Análise de interação psicofisiológicos generalizada (PPI) de memória relacionados com a conectividade em indivíduos em risco genético para a doença de Alzheimer

Summary

Este manuscrito descreve como implementar uma análise da interação psicofisiológicos para revelar alterações de tarefas dependentes em conectividade funcional entre uma região de sementes selecionadas e voxels em outras regiões do cérebro. Análise de interação psicofisiológica é um método popular para examinar os efeitos de tarefa na conectividade do cérebro, distinto do tradicional univariada efeitos de ativação.

Abstract

Em neuroimagem, ressonância magnética funcional (fMRI) mede o sinal de (BOLD) dependente nível de oxigenação do sangue no cérebro. O grau de correlação do BOLD sinal em espacialmente regiões independentes do cérebro define a conectividade funcional dessas regiões. Durante uma tarefa cognitiva fMRI, uma análise da interação psicofisiológicos (PPI) pode ser usada para examinar as alterações na conectividade do funcional durante a contextos específicos, definidos pela tarefa cognitiva. Um exemplo de tal tarefa é aquele que envolve o sistema de memória, pedindo aos participantes para aprender pares de palavras não relacionadas (codificação) e lembre-se a segunda palavra em um par quando apresentado com a primeira palavra (recuperação). No presente estudo, usamos este tipo de tarefa de memória associativa e uma análise generalizada do PPI (gPPI) para comparar as alterações na conectividade hippocampal em adultos mais velhos que são portadores da doença de Alzheimer (AD) fator de risco genético apolipoproteína-E Épsilon-4 ( APOEΕ4). Especificamente, mostramos que a conectividade funcional das sub-regiões das mudanças hipocampo durante a codificação e recuperação, as duas fases activas da tarefa memória associativa. Mudanças de contexto-dependente em conectividade funcional do hipocampo foram significativamente diferentes em portadores de APOEε4, em comparação com não-portadores. Análises PPI possibilitam examinar alterações na conectividade funcional, distinta dos efeitos principais univariada e comparar essas alterações através de grupos. Assim, uma análise PPI pode revelar efeitos de tarefa complexa em coortes específicas que métodos tradicionais univariada não capturar. Análises PPI não podem, no entanto, determinar direcionalidade ou causalidade entre regiões funcionalmente ligadas. No entanto, análises PPI fornecem meios poderosos para a geração de hipóteses específicas em matéria de relações funcionais, que podem ser testadas usando modelos causais. Como o cérebro é cada vez mais descrito em termos de conectividade e redes, o PPI é um importante método para analisar dados de tarefa de fMRI é alinhado com a atual concepção do cérebro humano.

Introduction

O termo "conectoma" foi criado em 2005, marcando uma mudança de paradigma em neurociência que continua a este dia¹. O cérebro é cada vez mais descrito em termos funcionais redes, conectividade e interações entre e entre regiões em grande escala. No entanto, a delimitação da especialização funcional regional e associações entre atividade fMRI-medido e exigências de tarefa são abordagens ainda válidas e útil. Tendo em conta o crescente interesse em connectomics, abordagens de conectividade funcional para análise de fMRI tarefa estão crescendo em popularidade. Uma abordagem para avaliar alterações de conectividade funcional dependentes tarefa exige que faz uso do conceito de PPI. Um PPI é a interação de uma fase de tarefa ativa ou demanda determinada tarefa ("psico") com a conectividade funcional ("fisio") de uma região de interesse ou "semente" no cérebro. PPI difere da análise bivariada, baseada na correlação de conectividade funcional, que geralmente mede o grau de correlação entre a atividade em duas regiões, sem quaisquer restrições relacionadas às exigências da tarefa.

