Analizy złożoności mikrostanów i kwasów omega elektroencefalografii stanu spoczynku
June 15th, 2018
Ten artykuł opisuje protokół leżący u podstaw analizy mikrostanów elektroencefalografii (EEG) i analizy złożoności omega, które są dwoma niezależnymi pomiarami EEG i są bardzo cenne dla badania mechanizmów neuronalnych zaburzeń mózgu.
W tym semestrze odpowiedzieliśmy na 10 pytań z zakresu zaburzeń mózgu, takich jak to, jak zidentyfikować skuteczną parę markerów do kodu bios w dzisiejszej diagnozie. Główną zaletą tej techniki jest to, że może ona stanowić odniesienie do nierozwiązanego problemu, gdy przestrzegasz tradycyjnej analizy EEG. Zastosowania tej techniki rozciągają się w kierunku naszego zrozumienia sieci stanów spoczynku ludzkiego mózgu.
Aby rozpocząć tę procedurę, zaimportuj surowe dane EEG do oprogramowania laboratorium EEG. Następnie załaduj plik lokalizacji kanału do oprogramowania laboratoryjnego EEG, aby uzyskać lokalizacje przestrzenne tych elektrod. Aby usunąć elektrody odniesienia, opcja Wybierz dane w zakresie kanału w wyskakującym oknie dialogowym umożliwia wybranie tylko elektrod rejestrujących i nie wybieranie elektrod odniesienia w taki sposób, aby można było usunąć elektrody odniesienia.
Aby filtrować pasmowo przepustowe dane EEG w zakresie od 0,5 do 80 herców, w wyskakującym oknie dialogowym wybierz 0,5 dla dolnej krawędzi herca pasma przepustowego częstotliwości i wybierz 80 dla górnej krawędzi herca pasma przepustowego. Następnie kliknij Ok.To usunąć szum linii energetycznej za pomocą filtra wycinającego między 49 a 51 Hz, w wyskakującym oknie dialogowym wybierz 49 dla dolnej krawędzi pasma przepustowego częstotliwości i wybierz 51 dla górnej krawędzi herca pasma przepustowego. Następnie wybierz opcję Filtruj dane w wycięciu zamiast pasma przepustowego i kliknij, Ok.To usunąć ruchy gałek ocznych, kliknij Narzędzia, a następnie kliknij Usuwanie artefaktów za pomocą AAR 1.3 i usuwanie EOG za pomocą BSS.
Aby usunąć EMG, kliknij Narzędzia, a następnie kliknij Usuwanie artefaktów za pomocą AAR 1.3 i Usuwanie EMG za pomocą BSS. Następnie podziel wstępnie przetworzone ciągłe dane EEG na epoki o długości epoki wynoszącej dwie sekundy. Pojawi się okno, które umożliwia zapisanie posegmentowanych danych EEG.
Następnie zaimportuj segmentowane dane EEG do oprogramowania laboratorium EEG i odrzuć epoki EEG o wartościach amplitudy przekraczających plus minus 80 mikrowoltów na dowolnej elektrodzie. Następnie zapisz wstępnie przetworzone dane EEG. W tej procedurze dla każdego pacjenta załaduj wstępnie przetworzone dane EEG, przekonwertuj kanały referencyjne na wspólne średnie odniesienie i przefiltruj pasmowo dane EEG w zakresie od dwóch do 20 herców.
Następnie zidentyfikuj cztery mapy mikrostanów w każdym temacie. W wyskakującym oknie dialogowym wybierz trzy dla minimalnej liczby klas, wybierz sześć dla maksymalnej liczby klas, wybierz 50 dla liczby ponownych uruchomień, wybierz maksymalną liczbę map do użycia i wybierz opcje tylko szczyt GFP i Bez polaryzacji. Następnie kliknij przycisk OK.
Następnie zapisz dane EEG każdego pacjenta po zidentyfikowaniu własnych map mikrostanów. Zaimportuj jednocześnie zestawy danych EEG wszystkich osób zapisanych w ostatnim kroku. Następnie zidentyfikuj mapy mikrostanów na poziomie grupy.
