Um método para investigar diferenças relacionadas à idade na conectividade funcional of Cognitive Controle Networks associados à mudança Dimensional Card Sort Desempenho

Summary

Este vídeo apresenta um método de examinar as mudanças relacionadas à idade na conectividade funcional das redes de controle cognitivo envolvidas em tarefas/processos direcionados. A técnica é baseada na análise multivariada de dados de fMRI.

Abstract

A capacidade de ajustar o comportamento a mudanças bruscas no ambiente desenvolve-se gradualmente na infância e adolescência. Por exemplo, na Dimensional Ordenar tarefa Alterar Card, participantes mudar de classificação cartões de uma forma, como a forma, a classificá-los de forma diferente, como a cor. Ajustar o comportamento dessa forma exige um custo de desempenho pequeno, ou custo switch, de tal forma que as respostas são geralmente mais lento e em ensaios de switch propenso a erros em que as mudanças de regras de classificação, em comparação a repetir os ensaios em que a regra de classificação continua a mesma. A capacidade de ajustar de forma flexível comportamento muitas vezes é dito, de forma gradual, em parte porque os custos de comportamento, tais como custos de comutação normalmente diminuem com o aumento da idade. Por aspectos da cognição de ordem superior, como a flexibilidade comportamental, desenvolver de forma gradual continua a ser uma questão em aberto. Uma hipótese é que essas mudanças ocorrem em associação com alterações funcionais em redes de controle cognitivo ampla escala. Deste ponto de vista,operações mentais complexas, como comutação, envolvem interações rápidas entre várias regiões do cérebro distribuídos, incluindo aqueles que atualizar e manter as regras da tarefa, atenção reorientar e selecione comportamentos. Com o desenvolvimento, as conexões funcionais entre essas regiões fortalecer, levando a operações de comutação mais rápidos e eficazes. O vídeo atual descreve um método de testar esta hipótese, através da recolha e análise multivariada de dados de fMRI de participantes de diferentes idades.

Introduction

A capacidade de regular o comportamento se desenvolve gradualmente na infância e adolescência (para revisão, ver Diamond ^1). Na Dimensional Ordenar tarefa Alterar Card, por exemplo, os participantes mudar de classificação cartões de uma maneira, como forma, para classificá-los de forma diferente, como a cor ² (ver Figura 2). Switching cobra um custo de desempenho pequeno, ou custo switch, de tal forma que as respostas são geralmente mais lento e em ensaios de switch propenso a erros em que as mudanças de regras de classificação, em comparação a repetir os ensaios em que a regra de classificação continua a ser o mesmo ^3. A magnitude destes custos normalmente fica menor quando as crianças crescem ^4, ilustrando o fato de que a capacidade de regulação comportamental sofre desenvolvimento contínuo no início da vida.

Como as operações mentais complexas, como comutação, envolvem interações rápidas entre várias regiões do cérebro ^5, há um interesse crescente em relating do desenvolvimento da cognição de ordem superior a alterações na organização funcional de redes corticais larga escala ^6.

Uma abordagem para investigar mudanças de desenvolvimento em redes de grande escala é através do uso de-base de sementes funcional ^6,7 análise de conectividade. O primeiro passo para essa técnica é consultar com literatura de pesquisa disponível e definir um a priori regiões de interesse, ou ROI, que parecem ser relevantes para o comportamento em questão. Estes ROI, ou nodos, definem o esqueleto de base da rede. Em seguida, as flutuações de baixa frequência em atividade (ou T2 * ponderada intensidade do sinal) nestes ROIs são medidos por 5 a 10 minutos, enquanto os participantes estão em repouso em um scanner de ressonância magnética. Conectividade funcional entre dois nós da rede é então quantificada como a correlação de seus respectivos cursos de tempo. Nós que estão fortemente ligadas funcionalmente deve ter semelhante e, portanto, altamente correlacionados, sinalcursos de tempo. Por outro lado, os nós que são fracamente ligados funcionalmente deve ter diferentes e, assim, fracamente correlacionadas, sinalizar cursos de tempo. Para completar um modelo de rede, extremidades (ou ligações) são desenhadas entre os nós cujos cursos de tempo correlacionar acima de um limite escolhido. Os testes de diferenças relacionadas à idade na conectividade funcional dentro de uma rede pode ser realizada em qualquer conexão único nó a nó, ou na topologia de todo o conjunto de nós e arestas. Essas diferenças de conectividade funcional pode estar relacionado com as medidas de desempenho cognitivo coletadas offline.

