Динамические подключения между предметом функциональных показывает-момент мозг сетевых конфигураций, движимый непрерывной или парадигмы связи
21 марта 2019 г.
Описанный подход стремится определить, в какие моменты парадигмы (временная перспектива) и между какие регионы (пространственной перспективы), значительные изменения конфигурации в функциональной связи происходят в функциональной магнитно-резонансной томографии записи, во время которых играют стимул к морю времени.
Благодаря нашему методу можно определить и визуализировать моменты, когда функциональные взаимодействия мозга синхронизируются между предметами. Основным преимуществом нашего подхода является его способность динамически отслеживать изменения в межучреждных функциональных реакциях мозга статистически обоснованным образом. Наш конвейер позволяет оценить синхронность между функциональными сигналами различных субъектов.
И это можно сравнить между различными группами населения, такими как здоровый контроль и тех, кто страдает от болезней и расстройств, таких как аутизм и шизофрения. Наш метод может принести пользу любым исследованиям, стремящихся динамически отслеживать синхронность между различными наборами курсов времени. И это может быть применено также к другим условиям визуализации, таким как электроэнцефалография.
Визуальная демонстрация метода позволит новым пользователям понять различные этапы обработки метода, а также функциональность графического пользовательского интерфейса. Демонстрацией процедуры визуализации будет Роберто Мартуцци, ведущий оператор МРТ нашего исследовательского центра. Для каждого добровольца, которые будут рассмотрены в анализе, выполнить по крайней мере один функциональный магнитно-резонансной томографии или МРТ сессии, в которой отсканированный доброволец подвергается время зарегистрированной парадигмы интереса и один функциональный сеанс визуализации, в котором отсканированный доброволец лежит в покое в сканере с закрытыми глазами и поручил не заснуть.
Затем приобрети структурный объем МРТ. Чтобы открыть первое предварительное окно графического пользовательского интерфейса, введите JOVE_GUI1 в терминале MATLAB. Затем нажмите Введите данные МРТ, выберите соответствующие переутомившиеся функциональные тома и введите время повторения данных в считанные секунды в выделенном редактируемом окне текста.
Нажмите Введите данные T1 и выберите три соответствующих вероятностных тома типа ткани. Нажмите Введите файл движения и выберите текстовый файл, содержащий параметры движения из сессии интересов. Затем выберите, следует ли сокращать данные и какие ковариаты следует регрессировать.
Чтобы предварительно обработать данные, нажмите Preprocess и подождите, пока дисплей появится в окне. Данные могут быть переработаны по-разному путем изменения опций и повторного нажатия на кнопку Preprocess. Затем введите JOVE_GUI2 в терминале MATLAB, чтобы открыть второе окно графического пользовательского интерфейса и нажмите выберите данные для выбора предварительно обработанного файла данных.
Нажмите Выберите атлас и выберите Neuroimaging Informatics Technology Initiative или файл NIFTI, представляющий атлас, который будет использоваться для parcellation. Нажмите Выберите обратную деформацию и выберите файл NIFTI, представляющий поле деформации от Монреальского неврологического института до родного пространства. Затем нажмите выберите объем МРТ и выберите любой из объемов данных МРТ.
Чтобы ввести информацию, связанную с очисткой, в списке типов очистки, выберите количество кадров, которые будут удалены до и после помеченных кадров. В окне текста порога очистки введите в кадр мудрое пороговое значение смещения, над которым объем МРТ должен быть очищен в миллиметрах. Затем введите размер раздвижного окна W, который будет использоваться для межимутивных функциональных корреляций или вычислений ISFC во время повторения и нажмите Участок, чтобы отобразить индикативные курсы времени атласа до и после шагов очистки и фильтрации.
Для вычислений раздвижного окна ISFC введите JOVE_GUI3 в терминале MATLAB, чтобы открыть первое окно графического пользовательского интерфейса, связанное с ISCF, и щелкните данные Load, чтобы выбрать все соответствующие файлы данных. Выберите, должны ли выбранные сегменты сеанса проходить фазовую рандомизацию и вводить размер окна во времени повторения, в течение которого должны быть вычислены измерения подключения, а также размер шага во время повторения, с помощью которого последующие окна должны быть сдвинуты. Измените таблицу типов сеансов, чтобы указать, какой из загруженных сегментов сеанса был приобретен в одном экспериментальном состоянии с использованием увеличения числа интеграторов из одного и до тега различных типов сегментов.
В соответствующих редактируемых текстовых окнах введите количество складок загрузки для выполнения вычислений ISFC и количество предметов, которые должны составлять справочную группу для каждого раза вычислений ISFC. В разделе параметров времени введите спецификации, о которых должна быть проанализирована субпортация курсов времени, и нажмите Участок для выполнения вычислений ISFC. Дисплей будет постепенно обновляться с течением времени вместе с количеством прошедших складок загрузки.
