Dynamiczna łączność funkcjonalna między obiektami ujawnia konfiguracje sieci mózgowych z chwili na chwilę napędzane przez paradygmaty ciągłe lub komunikacyjne
21 marca 2019
Celem opisanego podejścia jest określenie, w jakich momentach paradygmatu (perspektywa czasowa), a pomiędzy którymi regionami (perspektywa przestrzenna), zachodzą znaczące rekonfiguracje w funkcjonalnej łączności na nagraniach funkcjonalnego rezonansu magnetycznego, podczas których odtwarzany jest bodziec ograniczony czasowo.
Dzięki naszej metodzie można określić i zwizualizować momenty w czasie, w których funkcjonalne interakcje mózgu są zsynchronizowane między badanymi. Główną zaletą naszego podejścia jest jego zdolność do dynamicznego śledzenia zmian w międzyosobniczych funkcjonalnych reakcjach mózgu w statystycznie uzasadniony sposób. Nasz pipeline umożliwia ocenę synchronizacji między sygnałami funkcjonalnymi różnych podmiotów.
Można to następnie porównać między różnymi populacjami, takimi jak osoby zdrowe i dotknięte chorobami i zaburzeniami, takimi jak autyzm i schizofrenia. Nasza metoda może przynieść korzyści wszelkim badaniom mającym na celu dynamiczne śledzenie synchronizacji między różnymi zestawami przebiegów czasu. Można to również zastosować do innych metod obrazowania, takich jak elektroencefalografia.
Wizualna demonstracja metody pozwoli nowym użytkownikom zrozumieć różne etapy przetwarzania metody, a także funkcjonalność graficznego interfejsu użytkownika. Procedurę obrazowania zademonstruje Roberto Martuzzi, wiodący operator rezonansu magnetycznego w naszym centrum badawczym. Dla każdego ochotnika, który ma być uwzględniony w analizie, należy wykonać co najmniej jedną funkcjonalną sesję obrazowania metodą rezonansu magnetycznego lub fMRI, w której skanowany ochotnik jest poddawany interesującemu go paradygmatowi rejestrowania czasu oraz jedną sesję obrazowania funkcjonalnego, w której skanowany ochotnik leży w spoczynku w skanerze z zamkniętymi oczami i jest instruowany, aby nie zasypiać.
Następnie uzyskaj strukturalną objętość MRI. Aby otworzyć pierwsze okno graficznego interfejsu użytkownika preprocessingu, wprowadź JOVE_GUI1 w terminalu MATLAB. Następnie kliknij Wprowadź dane fMRI, wybierz odpowiednie wyrównane objętości funkcjonalne i wprowadź czas powtarzania danych w sekundach w dedykowanym edytowalnym oknie tekstowym.
Kliknij przycisk Wprowadź dane T1 i wybierz trzy odpowiednie probabilistyczne objętości typu tkanki. Kliknij przycisk Wprowadź plik ruchu i wybierz plik tekstowy zawierający parametry ruchu z interesującej Cię sesji. Następnie wybierz, czy dane powinny zostać zdetrendowane i które współzmienne powinny zostać cofnięte.
Aby wstępnie przetworzyć dane, kliknij przycisk Przetwarzaj wstępnie i poczekaj, aż w oknie pojawi się ekran. Dane można ponownie przetworzyć w inny sposób, modyfikując opcje i ponownie klikając przycisk Przetwarzanie wstępne. Następnie wprowadź JOVE_GUI2 w terminalu MATLAB, aby otworzyć drugie okno graficznego interfejsu użytkownika przetwarzania wstępnego i kliknij wybierz dane, aby wybrać plik wstępnie przetworzonych danych.
Kliknij Wybierz atlas i wybierz plik Neuroimaging Informatics Technology Initiative lub NIFTI reprezentujący atlas, który ma zostać użyty do parcelacji. Kliknij opcję Wybierz odwrócone wypaczenie i wybierz plik NIFTI reprezentujący pole deformacji z Instytutu Neurologicznego w Montrealu do przestrzeni natywnej. Następnie kliknij wybierz wolumin fMRI i wybierz dowolny wolumin danych fMRI.
Aby wprowadzić informacje związane z przewijaniem, z listy typów przewijania wybierz liczbę klatek, które mają zostać usunięte przed i po oznaczonych klatkach. W oknie tekstowym progu przewijania wprowadź wartość progu przemieszczenia w klatce, powyżej której objętość fMRI powinna być czyszczona w milimetrach. Następnie wprowadź rozmiar przesuwanego okna W, który ma być używany do obliczeń Inter-Subjection Functional Correlation lub ISFC w czasach powtórzeń i kliknij przycisk Drukuj, aby wyświetlić orientacyjne kursy czasu atlasu przed i po krokach przewijania i filtrowania.
