Обобщенные психофизиологического взаимодействия (PPI) анализ памяти связанных подключения в отдельных лиц на генетического риска для болезни Альцгеймера
14 ноября 2017 г.
Эта рукопись описывает способы реализации психофизиологического взаимодействия анализ, чтобы выявить задачи зависимые изменения в функциональной связи между выбранным семян региона и вокселей в других регионах мозга. Анализ психофизиологического взаимодействия является популярным методом для изучения задач воздействие на мозг подключения, отличается от традиционных одномерных активации эффектов.
Общая цель этого анализа состоит в том, чтобы определить связанные с памятью контекстно-зависимые изменения функциональной связи между областями гиппокампа и остальной частью мозга. Этот метод может помочь ответить на ключевые вопросы в области когнитивной нейронауки, например, как изменяется функциональная связность в ответ на конкретные когнитивные требования в рамках экспериментальной задачи. Основное преимущество этой методики заключается в том, что она позволяет исследователям проверять конкретные гипотезы относительно функциональной связи ключевых областей мозга во время выполнения когнитивной задачи.
В этот эксперимент должны быть включены люди в возрасте 55 лет и старше с когнитивными нарушениями, которые были генотипированы по аллелю риска болезни Альцгеймера аполипопротеину Е эпсилон за четыре до начала эксперимента, проверить субъектов на безопасность МРТ и получить информированное согласие. Используйте систему МРТ с магнитолой три Тесла для получения данных визуализации всего мозга. Для функциональной визуализации собирайте осевые срезы с помощью последовательности эхо-планарной визуализации, выполняя задачу на несвязанную словесно-ассоциативную память.
Для облегчения регистрации функциональных изображений также можно получить аксиальные срезы Т2-взвешенных компланарных структурных изображений. Для структурной визуализации с высоким разрешением собирайте осевые срезы с помощью взвешенной 3D-последовательности T1. После того, как визуализация будет завершена для всех участников, настройте этапы предварительной обработки и общую линейную модель первого уровня с помощью инструмента экспертного анализа FSL FMRI (FEAT) для первого участника.
На вкладке «Данные» нажмите «Выбрать 4D-данные» и перейдите к файлу с коррекцией движений и извлечением мозга. Установите TR в соответствии с функциональной последовательностью и используйте фильтр высоких частот по умолчанию. Теперь на вкладке «Предварительная статистика» нажмите «Нет» в разделе «Коррекция движения» и снимите флажок «BET извлечение мозга».
Введите пять миллиметров, чтобы установить полное полумаксимальное ядро Гаусса для пространственного сглаживания. Затем нажмите кнопку Полная настройка модели и создайте файлы времени выполнения задачи, обозначающие начало и смещение этапов задачи. Добавьте их в GLM, выбрав формат с тремя столбцами и перейдя к соответствующему текстовому файлу.
Включите один для этапа кодирования задачи и один для этапа извлечения. Для свертки выберите опцию Double-Gamma HRF. Затем используйте выходные данные инструмента MCFLIRT для создания шести текстовых файлов с одним столбцом, описывающих коррекцию движения, выполненную на каждом объеме в наборе данных.
Выберите Полная настройка модели и добавьте параметры и их временные производные в качестве независимых переменных, или EV, в GLM. Для каждого EV движения выберите «Пользовательский» для базовой формы, «Нет» для свертки и временного заполнения. Теперь перейдите на вкладку «Статистика» в программном обеспечении и выберите выходные данные инструмента «Выбросы движения FSL» в разделе «Добавить дополнительные искаженные электромобили».
Теперь на вкладке Регистрация отметьте Расширенное функциональное изображение и Основное структурное изображение для двухэтапной регистрации. Выберите участников копланарного Т2-взвешенного структурного сканирования для первого шага регистрации функционала к структурным данным. Выберите шесть степеней свободы во втором выпадающем списке.
На следующем шаге зарегистрируйте Т2-взвешенное изображение в Т1-взвешенном MP-RAGE с высоким разрешением, выбрав в раскрывающемся списке регистрацию на основе границ. Наконец, зарегистрируйте структурные данные с высоким разрешением в стандартном шаблоне MNI 152, выбрав 12 степеней свободы и линейное преобразование. Перед настройкой модели психофизиологического взаимодействия сначала загрузите данные препроцесса в программное обеспечение FSL FEAT.
Выберите шумоподавленное изображение в качестве входного файла. На вкладках «Предварительные характеристики» установите для параметров «Коррекция движения» и «Извлечение мозга» значение «Нет». Не выполняйте временную фильтрацию или пространственное сглаживание.
Затем на вкладке Статистика выберите Полная настройка модели, а на вкладке Электромобили добавьте все переменные из моделирования первого уровня, включая коррекцию движения, матрицу путаницы из выбросов движения FSL и время выполнения задач. Включите EV для физиологического течения времени от семени в качестве ковариаты, не представляющей интереса. Затем создайте условия PPI, выбрав «Взаимодействие» в меню «Базовая форма», и выберите начальное время курса EV и одну задачу EV. Для опции Сделать ноль выберите Центр для переменных задачи и Среднее для курса начального времени EV. Теперь на вкладке Контрасты и F-тесты смоделируйте следующие конкретные эффекты, введя один из них в соответствующие ячейки EV.