Neste trabalho, uma abordagem diferente é descrito que é baseado no grupo de análise de componentes independentes dos dados ⁸ fMRI baseados em tarefas. Análise de componentes independentes (ou ICA) é um procedimento estatístico para cegamente revelando fontes ocultas subjacentes a um conjunto de observações de tal forma que as fontes reveladas são maximamente independente. Aplicado à análise de dados de fMRI, o pROCEDIMENTO assume que cada volume é uma mistura de um número finito de fontes espacialmente independentes. Usando um de uma variedade de diferentes algoritmos, como o algoritmo Infomax, ICA, em seguida, calcula uma matriz de desmistura, que quando aplicadas aos dados originais produz um conjunto de fontes independentes, ou maximamente componentes. Cada componente pode ser pensado como uma rede, na medida em que é composta por um conjunto de voxeis que partilham um curso de tempo comum. Grupo ICA é um tipo particular de ICA em que um conjunto comum de componentes do grupo é estimado a partir de um primeiro conjunto de dados inteiro, e, em seguida, conjuntos de componentes de grupos específicos de participantes são computados em um passo para trás-reconstrução. Uma vez que um conjunto de dados inteiro é decomposto em um conjunto de componentes, o próximo passo é descartar componentes de artefatos que representam fontes de ruído e identificar componentes teoricamente significativos que correspondem com as redes de interesse. Isto pode ser conseguido quer por meio de cursos de tempo dos componentes de modelagem, no contexto de um GLM identify redes que activam de um modo previsível, correlacionando espacialmente os componentes com um modelo de rede de interesse, ou de ambos. O conjunto resultante de componentes podem então ser submetido a uma comparação entre os grupos para testar possíveis diferenças relacionadas à idade na conectividade funcional dentro das redes, teoricamente interessantes ^7,9,10.

Dados fMRI baseados em tarefas Estudar mudanças relacionadas à idade na conectividade funcional através da aplicação de grupo ICA para tem várias vantagens sobre a aplicação de técnicas baseadas em sementes de dados de fMRI descansando estatais. Em primeiro lugar, ao contrário de técnicas baseadas em sementes que se concentram em um pequeno conjunto de ROIs definidas a priori, a abordagem do grupo ICA atual utiliza todos os voxels que compreendem uma série de tempo volumétrica. Isso diminui as oportunidades de viés que necessariamente surgem quando um pequeno grupo de sementes são selecionados a priori como regiões de interesse. Em segundo lugar, a aplicação da análise de conectividade funcional (baseado em ICA ou não) a tarefaao invés de dados fMRI descansando-estado tem a vantagem de permitir a organização da rede ea função de rede a ser associada mais diretamente. Se, por exemplo, examinando as implicações cognitivas ou comportamentais da conectividade funcional (tal como a variação no desempenho DCCS) é uma prioridade, é importante demonstrar que a rede de interesse está associado com o desempenho da tarefa. Com os protocolos de repouso pelo Estado, isto é muito difícil, porque o pesquisador não tem registro de nenhum estados cognitivos, comportamentais ou afetivos experimentados pelo participante durante a aquisição de dados. Por isso, é impossível fornecer a evidência direta de que qualquer rede de juros é relevante para o desempenho da tarefa. Em contraste, quando a análise de conectividade funcional, tal como ACI, é aplicada a tarefa de dados, é possível confirmar que a rede de interesse é, pelo menos, está relacionado com o desempenho de uma tarefa. Finalmente, o ICA é menos sujeito à influência adversa de ruído. Fontes de ruído, como os sagacidade associadoh assunto de movimento e ritmo cardíaco, têm perfis de espaço-temporais únicas. Portanto, no contexto de um grupo de ACI, estas fontes são isoladas e caracterizadas de componentes separados, deixando restantes componentes relativamente livre destas fontes indesejáveis ​​da variância. Vez que as análises baseadas em sementes usar cursos de tempo bruto na estimativa da conectividade funcional, e cursos de tempo são, por definição, as misturas de sinal neurofisiológico e ruído artifactual, as diferenças nas estimativas do grupo de conectividade funcional podem refletir diferenças entre os grupos verdadeiros em neurofisiologia subjacente, as diferenças de grupo em a estrutura de ruído, ou ambos ^11.