O conceito e a estrutura de uma análise do PPI foi originalmente descrita por Friston e colegas em 1997². Os autores afirmaram que a sua abordagem foi importante porque permitiria a investigação de conectividade para ser funcionalmente mais específico e permitir inferências que atividade em uma semente distal pode ser modulando a atividade resultante de uma demanda de tarefa. Em 2012, McLaren e colegas adicionado a este quadro original e descreveu uma abordagem gPPI em que todas as fases da tarefa e suas interações são incluídas em um único modelo³. Essa abordagem conduz a resultados que são mais sensíveis e específicas para a fase de tarefa e interação a ser investigado. É esta abordagem gPPI atualizada que empregamos no presente estudo (ver passo 6.2.2 no protocolo). A abordagem gPPI agora tem sido citada em mais de 200 estudos. Para maior clareza, daqui em diante usamos 'PPI' para descrever as características comuns da versão standard e generalizada. 'gPPI' será usado para discutir avanços específicos associados com o quadro mais recente.

O objetivo geral de uma análise PPI é entender como as exigências de uma tarefa cognitiva influenciam ou modulam a conectividade funcional de uma região de semente. Uma análise PPI requer uma hipótese forte apriorísticas . Atividade na região da semente deve ser modulada pela tarefa em ordem para a abordagem do PPI trabalhar eficazmente⁴. Por exemplo, no presente estudo, baseamos a nossa seleção de sementes nas provas fortes que hippocampal atividade é modulada pelas demandas cognitivas de uma tarefa de memória. Usando o PPI, regiões que são significativamente mais ou menos funcionalmente ligadas ao hipocampo durante as fases de tarefa específica podem ser identificadas. Em suma, nós fazemos a pergunta, "em que regiões é atividade mais correlacionados com a semente durante o contexto A comparação com a linha de base?" Podemos também pedir o oposto lógico (como é importante compreender a diferença): "em que regiões é atividade menos correlacionada com a semente durante o contexto A em comparação com a linha de base?" Ao interpretar as diferenças de grupo em efeitos PPI, é importante examinar os dados e se mudança positiva ou negativa em conectividade funcional, ou ambos, é conduzir as diferenças de grupo.

A abordagem PPI tem sido usada para estudar os hubs de controle dinâmico de tarefa em controles saudáveis, como modulação de conectividade funcional está relacionada com o desempenho cognitivo na doença de Alzheimer (AD), inteligência em indivíduos com autismo, conectividade de rede de motor em indivíduos com doença de Parkinson, rosto de processamento em indivíduos com transtorno dismórfico corporal e anorexia, regulamento de emoção, memória e muitas outras perguntas específicas relacionadas à conectividade^{5,6,7 ,8,9,10,11}. No presente estudo, comparamos mudanças na conectividade funcional das sub-regiões do hipocampo durante a recuperação entre um grupo de indivíduos em risco genético aumentado para anúncio para um grupo sem o fator de risco¹²e codificação de memória. A seguir descreve o protocolo que usamos, aplicando a abordagem gPPI, para permitir-nos testar se a tarefa-provocou mudanças na conectividade funcional diferem em associação com a presença de APOEε4, um fator de risco genético para AD.

Protocol

o presente estudo foi realizado em conformidade com os protocolos de UCLA institucional Review Board (IRB) e aprovado pelo Comité humano de proteção temas de UCLA. Todos os participantes deram consentimento escrito para inscrever-se neste estudo.

1. seleção do participante

1. aprovação de obter IRB para realizar o estudo.
2. Indivíduos de tela com idades entre 55 e mais velhos para o declínio cognitivo, usando uma bateria neuropsicológica padronizada. Incluir testes de inteligência geral (subtestes da WAIS-III) ¹³, fluência (frutas e legumes) ¹⁴, atenção (dígitos para a frente e para trás) ¹³, linguagem (Boston Naming Test ) ¹⁵, memória verbal (Buschke-Fuld seletiva lembrando tarefa) ¹⁶, WMS-III memória lógica e Verbal emparelhado associa aprendizagem ¹³ e memória Visual (teste de figura de Rey-Osterrieth) ¹⁷.
   1. ter os participantes completar questionários de humor como os inventários de ansiedade e de depressão de Hamilton ^{18 , 19}, bem como o (Mini exame do Estado Mental MEEM) ²⁰.
3. Participantes que marcar 26 ou acima sobre o meem e melhor desempenho do que dois desvios-padrão abaixo do normal para sua idade em testes cognitivos. Exclua os participantes com clínica ansiedade, depressão ou qualquer outra doença neurológica ou neuropsiquiátricas. Excluir participantes que não cumprem os critérios de segurança de MRI ou quem não consentir que um sangue desenhar.
   Nota: No presente estudo, 93 participantes preencheram estes critérios (idade média = 67,4 anos, 31m/49F).

