Zastosowanie analizy przyczynowości Grangera ukierunkowanego związku funkcjonalnego w chorobie Alzheimera i łagodnych zaburzeniach poznawczych
August 7th, 2017
Na podstawie obrazowania funkcjonalnego rezonansu magnetycznego w stanie spoczynku z analizą przyczynowości Granger, zbadaliśmy zmiany w ukierunkowanej funkcjonalnej łączności między tylną korą obręczy a całym mózgiem u pacjentów z chorobą Alzheimera (AD), pacjentów z łagodnymi zaburzeniami poznawczymi (MCI) i zdrowych osób z grupy kontrolnej.
Ogólnym celem tej analizy przyczynowości Grangera jest zbadanie ukierunkowanych połączeń funkcjonalnych w mózgu związanych z postępem choroby Alzheimera, ustanawiając w ten sposób nową obiektywną podstawę do oceny ciężkości choroby. Metoda ta może pomóc odpowiedzieć na kluczowe pytania w dziedzinie choroby Alzheimera, takie jak ukierunkowana łączność między PCC a całymi obszarami mózgu. Główną zaletą tej techniki jest to, że mierzy ona skutki przyczynowe szeregów czasowych FMRI oraz pokazuje dynamikę i kierunki słabego sygnału.
Implikacje tej techniki rozciągają się w kierunku diagnozy progresji choroby Alzheimera, ponieważ porównuje ona ukierunkowaną łączność funkcjonalną między AD, MCI i grupami kontrolnymi. Dzięki tej metodzie może zapewnić wgląd w skalowanie ukierunkowanej łączności funkcjonalnej choroby Alzheimera, można ją również zastosować w innych systemach, takich jak badania cefalogramu elektrolizującego. Ogólnie rzecz biorąc, osoby, które są nowe w tej metodzie, będą miały problemy, jeśli nie są zaznajomione z działaniem oprogramowania.
Najpierw dodajemy tutaj na semestr, a następnie oceniamy wcześniejszą literaturę na temat Analizy przyczynowości Grangera. Chociaż mamy demonstrację tej metody w świecie rzeczywistym, jest to bardzo ważne, ponieważ istnieje wiele elementów, które należy zauważyć poza tym, co można napisać w tekście. Zacznij od otwarcia RESTplus za pomocą oprogramowania i kliknięcia lewym przyciskiem myszy Pipeline.
Zaimportuj odpowiednie pliki do RESTplus. Wybierz katalog roboczy, a następnie początkowe katalogi EPI i T1. Następnie, aby przekonwertować pliki Dicom na Nifti, zaznacz pole DicomToNifti w Przetwarzaniu wstępnym.
I sprawdź parametry EPI Dicom do Nifiti i T1 do Nifiti. Usuń pierwsze 10 punktów czasowych, zaznaczając RemoveFirstTimePoints i ustawiając parametr end na 10. Następnie zaznacz pole Czas plasterka.
Ustawić numer wycinka zgodnie z parametrami RS FMRI badania i wprowadzić kolejność wycinków. Zaznacz opcję Wyrównaj ponownie, aby skorygować czas i ruch głowy. Następnie wykonaj normalizację przestrzenną, zaznaczając opcję Normalizuj i pozostaw parametry domyślne na dole.
Użyj ujednoliconej segmentacji obrazu T1 i wszystkich głowic ustandaryzowanych do tej samej przestrzeni, wybierając parametry. Normalizacja przy użyciu ujednoliconej segmentacji obrazu T1 i europejskiej. Następnie wybierz gładkość, aby wykonać wygładzanie przestrzenne przy użyciu izotropowego kernalu Gaussa o pełnej szerokości przy połowie maksymalnej liczby 6 mm.
Usuń trend liniowy, zaznaczając opcję Detrend. Wybierz uciążliwe współzmienne regresję w następujących sześciu parametrach ruchu głowy, globalnym średnim sygnale, sygnale istoty białej i sygnale płynu mózgowo-rdzeniowego w celu zwiększenia stosunku sygnału do szumu. Na koniec wybierz filtr, aby zachować sygnały z zakresu od 0,01 do 0,08 herca.
Usuń szum fizjologiczny o wysokiej częstotliwości, a także usuń dryf o niskiej częstotliwości. Zacznij od wykonania analizy przyczynowości Grangera (GCA) pod względem wokseli przy użyciu REST GCA w przyborniku REST. W polu Postprocessing (Przetwarzanie końcowe) zaznacz opcję GCA.
Ustaw kolejność jako jedną w domyślnej. Wybierz opcję Zdefiniuj ROI i wybierz sferyczny ROI, aby zdefiniować obszar zainteresowania. Wybierz pozycję Dalej.
Zidentyfikuj punkty zainteresowania w tylnej korze pojedynczej (PCC), ustawiając współrzędne środkowe i promień ROI nasion na podstawie znanych danych, a następnie wybierz przycisk OK. Następnie wybierz Uruchom i OK, aby uruchomić program. Następnie znajdź foldery o nazwach ZGCA i GCA po przetworzeniu odpowiednich danych pliku. Posortuj pliki ZGCA i sklasyfikuj je odpowiednio w czterech podfolderach, XX, XY, YX, YY.