Фаза задачи кодирования, фаза задачи извлечения, время затравки, PPI зарождения и кодирования и PPI затравки и извлечения. Наконец, введите отрицательный единицу, чтобы смоделировать отрицательные PPI для каждой фазы задачи. Используйте программные средства статистического параметрического картографирования для выполнения сравнений на уровне групп.
Начните с выбора Указать второй уровень, а затем выберите Двухвыборочный Т-критерий в разделе Проектирование. Перейдите в каталог с параметрами оценки изображений для первой группы и выберите их. Затем добавьте изображения для второй группы и запустите это сравнение, нажав кнопку «Воспроизвести».
Теперь вернитесь в главное окно. Выберите Оценка и перейдите к SPM. mat, созданный на предыдущем шаге для запуска оценки модели.
Затем на вкладке Результаты выберите Определить новый контраст. Выберите T-контраст и введите одно отрицательное значение в поле Контраст для носителей APOE-4 больше, чем для ненесущих APOE-4, затем нажмите OK. Наконец, запустите сравнение контрастов групп, как показано ниже. Выберите «Нет» для параметра «Применить маскировку», а затем вручную установите пороговое значение на уровне вокселов и минимальный размер кластера в соответствии с выходными данными программного обеспечения AFNI 3dClustSim.
Введите отрицательное значение единица один для ненесущих APOE-4 больше, чем для носителей APOE-4. В рамках группового обобщенного психофизиологического анализа взаимодействия было выявлено значительное снижение функциональной связности у носителей APOE-4 зеленого цвета как для условий задачи, так и для субрегионов гиппокампа. У APOE-4, не являющихся носителями, красный, значительное снижение функциональной связности наблюдалось только с задним гиппокампом во время кодирования.
В ходе извлечения значимые различия между носителями APOE-4 и неносителями были обнаружены в левой надмаргинальной извилине, темно-синей, правой надмаргинальной угловой связи, оранжевой, а также в правой предклинье, фиолетовой. Пиковая координата для каждого кластера указывается в пространстве MNI. Здесь контрасты оценок параметров из каждого кластера построены по группам.
Красные линии указывают на ноль и указывают на то, что у носителей снижена функциональная связь с передним гиппокампом в этих областях во время извлечения. Полоса внутри блоков представляет медиану, в то время как верхний и нижний края блоков представляют первый и третий квартили соответственно. После своего развития этот метод проложил путь функциональным нейровизуализаторам к исследованию динамических связностей, связанных с задачами, у людей.
Это включает в себя как здоровые когорты, так и когорты пациентов, а также лиц с повышенным генетическим риском заболевания, как мы описываем здесь. После просмотра этого видео у вас должно сложиться хорошее понимание того, как использовать анализ ИПП для проверки контекстно-зависимых изменений функциональной связи между интересующей вас областью исходного кода и остальной частью мозга.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данной статье описывается анализ психофизиологического взаимодействия, направленный на выявление контекстно-зависимых изменений функциональной связности между гиппокампом и другими областями мозга, связанных с памятью. Этот метод особенно полезен для изучения того, как функциональная связность изменяется в ответ на когнитивные требования при выполнении задач.
Основные компоненты исследования
Область науки
- Когнитивная нейробиология
- Функциональная связность
- Анализ психофизиологического взаимодействия
Теоретические основы
- Функциональная связность представляет собой временную корреляцию между пространственно удаленными нейрофизиологическими событиями.
- Анализ психофизиологического взаимодействия помогает понять влияние задач на связность структур мозга.
- Этот метод позволяет исследователям проверять конкретные гипотезы относительно связности областей мозга.
- Он особенно актуален для изучения групп пациентов с когнитивным снижением.
Цель исследования
- Выявить изменения функциональной связности, связанные с задачами на память.
- Изучить, как когнитивные требования влияют на связность между гиппокампом и другими областями мозга.
- Получить представление о нейронных механизмах, лежащих в основе когнитивного снижения.
Используемые методы
- В исследование были включены участники в возрасте 55 лет и старше с когнитивными нарушениями.
- Субъекты прошли скрининг на безопасность МРТ и предоставили информированное согласие.
- Для сбора данных визуализации всего мозга использовалась система МРТ с напряженностью поля 3 Тесла.
- Функциональная визуализация включала сбор аксиальных срезов с использованием эхо-планарной последовательности МРТ во время выполнения задания на память.
Основные результаты
- Были отмечены зависящие от задачи изменения функциональной связности.
- В определенных областях мозга наблюдались измененные паттерны связности в ответ на когнитивные требования.
- Полученные результаты способствуют пониманию нейронной основы когнитивного снижения.