Protocol

1. Obtenha aprovação para trabalhar com seres humanos

2. Aquisição de dados de fMRI

1. Adquira dados de fMRI seguindo procedimentos adequados para crianças pequenas (ver Raschle, et al.¹²). Faça todos os esforços para limitar possíveis diferenças relacionadas à idade no desempenho e movimento da tarefa, pois essas diferenças introduzem fatores de confusão indesejados que limitam a capacidade de fazer inferências sobre diferenças relevantes para o desenvolvimento na ativação cerebral e conectividade funcional.
   Nota: No protocolo atual, uma versão de tentativas repetidas do DCCS foi administrada na forma de um projeto de bloco¹³. Cada execução inclui dois blocos de comutação de 8 tentativas e dois blocos de repetição de 8 tentativas, onde os blocos de comutação consistem em 4 tentativas de troca e 4 tentativas repetidas, e os blocos de repetição consistem em 8 tentativas repetidas. O protocolo é perfeitamente adequado para uso com dados de fMRI relacionados a eventos. No entanto, é bom trabalhar com designs de blocos quando se familiariza com o ICA, pois é fácil ver as modulações de tarefas nos cursos de tempo do componente.
2. Pré-processe os dados de fMRI seguindo os procedimentos padrão de pré-processamento de fMRI.
   1. Realinhe todas as imagens funcionais para a mesma orientação e posição. Normalmente, o primeiro volume funcional é usado como uma imagem de referência para todos os outros volumes a serem alinhados.
   2. Registre a imagem ponderada em T1 (anatômica) com as varreduras ponderadas em T2* (funcionais), de modo que a ativação seja sobreposta ao local anatômico correto.
   3. Normalize todas as imagens para um tamanho, espaço e posição padronizados com a seleção de um cérebro modelo (por exemplo, espaço Talairach). Isso ajuda a garantir que regiões homólogas de diferentes sujeitos estejam sendo comparadas.
      Nota: As imagens são distorcidas para o espaço Talairach no protocolo atual, embora outros modelos também possam ser usados (por exemplo, MNI {Montreal Neurological Institute} space).
   4. Suavize todos os volumes funcionais no conjunto de dados com um kernel de suavização de 6 a 10 mm.
3. Sequestre volumes pré-processados em um conjunto separado de diretórios. Use "Verificações funcionais" como o diretório superior. Em "Verificações funcionais", inclua um diretório separado para cada participante e, dentro de cada diretório de participante, um diretório separado para cada execução. Os dados agora estão prontos para análise da ICA.

