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

O objetivo geral desta análise é identificar mudanças dependentes do contexto relacionadas à memória na conectividade funcional entre as regiões do hipocampo e o resto do cérebro. Este método pode ajudar a responder a questões-chave no campo da neurociência cognitiva, como como a conectividade funcional muda em resposta a demandas cognitivas específicas dentro de uma tarefa experimental. A principal vantagem dessa técnica é que ela permite que os pesquisadores testem hipóteses específicas sobre a conectividade funcional de regiões-chave do cérebro durante uma tarefa cognitiva.

Para este experimento, inclua indivíduos com 55 anos ou mais com declínio cognitivo que foram genotipados para o alelo de risco da doença de Alzheimer apolipoproteína E épsilon quatro antes do experimento, rastreie os indivíduos quanto à segurança da ressonância magnética e obtenha consentimento informado. Use um sistema de ressonância magnética de três tesla para adquirir dados de imagens cerebrais completas. Para imagens funcionais, colete cortes axiais usando uma sequência de imagens ecoplanares enquanto executa uma tarefa de memória associativa de palavras não relacionadas.

Para facilitar o registro das imagens funcionais, adquira também cortes axiais de imagens estruturais coplanares ponderadas em T2. Para imagens estruturais de alta resolução, colete cortes axiais usando uma sequência 3D ponderada em T1. Depois que a imagem estiver concluída para todos os participantes, configure as etapas de pré-processamento e o modelo linear geral de primeiro nível usando a ferramenta de análise especializada FSL FMRI, ou FEAT, para o primeiro participante.

Na guia Dados, clique em Selecionar dados 4D e navegue até o arquivo de correção de movimento e extração cerebral. Defina o TR para corresponder ao da sequência funcional e use o filtro passa-alta padrão. Agora, na guia Pré-estatísticas, clique em nenhum em correção de movimento e desmarque a extração de cérebro BET.

Insira cinco milímetros para definir a metade máxima do kernel gaussiano de largura total para suavização espacial. Em seguida, clique em Configuração completa do modelo e crie os arquivos de tempo da tarefa que indicam o início e o deslocamento das fases da tarefa. Adicione-os ao GLM escolhendo o formato de três colunas e navegando até o arquivo de texto relevante.

Inclua um para a fase de codificação da tarefa e outro para a fase de recuperação. Para convolução, escolha a opção Double-Gamma HRF. Em seguida, use a saída da ferramenta MCFLIRT para criar seis arquivos de texto de coluna única que descrevem a correção de movimento executada em cada volume dentro do conjunto de dados.

Selecione Configuração completa do modelo e adicione os parâmetros e suas derivadas temporais como variáveis explicativas, ou EVs, no GLM. Para cada EV de movimento, escolha Personalizado para forma básica, nenhum para convolução e preenchimento temporal. Agora, navegue até a guia Stats no software e selecione a saída da ferramenta FSL motion outliers na opção Add additional conconfused EVs.

Agora, na guia Registro, marque Imagem funcional expandida e Imagem estrutural principal para um registro em duas etapas. Selecione a varredura estrutural ponderada em T2 coplanar dos participantes para a primeira etapa para registrar o funcional para os dados estruturais. Escolha seis graus de liberdade na segunda caixa suspensa.

Para a próxima etapa, registre a imagem ponderada em T2 no MP-RAGE ponderado em T1 de alta resolução selecionando o registro baseado em limite na caixa suspensa. Por fim, registre os dados estruturais de alta resolução no modelo MNI 152 padrão, selecionando 12 graus de liberdade e uma transformação linear. Antes de configurar o modelo de interação psicofisiológica, primeiro carregue os dados de pré-processamento no software FSL FEAT.

Escolha a imagem com redução de ruído como o arquivo de entrada. Nas guias Pré-estatísticas, defina a correção de movimento e a extração de cérebro como Nenhuma. Não execute filtragem temporal ou suavização espacial.

Em seguida, na guia Estatísticas, selecione Configuração completa do modelo e, na guia EVs, adicione todas as variáveis da modelagem de primeiro nível, incluindo correção de movimento, a matriz de confusão de outliers de movimento FSL e tempo de tarefa. Inclua um EV para o curso de tempo fisiológico da semente como uma covariável sem interesse. Em seguida, crie os termos de PPI escolhendo Interação no menu de forma Básica e selecione o EV do curso de tempo de semente e um EV de tarefa. Para a opção Tornar zero, escolha Centro para as variáveis de tarefa e Média para o curso de tempo de semente EV. Agora, na guia Contrastes e testes F, modele os seguintes efeitos específicos inserindo um nas células EV correspondentes.

Fase da tarefa de codificação, fase da tarefa de recuperação, curso do tempo de semente, PPI de semente e codificação e PPI de semente e recuperação. Por fim, insira menos um para modelar PPIs negativos para cada fase da tarefa. Use ferramentas de software de mapeamento paramétrico estatístico para executar comparações em nível de grupo.

Comece selecionando Especificar segundo nível e, em seguida, selecione Teste T de duas amostras em Design. Navegue até o diretório com as imagens de estimativa de parâmetro para o grupo um e selecione-as. Em seguida, adicione as imagens para o grupo dois e execute essa comparação clicando no botão Play.

Agora, volte para a janela principal. Selecione Estimativa e navegue até o SPM. arquivo mat criado na etapa anterior para executar a estimativa do modelo.

Em seguida, na guia Resultados, selecione Definir um novo contraste. Escolha Contraste T e insira um negativo na caixa Contraste para portadoras de APOE-4 maiores que não portadoras de APOE-4 e clique em OK. Por fim, execute contrastes de comparação de grupo como visto aqui. Escolha Nenhum para Aplicar mascaramento e, em seguida, defina manualmente o limite de nível de voxel e o tamanho mínimo do cluster de acordo com a saída do software 3dClustSim da AFNI.

Insira um a um negativo para não portadores de APOE-4 maiores que portadores de APOE-4. Dentro do grupo, as análises de interação psicofisiológica generalizada revelaram diminuições significativas na conectividade funcional em portadores de APOE-4, verde, tanto para as condições da tarefa quanto para as sub-regiões do hipocampo. Em APOE-4 não portadores, vermelho, diminuições significativas na conectividade funcional foram observadas apenas com o hipocampo posterior durante a codificação.

Durante as recuperações, diferenças significativas entre portadores e não portadores de APOE-4 foram encontradas no giro supramarginal esquerdo, azul escuro, na junção angular supramarginal direita, laranja, bem como no precuneus direito, roxo. A coordenada de pico para cada cluster é relatada no espaço MNI. Aqui, os contrastes das estimativas de parâmetros de cada cluster são plotados por grupo.

As linhas vermelhas indicam zero e destacam que os portadores diminuíram a conectividade funcional com o hipocampo anterior nessas regiões durante a recuperação. A faixa dentro das caixas representa a mediana, enquanto as bordas superior e inferior das caixas representam o primeiro e o terceiro quartis, respectivamente. Após seu desenvolvimento, essa técnica abriu caminho para que os neuroimagers funcionais explorassem a conectividade dinâmica relacionada à tarefa em humanos.

Isso inclui coortes saudáveis e de pacientes, bem como indivíduos com risco genético aumentado de doença, conforme descrito aqui. Depois de assistir a este vídeo, você deve ter uma boa compreensão de como usar uma análise de PPI para testar mudanças de conectividade funcional dependentes do contexto entre sua região de interesse inicial e o resto do cérebro.