2. Genotipagem

1. ter uma flebotomista treinada ou outro profissional médico tirar sangue de cada participante.
2. Isolar 200 µ g DNA genômico de 10 mL da amostra como descrito ²¹.
3. Realizar polimorfismo de nucleotídeo único genotipagem (SNP) usando PCR em tempo real em dois loci, rs429358 e rs7412 para discriminar APOE alelos ²². Repórter
   1. incorporar corantes para rs429358 e rs7412 em um ensaio de genotipagem do SNP. Após cada ciclo de amplificação do PCR é concluído, traça sinais fluorescentes em um gráfico mostrando a distribuição de corantes repórter e quencher. Realizar o experimento em duplicado para confirmar resultados.
4. Analisar os dados de genotipagem do SNP usando um pacote de software desenvolvidos para o processo PCR em tempo real de saída ²³.
   Nota: O programa utilizado no presente estudo calcula a afinidade da amostra para um dos corantes dois repórter que, por sua vez, representa um SNP APOE sobre o outro. No presente estudo, 34 portadores do anúncio arriscar alelo, APOE ε4 (heterozigotos ε3/ε4) e 46 não-portadores (homozigotos ε3/ε3) foram matriculados um total de 80 participantes do estudo. Excluir portadores do alelo APOEε2 porque não há evidência que este alelo pode ter um efeito protector relacionado ao anúncio

3. Coleta de dados de imagem estrutural e funcional

1. usar uma ressonância de 3 Tesla (3T) sistema para adquirir dados de imagem de todo o cérebro.
   1. Para a imagem latente funcional, coletar fatias axiais usando uma eco sequência de imagem planar (EPI). Para facilitar o registo das imagens funcionais, adquira fatias axiais de imagens estruturais T2 ponderado, co-planar. Para geração de imagens de alta resolução estrutural, coletar fatias axiais usando um 3D sequência ponderada T1.
      Nota: No presente estudo, foi utilizado um ímã 3T com uma bobina de cabeça de 12 canais. Os parâmetros abaixo foram desenhados por um scanner específico e a bobina. Para mais informações, consulte a Tabela de materiais.
      1. Adquirir funcional de dados usando os seguintes parâmetros de sequência de imagem: tempo de repetição (TR) = 2.500 ms, eco tempo (TE) = 21 ms, campo de visão (FOV) = 200 mm x 200 mm, ângulo aleta = 75°, matriz = 64 x 64, 33 fatias, espessura da fatia = 3mm, lacuna interslice = 0 .75 mm, tamanho de voxel = 3.125 3.125 x 3,75 mm.
      2. Disparar a tarefa de memória associativa de palavras independentes para começar com o terceiro volume da sequência de imagens funcional. Conta para o equilíbrio do estado estacionário, excluir os dois primeiros volumes de cada verificação funcional de análises.
         Nota: As palavras independentes tarefa memória associativa tem sido descreveram em outros lugares ^{12 , 24}. Resumidamente, é uma tarefa funcional-bloco com blocos de codificação e recuperação. Os participantes são orientados a aprender pares de palavras independentes.
      Estrutural de T2-weighted, co-planar
      3. adquirir dados usando os seguintes parâmetros de sequência de imagem: TR = 5.000 ms, TE = 34 ms, FOV = 200 mm x 200 mm, ângulo aleta = 90°, matriz = 128 x 128, 28 fatias, espessura da fatia = 3mm, lacuna interslice = tamanho de 1 mm e voxel = 1,56 x 1 .56 x 4 mm.
      4. Adquirir (anatômico) usando os seguintes parâmetros de sequência de magnetização preparado rápido Gradient Echo (MPRAGE) de imagem de alta resolução estrutural: TR = 1.900 ms, TE = 2,26 ms, TI = 900 ms, FOV = 250 mm x 218, aleta ângulo = 9°, matriz = 256 x 215, 176 fatias , corte espessura 1mm, preenchidas com zero para uma matriz de 256 x 224, resultando em um tamanho de voxel de = = 1 x 0.976 x 0,976 mm.

