Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

ניתוח אינטראקציות בין פסיכופיזיולוגיות מוכללת (PPI) של זיכרון הקשורות קישוריות אצל אנשים בסיכון גנטית למחלת אלצהיימר

Published: November 14, 2017 doi: 10.3791/55394
Automatic Translation
1, 2, 1, 1, 1
1Psychiatry and Biobehavioral Sciences, University of California, Los Angeles, 2Biospective, Inc.

Summary

כתב יד זה מתאר כיצד ליישם ניתוח האינטראקציה פסיכופיזיולוגיות לגלות שינויים תלויי-פעילות פונקציונלית קישוריות בין אזור שנבחר זרע voxels באזורים אחרים של המוח. ניתוח האינטראקציה פסיכופיזיולוגיות הוא שיטה פופולארית לבחון השפעות פעילות על חיבוריות במוח, נבדל univariate מסורתי הפעלת אפקטים.

Abstract

בדימות מוחי, דימות תהודה מגנטי תפקודי (fMRI) מודד את האות (מודגש) התלויים דם ברמת חמצון במוח. מידת המתאם של והנועז אות ב במרחב אזורים עצמאיים של המוח מגדיר קישוריות פונקציונלי של אזורים אלה. במהלך פעילות קוגניטיבית fMRI, ניתוח פסיכופיזיולוגיות אינטראקציה (PPI) ניתן לבחון שינויים קישוריות תפקודית במהלך בהקשרים ספציפיים שהוגדרו על-ידי הפעילות הקוגניטיבית. דוגמה של משימה כזו הוא אחד שעושה. את מערכת הזיכרון, מבקש ממשתתפים ללמוד זוגות של מילים שאינן קשורות (קידוד), זוכר את המילה השנייה בזוג כאשר מוצג עם המילה הראשונה (אחזור). במחקר הנוכחי, השתמשנו סוג זה של ניתוח PPI (gPPI) מוכללת של זיכרון אסוציאטיבי פעילות כדי להשוות בין שינויים בהיפוקמפוס בקישוריות של אנשים מבוגרים שאינם נשאים של (אפסילון-4 אפוליפופרוטאין-E מחלת אלצהיימר (AD) גורם סיכון גנטי APOEΕ4). באופן ספציפי, אנו מראים כי קישוריות פונקציונלי של לאזורי משנה של השינויים ההיפוקמפוס במהלך הקידוד, אחזור, את שני השלבים פעיל של הפעילות זיכרון אסוציאטיבי. שינויים תלויי-ההקשר קישוריות פונקציונלי של ההיפוקמפוס היו שונים באופן משמעותי בנשאים של APOEε4 בהשוואה ללא-נשאים. ניתוחים PPI מאפשרים לבחון שינויים באופן פונקציונלי קישוריות, נבדל univariate אפקטים עיקריים, וכדי להשוות את השינויים האלה על פני קבוצות. לפיכך, ניתוח PPI עלול לגלות תופעות המשימה המורכבת גדודים ספציפי זה בשיטות מסורתיות univariate אינם לוכדים. PPI ניתוחים לא יכול, עם זאת, לקבוע כיוון או סיבתיות בין אזורים מחוברים באופן פונקציונלי. ובכל זאת, ניתוחים PPI לספק אמצעי רב עוצמה ליצירת וההשערות ספציפית לגבי יחסים פונקציונליים, אשר יכול להיבדק באמצעות מודלים סיבתי. כפי המוח יותר ויותר מתואר במונחים של קישוריות ורשתות PPI היא שיטה חשובה עבור ניתוח נתונים פעילות fMRI זה עולה בקנה אחד עם התפיסה הנוכחית של המוח האנושי.

Introduction

המונח "connectome" נטבע בשנת 2005 מסמן שינוי פרדיגמה במדעי המוח שממשיך עד היום1. המוח הוא יותר ויותר מתואר במונחים של רשתות פונקציונלי, קישוריות, אינטראקציות בין ובין אזורים בקנה מידה גדול. ובכל זאת, התיחום של אזורי התמחות תפקודית ואגודות בין פעילות נמדד ב- fMRI דרישות המשימה הן גישות עדיין תקפים ושימושיים. לאור ההתעניינות הגוברת ב connectomics קישוריות פונקציונלי גישות ניתוח fMRI של פעילות הגדלים הפופולריות. גישה אחת כדי מדידת שינויים פונקציונליים קישוריות תלויה המשימה דורשת עושה שימוש של המושג PPI. PPI היא האינטראקציה של המשימות הפעילה שלב או פעילות מסוימת לפי דרישה ("פסיכו") עם קישוריות פונקציונלי ("פיזיו') של אזור מעניינים או"זרע"במוח. PPI שונה מניתוח bivariate, המבוססים על המתאם של קישוריות פונקציונלי, אשר בדרך כלל מודד את מידת הקורלציה בין הפעילות שני אזורים ללא אילוצים כלשהם הקשורים לדרישות המשימה.

הקונספט ואת המסגרת של ניתוח PPI תוארה לראשונה על ידי Friston ועמיתיו בשנת 19972. המחברים טענה כי הגישה שלהם היה חשוב כי זה יאפשר החקירה של קישוריות לדייק יותר פונקציונלית ולאפשר מסקנות פעילות דיסטלי זרע יכול להתכוונן פעילות הנובע דרישה פעילות. בשנת 2012, מקלארן ועמיתיו להוסיף מסגרת מקורית זו תיאר בגישה gPPI שבו כל שלבי הפעילות ואת האינטראקציות שלהם כלולים דגם אחד3. גישה זו מובילה לתוצאות שהן יותר רגיש וספציפי שלב המשימות ואת האינטראקציה נחקר. זה גישה זו gPPI מעודכן זה אנו מעסיקים בהווה ללמוד (ראה שלב 6.2.2 בפרוטוקול). הגישה gPPI עכשיו ציטט מחקרים מעל 200. למען הבהירות להלן נשתמש 'PPI' כדי לתאר תכונות משותפות של שני הגירסה סטנדרטי, כללית. 'gPPI' ישמש כדי לדון בפיתוחים ספציפיים הקשורים למסגרת חדשה יותר.

המטרה הכוללת של ניתוח PPI הוא להבין כיצד הדרישות של פעילות קוגניטיבית להשפיע או לווסת את קישוריות פונקציונלי של אזור זרע. ניתוח PPI דורש השערה חזקה א-פריורי . פעילות באזור הזרע חייב להיות מווסת על ידי הפעילות על מנת הגישה PPI לעבוד ביעילות4. לדוגמה, במחקר הנוכחי, אנחנו מבוסס שלנו מבחר זרע על הראיות חזקה כי פעילות בהיפוקמפוס הוא מווסת על ידי הדרישות הקוגניטיביות של פעילות זיכרון. באמצעות PPI, אזורים המחוברים באופן משמעותי פחות או יותר פונקציונלית בהיפוקמפוס במהלך שלבי פעילות מסוימת יכול להיות מזוהה. בקיצור, נשאל את השאלה, "בבאילו אזורים היא פעילות יותר בקורלציה עם הזרע במהלך הקשר A לעומת בסיסית?" אפשר גם לבקש ההפך לוגיים (כפי חשוב להבין את ההבדל): "אילו אזורים היא פעילות פחות מתואם עם הזרע במהלך הקשר A לעומת בסיסית?" בעת פירוש קבוצה הבדלים אפקטים PPI, חשוב לבחון את הנתונים ואת שינוי חיובי או שלילי קישוריות תפקודית או שניהם, הוא נוהג קבוצה הבדלים.

