dla tego protokołu powinna obejmować trzy grupy, prawda?
Pacjenci z padaczką skroniową, pacjenci z padaczką lewego płata skroniowego, a także osoby zdrowe. W sumie zalecanych jest około 35 przedmiotów. Grupami pacjentów z padaczką powinni być pacjenci, u których zdiagnozowano padaczkę skroniową, tacy jak kandydaci do resekcji przedniego płata skroniowego zgodnie z obrazem wideo, monitorowaniem EEG, obrazowaniem PET i testami neuropsychologicznymi, które zapewniają, że wszyscy pacjenci mają prawidłowy rezonans magnetyczny mózgu i są wolni od chorób neurologicznych innych niż padaczka w grupach pacjentów.
Uzyskaj zgodę IRB i pisemną świadomą zgodę od wszystkich uczestników przed obrazowaniem i badaniem przesiewowym w kierunku rezonansu magnetycznego. Bezpieczeństwo. Pacjenci powinni kontynuować przyjmowanie zwykłych leków podczas badania FMRI i nie powinni być badani bezpośrednio po napadzie. System rezonansu magnetycznego o trzech Teslach powinien być używany do wszystkich obrazowań opisanych w tym protokole.
Uzyskaj przekroje osiowe dla obrazów funkcjonalnych za pomocą sekwencji obrazowania echo płaskiego, a dla obrazów anatomicznych użyj zepsutej sekwencji przywołanej gradientu. Poproś uczestników, aby zrelaksowali się i pozostali nieruchomo z zamkniętymi oczami oraz wykonali funkcjonalne obrazowanie przy użyciu parametrów, jak pokazano tutaj. Należy również użyć następujących parametrów dla obrazowania strukturalnego o wysokiej rozdzielczości S PGR T one weighted.
Każda sesja obrazowania powinna trwać około 20 minut. Zacznij od wstępnego przetworzenia danych FMRI za pomocą oprogramowania FSL. Użyj FSL MFL, aby usunąć artefakt ruchu głowy.
Następnie użyj narzędzia do ekstrakcji mózgu FSL lub BET, aby usunąć tkankę inną niż mózg za pomocą opcji kreska F dla pogrubionych plików. Pozwala to na dalsze etapy analizy samej tkanki mózgowej. Następnie w stopach uruchom minimalnie przetworzoną analizę z rejestracją.
Wybierz analizę pierwszego poziomu i zmień pełną analizę na statystyki wstępne za pomocą dwóch górnych przycisków. Następnie w zakładce statystyk pres odznacz ekstrakcję mózgu zakładu i wybierz brak dla korekcji ruchu, ponieważ zostały one już wykonane. Następnie zarejestruj obrazy funkcjonalne na obrazach anatomicznych, a następnie na standardowym obrazie MNI.
Powoduje to wygenerowanie macierzy transformacji, które są używane później podczas analizy do wypaczenia ziarna wybranego w przestrzeni standardowej do przestrzeni mózgu badanego. Następnie użyj wygenerowanej macierzy transformacji o nazwie standard, aby przykleić funk dot mat i przekształcić zwrot z inwestycji w płyn mózgowo-rdzeniowy i istotę białą w indywidualną pogrubioną przestrzeń. Następnie za pomocą polecenia FSL mean TS wyodrębnij szeregi czasowe z ROI płynu mózgowo-rdzeniowego i istoty białej.
Używając ROI w indywidualnej przestrzeni tematycznej jako maski, znormalizuj wyodrębnione szeregi czasowe za pomocą oprogramowania R. Te szeregi czasowe zostaną później użyte jako regresory w ogólnym modelu liniowym w celu usunięcia odpowiednich sygnałów artefaktów z analizy. Następnym krokiem jest usunięcie artefaktów związanych z ruchem obiektu. Do regresji parametrów ruchu.
Ustaw następujące elementy w stopach FSL przed uruchomieniem go najpierw na karcie danych, użyj pliku z korekcją ruchu i wyodrębnionym mózgiem jako danych wejściowych i ustaw wartość TR tak, aby odpowiadała Twojemu zestawowi danych. Ustaw filtrowanie górnoprzepustowe za pomocą filtra 102nd, który usunie sygnały o bardzo niskiej częstotliwości, które nie są interesujące. Filtr dolnoprzepustowy do usuwania sygnałów o wysokiej częstotliwości zostanie zastosowany później w zakładce statystyk pres
.Nie wybierz opcji Brak w obszarze Korekcja ruchu i odznacz, ale ekstrakcja mózgu. Po wykonaniu tych kroków wykonaj wygładzanie przestrzenne przy użyciu maksymalnie połowy szerokości pięciu milimetrów. Następnie w zakładce statystyk dokonaj regresji sześciu parametrów ruchu i ich pochodnych czasowych.