3. Análise de Componentes Independentes de Grupo (ICA)

1. Baixe e instale o software ICA do grupo. Existem várias caixas de ferramentas disponíveis para implementar a ACI em diferentes tipos de dados neurofisiológicos, incluindo fMRI. Embora qualquer caixa de ferramentas que realize ICA em grupo seja potencialmente adequada, a utilizada no protocolo atual é chamada de GIFT. O GIFT foi desenvolvido por Vince Calhoun e colegas da Universidade do Novo México. A caixa de ferramentas GIFT é um conjunto de scripts MATLAB que funciona em conjunto com o SPM, um conhecido pacote de análise de fMRI. Ambos podem ser baixados gratuitamente da internet (PRESENTE: mialab.mrn.org/software/gift/index.html#; SPM: www.fil.ion.ucl.ac.uk/spm/). Uma vez baixado, adicione a caixa de ferramentas GIFT e todos os subdiretórios ao caminho de pesquisa do MATLAB e salve o arquivo de caminho.
2. Calcular um ICA de grupo em dados de fMRI usando GIFT exige muito da memória RAM. As demandas precisas de memória variam dependendo do número de participantes, da quantidade de dados coletados de cada participante e da resolução dos dados. Para evitar problemas de memória, é melhor executar a análise ICA em um servidor. Se estiver executando a análise em um computador local, os requisitos de RAM podem ser estimados por meio do uso de um script "icatb_mem_ica.m" que faz parte do GIFT.
3. Configure ou parametrize a análise. Faça isso modificando um script em lote pré-existente chamado "Input_data_subjects_1.m" que é armazenado no GIFT em "icatb_batch_files".
   Nota: Isso também pode ser feito usando a interface gráfica do usuário do GIFT. No entanto, é muito mais fácil, com um pouco de prática, configurar a análise modificando esse script pré-existente.
   1. Especificar a modalidade de dados como fMRI
   2. Especifique o tipo de análise como ICA com ICASSO. Isso garantirá que o ICA seja executado com o procedimento ICASSO. O ICASSO estima a confiabilidade da decomposição executando o ICA várias vezes, começando com diferentes sementes aleatórias. Em seguida, ele testa a semelhança de cada resultado por meio de agrupamento. O uso de ICASSO é recomendado como meio de verificar a qualidade da decomposição da ICA, mas aumentará consideravelmente o tempo que o GIFT leva para concluir a análise.
      1. Para executar o ICA com o procedimento ICASSO, selecione '2' em "Tipo de análise" e, em seguida, parametrize o procedimento ICASSO nas linhas seguintes do arquivo de configuração.
   3. Maximize o desempenho do grupo PCA escolhendo '1' nas configurações de desempenho do grupo PCA. Considere definir este parâmetro como '2' caso ocorram problemas de memória RAM insuficiente.
   4. Para permitir a classificação posterior de componentes resultantes usando preditores de uma matriz de projeto SPM padrão, especifique se há ou não matrizes diferentes para assuntos diferentes.
   5. Especifique onde os dados funcionais pré-processados são armazenados e se um arquivo SPM.mat contendo a matriz de design é armazenado junto com os dados funcionais pré-processados.
      1. A maneira mais direta de fazer com que o GIFT leia os dados é se todos os participantes tiverem o mesmo número de execuções e o diretório de dados estiver estruturado conforme descrito na Etapa 2.3 em aquisição de dados de fMRI. Em caso afirmativo, em DataSelectionMethod, escolha '1' para o Método 1 e preencha o parâmetro "sourceDir_filePattern_flagLocation" incluindo o caminho do arquivo onde os dados são armazenados, o formato do arquivo dos dados e uma instrução indicando que as sessões individuais são armazenadas como subdiretórios dentro de cada pasta de assunto.
   6. Indique o diretório onde a saída da análise deve ser gravada. Não grave os resultados no mesmo diretório em que os dados estão armazenados.
   7. Forneça um prefixo que será adicionado a todos os arquivos de saída.
   8. Forneça um caminho de arquivo para uma máscara. Todos os volumes submetidos ao ICA são mascarados. GIFT fornece uma máscara padrão. Para este trabalho, um script interno para gerar uma máscara a partir dos dados que serão submetidos ao ICA. No mínimo, a máscara deve eliminar o crânio, o espaço extracerebral e, especialmente, os globos oculares. O sinal dos voxels do globo ocular mostrará flutuações muito grandes durante uma corrida e, portanto, terá uma influência considerável na estrutura dos componentes finais. A Figura 3 ilustra como deve ser uma boa máscara.