הגישה PPI שימש ללמוד רכזות בקרת פעילות דינאמית בפקדים בריא, איך אפנון של קישוריות פונקציונלי קשורה ביצועים קוגניטיביים של מחלת אלצהיימר (AD), אינטליגנציה אצל אנשים עם אוטיזם, קישוריות רשת מנוע אצל אנשים עם מחלת פרקינסון, הפנים עיבוד אצל אנשים עם הפרעת גוף דיסמורפית, אנורקסיה, טורדניות, זיכרון, ועוד שאלות רבות נוספות ספציפיות הקשורות קישוריות5,6,7 ,8,9,10,11. במחקר הנוכחי, אנו משווים שינויים פונקציונליים בקישוריות של לאזורי משנה של ההיפוקמפוס במהלך קידוד הזיכרון ואחזור בין קבוצה של אנשים בסיכון גנטי מוגבר המודעה כדי קבוצה ללא גורם סיכון12. להלן תיאור הפרוטוקול שבהן השתמשנו, החלת הגישה gPPI, כדי לאפשר לנו לבדוק אם הפעילות-elicited לשינויים פונקציונליים קישוריות שונים בשיתוף עם הנוכחות של APOEε4, מהווה גורם סיכון גנטי לספירה.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

המחקר הנוכחי היה שבוצעה בהתאם הפרוטוקולים UCLA מוסדיים סקירה לוח (IRB), אושרו על ידי הוועדה להגנת UCLA נושאים אנושיים. כל המשתתפים נתנה הסכמה מדעת בכתב על מנת לרשום במחקר זה.

1-בחירת המשתתף

  1. IRB להשיג אישור כדי לבצע את המחקר.
  2. מסך ליחידים מגיל 55 ומעלה עבור ירידה קוגניטיבית באמצעות סוללה שתלמידים מתוקננת. לכלול בדיקות של המודיעין הכללי (כל המבחנים של WAIS-III) 13, שטף (פירות וירקות) 14, תשומת לב (ספרות קדימה ולא אחורה) 13, שפה (בוסטון שמות מבחן ) 15, 16 זיכרון מילולי (Buschke-פולד סלקטיבי שהזכרת פעילות), למידה WMS-III זיכרון לוגי מילולי לזווג ולעמיתים, 13, ו זיכרון חזותי (מבחן Rey-Osterrieth איור) 17.
    1. יש את המשתתפים להשלים את רוח שאלונים כמו של מלאי חרדה ודיכאון המילטון 18 , 19, כמו גם את (מבחן מצב נפשי מיני MMSE) 20-
  3. לכלול משתתפים ציון 26 ומעלה -MMSE ולבצע בצורה טובה יותר מאשר שתי סטיות תקן מתחת לעדיפות רגילה לגילם על מבחנים קוגניטיביים. הכללת המשתתפים עם חרדה קלינית, דיכאון או כל מחלה אחרת מנוטלי או נוירולוגית. אל תכלול המשתתפים אשר אינם עומדים בקריטריונים של בטיחות MRI או מי לא תסכים דם לצייר.
    הערה: במחקר הנוכחי, המשתתפים 93 בקריטריונים הללו (גיל ממוצע = שנים 67.4, 31 מ'/49F).

2. Genotyping

  1. phlebotomist מיומן או מקצוע רפואי אחר להוציא. דם לכל משתתף.
  2. 200 לבודד µg DNA גנומי מ 10 מ"ל של המדגם כפי שמתואר 21.
  3. לבצע פולימורפיזם נוקלאוטיד יחיד (הסנ פ) genotyping באמצעות PCR בזמן אמת ב שני לוקוסים, rs429358 ו- rs7412 כדי להפלות ספקיות אללים 22.
    1. Incorporate כתב צבענים עבור rs429358 ו- rs7412 לתוך assay genotyping הסנ פ. לאחר השלמת כל מחזור הגברה PCR, מגרש אותות פלואורסצנט על גרף המציג התפלגות צבע הכתב, כ'חטיף. לבצע את הניסוי בכפולות כדי לאמת את התוצאות.
  4. נתח נתונים genotyping הסנ פ באמצעות חבילת תוכנה שפותחה עבור ההליך PCR בזמן אמת פלט 23.
    הערה: התוכנית השתמשו במחקר הנוכחי מחשבת את זיקתו של המדגם אחד של צבעים שני כתב זה, בתורו, מייצג הסנ פ ספקיות אחד מעל השני. במחקר הנוכחי, 34 נשאים של המודעה להסתכן אלל, ספקיות ε4 (משפחתית ולא משפחתית הטרוזיגוטיים ε3/ε4) ו- 46 הלא-נשאים (homozygous ε3/ε3) נרשמו בסך 80 משתתפי המחקר. אל תכלול נשאים של אלל APOEε2 כי יש ראיות כי אלל הזה יכול להיות אפקט מגן הקשורים AD.

