Использование Информационный Connectivity измерить синхронной Появление МРТ Multi-воксельном информация во времени
1 июля 2014 г.
Информационная связность измеряет соответствие между временными ходами многовоксельной информации в различных областях мозга. Временные ряды различимости многовоксельных шаблонов извлекаются из регионов и сравниваются, выявляя сети, которые не идентифицируются при типичном подходе к функциональной связности.
Общая цель данной процедуры заключается в измерении связности между областями мозга на основе изменений в паттернах их распределенной активности с течением времени. Это достигается путем предварительного выбора seed-области. Затем для этой seed-области и каждой области поиска (searchlight) или области интереса рассчитывается различие многовоксельных паттернов для каждой временной точки.
Заключительным этапом является корреляция временных рядов различимости области-зерна с каждым «прожектором» (searchlight). В конечном итоге информационная связность используется для выявления связей между областями, информация в которых представлена в виде паттернов вокселей. Основное преимущество данного метода перед другими, такими как функциональная связность, заключается в том, что он позволяет обнаруживать связность при использовании условий, которые не различаются по иммунному ответу, но имеют уникальную многомерную сигнатуру.
Идея этого метода возникла у меня после осознания того, что многие методы анализа связности игнорируют информацию, содержащуюся исключительно в многовоксельных паттернах активности. Подобно тому, как теперь известно, что одномерные подходы совершенно не учитывают информацию в многовоксельных паттернах активности. Для начала данной процедуры удалите сигналы движения и средний сигнал белого вещества из временных рядов предварительно обработанных данных фМРТ, создав регрессионную модель с предикторами для параметров движения и среднего сигнала белого вещества. Затем проведите следующий анализ полученных остатков.
Импортируйте полученные остатки в пакет анализа, такой как MATLAB или Python, используя, например, открытый инструментарий MATLAB для анализа информационных связей. После этого преобразуйте временные ряды каждого вокселя в z-стандартизированные значения (zco). Разделите временные точки набора данных на независимые группы, например, по разным сессиям сканирования.
Затем создайте запись меток условий, связанных с временными точками, путем генерации вектора меток условий. Сдвиньте метки условий вперед в каждом прогоне на количество временных точек, соответствующее пяти секундам, чтобы учесть гемодинамическую задержку между событиями и регистрируемыми сигналами fMRI. Для выбора семенной области выделите анатомическую зону, выбирая воксели в предпочтительном программном обеспечении, используя размеченный атлас для функциональной локализации области или выбирая наиболее эффективный «прожектор» (searchlight) при картировании информации в мозге.
Затем сравните MVP для каждого временного интервала. Определите прототипический MVP для каждого условия. Для этого используйте инструментарий MATLAB по информационному взаимодействию (informational connectivity toolbox) с открытым исходным кодом.
Рассчитайте прототипический MVP для каждого условия, усреднив временные точки этого условия во всех блоках (folds), кроме одного. Затем рассчитайте корреляцию MVP каждой временной точки со средним значением MVP каждого условия из обучающих данных. В результате для каждого условия будет получено значение корреляции для каждой временной точки 0.1.
Обратите внимание, что условием с самой высокой корреляцией здесь будет предсказание популярного корреляционного классификатора MVPA. После этого количественно определите РАЗЛИЧИМОСТЬ MVPA для каждой временной точки, сначала идентифицировав корреляцию, соответствующую условию данной временной точки, а затем вычтя из нее наибольшее из оставшихся значений корреляции.
Результатом является разделимость MVP для каждой временной точки. Для проведения анализа с использованием «светового пятна» (searchlight analysis) разместите трехмерный кластер вокруг каждого vle. Затем повторите предыдущий шаг для каждого «светового пятна», чтобы для каждого из них была получена временная серия значений разделимости MVP.
Теперь сопоставьте временной ряд MVP Discriminability для семени (seed) с временными рядами DISCRIMINABILITY каждого «прожектора» (searchlight). Используя ранговую корреляцию Спирмена, получите значение RS, которое будет являться IC между семенем и «прожектором». Затем присвойте полученное значение IC центральному вокселю каждого «прожектора» и выгрузите итоговую карту мозга данного индивида.
Если данные еще не приведены к стандартному пространству, переведите карты компонентов независимых составляющих (IC) участников в это же пространство. При необходимости выполните сглаживание карт «прожектора» (searchlight) для каждого отдельного испытуемого. На этом рисунке представлены примеры РАЗЛИЧИМОСТИ MVP в двух областях с синхронной различимостью MVP при отсутствии синхронной средней активации.