W wyskakującym oknie dialogowym wybierz zestawy danych wszystkich tematów w opcji Wybierz zestawy do uśredniania. W opcji Nazwa średniej podaj nazwę map mikrostanów na poziomie grupy, a następnie kliknij przycisk Ok.Spowoduje to utworzenie nowego zestawu danych o nazwie GrandMean, który przechowuje mapy mikrostanów na poziomie grupy. Ręcznie sortuj kolejność czterech map mikrostanów na poziomie grupy zgodnie z ich klasyczną kolejnością.
W wyskakującym okienku wybierz pozycję Więcej, a następnie liczba wyświetlanych map zmieni się na cztery. Następnie wybierz Sortowanie Man. W wyskakującym oknie dialogowym wprowadź nową kolejność czterech map mikrostanów na poziomie grupy i kliknij przycisk Zamknij.
Następnie posortuj kolejność czterech map mikrostanów każdego tematu, zapisz parametry mikrostanu dla każdego tematu, który kolejno wywoła dwa wyskakujące okna dialogowe. W pierwszym oknie dialogowym wybierz zestawy danych wszystkich tematów. W drugim oknie dialogowym wybierz 4-Klasy dla opcji, Liczba klas.
Wybierz opcje Dopasuj tylko do pików GFP i Usuń potencjalnie obcięte mikrostany. Następnie wybierz 30 dla okna wygładzania etykiety, ms i wybierz Jeden dla kary za brak gładkości, a następnie kliknij przycisk OK.Plik CSV, który przechowuje parametry submikrostanu, zostanie zapisany na komputerze. Obrazy te pokazują, że mikrostan klasy A i B ma odpowiednio orientację od prawej przedniej do lewej potylicznej i od lewej czołowej do prawej potylicznej.
Mikrostany klasy C i D mają symetryczną topografię, ale zaobserwowano odpowiednio orientację przedczołową do potylicznej oraz przednią do centralnej i potylicznej. Poniższa tabela przedstawia średnią i odchylenie standardowe parametrów mikrostanów u osób zdrowych. Po opanowaniu tej techniki można ją wykonać w ciągu godziny, jeśli zostanie wykonana prawidłowo.
Próbując wykonać tę procedurę, należy pamiętać, że dane EEG powinny być wstępnie przetworzone. Zgodnie z tą procedurą można wykonać inne metody, takie jak lokalizacja źródła, aby odpowiedzieć na dodatkowe pytania, takie jak pochodzenie tych map mikrostanów. Technika ta utorowała drogę naukowcom zajmującym się nauką o mózgu do ujawniania chorób, takich jak w ludzkim mózgu.
View the full transcript and gain access to thousands of scientific videos
Przegląd
Ten artykuł opisuje protokół analizy mikrostanów EEG (EEG) i analizy złożoności omega, oba bezreferencyjne miary EEG. Te metodologie są niezbędne do badania mechanizmów neuronowych związanych z zaburzeniami mózgu.
Kluczowe elementy badania
Obszar nauki
- Neuronauka
- Elektrofizjologia
- Zaburzenia mózgu
Tło
- Analiza mikrostanów EEG to technika stosowana do badania sieci w stanie spoczynku w ludzkim mózgu.
- Analiza złożoności omega zapewnia wgląd w złożoność sygnałów EEG.
- Te metody pozwalają badaczom badać podstawowe mechanizmy neuronowe w zaburzeniach mózgu.
Cel badania
- Przedstawienie protokołów analizy danych EEG bez użycia referencji.
- Poprawa rozumienia dynamiki neuronowej związanej z różnymi zaburzeniami mózgu.
- Zapewnienie standaryzowanego podejścia, które można powtórzyć w badaniach.
Stosowane metody
- Do przetwarzania surowych danych EEG wykorzystywane jest oprogramowanie EEG lab.
- Kroki obejmują filtrowanie, usuwanie artefaktów i segregowanie danych EEG na epoki.
- Mapy mikrostanów są identyfikowane i analizowane, aby zrozumieć aktywność sieci mózgowych.
- Przetwarzanie danych obejmuje usuwanie szumów linii zasilania i artefaktów związanych z ruchami oczu.
- Ostateczne dane są uporządkowane w celu porównania parametrów mikrostanów między badanymi.
Główne wyniki
- W danych EEG zidentyfikowano cztery odrębne mapy mikrostanów, wykazujące specyficzne orientacje przestrzenne.