3. פונקציונלית, איסוף נתונים הדמיה מבנית

  1. שימוש לקבל MRI 3 טסלה (3T) מערכת לרכוש נתונים הדמיה מוחית שלם.
    1. עבור הדמיה תפקודית, לאסוף את פרוסות צירית באמצעות אקו מישורי הדמיה (EPI) רצף. כדי להקל על רישום של תמונות פונקציונלי, לרכוש מפוח פרוסות של תמונות מבנית משוקלל T2, co-מישורי. עבור הדמיה מבנית ברזולוציה גבוהה, לאסוף את פרוסות צירית באמצעות 3D רצף משוקלל T1.
      הערה: במחקר הנוכחי, מגנט 3T שימש עם סליל ראשי ערוץ 12. הפרמטרים להלן תוכננו עבור סליל והסורק ספציפיים. לקבלת מידע נוסף, ראה טבלה של חומרים.
      1. רכוש פונקציונלי הדמיה נתונים באמצעות הפרמטרים הבאים רצף: זמן החזרה (TR) = 2,500 ms, הד הזמן (TE) = ms 21, שדה ראייה (FOV) = 200 מ מ x 200 מ מ, זווית הפוך = 75°, מטריקס = 64 x 64, פרוסות 33, עובי הפרוסה = 3 מ מ, הפער interslice = 0 .75 מ"מ, voxel בגודל = 3.125 x 3.125 x 3.75 מ מ.
      2. לעורר את הפעילות זיכרון אסוציאטיבי מילים לא קשורות להתחיל עם הכרך השלישי של הרצף הדמיה תפקודית. לקחת בחשבון מצב יציב שיווי משקל, לא לכלול את שני הכרכים הראשונים של כל סריקה פונקציונלי מניתוחי.
        הערה: המילים לא קשורות זיכרון אסוציאטיבי נעדרת תיאר במקום 12 , 24. . בקצרה, זה משימה בלוק-עיצוב פונקציונלי עם בלוקים קידוד ואחזור. המשתתפים הוראה ללמוד זוגות של מילים שאינן קשורות.
      3. ידרשו משוקלל T2, co-מישורי מבני הדמיה נתונים באמצעות הפרמטרים רצף הבאים: TR = ms 5,000, טה = 34 ms, FOV = 200 מ מ x 200 מ מ, זווית flip = 90°, מטריקס = 128 x 128, פרוסות 28, עובי הפרוסה = 3 מ מ, הפער interslice = 1 מ"מ וגודל voxel = 1.56 x 1 .56 x 4 מ מ.
      4. לרכוש (אנטומיה) הדמיה באמצעות הפרמטרים הבאים של רצף מגנוט מוכן מהירה הדרגתיות הד (MPRAGE) ברזולוציה גבוהה מבנית: TR = ms 1,900, טה = 2.26 ms, TI = 900 ms, FOV = 250 מ מ x 218 מ מ, זווית הפוך = 9°, מטריקס = 256 x 215, פרוסות 176 , פורסים בעובי 1 מ מ, מלא אפס כדי מטריצה של 256 x 224 וכתוצאה מכך גודל voxel = = 1 x 0.976 x 0.976 מ מ.

4. fMRI Preprocessing נתונים מודגש

  1. של תהליך מוקדם פונקציונלי נתונים באמצעות MRI תפקודי של המוח (FMRIB) תוכנת הספרייה (FSL) גירסה 6.0 (http://fsl.fmrib.ox.ac.ul) כדלקמן:
    1. לכל משתתף ' s dataset, החפץ תנועה ראש הסרה של נתונים באמצעות FMRIB תיקון של תנועה ' s תמונה כלי רישום ליניארי (MCFLIRT) 25-
    2. להסיר את רקמת המוח ללא תמונות באמצעות כלי החילוץ המוח (ב') עם דגל -F אופציונלי 26.
    3. להשתמש בכלי FSL תנועה ליניאריים לזיהוי אמצעי אחסון הנתונים פונקציונליים בו יש תנועה מוגזמת המבוסס על מסגרת תזוזה בין אמצעי אחסון. דגל אמצעי אחסון שבו נמדד תנועה כמו חריג חשוד טעות (מעל האחוזון ה 75 + 1.5 פעמים הטווח בין הרביעון) בהשוואה לשאר הסריקה ולהשתמש בפלט של תוכנית זו downweight אחסון אלה בניתוחים.
      הערה: לפני הפעלת קבוצה השוואות, בדוק כי התנועה הממוצע, כפי שהיא נמדדת FSL תנועה ליניאריים, אינו שונה בין שתי הקבוצות. הדבר מסייע להבטיח כי הממצאים לא מונעים על ידי הבדלים הקשורים לקבוצות בתנועה.
  2. להגדיר את preprocessing ואת הרמה הראשונה כללי המודל הוא ליניארי (GLM) באמצעות הפעלת ממשק משתמש גרפי (GUI) עבור ה-fMRI FSL כלי ניתוח מומחה (גבורה) עבור המשתתף הראשונה.
    הערה: חזור על שלב זה עבור כל משתתף במחקר. כדי לחסוך זמן, לאחר הגדרת נקודה אחת עבור משתתף אחד, לכתוב קובץ script שיפעל preprocessing עבור המשתתפים במחקר הנותרים ' נתונים על ידי שינוי " design.fsf " קובץ (הישג FSL פלט) עבור כל משתתף להפנות את המשתתף ' s נתונים ספציפיים.
    1. בכרטיסיה נתונים, לחץ על " להוסיף נתונים 4D " ולנווט אל קובץ מתוקן-תנועה ולחלץ את המוח. הגדר המסל 2.5 s (תואם להת של הרצף פונקציונלי רכשה). השתמש במסנן גבוהה מעבר ברירת המחדל (מוגדר כ- 100 s)-
      הערה: גבוהה עוברים סינון יסיר אותות בתדר נמוך של שום עניין.
    2. סטטיסטיקה מראש בכרטיסיה, לחץ על " ללא " תחת " תנועה תיקון " (כמו זה בוצע כבר בשלב 4.1). בטל " התערבות המוח החילוץ " (כפי שכבר הושלמו בשנת שלב 4.1). סוג " 5 " בתיבה כדי קבע 5 מ מ רוחב מלא חצי-מקסימום (FWHM) ליבה גאוסיאנית להחלקת המרחבי.
      הערה: FWHM עבור הקרנל החלקת בדרך כלל להגדיר בגודל של סריקת תפקודי voxel בגודל פעמיים.
    3. השתמש הפלט (6 עמודות, שורות = # של רים שנסרקו) של MCFLIRT ליצירת קבצי טקסט עמודה יחידה 6 המתארים את התיקון תנועה ביצע כל כרך בתוך ערכת הנתונים. אלה יתווספו למודל regressors בשלב הבא.
      1. בכרטיסיה ' סטטיסטיקה ' תחת " מלא ההתקנה מודל ", הוסף את הפרמטרים תנועה 6 ונגזרותיהם טמפורלית regressors או הסבר משתנים (EVs) ב GLM. עבור כל תנועה EV לבחור " מותאם אישית " (1 ערך לכל אמצעי אחסון) עבור הצורה הבסיסית, " אף " קונבולוציה, הסימון " להחיל סינון טמפורלית. "
        הערה: תנועה פרמטרים לא צריך להיות convolved על ידי כל פונקציה כי הם להפנות ההתכנסות ביצע כל אמצעי אחסון פונקציונלי במהלך תיקון תנועה, ולכן לא צריך להיות מותאם.
    4. בכרטיסייה ' סטטיסטיקה ', בחר את הפלט של FSL תנועה ליניאריים מ שלב 4.1 תחת " להוסיף נוסף וחיסול EVs ".
      הערה: פלט זה היא מטריצה ציון כל אמצעי אחסון זה סומן על תנועה מוגזמת, על ידי הוספת לעזאזל עם הקובץ, להיות deweighted ב GLM.
    5. בכרטיסייה ' סטטיסטיקה ', לחץ על " הגדרת מודל מלא ". ליצור את המשימה תזמון קבצי טקסט המציין את תחילת וההיסט של שלבי הפעילות השונים ולהוסיף אלה כמו EVs ב GLM על-ידי בחירת תבנית עמודה 1, ניווט קובץ הטקסט הרלוונטי (כולל אחד בשלב הקידוד של הפעילות ואחד עבור השלב אחזור). עבור " קונבולוציה " לבחור " כפול-גמא HRF " אפשרות מתוך הרשימה הנפתחת עבור שניהם. לא דגם את התוכנית הבסיסית או חלקים-פעיל של הפעילות בלוח GLM.
      הערה: HRF מייצג פונקציית ההיגב בגרימת. Convolving את המשימה EV באמצעות HRF משמרות התזמון של פעילות EV תהיה יותר עקבית עם האות מודגש הנוצרות על-ידי הפעילות הצפויה שינויים במוח.
    6. בכרטיסייה ' רישום ', בדוק " התמונה פונקציונלי המורחבת " ו- " התמונה המבני העיקרי " שרישום בשני שלבים.
      1. בחר המשתתף ' co-מישורי s סריקה מבניים משוקלל T2 עבור השלב הראשון, שבו נתונים פונקציונלי רשום על הנתונים מבניים co-מישורי. לבחור 6 דרגות חופש (DOF) בשלב זה על ידי לחיצה על השני ברשימה הנפתחת של תיבת תחת שלב זה ובחירה " 6 DOF ".
      2. לשלב הבא, שבו התמונה משוקלל T2 רשום על הרזולוציה הגבוהה משוקלל T1 MPRAGE, בחר גבול המבוסס על רישום (BBR) הנפתח תיבת 27.
        הערה: BBR משתמש בעוצמה ההבדלים בין חומר לבן האפורים לרשום סריקות מבניים ופונקציונליים, הוכח ביצועים טובים יותר לפלרטט ושיטות אלטרנטיביות אחרות.
      3. עבור השלב הסופי, שבו הנתונים מבניים ברזולוציה גבוהה רשום על שם התבנית MNI152 סטנדרטי, לבחור 12 דרגות חופש, טרנספורמציה ליניארית על-ידי בחירה " 12 DOF ".
        הערה: כאשר כל השלבים בסעיף 4 הסתיימו הנתונים פונקציונלי הם עיבוד מקדים ומוכן עבור ניתוח נוסף.