4. fMRI pré-processamento de dados bold (realce)

1. pré-processar os dados funcionais usando ressonância magnética funcional do cérebro (FMRIB) Software Library (FSL) versão 6.0 (http://fsl.fmrib.ox.ac.ul) como segue:
   1. Para cada participante ' s dataset, artefato de movimento cabeça remove a partir dos dados usando o FMRIB de correção de movimento ' ferramenta de registro de imagem Linear (MCFLIRT) ²⁵ de s.
   2. Remover o tecido cerebral não as imagens usando a ferramenta de extração do cérebro (aposta) com os opcionais -F bandeira ²⁶.
   3. Usar a ferramenta FSL movimento Outliers para identificar quaisquer volumes nos dados funcionais onde há movimento excessivo com base no deslocamento de quadro entre volumes. Volumes, onde o movimento é medido como um outlier (acima do percentil 75 do ^th + 1,5 vezes o intervalo inter-quartil) em comparação com o resto da varredura da bandeira e usar a saída deste programa para downweight esses volumes em análises.
      Nota: Antes de executar comparações de grupo, verifique que movimento médio, medida pelo FSL movimento Outliers, não diferem entre os dois grupos. Isso ajudará a garantir que as conclusões não são conduzidas por diferenças relacionadas ao grupo em movimento.
2. Configurar o pré-processamento e primeiro nível geral modelo linear (GLM) usando a interface gráfica do usuário (GUI) para fMRI FSL Expert Analysis Tool (FEAT) para o primeiro participante.
   Nota: repita esta etapa para cada participante do estudo. Para poupar tempo, depois de configurar uma corrida por um participante, escrever um script para executar processamento para os restantes participantes do estudo ' dados alterando o " design.fsf " (FSL FEAT saída) de arquivo para cada participante fazer referência a esse participante ' s dados específicos.
   1. Na guia dados, clique em " adicionar dados 4D " e navegue até o arquivo de correção de movimento e cérebro-extraído. Definir a TR para 2.5 s (correspondente a TR da sequência funcional adquirida). Use o filtro passa-alto padrão (definido como 100 s).
      Nota: Filtragem de alta frequência irá remover sinais de baixas frequências sem interesse.
   2. Na guia pré-estatísticas, clique em " nenhum " sob " correção de movimento " (como já foi realizada na etapa 4.1). Desmarque a opção " aposta cérebro extração " (como já foi concluída em passo 4.1). Tipo " 5 " na caixa conjunto 5 mm largura total metade-máximo (FWHM) gaussiana para kernel suavização espacial.
      Nota: A FWHM para a suavização de kernel deve geralmente ser fixado em sobre o dobro do tamanho de voxel de verificação funcional.
   3. Usar a saída (6 colunas, linhas = n º de TRs no scan) do MCFLIRT para criar 6 arquivos de texto única coluna que descrevem a correção do movimento realizado em cada volume dentro do dataset. Estas serão adicionadas ao modelo como regressores na próxima etapa.
      1. Na guia estatísticas em " completa a instalação do modelo ", adicionar os parâmetros de 6 movimento e seus derivados temporais como regressores ou variáveis explicativas (EVs) no GLM. Para cada movimento EV escolher " personalizado " (1 entrada por volume) de forma básica, " nenhum " para convolução e seleção " aplicar filtragem temporal. "
         Nota: movimento parâmetros não precisam ser integrados por qualquer função, porque eles fazem referência a realinhamento executadas em cada volume funcional durante a correção do movimento e, portanto, não precisa ser ajustado.
   4. Na guia estatísticas, selecione a saída do FSL movimento Outliers da etapa 4.1 sob o " adicionar adicional confundir EVs ".
      Nota: Esta saída é uma matriz que indicam cada volume que foi sinalizado para movimento excessivo e, adicionando o maldito arquivo, vai ser deweighted no GLM.
   5. Na guia estatísticas, clique em " set-up completo modelo ". Criar a tarefa, arquivos de texto de temporização que indicam o início e o deslocamento de fases diferentes tarefas e adicioná-los como EVs no GLM escolhendo 1 formato de coluna e navegar para o arquivo de texto relevante (incluem um para a fase de codificação da tarefa e outro para a fase de recuperação). Para " convolução " escolher o " duplo-gama HRF " opção na lista suspensa para ambos. Modelo não a linha de base ou inativos porções da tarefa no GLM.
      Nota: HRF representa a função de resposta hemodinâmica. Convolving a tarefa EV pela HRF desloca o calendário da tarefa a ser mais consistente com as mudanças esperadas sinal bold (realce) induzida por tarefa no cérebro EV.
   6. Na guia registro, verifique " imagem funcional expandida " e " imagem estrutural principal " para um registo em duas fases.
      1. Selecionar o participante ' s co-planar ponderado T2 estruturais varredura para a primeira etapa, em que dados funcionais estão registrados para os co-planar dados estruturais. Escolha 6 graus de liberdade (DOF) para esta etapa, clicando no segundo suspensa caixa sob esta etapa e escolhendo " 6 DOF ".
      2. Para a próxima etapa, em que a imagem ponderada em T2 está registrada para a alta resolução MPRAGE ponderada T1, seleccione registo limite baseado (BBR) da lista suspensa para baixo caixa ²⁷.
         Nota: BBR usa as diferenças de intensidade entre substância branca e cinzenta para registrar exames estruturais e funcionais e tem sido mostrado para melhor desempenho do que o FLERTE e outros métodos alternativos.
      3. Para a etapa final, em que os dados estruturais de alta resolução são registrados para o modelo padrão de MNI152, escolher 12 graus de liberdade e uma transformação linear, escolhendo " DOF 12 ".
         Nota: Quando todas as etapas na seção 4 estão completas os dados funcionais são pré-processados e prontos para posterior análise.