Эти точки данных были собраны в то время, когда испытуемый просматривал визуальные изображения созданных человеком объектов, которые различаются по многовоксельным паттернам, но не по средним ответам. Здесь представлен пример значений IC и FC между опорным регионом (seed) в левых отделах извилины формы (form gyrus) и поисковыми окнами (searchlights) по всему мозгу. Сила информационной и функциональной связности указана на оси Z относительно среднего ответа каждого поискового окна на оси X и точности классификации MVPA на оси Y; в верхнем левом углу графика IC показаны информационно связанные поисковые окна с высокой эффективностью классификации, но низким уровнем среднего ответа.
Пробел в верхнем левом углу графика FC показывает, что эти связанные «поисковые маяки» (search lights) не обнаруживаются при типичном подходе FC. Ниже приведен пример карт связности. В каждой строке показаны области, имеющие значимую связь с заданным семенным регионом. Значимость определяется с помощью группового T-критерия с минимальным размером кластера, установленным на основе перестановочного тестирования.
Результаты IC представлены здесь с использованием карт поверхности акне, созданных с помощью FreeSurfer согласно данной процедуре. Для ответа на дополнительные вопросы, например, о том, связаны ли условия уникальными многовоксельными паттернами или синхронны ли они в своих средних откликах, можно провести другие виды анализа, такие как анализ функциональной связности. Таким образом, после просмотра этого видео вы должны получить четкое представление о том, как измерять связность между областями на основе их множественных паттернов.
Спасибо за просмотр.
Обзор
В данной статье рассматривается метод измерения информационной связности между областями мозга на основе многовоксельных паттернов активности во времени. Особое внимание уделяется преимуществам этого подхода по сравнению с традиционными методами функциональной связности.
Основные компоненты исследования
Область науки
- Нейронауки
- Связи в мозге
- Анализ фМРТ
Теоретические основы
- Информационная связность позволяет оценить взаимосвязь между временными рядами многовоксельной информации в различных областях мозга.
- Традиционные методы функциональной связности могут игнорировать значимые паттерны многовоксельной активности.
- Данный метод позволяет выявить связность в условиях, которые не различаются по иммунному ответу, но имеют уникальные многомерные признаки.
- Понимание этих паттернов связности может углубить представление о функциях мозга и патологических состояниях.
Цель исследования
- Измерить связность между областями мозга на основе изменений в распределенных паттернах активности.
- Продемонстрировать эффективность информационной связности в выявлении сетей, не определяемых с помощью функциональной связности.
- Предоставить подробную методологию для применения данной техники исследователями в их работах.
Используемые методы
- Предварительная обработка данных фМРТ для удаления артефактов движения и сигналов среднего белого вещества.
- Расчет разделимости многовоксельных паттернов для seed-областей и поисковых окон (searchlights).
- Корреляция временных рядов разделимости между seed-областями и поисковыми окнами.
- Использование статистических методов для количественной оценки и визуализации результатов связности.
Основные результаты
- Идентификация областей мозга, которые информационно связаны, но не обнаруживаются традиционными методами.
- Демонстрация высокой эффективности классификации при определении паттернов связности.
- Визуальное представление карт связности, отображающих значимые связи.
- Понимание взаимосвязи между многовоксельными паттернами и средними ответами в различных условиях.
Выводы
- Информационная связность представляет собой мощный инструмент для изучения сетей мозга.
- Данный метод позволяет выявить сложные паттерны связности, которые могут быть упущены при использовании традиционных методов.
- В будущих исследованиях эта методология может быть использована для изучения различных аспектов связности мозга.
Часто задаваемые вопросы
Практическая значимость для промышленности
Информационная связность (IC) восполняет критический пробел в нейробиологических исследованиях, позволяя обнаруживать взаимодействия в сетях мозга, которые остаются невидимыми при традиционном анализе функциональной связности (FC) в тех случаях, когда условия не имеют одномерных различий, но демонстрируют отчетливые многовоксельные паттерны. Эта возможность улучшает валидацию мишеней при поиске нейропсихиатрических препаратов, выявляя механистические пути, связанные с когнитивными или поведенческими фенотипами, которые определяют фенотипы заболеваний. Изолируя связность на основе распределенной динамики информации, а не средней активации, IC повышает прогностическую уверенность в связывании с мишенью и модуляции путей на ранних этапах разработки.
Стратегические применения в биофармацевтических исследованиях и разработках
Первичный поиск и валидация мишени
- Научная ценность: позволяет проверить терапевтические гипотезы путем выявления областей мозга, в которых обработка информации изменяется синхронно с течением времени, что проясняет задействованные пути.
- Операционная ценность: способствует биологическому снижению рисков за счет валидации функциональных мишеней через паттерны связности, которые коррелируют с когнитивными фенотипами независимо от средних уровней активации.
- Прогностическая ценность: повышает уверенность в выборе мишени, выявляя сети, обрабатывающие специфическую для данного состояния информацию, что помогает в приоритизации портфеля препаратов для терапии ЦНС.