5. זרעים בהיפוקמפוס

  1. צור מסכה של ההיפוקמפוס השמאלי בכל משתתף ' s ברזולוציה גבוהה מבניים החלל באמצעות FSL ' s פילוח של הכלי (הראשון) ורישום משולבים FMRIB פילוח אלגוריתם 28 .
    הערה: אזורים אחרים, לרבות ההיפוקמפוס נכון, יהיה מעניין ולמנף זרעים חוקי עבור ניתוחים.
  2. באמצעות פלטפורמת תוכנה סטטיסטית, כתיבת קוד כדי לחשב את האורך של שליש anterior ואת אחורי של מבנה 29. באופן ספציפי, השתמש האורך של המסכה בהיפוקמפוס הנפחי במישור הקדמי-אחוריים כדי למצוא את נקודות הציון demarking anterior ואת אחורי השלישים המטוס הזה.
    הערה: שיטת שפורסמו לאחרונה הממיין ההיפוקמפוס לאורך ציר האורך יכול להיות הגישה הבריאה זרע חלופי 30.
  3. מבוסס על אלה קואורדינטות, ליצור תמונות anterior ואת אחורי מסכת בהיפוקמפוס. לרשום את המסכות בהיפוקמפוס anterior ואת אחורי לתוך מקום פונקציונלי מקורי באמצעות " example_func2highres " מטריקס בספריית הרישום של הפלט מעלל.
    הערה: באמצעות anterior ואת אחורי שליש מנעו אות טשטוש מעבר הזרעים בהיפוקמפוס שני לאחר רישום בחלל פונקציונלי. יש עדויות של התמחות תפקודית לאורך ציר האורך של 33 , 34 32 , 31 , ההיפוקמפוס. אזורים הקדמי הם אזורי קלט, הקשורים עם קידוד, בעוד ההיפוקמפוס האחורי הוא אזור הפלט המשויך זיכרון אחזור ואיחוד 35 , 36 , 37. לפיכך, באמצעות אזורים אלה מאפשר הערכה של מעורבות פונקציונלי של קדמי לעומת ההיפוקמפוס האחורי קידוד לעומת אחזור שלבי הפעילות זיכרון.
  4. שימוש FSL מתכוון סידרת זמן (fslmeants) כדי לחלץ את סידרת זמן ממוצע denoised anterior ואת אחורי בהיפוקמפוס הזרעים ( איור 1). בצע את ההוראות בתוכנית ולהשתמש גם הקדמיים או האחוריים בהיפוקמפוס הזרע כמו המסיכה ואת הנתונים פונקציונלי denoised, עיבוד מקדים כמו לתמונה הראשית.

Figure 1
איור 1 : זרעים Hippocampal. בחלל מקורית, משתתף יחיד ' s ההיפוקמפוס הקדמי זרע מוצג בצהוב. הזרע ההיפוקמפוס האחורי עבור המשתתף באותו מוצגת בוורוד. זרעים מוגדרות בלכל משתתף ' התמונה מבניים הייחודית s ואז רשום לסריקה הפונקציונלית שלהם. הזרעים הם מעולם לא בחלל מתוקננת, אשר משפר את הדיוק של פילוח בהיפוקמפוס. איור זה יש הודפס שוב עם הרשאה 12. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

6-PPI דגם

  1. שימוש GUI על הישג FSL לטעון את הנתונים פונקציונלי עיבוד מקדים.
    1. הכרטיסיה נתונים, בחר " filtered_func_data " denoised תמונה (פלט מן המדרגות הושלמה בסעיף 4) בתור קובץ הקלט. הכרטיסיה סטטיסטיקה קדם, הגדר החילוץ תיקון והמוח תנועה " אף אחד לא. " בטל את תיבות לבצע סינון טמפורלית והחלקת המרחבי.
  2. PPI Model הקמה (טבלה 1).
    1. בכרטיסייה ' סטטיסטיקה ', בחר " הגדרת מודל מלא ". בכרטיסיה EVs, להוסיף את כל EVs מהמודל ברמה הראשונה: 6 תנועה תיקון EVs וחיסול EV מטריקס מ FSL תנועה ליניאריים, המשימות EVs תזמון. לחץ על החץ למעלה כדי להוסיף EVs. לכלול במודל זה EV עבור timecourse פיזיולוגית מן הזרע (טקסט קובץ הפלט של fslmeants בשלב 5.4) כמו covariate של עניין על ידי לחיצה על החץ למעלה.
    2. ליצור את התנאים PPI.
      1. בחר " האינטראקציה " הצורה הבסיסית ובחר את הזרע timecourse EV ואחת המשימות EV. עבור " להפוך אפס " אופציה, לבחור " מתכוון " עבור הזרע timecourse EV ו- " מרכז " עבור הפעילות EV. חזור על הליך זה עבור הפעילות אחרים phase(s). הפעלת מודל נפרד לכל אזור זרע.
        הערה: EVs חדשים אלה הם התנאים PPI לשלב את הפעילות שנבחרה (הפסיכו), הזרע (פיזיו). במחקר הנוכחי, נכללו מונח PPI שלב הקידוד, מונח PPI השני עבור השלב אחזור בכל מודל PPI. " מרכז " אפשרות מבטיחה " על ", " את " שלבי הפעילות עיצוב בלוק יחס שווה. " אומר " אפשרות חל תמיד timecourse זרע ותוצאות הממוצע להיות מהמספר הזה regressor.
    3. ניגודים, F-בדיקות טאב, מודל ההשפעה הספציפית הבאות על-ידי הזנת " 1 " שבתא EV התואם: psych_enc (שלב הקידוד של פעילות), psych_ret (אחזור המשימות שלב), גופני (זרע timecourse), PPI_enc (PPI של זרע, קידוד), PPI_ret (PPI של זרע ואחזור). לבסוף, הזן "-1 " לדגם להדברה שלילי עבור כל שלב משימה.