Чтобы открыть второе окно графического пользовательского интерфейса, связанное с ISFC, введите JOVE_GUI4 в терминале MATLAB. Чтобы выбрать связанные с стимулом выходные файлы ISFC, нажмите данные Load ISFC и выберите связанные с стимулом файлы вывода ISFC. Чтобы выбрать файлы вывода null ISFC, нажмите Load null data и выберите либо состояние отдыха ISFC, либо рандомизированные файлы вывода ISFC, связанные с фазой, в зависимости от используемой схемы генерации нулевых данных.
Затем нажмите кнопку Загрузить кодовую книгу и выберите файл кодовой книги. В соответствующем редактируемом окне текста введите альфа-значение в процентах, в которых курсы времени ISFC должны быть пороговыми для выделения значительных изменений. Чтобы построить нулевое распределение, нажмите Участок, чтобы инициировать процесс порогового значения ISFC, для которого все доступные нулевые измерения ISFC агрегируются для данного соединения и после чего связанные с стимулом измерения ISFC будут пороговыми в соответствии с выбранным альфа-значением.
Чтобы визуализировать пространственные закономерности ISFC в разных временных точках, перетащите ползунок ниже экскурсионного участка ISFC. В этих репрезентативных сеансах оцениваемый фильм отображается от пяти до 353 секунд с сегментом состояния покоя после фильма от 386 до 678 секунд. Кроме того, по каждому предмету была приобретена одна государственная сессия на 310 секунд.
Курсы времени ISFC были сгенерированы на длине окна W 10 и W 5 времени повторения для трех различных репрезентативных соединений, включающих ингибирование реакции в регионе, и другое, связанное соответственно с ожиданием перемещения объектов, сенсорной координацией или обработкой значений слов. Шум больше во время повторения W 5 и время блокировки ISFC изменения наблюдаются в связи один и два фильма просмотра времени курсов. Здесь показана доля испытуемых, показывающих статистически значимые временные переходные соединения ISFC для тех же трех соединений.
Переходные являются более многочисленными на больших длинах окон, как более надежные измерения ISFC облегчить извлечения и на больших альфа-значений, как больше ложных срабатываний обнаруживаются. В этих репрезентативных данных один экстракт фильма, в частности, был вовлечен в ингибирование реакции, связанное с перемещением объектов, и привел к широкомасштабным изменениям ISFC. Длина окна не должна быть ни слишком короткой для надежных оценок, ни слишком длинной для захвата динамики ISFC.
И достаточно строгое альфа-значение должно быть использовано для ограничения ложных срабатываний. Измерения ISFC могут быть сгруппированы в целые состояния мозга ISFC для специального височного исследования характеристик. Значительные переходные isFC также могут быть представлены в качестве графика, отражающего информационный поток.
Обзор
В данном исследовании представлен новый подход к отслеживанию динамических изменений функциональной связности с помощью функциональной магнитно-резонансной томографии (фМРТ) при предъявлении синхронизированных по времени стимулов. Данный метод облегчает визуализацию и оценку интерсубъективных функциональных ответов мозга, позволяя проводить сравнения между здоровыми людьми и пациентами с такими расстройствами, как аутизм и шизофрения.
Основные компоненты исследования
Область науки
- Нейробиология
- Функциональная визуализация
- Анализ связности
Теоретические сведения
- Традиционные методы анализа данных фМРТ могут быть недостаточно эффективны для фиксации динамических изменений связности.
- Функциональная связность может варьироваться у разных субъектов, что влияет на интерпретацию данных нейровизуализации.
- Выявление значимых моментов и областей реконфигурации функциональной связности имеет решающее значение для понимания функций мозга.
Цель исследования
- Разработать метод для идентификации синхронизированных функциональных взаимодействий мозга у разных людей.
- Обеспечить возможность визуализации этой синхронности для облегчения понимания нейронных механизмов.
- Применить данный метод для сравнения связности мозга у здоровых людей и лиц с нейропсихиатрическими расстройствами.
Используемые методы
- Использовались сеансы функциональной магнитно-резонансной томографии (фМРТ), как в рамках парадигмы с временной привязкой, так и в состоянии покоя.
- Исследование включало этапы предварительной обработки в MATLAB, в том числе отбор данных и удаление артефактов движения (scrubbing).
- Динамическая связность оценивалась с помощью вычисления межсубъектной функциональной корреляции (ISFC) в определенных временных окнах.
- Для эффективной обработки и анализа данных применялись средства визуализации и инструменты графического пользовательского интерфейса (GUI).
Основные результаты
- Данный метод позволяет осуществлять динамическое отслеживание межсубъектной синхронизации сигналов мозга, выявляя критические моменты изменения связности.
- Различные группы испытуемых демонстрировали разные паттерны функциональной связности при воздействии одних и тех же стимулов.
- Иллюстративные примеры показали вариации временных рядов ISFC в различных экспериментальных условиях.
Выводы
- В данном исследовании представлена эффективная методика анализа временной и пространственной динамики связей головного мозга.
- Данные, полученные с помощью этого метода, могут расширить наше понимание механизмов нейронной синхронизации при нормальном состоянии и патологиях.
- Данный подход перспективен для более широкого применения в нейровизуализации при различных расстройствах.