W oprogramowaniu otwórz RESTplus i kliknij lewym przyciskiem myszy Analiza statystyczna. Kliknij lewym przyciskiem myszy test t dla dwóch prób REST. Nazwij wynik wyjściowy jako T1XY i ustaw katalog wyjściowy.
Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder XY w folderze AD Results i podfolder XY w folderze NC Results. Następnie kliknij lewym przyciskiem myszy, aby otworzyć podplik BrainMask w folderze maski. Następnie wybierz pozycję Oblicz, aby uruchomić program.
Nazwij wyniki wyjściowe jako T2XY i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder XY w folderze AD Results. I podfolder XY w folderze MCI Results.
Powtórz obliczenia pliku maski mózgu, aby uzyskać dane wyjściowe dla T3XY, T1YX, T2YX i T3YX, co daje łącznie sześć plików. Kliknij lewym przyciskiem myszy przeglądarkę RESTplus, aby wyświetlić wynikowe pliki. Zaimportuj szablon o nazwie Ch2 w polu Podkładanie.
Na koniec znajdź sześć plików wynikowych w katalogu wyjściowym i wypełnij nakładkę jeden po drugim. Utwórz końcowy wykres przy użyciu sześciu plików wyjściowych. Po tym, jak po raz pierwszy zidentyfikowano aktywne węzły w całym mózgu, technologia GCA została wykorzystana do określenia ukierunkowanej funkcjonalnej łączności między PCC a całym mózgiem.
I od całego mózgu do PCC w AD, MCI i grupach kontrolnych. Ukierunkowane połączenie z całego mózgu do PCC zostało wzmocnione w grupie AD w porównaniu z normalną grupą kontrolną i koncentrowało się głównie na obustronnym regionie móżdżku poza DMN. Ukierunkowana łączność z PCC do całego mózgu była znacznie zmniejszona w grupie AD w porównaniu z grupą kontrolną z głównymi regionami, takimi jak prawy przedklinek i lewy meta zakręt czołowy należący do DMN.
Chociaż są mistrzami, tę technikę można wykonać w 14 godzin, jeśli zostanie wykonana prawidłowo. Próbując wykonać tę procedurę, należy pamiętać, że wszystkie nazwy plików i zdjęć muszą być w języku angielskim i nie mogą zawierać spacji. Po jej opracowaniu, technika ta utorowała drogę badaczom w dziedzinie FMRI do zbadania ukierunkowanej łączności frakcyjnej w postępie choroby Alzheimera.
Po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak go uruchomić ukierunkowaną łączność frakcyjną w mózgu związaną z postępem AD. W ten sposób należy ustanowić wąską obiektywną podstawę do oceny ciężkości choroby.
View the full transcript and gain access to thousands of scientific videos
Przegląd
To badanie bada skierowaną łączność funkcjonalną w mózgu związaną z postępem choroby Alzheimera za pomocą analizy kauzaliności Grangera. Porównuje łączność między tylnym korowoem zakrętu ocieniowego a całym mózgiem u pacjentów z chorobą Alzheimera, łagodnym upośledzeniem poznawczym i zdrową kontrolą.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauki
- Neuroobrazowanie
- Zaburzenia poznawcze
Tło
- Choroba Alzheimera (AD) wpływa na funkcje poznawcze i łączność mózgu.
- Łagodne upośledzenie poznawcze (MCI) jest prekursorem AD.
- Funkcjonalne rezonans jądrowy magnetyczny (fMRI) jest używany do badania aktywności mózgu.
- Analiza kauzaliności Grangera pomaga ocenić skierowaną łączność w sieciach mózgowych.
Cel badania
- Ustanowienie podstawy do oceny ciężkości choroby Alzheimera.
- Badanie skierowanej łączności między PCC a całymi regionami mózgu.
- Dostarczenie wglądu w przebieg choroby Alzheimera.
Zastosowane metody
- Funkcjonalne rezonans jądrowy magnetyczny w stanie spoczynku (fMRI).
- Analiza kauzaliności Grangera do pomiaru skierowanej łączności funkcjonalnej.
- Porównanie łączności w grupach AD, MCI i kontrolnych.
- Analiza danych czasowych fMRI w celu oceny efektów kausacyjnych.
Główne wyniki
- Obserwowano zmiany w skierowanej łączności funkcjonalnej u pacjentów z AD i MCI.
- Identyfikowano różnice w wzorach łączności między grupami pacjentów a kontrolą.
- Metoda dostarczyła wglądu w dynamikę łączności mózgu.
- Potencjalne zastosowania obejmują inne badania neuroobrazowe.
Wnioski
- Analiza kauzaliności Grangera jest cennym narzędziem do badania choroby Alzheimera.
- Oferuje nową obiektywną podstawę do oceny postępu choroby.
- Dalsze badania mogą poprawić zrozumienie łączności mózgu w zaburzeniach poznawczych.
Często zadawane pytania
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.