W przypadku obliczeń ISFC w oknie przesuwanym wprowadź JOVE_GUI3 w terminalu MATLAB, aby otworzyć pierwsze okno graficznego interfejsu użytkownika związane z ISCF i kliknij Załaduj dane, aby wybrać wszystkie odpowiednie pliki danych. Wybierz, czy wybrane segmenty sesji powinny zostać poddane randomizacji fazowej i wprowadź rozmiar okna w czasach powtórzeń, na podstawie których mają być obliczane pomiary łączności, a także rozmiar kroku w czasach powtórzeń, o który należy przesuwać kolejne okna. Zmodyfikuj tabelę typów sesji, aby określić, które z załadowanych segmentów sesji zostały pozyskane w tych samych warunkach eksperymentalnych, przy użyciu rosnących liczb całkowitych od jednego do maksimum, aby oznaczyć różne typy segmentów.
W odpowiednich edytowalnych oknach tekstowych wprowadź liczbę fałd bootstrappingowych, na których mają być wykonywane obliczenia ISFC, oraz liczbę podmiotów, które powinny stanowić grupę odniesienia dla każdej fałdy obliczeń ISFC. W sekcji parametrów chronometrażu wprowadź specyfikacje dotyczące tego, która część przebiegów czasowych powinna być analizowana, a następnie kliknij przycisk Wykres, aby wykonać obliczenia ISFC. Wyświetlacze będą stopniowo aktualizowane w miarę upływu czasu wraz z liczbą zagięć bootstrapping, które upłynęły.
Aby otworzyć drugie okno graficznego interfejsu użytkownika związane z ISFC, wprowadź JOVE_GUI4 w terminalu MATLAB. Aby wybrać pliki wyjściowe ISFC związane z bodźcami, kliknij opcję Załaduj dane ISFC i wybierz pliki wyjściowe ISFC związane z bodźcem. Aby wybrać pliki wyjściowe ISFC o wartości null, kliknij opcję Załaduj dane o wartości null i wybierz plik wyjściowy ISFC w stanie spoczynku lub pliki wyjściowe ISFC związane z randomizacją fazową, w zależności od użytego schematu generowania danych zerowych.
Następnie kliknij Załaduj książkę kodową i wybierz plik książki kodowej. W odpowiednim edytowalnym oknie tekstowym wprowadź wartość alfa w procentach, przy której przebiegi czasowe ISFC powinny być progowe w celu wyróżnienia znaczących zmian. Aby skonstruować rozkład zerowy, kliknij przycisk Kreśl, aby zainicjować proces progowania ISFC, dla którego wszystkie dostępne pomiary ISFC zerowe są agregowane dla danego połączenia, a następnie pomiary ISFC związane z bodźcem zostaną progowane zgodnie z wybraną wartością alfa.
Aby zobrazować wzorce przestrzenne ISFC w różnych punktach czasowych, przeciągnij suwak poniżej wykresu wycieczki ISFC. W tych reprezentatywnych sesjach oceniany film był wyświetlany od pięciu do 353 sekund z segmentem stanu spoczynku następującym po filmie od 386 do 678 sekund. Ponadto dla każdego badanego uzyskano jedną 310-sekundową sesję w stanie wyłącznie spoczynku.
Przebiegi czasowe ISFC zostały wygenerowane w oknach o długości W 10 i W 5 czasów powtórzeń dla trzech różnych reprezentatywnych połączeń obejmujących region pośredniczący w hamowaniu odpowiedzi i drugi zaangażowany odpowiednio w oczekiwanie poruszających się obiektów, koordynację sensoryczną lub przetwarzanie znaczeń słów. Szum jest większy przy czasach powtórek W 5, a zmiany ISFC z blokadą czasową obserwuje się w połączeniu z jednym i dwoma kursami czasu oglądania filmów. W tym przypadku odsetek osób wykazujących statystycznie istotne stany przejściowe ISFC z blokadą czasową jest pokazany dla tych samych trzech połączeń.
Stany nieustalone są liczniejsze przy większych długościach okien, ponieważ bardziej wiarygodne pomiary ISFC ułatwiają ekstrakcję i przy większych wartościach alfa, gdy wykrywanych jest więcej wyników fałszywie dodatnich. W tych reprezentatywnych danych, jeden fragment filmu był zaangażowany w hamowanie odpowiedzi związane z poruszającymi się obiektami i napędzał powszechne zmiany ISFC. Długość okna czasowego nie powinna być ani zbyt krótka, aby można było uzyskać wiarygodne szacunki, ani zbyt długa, aby uchwycić dynamikę ISFC.