Zaznacz brak dla konwolucji i zaznacz opcję zastosuj filtrowanie czasowe. Użyj danych wyjściowych F selmic flirt, aby uzyskać pliki tekstowe z parametrami ruchu, które można następnie wprowadzić do analizy stóp w celu ich regresji w ogólnym modelu liniowym. Dodaj również sygnały płynu mózgowo-rdzeniowego i istoty białej, które zostały wyodrębnione i znormalizowane w poprzednich krokach, do GLM.
Zaznacz opcję Brak dla konwolucji. Dodaj pochodną czasową i odznacz opcję zastosuj filtrowanie czasowe. Pozostałości z przetwarzania wstępnego opisane powyżej należy wykorzystać do korelacji opartej na nasionach.
Reszty te należy najpierw przepuścić przez niski filtr PESS 0,1 herca, następnie pomniejszać przez odjęcie średniej, podzielenie przez odchylenie standardowe, a następnie przeskalowanie przez dodanie 100 nasion należy zdefiniować o średnicy sześciu milimetrów. W standardowej przestrzeni MNI. Korzystając z oprogramowania koronowego MRI, nasiona tylne i przednie powinny odpowiadać współrzędnym, jak pokazano tutaj.
Należy pamiętać, że te lokalizacje nasion zostały zdefiniowane w ramach zdrowych kontroli. Nasiona powinny być następnie przekształcone do indywidualnej funkcjonalnej przestrzeni mózgu każdego badanego ze standardowej przestrzeni MNI. W tym celu należy użyć wcześniej wygenerowanej macierzy transformacji, aby przekształcić ziarno ze standardowej przestrzeni m i i i do indywidualnej przestrzeni funkcjonalnej.
Następnie użyj polecenia FSL mean Ts, aby wyodrębnić szereg czasowy z poprzednio pomniejszonej i przeskalowanej reszty. Używanie ziarna w indywidualnej przestrzeni tematycznej jako maski. Znormalizuj wyodrębnione szeregi czasowe za pomocą oprogramowania R Częściowe korelacje między wokselami nasiennymi a wszystkimi ich wokselami mózgowymi powinny być obliczane osobno dla każdego obiektu dla każdego przebiegu.
W tym celu w interfejsie stóp FSL wybierz analizę pierwszego poziomu, a następnie statystyki plus statystyki postów w zakładce danych. Poprzednio zdegradowana i przeskalowana reszta powinna być wykorzystana jako dane wejściowe. Ustaw odcięcie filtra górnoprzepustowego na 10 000, ponieważ reszta jest już wysoka i przechodzi po 100 sekundach w zakładce statystyk.
Usuń zaznaczenie opcji Użyj wstępnego wybielania filmu i użyj wcześniej wyodrębnionych i znormalizowanych szeregów czasowych nasion. W GLM na karcie statystyk postów ustaw żądany próg statystyki Z na wartość 2,0 przed uruchomieniem analizy grupowej. Łącząc przebiegi w obrębie obiektów, transformację Fishera Z należy przeprowadzić na kontraście oszacowań parametrów.
Plik wygenerowany na podstawie analizy korelacji, skopiuj dane rejestracyjne z katalogu reg analizy stóp do przebiegu korelacji. Przeprowadź analizę wyższego poziomu, łącząc przebiegi w ramach każdego tematu. Najpierw wybierz analizę wyższego poziomu, a następnie statystyki plus statystyki postów.
Następnie w zakładce danych wybierz dane wejściowe są katalogami stóp niższego poziomu i wprowadź przebiegi tematu w zakładce statystyk. Wybierz efekty mieszane. Prosty OLS konfiguruje model jako średni efekt i wprowadza wartość jeden dla każdego z przebiegów obiektów.
Aby połączyć przekroczenie danych między obiektami, należy użyć do tego zwykłej prostej analizy efektów mieszanych metodą najmniejszych kwadratów, wybierz analizę wyższego poziomu i statystyki oraz statystyki postów w zakładce danych. Wybierz dane wejściowe jako katalogi stóp niższego poziomu i wprowadź połączone przebiegi podmiotu w zakładce statystyk, wybierz efekty mieszane. Prosty OLS konfiguruje model jako trzy grupy, wprowadź wartość jeden dla grupy.