5. Sementes de hippocampal

1. gerar uma máscara do hipocampo esquerdo em cada participante ' espaço estruturais de alta resolução s usando FSL ' algoritmo de segmentação de FMRIB registo integrado e ferramenta de segmentação (primeiro) s ²⁸ .
   Nota: Outras regiões, incluindo o hipocampo direito, seria interessantes e válidas sementes para mais análises.
2. Usando uma plataforma de software estatístico, escrever código calcular o comprimento do terços anteriores e posteriores da estrutura ²⁹. Especificamente, use o comprimento da máscara hippocampal volumétrica no plano ântero-posterior para encontrar as coordenadas demarking os terços anteriores e posteriores deste avião.
   Nota: Um método publicado recentemente de segmentação do hipocampo ao longo do eixo longitudinal pode ser uma abordagem de criação de semente alternativa ³⁰.
3. Baseado sobre estas coordenadas, criar imagens de máscara hippocampal anterior e posterior. Registrar as máscaras hippocampal anteriores e posteriores no espaço funcional nativo usando o " example_func2highres " matriz no diretório de registro da saída FEAT.
   Nota: Usar os terços anteriores e posteriores impediu sinal indefinição entre as duas sementes hippocampal após o registro de espaço funcional. Há evidências de uma especialização funcional ao longo do eixo longitudinal do hipocampo ^{31 , 32 , 33 , 34}. Regiões anteriores são regiões de entrada e associado com a codificação, enquanto o hipocampo posterior é uma região de saída associada com memória de recuperação e consolidação ^{35 , 36 , 37}. assim, usar estas regiões permite avaliação do envolvimento funcional da anterior versus hipocampo posterior na codificação contra as fases de recuperação da tarefa memória.
4. Uso FSL dizer timeseries (fslmeants) para extrair o denoised timeseries média das sementes hippocampal anteriores e posteriores ( Figura 1). Siga as instruções do programa e usar também a semente hippocampal anterior ou posterior como a máscara e os dados funcionais pré-processado, denoised como a imagem principal.