Należy również użyć wystarczająco rygorystycznej wartości alfa, aby ograniczyć liczbę wyników fałszywie dodatnich. Pomiary ISFC można grupować w całe stany ISFC mózgu w celu specjalnego badania cech czasowych. Znaczące stany przejściowe ISFC można również przedstawić jako wykres odzwierciedlający przepływ informacji.
Przegląd
Niniejsze badanie przedstawia nowatorskie podejście do śledzenia dynamicznych zmian w łączności funkcjonalnej z wykorzystaniem funkcjonalnego obrazowania rezonansem magnetycznym (fMRI) podczas bodźców zablokowanych w czasie. Metoda ta ułatwia wizualizację i ocenę intersubiektywnych funkcjonalnych odpowiedzi mózgu, umożliwiając porównania między populacjami zdrowymi a osobami cierpiącymi na zaburzenia, takie jak autyzm i schizofrenia.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Obrazowanie funkcjonalne
- Analiza konektywności
Wstęp
- Tradycyjne metody analizy danych fMRI mogą nie uchwycić w sposób skuteczny dynamicznych zmian łączności.
- Łączność funkcjonalna może różnić się między badanymi, co wpływa na interpretację danych neuroobrazowych.
- Identyfikacja istotnych momentów i obszarów rekonfiguracji łączności funkcjonalnej jest kluczowa dla zrozumienia funkcjonowania mózgu.
Cel badania
- Opracowanie metody identyfikacji zsynchronizowanych funkcjonalnych oddziaływań mózgu między osobnikami.
- Umożliwienie wizualizacji tej synchronii w celu ułatwienia zrozumienia mechanizmów neuronalnych.
- Zastosowanie metody w porównywaniu łączności mózgowej pomiędzy osobami zdrowymi a osobami cierpiącymi na zaburzenia neuropsychiatryczne.
Zastosowane metody
- Wykorzystano sesje funkcjonalnego obrazowania rezonansem magnetycznym (fMRI), zarówno w paradygmacie zablokowanym czasowo, jak i w stanie spoczynku.
- Badanie obejmowało etapy przetwarzania wstępnego w środowisku MATLAB, w tym selekcję danych oraz usuwanie artefaktów ruchowych (scrubbing).
- Konektowność dynamiczną oceniano za pomocą obliczeń korelacji funkcjonalnej międzyosobniczej (ISFC) w określonych oknach czasowych.
- Do efektywnego zarządzania i analizy danych wykorzystano demonstracje wizualne oraz narzędzia GUI.
Główne wyniki
- Metoda ta pozwala na dynamiczne śledzenie międzypodmiotowej synchronizacji sygnałów mózgowych, co pozwala zidentyfikować krytyczne momenty zmian w łączności.
- Różne populacje wykazały odmienne wzorce łączności funkcjonalnej po poddaniu ich tym samym bodźcom.
- Przykładowe analizy wykazały różnice w przebiegach czasowych ISFC w zależności od różnych warunków eksperymentalnych.
Wnioski
- Niniejsza praca prezentuje skuteczną technikę analizy dynamiki czasowej i przestrzennej łączności mózgu.
- Wnioski uzyskane dzięki tej metodzie mogą pogłębić nasze zrozumienie mechanizmów synchronizacji neuronalnej w stanach zdrowia i choroby.
- Opisane podejście rokuje szersze zastosowania w neuroobrazowaniu w przebiegu różnych zaburzeń.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Metoda ta umożliwia dynamiczne śledzenie międzypodmiotowej łączności funkcjonalnej, zapewniając statystycznie wiarygodne podejście do oddzielenia rekonfiguracji sieci mózgowych napędzanych bodźcem od fluktuacji spontanicznych. Poprzez rejestrowanie synchronizacji między osobnikami w czasie rzeczywistym, wspiera ona walidację celów w badaniach neuropsychiatrycznych poprzez mechanistyczną redukcję ryzyka hipotez opartych na łączności. Możliwość porównania populacji zdrowych i chorych zwiększa pewność prognostyczną w odkrywaniu translacyjnych biomarkerów oraz dopasowaniu modeli przedklinicznych.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne odkrywanie i walidacja celu
- Wartość naukowa: Weryfikacja hipotez terapeutycznych poprzez powiązanie konkretnych bodźców z synchronizowanymi zmianami konektywności mózgu u badanych osób.
- Wartość operacyjna: Umożliwia ograniczanie ryzyka biologicznego dzięki rygorystycznemu progowaniu, które izoluje istotne zmiany korelacji funkcjonalnych między osobnikami.
- Wartość prognostyczna: Wspiera selekcję projektów w portfolio poprzez identyfikację powtarzalnych sygnatur konektywności związanych z paradygmatami poznawczymi lub behawioralnymi.