- Результаты подтверждают эффективность анализа психофизиологического взаимодействия в исследованиях в области когнитивной нейробиологии.
Выводы
- Анализ психофизиологического взаимодействия эффективен для изучения изменений функциональной связности.
- Данный метод может расширить наше понимание когнитивных процессов у стареющего населения.
- Будущие исследования могут опираться на эти результаты для изучения методов коррекции когнитивного снижения.
Часто задаваемые вопросы
Практическая значимость для промышленности
Понимание контекстно-зависимых изменений функциональной связности в нейронных сетях мозга, связанных с памятью, дает понимание механизмов раннего риска развития болезни Альцгеймера, что способствует валидации мишеней в доклинических нейропсихиатрических программах. Обобщенный анализ PPI позволяет проводить проверку гипотез относительно работы контуров гиппокампа на этапах кодирования и извлечения информации, создавая трансляционный мост от генетического риска к снижению рисков функциональных сетей. Данный подход повышает прогностическую уверенность при идентификации систем, значимых для заболевания, до начала этапа поиска ведущих соединений.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранние этапы поиска и валидация мишени
- Научная ценность: Исследует зависимые от задачи изменения связей в гиппокампе для уточнения функциональных взаимоотношений в цепях памяти, имеющих значение для риска, связанного с APOE-4.
- Практическая ценность: Позволяет проводить групповые сравнения между носителями генетического риска и лицами без такого риска для проверки целевых гипотез.
- Прогностическая ценность: Выявляет контекстно-специфические изменения связей, которые не фиксируются при одномерном fMRI-анализе, что способствует формулированию механистических гипотез.
Скрининг и разработка анализа
- Готовность анализа: Стандартизированные рабочие процессы сбора данных и предобработки fMRI обеспечивают воспроизводимое измерение эффектов PPI в различных когортах.
- Количественные результаты: Позволяет получать оценки параметров для фаз кодирования и извлечения, что делает возможным статистическое сравнение изменений связности.
- Масштабируемость: Совместимость с конвейерами анализа на групповом уровне для проведения одномоментных или лонгитюдных исследований в группах риска.
Трансляционные и доклинические исследования
- Значимость для заболевания: Связывает генотип APOE-4 с изменением связности гиппокампа на различных этапах выполнения задач на память, что согласуется с ранними патофизиологическими моделями.
- Трансляционная преемственность: Обеспечивает переход от оценки генетического риска к определению функциональных сетевых биомаркеров в ходе доклинической валидации.
- Снижение механистических рисков: Позволяет выяснить, являются ли наблюдаемые изменения связности специфичными для конкретной задачи, что уменьшает неопределенность при интерпретации взаимодействия с мишенью.
Интеграция конвейеров и рабочих процессов
Данный метод вписывается в континуум открытий, связывая генетическую стратификацию рисков с оценкой функциональных сетей, что позволяет принимать ранние решения о целесообразности (go/no-go) реализации программ по поиску нейропсихиатрических мишеней.
- Фундаментальная биология: Проверка гипотез о том, как когнитивные требования модулируют связность гиппокампа в генетически определенных когортах.
- Скрининг: Обеспечивает стандартизированное, воспроизводимое измерение контекстно-зависимых изменений связности в качестве функционального показателя анализа.
- Аналитика: Позволяет получать оценки параметров на основе контрастов для эффектов PPI, что обеспечивает статистическое сравнение между группами и условиями.
- Трансляционные исследования: Устанавливает связь между генетическим риском и функциональными изменениями в сетях, что способствует согласованию биомаркеров в доклинических моделях.
- Корпоративное повторное использование: Создает многократно используемую структуру анализа fMRI для изучения task-dependent связности в различных популяциях ЦНС.
Операционное и корпоративное воздействие
- Научная ценность: обеспечивает понимание механизмов дисфункции сетей памяти у носителей APOE-4, уменьшая неопределенность при валидации мишеней.
- Операционная ценность: предлагает стандартизированные этапы предобработки и моделирования для воспроизводимого анализа PPI в различных центрах и исследованиях.
- Стратегическая ценность: улучшает процесс принятия решений о продолжении или прекращении разработки (go/no-go) за счет выявления ранних функциональных изменений в сетях, связанных с генетическим риском.
- Влияние на портфель: поддерживает приоритезацию мишеней с учетом рисков на основе данных о механистической связности в системах, релевантных данному заболеванию.
Особенности реализации
- Опыт в предварительной обработке данных фМРТ, моделировании GLM и анализе PPI с использованием таких инструментов, как FSL FEAT или SPM.
- Доступ к МРТ-системам с индукцией 3T или выше, поддерживающим EPI-сканирование и структурные последовательности.
- Стандартизация файлов тайминга задач и коррекция физиологического шума между центрами.
- Особенности адаптации для различных семенных регионов, дизайнов задач и групп пациентов.
- Необходимость применения статистического порога на групповом уровне с использованием инструментов симуляции кластеров (например, AFNI 3dClustSim) для контроля ложноположительных результатов.