Figura 1 : sementes Hippocampal. No espaço nativo, um único participante ' semente do hipocampo anterior de s é mostrado em amarelo. A semente do hipocampo posterior para o mesmo participante é mostrada em rosa. As sementes são definidas em cada participante ' s única imagem estrutural e então registrado para sua verificação funcional. As sementes são nunca em um espaço padronizado, que melhora a precisão da segmentação hippocampal. Esta figura foi reimpresso com permissão de ¹². clique aqui para ver uma versão maior desta figura.

6. PPI modelo

1. usar a GUI para FSL FEAT carregar os dados funcionais pré-processado.
   1. Na guia dados, escolha o " filtered_func_data " denoised imagem (saída da escadaria concluída na secção 4) como arquivo de entrada. Na guia pré-estatísticas, defina extração de correção e cérebro do movimento " nenhum. " desmarque as caixas para realizar a filtragem temporal e espacial de suavização.
2. Mod PPIEl set-up (tabela 1).
   1. Na guia estatísticas, selecione " set-up completo modelo ". Na guia EVs, adicionar todos o EVs do modelo de primeiro nível: 6 movimento correção EVs, confundir matriz de EV da FSL movimento Outliers e EVs sincronismo de tarefas. Clique na seta para cima para adicionar EVs. Incluir neste modelo um EV para o timecourse fisiológica da semente (a saída de arquivo texto de fslmeants na etapa 5.4) como uma covariável sem interesse, clicando na seta para cima.
   2. Criar os termos do PPI.
      1. Escolher " interação " na forma básica de menu e selecione a semente timecourse EV e um tarefa EV. Para o " fazer zero " opção, escolha " quer dizer " para o timecourse de semente EV e " Centro " para a tarefa de EV. Repita este procedimento para a outra tarefa phase(s). Executar um modelo separado para cada região de sementes.
         Nota: Estas novas EVs são os termos do PPI para a fase da tarefa selecionada (psicopata) e a semente (fisio). No presente estudo, foram incluídos em cada modelo PPI um termo PPI para a fase de codificação e um segundo mandato PPI para a fase de recuperação. O " Centro " opção garante que o " na " e " fora " fases da tarefa projeto bloco são tratadas de forma igual. O " quer dizer " opção é sempre aplicada ao timecourse a semente e resulta em média sendo subtraída deste regressor.
   3. Nos contrastes e guia de testes-F, os seguintes efeitos específicos do modelo digitando " 1 " no correspondente EV celular: psych_enc (fase de tarefa de codificação), psych_ret (fase de tarefa de recuperação), física (semente timecourse), PPI_enc (PPI de sementes e codificação), PPI_ret (PPI de semente e recuperação). Por último, insira um " -1 " para modelar PPIs negativos para cada fase da tarefa.

tabela 1: configuração de modelo de gPPI.