Przesiewy i opracowywanie testów
- Wartość naukowa: Przygotowuje zwalidowane systemy biologiczne do dalszych etapów analizy poprzez generowanie mierzalnych przebiegów czasowych korelacji funkcjonalnych między osobnikami.
- Wartość operacyjna: Rozwiązuje kwestie standaryzacji i powtarzalności testów za pomocą analizy okna przesuwnego oraz bootstraphingu w celu uzyskania wiarygodnych wniosków statystycznych.
- Skalowalność: Podkreśla gotowość do screeningu dzięki publicznie dostępnemu rurociągowi przetwarzania danych oraz narzędziom GUI, które umożliwiają ponowne wykorzystanie platformy w różnych laboratoriach.
Badania translacyjne i przedkliniczne
- Ciągłość translacyjna: Omówienie istotności w kontekście chorób poprzez umożliwienie porównań między zdrową grupą kontrolną a populacjami dotkniętymi zaburzeniami, takimi jak autyzm i schizofrenia.
- Mechanistyczna redukcja ryzyka: Opis ciągłości od etapu odkrycia po walidację przedkliniczną poprzez rejestrowanie profili czasowych i przestrzennych obrazów rekonfiguracji łączności.
- Postęp z uwzględnieniem ryzyka: Wsparcie podejmowania decyzji poprzez reprezentację istotnych przejściowych korelacji funkcjonalnych między obiektami w formie grafów odzwierciedlających przepływ informacji.
Integracja potoku i przepływu pracy
Metoda ta wpisuje się w kontinuum procesu odkrywania leków – od testowania hipotez po identyfikację związków wiodących – wspierając analizę dynamicznej łączności jako filtr weryfikacji pewności co do celu przed inwestycjami w fazie przedklinicznej.
- Biologia odkrywcza: Wyjaśnia, w jaki sposób metoda wspiera testowanie hipotez poprzez śledzenie momentalnych konfiguracji sieci mózgowych wynikających z paradygmatów ciągłych lub komunikacyjnych.
- Przesiewanie: Opisuje gotowość testu poprzez obliczenia korelacji funkcjonalnych międzyosobniczych w określonych oknach czasowych z regulowaną długością okna i rozmiarem kroku.
- Analityka: Wyróżnia pomiary, takie jak przebiegi czasowe korelacji funkcjonalnych międzyosobniczych oraz progowe istotne zmiany, które umożliwiają porównania między warunkami.
- Badania translacyjne: Łączy metodę z ciągłością przedkliniczną, umożliwiając wizualizację wzorców łączności powiązanych z konkretnymi bodźcami, co wspomaga dopasowanie biomarkerów.
- Ponowne wykorzystanie w przedsiębiorstwie: Przedstawia metodę jako możliwość wielokrotnego wykorzystania dzięki narzędziom GUI opartym na programie MATLAB oraz otwarcie udostępnionemu potokowi przetwarzania w celu standaryzacji międzyzespołowej.
Wpływ operacyjny i przedsiębiorstwowy
- Wartość naukowa: Pewność predykcyjna, walidacja celu, redukcja niejednoznaczności mechanistycznej w hipotezach opartych na łączności.
- Wartość operacyjna: Standaryzacja, powtarzalność i skalowalność analizy korelacji funkcjonalnych między osobnikami w różnych sesjach obrazowania.
- Wartość strategiczna: Lepsze decyzje typu go/no-go, efektywność kapitałowa oraz zmniejszone biologiczne ryzyko na późnych etapach rozwoju leków neuropsychiatrycznych.
- Wpływ na portfolio: Priorytetyzacja skorygowana o ryzyko i decyzje dotyczące rozwoju oparte na powtarzalnych, zsynchronizowanych ze stymulacją rekonfiguracjach sieci mózgowych.
Rozważania dotyczące implementacji
- Wymagana jest wiedza specjalistyczna w zakresie preprocessingu fMRI, obsługi GUI w środowisku MATLAB oraz analizy korelacji funkcjonalnych międzyosobniczych.
- Wymagana aparatura obejmuje system do akwizycji obrazowania funkcjonalnego i strukturalnego MRI, z możliwością rozszerzenia o kompatybilność z elektroencefalografią.
- Standaryzacja międzyzespołowa wymaga spójnego stosowania parametrów okna przesuwnego, liczby powtórzeń bootstrappingu oraz progu alfa dla istotności statystycznej.
- Rozważania dotyczące adaptacji w różnych systemach modelowych obejmują dostosowanie długości okna i wielkości kroku w celu zrównoważenia odporności estymacji z możliwością uchwycenia dynamiki zmian.
- Ograniczenia praktyczne obejmują konieczność zapewnienia wystarczającej liczby podmiotów na każde powtórzenie bootstrappingu oraz staranny dobór schematów generowania danych zerowych w celu uniknięcia wyników fałszywie dodatnich.
