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 этой процедуры — измерить связь между областями мозга на основе изменений в их распределенных моделях активности с течением времени. Для этого сначала нужно выбрать регион посева. Следующий мультивоксельный шаблон вычисляется для каждой временной точки для исходного региона и для каждого прожектора или области интереса.
Последний шаг состоит в том, чтобы соотнести временные ряды различимости исходной области с каждым прожектором. В конечном счете, информационная связность используется для выявления связности между областями, содержащимися в шаблонах вокселей. Основное преимущество этого метода перед другими, такими как функциональная связность, заключается в том, что он может обнаруживать связь с помощью условий, которые не отличаются иммунным ответом, но имеют уникальную многомерную сигнатуру.
Ну, впервые идея этого метода пришла мне в голову после того, как я понял, что многие методы подключения игнорируют информацию, которая содержится только в шаблонах активности с несколькими вокселами. Точно так же, как мы теперь знаем, что одномерные подходы полностью слепы к информации, содержащейся в мультивоксельных паттернах активности, чтобы начать эту процедуру, удалите движение и средние сигналы белого вещества из временного ряда предварительно обработанных данных FMRI, создав регрессионную модель с предикторами для параметров движения и среднего сигнала белого вещества. Затем проведите следующий анализ полученных остатков.
Импортируйте сгенерированные остатки в пакет анализа, такой как MATLAB или Python, используя, например, набор инструментов MATLAB с открытым исходным кодом. После этого преобразуйте каждый временный ряд вокселей в zco. Разделите временные точки наборов данных на независимые наборы, например на разные прогоны сканера.
Затем создайте запись меток условий, связанных с точками времени, создав вектор меток условий. То есть, точки окончания времени долго смещают метки условий вперед при каждом прогоне на количество раз до повторения, эквивалентного пяти секундам, чтобы учесть гемодинамическое запаздывание между событиями и записанными сигналами FMRI. Чтобы выбрать исходную область, изолируйте анатомическую область, выбрав вокселы в предпочитаемом вами программном обеспечении или с помощью помеченного атласа, функционально локализующего область, или выбрав наиболее эффективный прожектор для информационного картирования мозга.
Затем сравните MVP каждого раза. Укажите на прототип MVP для каждого состояния. Использование информационной связи с открытым исходным кодом MATLAB toolbox.
Рассчитайте прототип MVP для каждого условия, усреднив временные точки каждого условия во всех формах, кроме одного. Затем сопоставьте MVP каждой временной точки со средним MVP каждого условия из обучающих данных. Это будет давать каждый раз значение корреляции 0,1 для каждого условия.
Обратите внимание, что условием с самой высокой корреляцией здесь будет предсказание популярного классификатора MVPA на основе корреляции. Потом. Количественно оцените РАЗЛИЧИМОСТЬ MVP для каждой временной точки, сначала определив корреляцию, представляющую состояние этой временной точки. Затем вычтите наибольшую из оставшихся корреляций.
Результатом является различимость MVP каждой временной точки. Чтобы провести анализ прожектора, поместите трехмерный кластер вокруг каждого vle. В свою очередь, повторите предыдущий шаг для каждого прожектора, чтобы каждый прожектор имел временной ряд значений различимости MVP.
Теперь соотнесите временной ряд Разборчивости MVP начального значения с временным рядом РАЗБОРЧИВОСТЬ каждого прожектора. Используя ранговую корреляцию Спирмена, результирующее значение RS представляет собой IC между затравкой и прожектором. Затем присвойте значение IC каждого прожектора центральному вокселю прожектора и запишите полученную карту мозга человека.
Если данные еще не находятся в стандартизированном пространстве, преобразуйте карты ИС участника в то же пространство. При необходимости сгладьте карты прожекторов отдельного человека. На этом рисунке показаны примеры дискриминации MVP в двух регионах с синхронной дискриминируемостью MVP без синхронной активации среднего.
Эти данные были собраны в то время, когда испытуемый рассматривал визуальные представления искусственных объектов, которые различимы по многовоксельным узорам, но не по средним реакциям. Здесь показан пример значений IC и FC между затравкой в левом виде извилины формы и прожекторами в мозге. Уровни информационной и функциональной связности указаны по оси Z по отношению к среднему отклику каждого прожектора по оси X и точности классификации MVPA по оси Y, в верхнем левом углу графика IC показаны информационно связанные прожекторы с высокими характеристиками классификации, но низкими средними уровнями отклика.
Разрыв в верхнем левом углу графика FC показывает, что эти подключенные прожекторы не обнаруживаются при типичном подходе к FC. Ниже приведен пример карт подключения. В каждой строке показаны регионы, которые в значительной степени связаны с начальным значением Значимость определяется тестом группы T с минимальным размером кластера на основе тестирования перестановок.
Результаты IC отображаются здесь с помощью прыщей на поверхностных картах, созданных с помощью бесплатного серфера После этой процедуры. Другие анализы, такие как функциональная связность, могут быть выполнены, чтобы задать дополнительные вопросы, например, связаны ли условия однозначно многовоксельными паттернами или они также синхронны в своих средних реакциях. Таким образом, после просмотра этого видео у вас должно быть хорошее понимание того, как измерять связность между регионами на основе их мультишаблонов.
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