7. comparações de grupo

1. Select " análise de nível mais alto " no FSL FEAT para executar um modelo de grupo simples comparando APOEε4 transportadoras para as transportadoras para cada combinação de tarefa-semente.
   Nota: Essas comparações são executadas para gerar as imagens de resíduos do grupo relevante 4D (" res4d ") necessários para estimar a suavidade do conjunto de dados. Estatisticamente significativos resultados de comparação deste grupo são válidos, mas nas etapas abaixo outra abordagem limiarização usar AFNI e SPM8 para definir um cluster significativo mínimo baseado em simulações de Monte Carlo é descrito.
2. Uso análise de funcional neuroimagem (AFNI)
   1. uso AFNI ' s 3dFWHMx (qualquer versão depois de dezembro de 2015) na linha de comando para estimar a lisura de residuais de 4D o grupo imagens geradas usando FSL.
      Nota: Um bug foi descoberto em AFNI ' s 3dClustSim e corrigida em maio de 2015. Em dezembro de 2015, AFNI ' s 3dFWHMx foi atualizado para mais precisão modelo autocorrelações. Assim, versões dessas ferramentas lançado em dezembro de 2015 ou mais tarde deve ser usadas.
   2. Uso AFNI ' s 3dClustSim (qualquer versão depois de dezembro de 2015) para determinar o número mínimo de extensão cluster alcançando significância em diferentes limiares de voxel-nível. Incluem as estimativas de suavidade da etapa anterior na invocação de linha de comando de 3dClustSim. Da tabela gerada pelo 3dClustSim, baseado sobre as hipóteses de estudo sobre os efeitos esperados ' altura e medida, escolher um voxel-nível limiar e tamanho mínimo de cluster correspondente.
      Nota: em geral, clusters maiores minimizar falsos positivos.
3. Uso estatístico paramétrico de mapeamento (SPM8)
   1. usando a GUI de SPM8, selecione " especificar 2 ^nd-nível ". Vai abrir o editor do lote. Selecione " dois sample t-test " sob o projeto. Navegue até o diretório com as imagens de estimativa do parâmetro para o grupo 1 (portadores de APOEε4) e selecione, clicando sobre eles. Em seguida, adicione o grupo 2 (não APOEε4-transportadoras) imagens. Executar esta comparação clicando no botão play verde.
   2. Retornar para o GUI de SPM, selecione " estimar " e navegue até o arquivo de SPM.mat criado na etapa anterior para executar o processo de estimativa de modelo.
   3. Select " resultados " e executar o grupo comparação contrastes: portadores de APOEε4 > APOEε4 não-portadores, não APOEε4-transportadoras > APOEε4 transportadoras.
      1. Clique em " definir um novo contraste ", escolher " T-contraste " sob " tipo " e digite " 1 -1 " no " contraste " caixa para portadores de APOEε4 > APOEε4 não-portadores. Clique " feito ". Escolha " nenhum " para aplicar a máscara e manualmente definir o voxel-nível limiar e o mínimo de tamanho de cluster de acordo com a determinação feita no passo 7.2.2.Enter " 1-1 " para não APOEε4-transportadoras > portadores de APOEε4.
         Nota: no presente estudo, um limiar de voxelwise de p < 0.005 foi usado e clusters de thresholded no alpha < 0.05.

Results

Com duas fases diferentes tarefa ativa (codificação e recuperação) e sementes de duas regiões (hipocampo anterior e posterior), há quatro condições para relatar resultados para cada grupo. Os mapas de ativação dentro de grupo-tarefa (não mostrado aqui, ver Harrison et al, 2016¹²) mostram que o lobo occipital, córtex auditivo, grandes regiões do lobo parietal, áreas de linguagem frontal, giro temporal superior e caudado (mais pronunciado durante a recuperaç...

Discussion

Estudos de fMRI baseado em tarefas iniciais foram projetados para descobrir relações estatísticas entre processos cognitivos específicos ou demandas e mudanças em negrito o sinal em relação a uma medida de referência. Esta abordagem tradicional é útil para identificar regiões específicas do cérebro onde a atividade é modulada por uma tarefa experimental. Em contraste, uma análise PPI principalmente está preocupada com a modulação da conectividade funcional, ou sincronia de atividade, que resulta de um processo cognitivo ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Scanner de ressonância magnética manética 3T	Siemens Medical Solutions	MAGNETOM Trio, A Tim System	3T MRI Scanner
FSL (FMRIB Software Library)	Oxford University	Version 6.0	Functional Imaging Processing Software
AFNI (Analysis of Functional Neuroimaging)	National Institute of Mental Health, National Institutes of Health	Qualquer versão após maio de 2015	Software de Processamento de Imagens Funcionais
SPM8 (Mapeamento Paramétrico Estatístico)	University College of London	SPM8	Software de Processamento de Imagens Funcionais
Matlab	The Mathworks, Inc	Versão R2012a	Software
de Computação SDS Software Applied	Biosystems, Inc	7900HT Sistema de PCR em Tempo	Real PCR em Tempo Real
Ensaios Taqman ThermoFisher	Científico	específico para	genotipagem de SNP SNP