Table 1

טבלה 1: הגדרת מודל gPPI.

7. קבוצה השוואות

  1. בחר " ניתוח ברמה גבוהה יותר " ב הישג FSL להפעלת מודל חבורה פשוטה השוואת APOEε4 נושאות את הלא-ספקים עבור כל צירוף משימה-זרע-
    הערה: השוואות אלה מופעלים כדי להפיק תמונות תמלוגים 4D הקבוצה הרלוונטית (" res4d ") היה צריך להעריך את מידת החלקות של ערכת הנתונים. תוצאות משמעותיות מבחינה סטטיסטית של השוואה זו קבוצה תקפים, אך בשלבים מתחת גישה סף אחרת באמצעות דפנה אבן תרשיש, SPM8 כדי לקבוע מינימום אשכול משמעותית בהתבסס על סימולציות מונטה קרלו מתואר.
  2. שימוש ניתוח של תפקודי דימות מוחי (דפנה אבן תרשיש)
    1. דפנה אבן תרשיש שימוש ' s 3dFWHMx (באחת הגירסאות לאחר דצמבר 2015) בשורת הפקודה כדי להעריך את מידת החלקות של קבוצה 4D שנשאר משהו תמונות שנוצרו באמצעות FSL.
      הערה: באג התגלה בדפנה אבן תרשיש ' s 3dClustSim, תוקנה במאי 2015. ב דצמבר 2015, דפנה אבן תרשיש ' s 3dFWHMx עודכנה כדי באופן מדויק יותר דגם אוטומטי-מתאמים. כך, שפורסם בדצמבר 2015 גירסאות של כלים אלה, או מאוחר יותר אמור לשמש.
    2. דפנה אבן תרשיש שימוש ' s 3dClustSim (באחת הגירסאות לאחר דצמבר 2015) כדי לקבוע את האשכול היקף הדרישות המינימליות להגיע משמעות-ספי voxel ברמת שונות. לכלול את ההערכות החלקות מהשלב הקודם הפנייה שורת הפקודה 3dClustSim. מהטבלה ' שנוצר על ידי 3dClustSim, המבוסס על מחקר וההשערות לגבי ההשפעות הצפויות ' גובה וההיקף, לבחור voxel ברמת הסף המתאים לגודל המזערי של אשכול-
      הערה: באופן כללי, אשכולות גדולים למזער תוצאות חיוביות שגויות.
  3. שימוש סטטיסטי פרמטרית מיפוי (SPM8)
    1. באמצעות SPM8 GUI, בחר " ציין 2 nd-רמת ". עורך אצווה של יפתח. בחר " שניים מדגם t-test " תחת עיצוב. נווט אל הספריה עם תמונות הערכת פרמטרים עבור קבוצה 1 (נושאי APOEε4) ובחר על ידי לחיצה עליהם. לאחר מכן, הוסף קבוצה 2 (ללא APOEε4-מנשאים) תמונות. להריץ השוואה זו על ידי לחיצה על כפתור play ירוק.
    2. לחזור SPM GUI, בחר " מעריכים ", ונווט לקובץ ה-SPM.mat שנוצרו בשלב הקודם כדי להפעיל את תהליך הערכה דגם-
    3. בחר " תוצאות " ולהפעיל קבוצת השוואה ניגודים: נשאים APOEε4 > APOEε4 הלא-נשאים, APOEε4 הלא-נשאים > APOEε4 נשאים.
      1. לחץ על " להגדיר ניגוד חדש ", לבחור " T-ניגודיות " תחת " סוג " והזן " 1-1 " ב " החדות " תיבת למפעילים APOEε4 > APOEε4 הלא-נשאים. לחץ על " עשה ". לבחור " אף " עבור להחיל מיסוך, ואת באופן ידני קבוצה voxel-רמת סף המינימום גודל האשכול על פי קביעת עשה צעד 7.2.2.Enter "-1 1 " APOEε4 הלא-למפעילים > מנשאים APOEε4.
        הערה: במחקר הנוכחי, הסף voxelwise של p < 0.005 שימש, אשכולות thresholded-alpha < 0.05.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

עם שני שלבים שונים המשימות הפעילה (קידוד ואחזור) ואזורים זרע שני (anterior ואת אחורי ההיפוקמפוס) ישנם ארבעה תנאים דוח תוצאות עבור כל קבוצה. המפות הפעלת פעילות בתוך הקבוצה (לא מוצג כאן, ראה הריסון. et al., 201612) מראים האונה העורפית, קליפת השמיעה, אזורים גדולים באונה הקודקודית, אזורי שפה חזיתית, סופריור הפיתול הטמפורלי, ואת המזונבת (מובהק יותר במהלך אחזור) יש מודגש משמעותי אותות גדל במהלך הקידוד ואחזור בשתי הקבוצות ניסיוני. בתוך קבוצת PPI ניתוחים חשף כי ישנם עליות משמעותיות אין קישוריות פונקציונלי עם זרעים בהיפוקמפוס הקדמי או האחורי מנשאים APOEε4 או שאינם נשאים. בתוך קבוצת PPI ניתוחים חשף ירידות משמעותיות פונקציונלי קישוריות ב- APOEε4 ספקים עבור פעילות תנאים והן בהיפוקמפוס לאזורי משנה (איור 2). ב- APOEε4 הלא-נושאות, תצורתן של ירידות משמעותיות קישוריות פונקציונלי נצפו רק עם ההיפוקמפוס האחורי במהלך הקידוד (איור 2). המפות PPI חיוביים ושליליים להראות על התפצלות APOEε4 נושאות ומשנה הלא-נשאים איך בהיפוקמפוס קישוריות תפקודית במהלך משימה זיכרון. כדי לקבוע אם הסטה משמעותית מבחינה סטטיסטית, יש להשוות את הקבוצות ישירות לכל אחת אחת מארבע תוצאות38.