   9. Especifique o tipo de grupo PCA a ser usado. Use 'assunto específico'.
   10. Especifique o método de reconstrução reversa. Nesta etapa, os CIs de cada sujeito e seus cursos de tempo associados são calculados a partir dos resultados da análise de grupo. O GICA é recomendado para a obtenção dos melhores cursos de tempo, embora haja considerável discussão na literatura sobre esse ponto.
   11. Especifique o tipo de pré-processamento de dados. Use a normalização de intensidade para evitar valores não numéricos (ou seja, infinitos e NaN's) na saída. Neste exemplo, escolhemos o padrão de '1'.
   12. Especifique o tipo de PCA (usamos padrão) e aceite os valores padrão em Opções de PCA. O GIFT executa um PCA em cada execução de cada participante e retém um número de componentes igual ao número de fontes a serem não misturadas no ICA. O PCA serve a dois propósitos importantes. Primeiro, ajuda a eliminar fontes de ruído que são exclusivas de cada participante e de cada corrida. Em segundo lugar, torna as demandas computacionais da análise mais tratáveis.
   13. Especifique quantos PCAs devem ser executados nos dados antes do ICA (2 é recomendado). Além disso, especifique quantos componentes reter após cada PCA (se estiver executando 2, é recomendável que o número de componentes retidos após o primeiro PCA seja o dobro do número retido após o segundo).
   14. Especifique como os dados devem ser dimensionados. Para este trabalho, foi utilizado o escalonamento z-score.
   15. Escolha um algoritmo de separação de fonte cega para o ICA. Para este trabalho, foi utilizado o Infomax. O GIFT oferece uma escolha de pelo menos 10 algoritmos diferentes.
   16. Os parâmetros restantes podem ser deixados como estão.
4. Uma vez concluída a ICA, selecione entre os componentes disponíveis aqueles que são de potencial interesse teórico. Através da GUI do GIFT, escolha a seleção de componentes: a classificação espacial classifica os componentes espaciais por meio de correlação espacial com um modelo pré-existente; a ordenação temporal classifica os percursos de tempo do componente por meio de preditores lineares da matriz de projeto SPM que você pode armazenar com os dados (ver 3.3.5).
   Nota: Ambas as abordagens para a seleção de componentes têm utilidade. No entanto, ao trabalhar com dados de tarefa, os critérios de seleção temporal são particularmente úteis, pois fornecem um meio de verificar se o componente selecionado foi ativado pela tarefa. No caso do DCCS, o uso da classificação temporal pode ser usado para confirmar que o componente selecionado estava mais ativo durante os blocos de comutação do que durante os blocos de repetição.
5. Teste se as versões infantil e adulta desses componentes selecionados são diferentes. Agregue os componentes infantis e adultos de interesse em dois grupos separados e teste por meio de um teste t de duas amostras, regiões onde os componentes variam. Isso é relativamente fácil de fazer por meio da GIFT GUI.

Results

Grupo ICA, mesmo em um conjunto de dados de fMRI relativamente pequeno, retornará um conjunto de componentes comparáveis aos observados em outros estudos. A Figura 4 é uma sobreposição de 5 desses componentes e seus cursos de tempo associados não misturados de uma amostra de 12 crianças e 13 adultos, com aproximadamente 800 volumes por participante. Conforme mostrado na Figura 4, as redes de modo padrão, fronto-parietal, cingulo-insular e visual podem ser facilmente vistas a partir dos r...

Discussion

Operações mentais de ordem superior, como a capacidade de mudar as regras de classificação, desenvolvem-se rapidamente ao longo da infância e adolescência. Como essas operações mentais envolvem interações entre várias regiões cerebrais distribuídas, há um interesse crescente em explorar a relação entre o desenvolvimento da cognição de ordem superior e as mudanças relacionadas à idade na organização de redes corticais em larga escala. Apresentamos um método baseado na análise de componentes independentes de grupo aplicada...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
SPM8	A MathWorks, Inc.	R2013a