Każdy temat należy do zera. W przeciwnym razie analiza grupowa powinna być przeprowadzona na każdym wokselu przy użyciu jednokierunkowej innova z trzema poziomami, które odpowiadają trzem grupom do progu. Obrazy statystyczne Z wykorzystują próg tworzenia klastrów Z większy niż 2,0 i skorygowany próg istotny dla klastra P równy 0,05 w celu uzyskania prawidłowych wartości Z na mapie korelacji.
Na wynikach należy przeprowadzić odwrotną transformację Z rybaka. Na koniec użyj następujących konkretnych kontrastów, jak widać na ekranie tutaj. Ten rysunek przedstawia sieć trybu domyślnego ujawnioną z łącznością z tylnego nasienia, w tym retro splenium i precuneus w kolorze czerwono-żółtym oraz w przednim nasieniu, w tym przyśrodkową korę przedczołową w kolorach niebiesko-zielonym.
Pierwszy wiersz przedstawia sieć dla osób kontrolnych, drugi wiersz dla padaczki lewego płata skroniowego, a dolny wiersz dla padaczki prawego płata skroniowego. Na poniższych wykresach porównano te sieci między tymi trzema grupami. Tutaj widzimy sieci trybu domyślnego ujawnione z przednim i tylnym nasieniem dla połączonej padaczki prawego i lewego płata skroniowego w porównaniu ze zdrowymi kontrolami.
Ten rysunek pokazuje sieci trybu domyślnego, które ujawniły się z tymi samymi punktami zalążkowymi tylko dla padaczki lewego płata skroniowego w porównaniu ze zdrowymi osobami z grupy kontrolnej. Podczas gdy ten rysunek pokazuje sieci ujawnione dla padaczki prawego płata skroniowego tylko w porównaniu ze zdrowymi kontrolami, i wreszcie tutaj widzimy sieci trybu domyślnego ujawnione z przednim i tylnym nasieniem dla padaczki lewego płata skroniowego w porównaniu z padaczką prawego płata skroniowego. Badania nad połączeniami funkcjonalnymi, które obejmują cały mózg, są niezbędne do zrozumienia podstawowych mechanizmów padaczki.
W tym eksperymencie użyliśmy techniki opartej na ziarnach, aby ocenić łączność z siecią w trybie domyślnym. Ciekawie będzie zobaczyć, jak inne techniki wypadają w porównaniu z wynikami badania padaczki skroniowej.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
To badanie bada sieć trybu domyślnego (DMN) u pacjentów z padaczką płata skroniowego (TLE) w stanie spoczynku przy użyciu funkcjonalnej rezonansu magnetycznego (fcMRI). Badanie ma na celu porównanie różnic w sieci mózgu między zdrowymi kontrolami a pacjentami z TLE.
Kluczowe elementy badania
Obszar nauki
- Neuronauki
- Funkcjonalne MRI
- Badania nad padaczką
Tło
- Padaczka płata skroniowego wpływa na łączność mózgu.
- Sieć trybu domyślnego jest kluczowa dla zrozumienia funkcji mózgu.
- Rezonans magnetyczny w stanie spoczynku zapewnia wgląd w wzorce aktywności mózgu.
- Badania porównawcze pomagają identyfikować nieprawidłowości w padaczce.
Cel badania
- Analiza skanów rezonansu magnetycznego w stanie spoczynku u pacjentów z TLE.
- Porównanie sieci mózgu między pacjentami z TLE a zdrowymi kontrolami.
- Identyfikacja statystycznie istotnych różnic w łączności mózgu.
Stosowane metody
- Analiza funkcjonalnego łącza rezonansu magnetycznego (fcMRI) opartego na ziarnach.
- Zbieranie danych od pacjentów z TLE i zdrowych kontrol.
- Przetworzenie wstępne danych rezonansu magnetycznego do analizy statystycznej.
- Statystyczne porównanie sieci mózgu między grupami.
Główne wyniki
- Obserwowano różnice w sieciach mózgu między pacjentami z TLE a kontrolami.
- Mapy statystyczne ujawniły zmienioną łączność w DMN.
- Wyniki przyczyniają się do zrozumienia nerwowej podstawy padaczki.
- Wyniki mogą wpłynąć na przyszłe strategie terapeutyczne.
Wnioski
- Badanie wykazuje istotne różnice w łączności mózgu u pacjentów z TLE.
- Rezonans magnetyczny w stanie spoczynku jest cennym narzędziem w badaniach nad padaczką.
- Potrzebne są dalsze badania, aby zbadać kliniczne implikacje.
Często zadawane pytania
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.