למען הקיצור, קבוצת תוצאות ההשוואה מציג ספקיות-ההבדלים בתיווך רק עבור שלב ואזור פעילות אחד, ההיפוקמפוס הקדמי במהלך האחזור, מוצגים כאן (שאינם נשאים > נושאות, איור 3). במהלך האחזור, הסטה של ההיפוקמפוס הקדמי קישוריות השינויים שנצפו בתוך קבוצה (איור 2) תוצאות משמעותי בין קבוצת הבדלים הפיתול supramarginal דו-צדדיים, נכון זוויתי הפיתול, precuneus נכון.

Figure 2
איור 2 : קישוריות פונקציונלי תלויי-פעילות שלילית זרעים בהיפוקמפוס לשנות מפות- תצוגות הילתית ולא צירית של קבוצה ממוצע תלויי-פעילות שליליות שינוי קישוריות פונקציונלי בהיפוקמפוס לאזורי משנה ב APOEε4 הלא-נשאים ונושאי בנפרד, בתוך קבוצה. קישוריות תלויי-פעילות פוחתת עם ההיפוקמפוס הקדמי זרע מוצגים בו הלוחות העליונים. הלוחות התחתון הצג פעילות תלוית קישוריות ובירידות עם ההיפוקמפוס האחורי. המפות היו thresholded ב z = 2.3, האשכול תוקן ב- p < 0.05. Voxels פוגש את סף APOEε4 הלא-נשאים (באדום), נשאים (בירוק) הערוכים בשכבות. איור זה יש הודפס שוב עם הרשאה12. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 3
איור 3: זרע בהיפוקמפוס הקדמי קישוריות לשנות את ההבדלים בין ספקיותε4 נושאות ונושאי הלא-במהלך אחזור. במהלך האחזור, נמצאו הבדלים משמעותיים בין נשאים APOEε4 שאינם נשאים הפיתול supramarginal השמאלי (כחול כהה), צומת נכון supramarginal/זוויתי (כתום) כמו גם נכון precuneus (סגול). התוצאות של זה-שני-sample t-test היו thresholded לחשוף אשכולות משמעותית-alpha < 0.05 עם סף voxelwise של p < 0.005. הקואורדינטה שיא עבור כל אשכול הוא דיווח בחלל הזעירה, x, y, z מטוסים (מ"מ). איור של הכיוון ואת גודל ההבדל בין קבוצות, ניגודים של פרמטר הערכות מהאשכול כל מותוות על ידי הקבוצה. הקווים האופקיים האדומים מצביעים על אפס וסמן נושאות פחתו (שלילי) קישוריות פונקציונלי ההיפוקמפוס הקדמי באזורים אלה במהלך האחזור. הלהקה בתוך הקופסאות מייצג את החציון בזמן בקצוות העליונים והתחתונים של התיבות מייצגים את רביעונים הראשון והשלישי, בהתאמה. נכון להרחיב עד פי 1.5 טווח בין רבעוני. התוויה של נקודות נתונים מחוץ לטווח זה כמו ליניאריים. איור זה יש הודפס שוב עם הרשאה12. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

לימודי fMRI מבוסס-משימות שנועדו לחשוף קשרים סטטיסטיים בין תהליכים קוגניטיביים מסוים או דרישות ושינויים והנועז אות ביחס מידה בסיסית. גישה מסורתית זו שימושית לזיהוי אזורים ספציפיים במוח שבו פעילות הוא מווסת על ידי פעילות ניסיוני. לעומת זאת, ניתוח PPI בעיקר עוסקת של האפנון של קישוריות פונקציונלי, או synchrony של פעילות, שהם תוצאה של תהליך קוגניטיבי הנוצרות על-ידי פעילות. PPI מודד קישוריות פונקציונלי תלויות הקשר בין אזור מוגדר בעל עניין (זרע) ואזורים אחרים של המוח, מגביר פעילות לא רק ירידות באזורים המותאמות לשפות אחרות. הבחירה של האזור זרע חייב להיות השערה מבוססת כמו ניתוחים PPI יבצע בצורה אופטימלית כאשר פעילות באזור זרע הוא מווסת, במסגרת univariate, על ידי ההקשר הנוצרות על-ידי פעילות קוגניטיבית. לאחר מכן, המסגרת PPI יכול לשמש כדי לחקור איך הזרע אזור פעילות פחות או יותר הופך להיות מסונכרן עם אזורים אחרים בתגובה בהקשרים שונים של פעילות מסוימת, כגון זיכרון קידוד או אחזור. ההבדלים בין הקבוצות, לכן, מוגבלים לשינויים פונקציונליים קישוריות בין הזרע לבין אזורים אחרים כי הם מווסת על ידי שלב משימה מסוימת.

הבנה מעמיקה GLM חיונית לביצוע ניתוח PPI. השוואה מלאה, קבוצות לימוד PPI יש שלוש רמות של מודלים לינאריים: הרמה הראשונה (preprocessing, של פעילויות ושל תנועה דוגמנות), המודל PPI בינוני (להוסיף זרעי timecourse ואת המשימות אינטראקציה EVs) והן מהמודל השוואה קבוצה ברמה גבוהה יותר (קבוצה ניגודים של הערכות פרמטר). בכל שלב, תמונה פלט משמש כקלט עבור השלב הבא. הגישה gPPI הציע בשנת 2012, מועסקים במחקר הנוכחי מנצל תכונות של GLM כדי להבטיח כי ניגודים ספיציפית אינטראקציות עם השלב פעילות של ריבית3. ב- PPI קלאסי, אחד הדגמים שני תנאים והוא עשוי השערה כי שני התנאים בצד הנגדי של התוכנית הבסיסית (אם יש בעיה בסיסית). gPPI מאפשר לאדם באופן מדויק כל התנאים, לא עושה הנחות כלשהן על איך התנאים מתייחסים התנאי בסיסית. עוד רכיב קריטי של כל ניתוח PPI הוא הבחירה המתאימה של אזור זרע. אזורים הזרע יכולה להיבחר בהתבסס על עדות מוקדמת בספרות, כמו למשל במחקר הנוכחי שבו ההיפוקמפוס שימש האזור זרע לפעילות זיכרון. שיטה נוספת של זרע הבחירה היא לבחור אזור שבו פעילות מגביר באופן משמעותי במהלך שלב משימה מסוימת. בשיטה זו, האזור זרע מוגדר לא אנטומית אך שימוש בקבוצה של suprathreshold voxels ב univariate הפעלה מפות. מתוך תפיסה זו לבחירה זרע, ניתוחים PPI להימנע מעגליות כי ההשפעה העיקרית של הפעילות מהצהוב ומגלה PPI רק אפקטים נבדלים (מעל ומעבר) ההשפעה העיקרית של הפעילות.