- Parametry mikrostanów zostały zmierzone, ujawniając średnie wartości i odchylenia standardowe u osób zdrowych.
- Ta metodologia umożliwia porównanie między jednostkami i ewentualnie identyfikuje nieprawidłowości związane z zaburzeniami mózgu.
Wnioski
- Badanie przedstawia protokół, który poprawia proces analizy EEG, czyniąc go wydajnym do szybkiego zastosowania.
- Pokazano potencjał tych metod w dalszym rozumieniu mechanizmów neuronowych i dynamiki w zaburzeniach mózgu.
- Wyniki zapewniają podstawowe zrozumienie dla przyszłych badań nad naturą interakcji sieci mózgowych.
Często zadawane pytania
Executive Industry Relevance
Reference-free EEG measures like microstate and omega complexity analyses address a key limitation in traditional spectral methods by eliminating reference-dependent biases. These approaches enable more reliable characterization of resting-state brain network dynamics, supporting target validation in neuropsychiatric drug discovery. By providing complementary temporal and spatial complexity metrics, they enhance mechanistic de-risking of CNS targets through improved signal interpretability.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of resting-state network alterations as potential biomarkers for target engagement in brain disorders.
- Operational Value: Supports hypothesis-driven selection of CNS targets by linking microstate topography to known functional networks.
- Predictive Value: Facilitates early de-risking of targets by quantifying network-level perturbations indicative of pathophysiological states.
Screening & Assay Development
- Scientific Value: Generates quantitative, reference-free EEG readouts suitable for high-throughput screening of compound effects on brain network dynamics.
- Operational Value: Standardizes preprocessing pipelines (filtering, artifact removal, epoching) to ensure reproducibility across compound testing batches.
- Assay Readiness: Produces stable microstate parameters (duration, occurrence, coverage) that serve as robust endpoints for dose-response modeling.
Translational & Preclinical Research
- Translational Continuity: Enables cross-species comparison of resting-state network organization when aligned with known homologs of human microstate classes.
- Mechanistic De-risking: Omega complexity provides spatial complexity metrics that complement microstate temporal metrics, offering a multidimensional view of brain state alterations.
- Risk-Adjusted Advancement: Combined microstate and omega complexity profiles help stratify preclinical models by their resemblance to human resting-state network phenotypes.
Pipeline & Workflow Integration
This method fits within the early discovery continuum, supporting hypothesis testing in target validation and enabling assay development for neuropsychological screening cascades.
- Discovery Biology: Tests therapeutic hypotheses by measuring alterations in microstate class parameters that reflect resting-state network reconfiguration.
- Screening: Delivers standardized, quantitative EEG outputs after artifact removal and epoching, enabling reliable compound library screening.
- Analytics: Generates microstate parameters (mean duration, transition probability) and omega complexity values that allow statistical comparison of brain complexity across conditions.
- Translational Research: Supports preclinical-to-clinical continuity by mapping microstate topographies to resting-state networks, aiding biomarker alignment.
- Enterprise Reuse: Establishes a reusable EEG preprocessing and analysis framework applicable across multiple CNS discovery projects.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by reducing mechanistic ambiguity through network-level EEG phenotyping.
- Operational Value: Enhances reproducibility and scalability via standardized EEG lab software workflows for filtering, artifact removal, and microstate mapping.
- Strategic Value: Improves go/no-go decisions by providing objective, quantitative measures of target-mediated brain network modulation.
- Portfolio Impact: Enables risk-adjusted prioritization of CNS candidates based on their ability to normalize aberrant microstate or omega complexity profiles.
Implementation Considerations
- Requires expertise in EEG preprocessing, artifact correction (AAR, BSS, EOG, EMG removal), and spectral filtering techniques.
- Dependent on EEG lab software capable of microstate map identification, GFP peak detection, and group-level averaging across subjects.
- Necessitates cross-team standardization of epoching parameters (e.g., 2-second epochs), amplitude rejection thresholds (±80 µV), and microstate class sorting procedures.
- Involves adaptation considerations when applying to different species, disease models, or EEG systems with varying electrode montages.
- Limited by the quality of raw EEG recordings; excessive noise or artifacts can compromise microstate map identification and parameter extraction.