Скрининг и разработка анализа
- Готовность анализа: подготовка валидированных биологических систем (например, показателей на основе фМРТ) для последующего скрининга путем установления воспроизводимых количественных показателей связности на основе информационного потока.
- Стандартизация: повышение надежности анализа за счет стандартизированной предобработки (удаления артефактов движения и сигналов белого вещества) и z-стандартизации временных рядов вокселей, что повышает воспроизводимость результатов между разными лабораториями.
- Масштабируемость: возможность повторного использования платформы с помощью дизайна на основе «прожектора» (searchlight) или выделенных областей интереса (ROI), что позволяет масштабировать скрининг эффектов соединений на сети обработки информации.
Трансляционные и доклинические исследования
- Трансляционная непрерывность: связывает результаты этапa поиска (discovery-phase) с доклинической валидацией путем сопоставления паттернов многовоксельной информации с когнитивными или поведенческими конечными точками, имеющими значение для заболевания.
- Механистическое снижение рисков: фокусируется на прогностической ценности путем изоляции связности, обусловленной распределенными паттернами активности, что снижает зависимость от одномерных биомаркеров, которые могут не отражать ключевые патофизиологические процессы.
- Обоснованное продвижение с учетом рисков: служит основанием для принятия решений о продолжении или прекращении разработки (go/no-go), демонстрируя, модулирует ли соединение сети обработки информации способом, соответствующим терапевтической гипотезе.
Интеграция конвейера и рабочих процессов
Информационная связность вписывается в континуум открытий — от проверки гипотез до идентификации перспективных соединений, что особенно актуально при разработке препаратов для ЦНС, где понимание распределенной обработки нейронной информации имеет решающее значение для валидации мишеней и понимания механизмов действия.
- Открывательная биология: Поддерживает проверку гипотез и уточнение путей за счет измерения того, как информация синхронно возникает в различных областях мозга с течением времени, что позволяет выявить функциональные сети, связанные с конкретными когнитивными или поведенческими состояниями.
- Скрининг: Повышает готовность анализа за счет создания количественных, зависящих от времени метрик различимости, которые позволяют сравнивать эффекты соединений на основе информативной связности.
- Аналитика: Предоставляет интерпретируемые результаты, такие как ранговая корреляция Спирмена для временных рядов различимости, что позволяет проводить статистическое сравнение силы связности между различными состояниями или группами лечения.
- Трансляционные исследования: Связывает работу с доклиническими исследованиями, предоставляя показатель, согласованный с биомаркерами (информационная синхронность), который может быть воспроизведен на животных моделях с использованием аналогичных подходов на основе MVPA.
- Корпоративное повторное использование: Функционирует как многоразовый функционал платформы, а не как разовый анализ, и применим к различным задачам, группам пациентов и терапевтическим областям, связанным с обработкой информации.
Операционное и корпоративное воздействие
- Научная ценность: Повышает прогностическую достоверность за счет обнаружения связей, основанных на многовоксельных информационных паттернах, что снижает механистическую неопределенность при валидации мишеней.
- Операционная ценность: Способствует стандартизации и воспроизводимости благодаря фиксированным этапам предобработки и реализации в виде инструментария с открытым исходным кодом (например, MATLAB/Python).
- Стратегическая ценность: Улучшает процесс принятия решений о целесообразности дальнейшей разработки (go/no-go) путем идентификации мишеней, модуляция которых влияет на сети обработки информации, тем самым снижая биологические риски на поздних этапах программ по ЦНС.
- Влияние на портфель: Обеспечивает приоритизацию с учетом рисков, выделяя мишени с сильными механистическими связями с когнитивными фенотипами через информационную модуляцию сетей.
Особенности реализации
- Требуется опыт в области предобработки фМРТ, многовоксельного анализа паттернов (MVPA) и методов статистической корреляции.
- Необходим доступ к средам анализа нейровизуализации, таким как MATLAB или Python, с поддержкой инструментариев для MVPA и анализа информационной связности.
- Требуется межкомандная стандартизация между специалистами по визуализации, вычислениям и биологии для обеспечения согласованности при выборе семян, сдвиге меток и расчете разделимости.
- При применении информационной связности (IC) для разных видов, областей мозга или когнитивных задач необходимо учитывать особенности адаптации, особенно при определении соответствующих меток условий и коррекции гемодинамического лага.
- Практические ограничения включают необходимость в достаточном временном разрешении и количестве попыток для надежной оценки временных рядов разделимости, что подтверждается требованием сдвигать метки условий на пять секунд для учета гемодинамического лага.
Часто задаваемые вопросы по биофармацевтике
Chapters in this video
0:05
Title
1:15
Prepare the fMRI Data
2:28
Select and Analyze a Seed Region
4:18
Calculate IC between the Seed and Searchlights, and a Group Map
5:02
Example Results
6:34
Conclusion
3:57
alculate a Time Series of MVP Discriminability for each Searchlight