Часто задаваемые вопросы
Практическая значимость для промышленности
Данный метод позволяет осуществлять динамическое отслеживание функциональной связности между субъектами, обеспечивая статистически обоснованный подход к отделению реконфигураций сетей мозга, вызванных стимулом, от спонтанных флуктуаций. Фиксируя синхронизацию между отдельными людьми в каждый момент времени, этот метод способствует валидации мишеней в нейропсихиатрических исследованиях посредством механистического снижения рисков при проверке гипотез, основанных на связности. Возможность сравнения здоровых групп и популяций с заболеваниями повышает прогностическую достоверность при поиске трансляционных биомаркеров и согласовании доклинических моделей.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишени
- Научная ценность: Позволяет проверить терапевтические гипотезы путем установления связи между конкретными стимулами и синхронными изменениями связности мозга у разных субъектов.
- Операционная ценность: Обеспечивает снижение биологических рисков за счет строгого установления пороговых значений, что позволяет выделить значимые изменения функциональной корреляции между субъектами.
- Прогностическая ценность: Способствует приоритизации портфеля исследований путем выявления воспроизводимых паттернов связности, связанных с когнитивными или поведенческими парадигмами.
Скрининг и разработка анализа
- Научная ценность: обеспечивает подготовку валидированных биологических систем для последующих этапов анализа путем генерации количественно определяемых временных рядов функциональной корреляции между субъектами.
- Практическая ценность: решает вопросы стандартизации и воспроизводимости анализа с помощью метода скользящего окна и бутстрэп-выборок для получения надежных статистических выводов.
- Масштабируемость: обеспечивает готовность к скринингу благодаря общедоступному конвейеру обработки данных и инструментам графического интерфейса пользователя, что позволяет использовать платформу в различных лабораториях.
Трансляционные и доклинические исследования
- Трансляционная непрерывность: Обсуждается значимость для изучения заболеваний путем проведения сравнений между здоровым контролем и популяциями с такими расстройствами, как аутизм и шизофрения.
- Механистическое снижение рисков: Описывается непрерывность процесса от этапа открытия до доклинической валидации за счет фиксации временных профилей и пространственных снимков реконфигурации связей.
- Прогресс с поправкой на риск: Поддержка принятия решений путем представления значимых функциональных корреляционных транзиентов между субъектами в виде графов, отражающих информационные потоки.
Интеграция конвейеров и рабочих процессов
Данный метод вписывается в континуум открытий — от проверки гипотез до идентификации ведущих соединений, обеспечивая анализ динамической связности в качестве фильтра для подтверждения достоверности мишени перед началом доклинических исследований.
- Открывающая биология: объясняется, как данный метод поддерживает проверку гипотез путем отслеживания мгновенных конфигураций нейронных сетей мозга, формируемых в рамках парадигм непрерывного воздействия или коммуникации.
- Скрининг: описывается готовность анализа посредством вычисления межсубъектной функциональной корреляции в определенных временных окнах с регулируемой длиной окна и величиной шага.
- Аналитика: выделяются такие показатели, как временные ряды межсубъектной функциональной корреляции и пороговые значимые изменения, позволяющие проводить сравнение между различными условиями.
- Трансляционные исследования: метод обеспечивает преемственность с доклиническими исследованиями, позволяя визуализировать паттерны связности, связанные с конкретными стимулами, что способствует согласованию биомаркеров.
- Корпоративное использование: метод представлен как переиспользуемый инструмент благодаря графическому интерфейсу пользователя на базе MATLAB и открытому конвейеру обработки данных для стандартизации работы между различными группами исследователей.
Операционное и корпоративное воздействие
- Научная ценность: Прогностическая уверенность, валидация мишеней, снижение механистической неопределенности в гипотезах, основанных на связности.
- Операционная ценность: Стандартизация, воспроизводимость и масштабируемость анализа межсубъектных функциональных корреляций в различных сеансах визуализации.
- Стратегическая ценность: Оптимизация принятия решений о продолжении или прекращении разработки (go/no-go), эффективность использования капитала и снижение биологических рисков на поздних стадиях разработки нейропсихиатрических препаратов.
- Влияние на портфель: Приоритезация и принятие решений о продвижении проектов с учетом рисков на основе воспроизводимых реконфигураций сетей мозга, синхронизированных со стимулом.
Особенности реализации
- Требуемый опыт включает предварительную обработку данных fMRI, работу с графическим интерфейсом пользователя на базе MATLAB и проведение анализа функциональной корреляции между субъектами.
- Необходимое оборудование включает системы для функциональной и структурной МРТ с возможностью интеграции с электроэнцефалографией.
- Стандартизация между исследовательскими группами требует единообразного использования параметров скользящего окна, количества итераций бутстрэппинга и порога альфа для определения значимости.
- При адаптации метода для различных модельных систем необходимо корректировать длину окна и размер шага, чтобы обеспечить баланс между надежностью оценок и способностью фиксировать динамику.
- Практические ограничения включают необходимость достаточного количества субъектов для каждой итерации бутстрэппинга и тщательный подбор схем генерации нулевых данных для предотвращения ложноположительных результатов.