מאז PPI הועלתה לראשונה, הרעיון של אזורים במוח המחוברים באופן פונקציונלי, במרחב מרוחק להפוך בהרחבה קיבל. באמצעות נח המדינה fMRI, הוכח כי המוח רשתות מהותי, או מגדיר אזורים המחוברים באופן פונקציונלי במנוחה. לפיכך, נח המדינה fMRI מחקרים לעתים קרובות לחקור קישוריות פונקציונלי, המונח באותו במחקרים PPI. הפרשנות של קישוריות פונקציונלי, לעומת זאת, שונה נח fMRI המדינה ולימודי PPI. PPI הממצאים הם, לפי הגדרה, הסבר תופעות של אינטראקציה בין אזור של פעילות הזרע לא יכול להיות מוסבר על ידי תכנון פעילות, timecourse את הזרע או כל אחרים מבלבלים משתנה4. ב נח המדינה fMRI, הבדלים בפעילות הרשת עלולות להיגרם על-ידי שינויים קישוריות בין אזורים ספציפיים או הכוללת שינויים בפעילות ברשת. לכן, אם מטרת המחקר היא להשוות את השינויים בפונקציונלי קישוריות בין שתי הקבוצות, בגישה PPI הוא טוב יותר. לעומת זאת, אם מטרת מחקר כדי לתאר הבדלים מהותיים קישוריות בין שתי הקבוצות, נח המדינה fMRI ניתוחים טובים.

מגבלה אחת גדולה של המסגרת PPI המקורית היא חוסר עוצמה סטטיסטית הטמונה בגישה4. כי המונח PPI (EV) נוצר באמצעות שני EVs כללה גם במודל, סביר בקורלציה לשניהם. ב GLM, בשינוי זה יכול להיות מוסבר על ידי אחד או יותר כמנבא או EV מוקצה לא EV יחיד. כך, המונח PPI יש רק כוח כדי לזהות תופעות שלא ניתן להסביר על ידי הפעילות או timecourse זרע, אשר הם שניהם בקורלציה למונח PPI. מסיבה זו, סביר כי שקר התשלילים להתרחש ב- PPI ניתוחים. gPPI, עם זאת, הוכח לצמצם את מספר שלילי כוזב, רגישה יותר אפקט קטן גודל הממצאים3,39.

PPI יכול לחשוף שינויים תלויי-פעילות בקישוריות פונקציונלי בין שני אזורים, אך אין באפשרותו לקבוע אם פעילות באזור אחד גורם שינוי בפעילות ביד השניה. במילים אחרות, אין אפשרות להשתמש ניתוח PPI לחקור סיבתיות שינויים קישוריות פונקציונלי. שיטות אחרות, כגון מידול סיבתי דינמי, מתאימים יותר עבור ניתוחים של סיבתיות ב נתונים פונקציונלי40. ניתוחים PPI יכול ליידע את העיצוב של ניסויים בשיטות אלה. לסיכום, PPI היא גישה שימושית לשינויים הספציפיים לפעילויות בדיקה בקישוריות פונקציונלי של אזור זרע רלוונטי והשוואה בין שינויים אלה בין קבוצות. תוצאות ממחקרים PPI יכול להוביל להבנה טובה יותר של מהות דינמית תפקודית קישוריות בבריאות, מחלות, הסיכון למחלות.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

DGM הוא שעובד של Biospective, inc. Biospective, inc לא עיבד את כל הנתונים המוצגים.

Acknowledgments

עבודה זו נתמכה על ידי נבחרת המכון של הזדקנות (גרנט מספר R01AG013308 כדי SYB, F31AG047041 כדי TMH). המחברים השתמשו חישובית, שירותי אחסון המשויך Hoffman2 המשותפים באשכול שסופקו על-ידי המכון UCLA עבור קבוצת הטכנולוגיה הדיגיטלית מחקר והדרכה של מחקר.

Materials

Name Company Catalog Number Comments
3T manetic resonance imaging scanner Siemens Medical Solutions MAGNETOM Trio, A Tim System 3T MRI Scanner
FSL (FMRIB Software Library) Oxford University Version 6.0 Functional Imaging Processing Software
AFNI (Analysis of Functional Neuroimaging) National Institute of Mental Health, National Institutes of Health Any version after May 2015 Functional Imaging Processing Software
SPM8 (Statistical Parametric Mapping) University College of London SPM8 Functional Imaging Processing Software
Matlab Software The Mathworks, Inc Version R2012a Computing Software
SDS Software Applied Biosystems, Inc 7900HT Fast Real-Time PCR System Real Time PCR
Taqman Assays ThermoFisher Scientific Specific to SNP SNP Genotyping

DOWNLOAD MATERIALS LIST

References

  1. Sporns, O., Tononi, G., Kötter, R. The Human Connectome: A Structural Description of the Human Brain. PLoS Comput Biol. 1 (4), 42 (2005).
  2. Friston, K. J., Buechel, C., Fink, G. R., Morris, J., Rolls, E., Dolan, R. J. Psychophysiological and modulatory interactions in neuroimaging. NeuroImage. 6 (3), 218-229 (1997).
  3. McLaren, D. G., Ries, M. L., Xu, G., Johnson, S. C. A generalized form of context-dependent psychophysiological interactions (gPPI): a comparison to standard approaches. NeuroImage. 61 (4), 1277-1286 (2012).
  4. O'Reilly, J. X., Woolrich, M. W., Behrens, T. E. J., Smith, S. M., Johansen-Berg, H. Tools of the trade: psychophysiological interactions and functional connectivity. Soc Cogn Affect Neurosci. 7 (5), 604-609 (2012).
  5. Moody, T. D., Sasaki, M. A., et al. Functional connectivity for face processing in individuals with body dysmorphic disorder and anorexia nervosa. Psychol Med. 45 (16), 3491-3503 (2015).
  6. Simard, I., Luck, D., Mottron, L., Zeffiro, T. A., Soulières, I. Autistic fluid intelligence: Increased reliance on visual functional connectivity with diminished modulation of coupling by task difficulty. NeuroImage Clin. 9, 467-478 (2015).
  7. Yan, L. -R., Wu, Y. -B., Zeng, X. -H., Gao, L. -C. Dysfunctional putamen modulation during bimanual finger-to-thumb movement in patients with Parkinson's disease. Front Hum Neurosci. 9, 516 (2015).
  8. Cole, M. W., Reynolds, J. R., Power, J. D., Repovs, G., Anticevic, A., Braver, T. S. Multi-task connectivity reveals flexible hubs for adaptive task control. Nat Neurosci. 16 (9), 1348-1355 (2013).
  9. McLaren, D. G., Sperling, R. A., Atri, A. Flexible modulation of network connectivity related to cognition in Alzheimer's disease. NeuroImage. 100, 544-557 (2014).
  10. Morawetz, C., Bode, S., Baudewig, J., Heekeren, H. R. Effective amygdala-prefrontal connectivity predicts individual differences in successful emotion regulation. Soc Cogn Affect Neurosci. , 169 (2016).
  11. Takashima, A., Bakker, I., van Hell, J. G., Janzen, G., McQueen, J. M. Richness of information about novel words influences how episodic and semantic memory networks interact during lexicalization. NeuroImage. 84, 265-278 (2014).
  12. Harrison, T. M., Burggren, A. C., Small, G. W., Bookheimer, S. Y. Altered memory-related functional connectivity of the anterior and posterior hippocampus in older adults at increased genetic risk for Alzheimer's disease. Hum Brain Mapp. 37 (1), 366-380 (2016).
  13. Wechsler, D. Wecshler Adult Intelligence Scale, 3rd Edition. , Harcourt Assessement. San Antonio, TX. (1997).
  14. Cauthen, N. R. Verbal fluency: normative data. J Clin Psychol. 34 (1), 126-129 (1978).
  15. Goodglass, H. P., Kaplan, E. P. Boston Naming Test, 3rd Edition. , (2001).
  16. Buschke, H., Fuld, P. A. Evaluating storage, retention, and retrieval in disordered memory and learning. Neurol. 24 (11), 1019-1025 (1974).
  17. Osterrieth, P. A. Le test de copie d'une figure complex: Contribution à l'étude de la perception et de la memoir. Archives de Psychologie. 30, 286-356 (1944).
  18. Hamilton, M. The assessment of anxiey states by rating. Br J Med Psychol. 32, (August) 50-55 (1959).
  19. Hamilton, M. A rating scale for depression. J Neurol Neurosurg Psychiatry. 23, 56-62 (1960).
  20. Folstein, M. F., Robins, L. N., Helzer, J. E. The Mini-Mental State Examination. Arch Gen Psychiatry. 40 (7), 812 (1983).
  21. O'Brien, D., Campbell, K. A., Morken, N. W., Bair, R. J., Heath, E. M. Automated Nucleic Acid Purification for Large Samples. J Lab Autom. 6 (2), 67-70 (2001).
  22. Lehmann, M., Ghosh, P. M., et al. Greater medial temporal hypometabolism and lower cortical amyloid burden in ApoE4-positive AD patients. J Neurol Neurosurg Psychiatry. 85 (3), 266-273 (2014).
  23. TaqMan® SNP Genotyping Assays User Guide. , Thermo Fisher Scientific. Available from: https://tools.thermofisher.com/content/sfs/manuals/TaqMan_SNP_Genotyping_Assays_man.pdf (2014).
  24. Bookheimer, S. Y., Strojwas, M. H., et al. Patterns of brain activation in people at risk for Alzheimer's disease. N Engl J Med. 343 (7), 450-456 (2000).
  25. Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. NeuroImage. 17 (2), 825-841 (2002).
  26. Smith, S. M. Fast robust automated brain extraction. Hum Brain Mapp. 17 (3), 143-155 (2002).
  27. Greve, D. N., Fischl, B. Accurate and robust brain image alignment using boundary-based registration. NeuroImage. 48 (1), 63-72 (2009).
  28. Patenaude, B., Smith, S. M., Kennedy, D. N., Jenkinson, M. A Bayesian model of shape and appearance for subcortical brain segmentation. NeuroImage. 56 (3), 907-922 (2011).
  29. Learn MATLAB Basics. , Available from: https://www.mathworks.com/support/learn-with-matlab-tutorials.html?s_tid=hp_ff_I_tutorials (2017).
  30. Lerma-Usabiaga, G., Iglesias, J. E., Insausti, R., Greve, D. N., Paz-Alonso, P. M. Automated segmentation of the human hippocampus along its longitudinal axis. Hum Brain Mapp. 37 (9), 3353-3367 (2016).
  31. Salami, A., Eriksson, J., Nyberg, L. Opposing effects of aging on large-scale brain systems for memory encoding and cognitive control. J Neurosci. 32 (31), 10749-10757 (2012).
  32. Schacter, D. L., Wagner, A. D. Medial temporal lobe activations in fMRI and PET studies of episodic encoding and retrieval. Hippocampus. 9 (1), 7-24 (1999).
  33. Strange, B., Dolan, R. Functional segregation within the human hippocampus. Mol Psychiatry. 4 (6), 508-511 (1999).
  34. Strange, B. A., Fletcher, P. C., Henson, R. N., Friston, K. J., Dolan, R. J. Segregating the functions of human hippocampus. Proc Natl Acad Sci U S A. 96 (7), 4034-4039 (1999).
  35. Eldridge, L. L., Engel, S. A., Zeineh, M. M., Bookheimer, S. Y., Knowlton, B. J. A dissociation of encoding and retrieval processes in the human hippocampus. J Neurosci. 25 (13), 3280-3286 (2005).
  36. Strange, B. A., Witter, M. P., Lein, E. S., Moser, E. I. Functional organization of the hippocampal longitudinal axis. Nat Rev Neurosci. 15 (10), 655-669 (2014).
  37. Zeineh, M. M., Engel, S. A., Thompson, P. M., Bookheimer, S. Y. Dynamics of the hippocampus during encoding and retrieval of face-name pairs. Science. 299 (5606), 577-580 (2003).
  38. Nieuwenhuis, S., Forstmann, B. U., Wagenmakers, E. -J. Erroneous analyses of interactions in neuroscience: a problem of significance. Nat Neurosci. 14 (9), 1105-1107 (2011).
  39. Cisler, J. M., Bush, K., Steele, J. S. A comparison of statistical methods for detecting context-modulated functional connectivity in fMRI. NeuroImage. 84, 1042-1052 (2014).
  40. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. NeuroImage. 19 (4), 1273-1302 (2003).

Tags

נוירוביולוגיה גיליון 129 קישוריות פונקציונלי ההיפוקמפוס הדמיית תהודה מגנטית תפקודית fMRI preprocessing ניתוח סטטיסטי fMRI MRI סיכון גנטי ספקיות פסיכופיזיולוגיות אינטראקציה (PPI) כללית פסיכופיזיולוגיות אינטראקציה (gPPI)
ניתוח אינטראקציות בין פסיכופיזיולוגיות מוכללת (PPI) של זיכרון הקשורות קישוריות אצל אנשים בסיכון גנטית למחלת אלצהיימר
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Harrison, T. M., McLaren, D. G.,… More

Harrison, T. M., McLaren, D. G., Moody, T. D., Feusner, J. D., Bookheimer, S. Y. Generalized Psychophysiological Interaction (PPI) Analysis of Memory Related Connectivity in Individuals at Genetic Risk for Alzheimer's Disease. J. Vis. Exp. (129), e55394, doi:10.3791/55394 (2017).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter