Summary
Questo manoscritto descrive come implementare un'analisi psicofisiologica interazione per rivelare i cambiamenti di attività-dipendente in connettività funzionale tra una regione di sementi selezionate e voxel in altre regioni del cervello. Analisi delle interazioni psicofisiologica è un metodo popolare per esaminare gli effetti di attività sulla connettività del cervello, distinto dal tradizionale monovariante effetti di attivazione.
Abstract
In neuroimaging, la formazione immagine a risonanza magnetica funzionale (fMRI) misura il segnale (grassetto) dipendente dal livello di ossigenazione di sangue nel cervello. Il grado di correlazione del grassetto segnale nello spazio indipendente regioni del cervello definisce la connettività funzionale di quelle regioni. Durante un compito conoscitivo fMRI, un'analisi di interazione psicofisiologica (PPI) può essere utilizzata per esaminare i cambiamenti nella connettività funzionale durante contesti specifici definiti dall'attività cognitiva. Un esempio di tale attività è uno che coinvolge il sistema di memoria, chiedendo ai partecipanti di conoscere coppie di parole indipendenti (codifica) e ricordare la seconda parola in una coppia quando sono presentati con la prima parola (recupero). Nello studio presente, abbiamo usato questo tipo di compito di memoria associativa e un'analisi generalizzata di PPI (gPPI) per confrontare le modifiche nella connettività hippocampal in adulti più anziani che sono portatori del morbo di Alzheimer (annuncio) fattore di rischio genetico dell'apolipoproteina E epsilon-4 ( APOEΕ4). In particolare, ci mostrano che la connettività funzionale di sottoregioni dei cambiamenti ippocampo durante la codifica e recupero, due fasi attive dell'attività memoria associativa. Cambiamenti di contesto-dipendente nella connettività funzionale dell'ippocampo erano significativamente differenti nei portatori di APOEε4 rispetto ai non portatori. PPI analisi consentono di esaminare le modifiche in connettività funzionale, distinte dagli effetti principali monovariante e confrontare questi cambiamenti in gruppi. Così, un'analisi PPI può rivelare effetti compito complesso in specifiche coorti che non catturano monovariante tradizionali metodi. Analisi PPI non possono, tuttavia, determinare direzionalità, ovvero la causalità tra regioni funzionalmente connesse. Tuttavia, analisi PPI forniscono potenti mezzi per la generazione di ipotesi specifiche per quanto riguarda le relazioni funzionali, che possono essere testate utilizzando modelli causali. Come il cervello è sempre più descritto in termini di connettività e reti, PPI è un metodo importante per analizzare i dati di attività fMRI sono in linea con l'attuale concezione del cervello umano.
Introduction
Il termine "connettoma" fu coniato nel 2005, segnando un cambiamento di paradigma nell'ambito delle neuroscienze che continua a questo giorno1. Il cervello è sempre più descritto in termini di reti funzionali, connettività e interazioni tra e tra regioni su larga scala. Tuttavia, la delineazione di specializzazione funzionale regionali e associazioni tra attività fMRI-misurato e le attività richieste sono ancora validi e utili approcci. Alla luce del crescente interesse in connectomics, approcci di connettività funzionale all'attività fMRI analisi stanno crescendo in popolarità. Un approccio per misurare i cambiamenti di connettività funzionale dipende dal compito esige fa uso del concetto di PPI. Un PPI è l'interazione di un compito attivo fase o richiesta particolare attività ("psycho") con la connettività funzionale ("physio") di una regione di interesse o "seme" nel cervello. PPI si differenzia dall'analisi bivariata, basata sulla correlazione della connettività funzionale, che generalmente misura il grado di correlazione tra l'attività in due regioni senza costrizioni legate alle attività richieste.
Il concetto e il quadro di un'analisi PPI è stato originariamente descritto da Friston e colleghi nel 19972. Gli autori hanno affermato che il loro approccio era importante perché consentirebbe l'inchiesta di connettività per essere più funzionale specifico e consente di inferenze che attività in un seme distale potrebbe essere modulando l'attività risultante da una richiesta di attività. Nel 2012, McLaren e colleghi aggiunti a questo quadro originale e descritto un approccio gPPI in cui tutte le fasi di attività e loro interazioni sono inclusi in un unico modello3. Questo approccio porta a risultati che sono più sensibili e specifici per la fase di attività e interazione indagato. È questo l'approccio gPPI aggiornato che impieghiamo nel presente studio (Vedi punto 6.2.2 nel protocollo). L'approccio di gPPI ora è stata citata in oltre 200 studi. Per maggiore chiarezza, qui di seguito usiamo 'PPI' per descrivere caratteristiche comuni sia nella versione standard e generalizzata. verrà utilizzato 'gPPI' per discutere i progressi specifici associati con il framework più recente.
L'obiettivo generale di un'analisi PPI è capire come le esigenze di un'attività cognitiva influenzano o modulano la connettività funzionale di una regione di seme. Un'analisi PPI richiede un'ipotesi forte a priori . Attività nella regione del seme deve essere modulata dall'attività in ordine per l'approccio PPI lavorare efficacemente4. Ad esempio, nello studio presente, abbiamo basato la nostra selezione di sementi sull'evidenza forte che attività hippocampal è modulata dalle esigenze conoscitive di un compito di memoria. Utilizzo di PPI, regioni che sono significativamente più o meno funzionalmente collegate all'ippocampo durante le fasi di attività specifica possono essere identificate. In breve, ci poniamo la domanda, "in quali regioni è attività più correlata con il seme durante il contesto A rispetto al basale?" Possiamo anche chiedere l'opposto logico (come è importante capire la differenza): "in quali regioni è attività meno correlato con il seme durante il contesto A rispetto al basale?" Quando si interpretano le differenze del gruppo in effetti PPI, è importante esaminare i dati e se il cambiamento positivo o negativo di connettività funzionale, o entrambi, sta guidando le differenze del gruppo.
L'approccio PPI è stato utilizzato per studiare gli hub di controllo attività dinamiche nei comandi sani, come la modulazione della connettività funzionale è legato alla prestazione conoscitiva nel morbo di Alzheimer (AD), intelligenza in individui con autismo, connettività di rete motore in individui con malattia di Parkinson, faccia l'elaborazione in individui con disordine dismorfico del corpo e anoressia, regolazione delle emozioni, memoria e molte altre domande specifiche relazionate a connettività5,6,7 ,8,9,10,11. Nello studio presente, mettiamo a confronto le modifiche in connettività funzionale di sottoregioni dell'ippocampo durante la codifica di memoria e il recupero tra un gruppo di individui a rischio genetico per l'annuncio a un gruppo senza il fattore di rischio12. Di seguito viene descritto il protocollo che abbiamo usato, l'applicazione dell'approccio di gPPI, per permetterci di verificare se le modifiche di attività-suscitata in connettività funzionale differiscono in associazione con la presenza di APOEε4, un fattore di rischio genetico per l'annuncio.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
lo studio presente è stato svolto in conformità con i protocolli di UCLA Institutional Review Board (IRB) e approvato dal comitato di protezione UCLA umano soggetti. Tutti i partecipanti hanno dato il consenso informato scritto al fine di iscriversi in questo studio.
1. selezione del partecipante
- approvazione IRB ottenere per eseguire lo studio. Gli individui di schermo
- di età compresa tra 55 e più vecchio per il declino conoscitivo utilizzando una batteria neuropsicologica standardizzata. Includere i test di intelligenza generale (Subtests di WAIS-III) 13, fluidità (frutta e verdura) 14, attenzione (cifre in avanti e indietro) 13, lingua (Boston Naming Test ) 15, 16 memoria verbale (compito di ricordo selettivo di Buschke-Fuld), apprendimento memoria logica WMS-III e verbale accoppiato Associates 13 e memoria visiva (test di Rey-Osterrieth figura) 17.
- hanno i partecipanti di compilare questionari di umore come la depressione di Hamilton e ansia inventari 18 , 19, nonché l'esame di stato mentale Mini ( MMSE) 20.
- Includono i partecipanti che il punteggio 26 o sopra il MMSE e prestazioni migliori rispetto a due deviazioni standard sotto il normale per la loro età sulle prove conoscitive. Escludere i partecipanti con clinico ansia, depressione o qualsiasi altra malattia neuropsichiatrica o neurologica. Escludi partecipanti che non soddisfano i criteri di sicurezza di MRI o chi non acconsente a un sangue disegno.
Nota: Nel presente studio, 93 partecipanti incontrato questi criteri (età media = 67,4 anni, 31M/49F).
2. Genotipizzazione
- avere un flebotomo addestrato o altro professionista medico prelevare il sangue da ogni partecipante.
- Isolare 200 µ g di DNA genomico da 10 mL del campione come descritto 21.
- Eseguire polimorfismo a singolo nucleotide genotipizzazione (SNP) mediante PCR in tempo reale alle due loci, rs429358 e rs7412 di discriminare APOE alleli 22.
- Incorporare reporter coloranti per rs429358 e rs7412 in un test di genotipizzazione SNP. Al termine di ogni ciclo di amplificazione di PCR, tracciare segnali fluorescenti su un grafico che mostra la distribuzione dei coloranti reporter e quencher. Eseguire l'esperimento in duplicato per confermare i risultati.
- Analizza i dati di genotipizzazione SNP utilizzando un pacchetto software sviluppati per la procedura di PCR in tempo reale di uscita 23.
Nota: Il programma utilizzato nel presente studio calcola l'affinità del campione su uno dei due reporter coloranti che, a sua volta, rappresenta una APOE SNP sopra l'altro. Nello studio presente, 34 elementi portanti dell'annuncio del rischio allele APOE ε4 (eterozigotica ε3/ε4) e 46 non-portatori (omozigotica ε3/ε3) sono stati iscritti per un totale di 80 partecipanti allo studio. Escludere gli elementi portanti dell'allele APOEε2 perché non c'è prova che questo allele può avere un effetto protettivo relative al bamb.
3. Raccolta di dati di Imaging strutturale e funzionale
- uso un MRI di 3 Tesla (3T) sistema di acquisire dati di imaging del intero-cervello.
- Per l'imaging funzionale, raccogliere le sezioni assiali utilizzando una sequenza di echo planar imaging (EPI). Per facilitare la registrazione delle immagini funzionali, acquisire fette assiale di T2-weighted, complanari immagini strutturali. Per imaging strutturale ad alta risoluzione, raccogliere le sezioni assiali utilizzando una sequenza di T1-weighted 3D.
Nota: Nel presente studio, un magnete di 3T è stato utilizzato con una bobina testa 12 canali. I parametri seguenti sono stati progettati per uno specifico scanner e bobina. Per ulteriori informazioni, vedere Tabella materiali.- Acquisire dati utilizzando i seguenti parametri di sequenza di imaging funzionale: tempo di ripetizione (TR) = 2.500 ms, echo tempo (TE) = 21 ms, campo visivo (FOV) = 200 mm x 200 mm, angolo di vibrazione = 75°, matrice = 64 x 64, 33 fette, spessore fetta = 3 mm, divario interslice = 0 .75 mm, dimensione del voxel = 3.125 x 3.125 x 3,75 mm.
- Attiva l'attività di memoria associativa parole indipendenti per iniziare con il terzo volume della sequenza imaging funzionale. Per tenere conto dell'equilibrio stazionario, escludere i primi due volumi di ogni analisi funzionale da analisi.
Nota: Le parole indipendenti compito di memoria associativa è stato descritto altrove 12 , 24. In breve, è un compito funzionale blocco-progettazione con blocchi di codifica e il recupero. I partecipanti sono incaricati di conoscere coppie di parole indipendenti.
Strutturale di T2-weighted, complanare - acquisire dati utilizzando i seguenti parametri di sequenza di imaging: TR = 5.000 ms, TE = 34 ms, FOV = 200 mm x 200 mm, angolo di vibrazione = 90°, matrice = 128 x 128, 28 fette, spessore fetta = 3 mm, interslice gap = 1 mm e voxel dimensione = 1,56 x 1 .56 x 4 mm.
- Acquisire strutturale ad alta risoluzione (anatomiche) imaging utilizzando i seguenti parametri di sequenza di magnetizzazione preparato rapida Gradient Echo (MPRAGE): TR = 1.900 ms, TE = 2,26 ms, TI = 900 ms, FOV = 250 mm x 218 mm, angolo di vibrazione = 9°, matrice = 256 x 215, 176 fette , lo spessore della fetta = 1 mm, riempito di zeri per una matrice di 256 x 224 risultante in una dimensione del voxel = 1 x 0,976 x 0,976 mm.
- Per l'imaging funzionale, raccogliere le sezioni assiali utilizzando una sequenza di echo planar imaging (EPI). Per facilitare la registrazione delle immagini funzionali, acquisire fette assiale di T2-weighted, complanari immagini strutturali. Per imaging strutturale ad alta risoluzione, raccogliere le sezioni assiali utilizzando una sequenza di T1-weighted 3D.
4. fMRI grassetto pre-elaborazione di dati
- pre-elaborare i dati funzionali utilizzando la risonanza magnetica funzionale del cervello (FMRIB) Software Library (FSL) versione 6.0 (http://fsl.fmrib.ox.ac.ul) come segue:
- Per ogni partecipante ' s dataset, artefatto movimento testa Rimuovi dai dati utilizzando il movimento correzione FMRIB ' s strumento di registrazione lineare immagine (MCFLIRT) 25.
- Rimuovere il tessuto cerebrale non dalle immagini usando strumento di estrazione del cervello (BET) con l'opzionale -F bandiera 26.
- Utilizzare lo strumento di FSL Motion outlier per identificare eventuali volumi nei dati funzionali dove c'è movimento eccessivo in base alla cilindrata di telaio tra volumi. Bandiera di volumi dove il movimento è misurato come un outlier (sopra il 75 ° percentile + 1,5 volte l'inter-quartile range) rispetto al resto della scansione e utilizzare l'output di questo programma per downweight tali volumi nelle analisi.
Nota: Prima di eseguire i confronti di gruppo, verifica che movimento medio, come misurato da FSL Motion outlier, non differisce tra i due gruppi. Questo aiuta a garantire che i risultati non sono guidati da differenze correlate al gruppo in movimento.
- Impostare la pagina di primo livello e di pre-elaborazione modello lineare generale (GLM) utilizzando l'interfaccia utente grafica (GUI) per FSL fMRI Expert Analysis Tool (FEAT) per il primo partecipante.
Nota: ripetere questo passaggio per ogni partecipante allo studio. Per risparmiare tempo, dopo aver impostato una sola volta per un partecipante, scrivere uno script per eseguire la pre-elaborazione per i restanti partecipanti allo studio ' dati modificando il " design.fsf " file (FSL FEAT output) per ogni partecipante fare riferimento a quel partecipante ' s dati specifici.- Nella scheda dati, fare clic su " aggiungere dati 4D " e individuare il file corretto movimento ed estratti di cervello. Impostare il TR a 2,5 s (corrispondenti a circa il TR della sequenza funzionale acquisita). Utilizzare il filtro passa-alto predefinito (impostato su 100 s).
Nota: Il filtro passa-alto rimuoverà segnali a bassa frequenza di nessun interesse. - Nella scheda di pre-statistiche, fare clic su " nessuno " sotto " correzione del movimento " (come già avvenne nel passaggio 4.1). Deselezionare " scommessa cervello estrazione " (come è già stato completato nel punto 4.1). Tipo " 5 " nella finestra per kernel gaussiano (FWHM) mezzo massimo di 5mm set interi per lisciatura spaziale.
Nota: La FWHM per il kernel levigante generalmente deve essere impostata a circa il doppio della dimensione del voxel di scansione funzionale. - Utilizzare l'output (6 colonne, righe = n # di TRs nella scansione) di MCFLIRT per creare 6 file di testo a colonna singola che descrivono la correzione dei movimenti eseguiti ad ogni volume all'interno del dataset. Essi verranno aggiunti al modello come regressori nel passaggio successivo.
- Nella scheda statistiche sotto " versione installazione modello ", aggiungere i parametri di 6 movimento e loro derivati temporali come regressori o variabili esplicative (SVE) nel GLM. Per ogni movimento EV scegliere " personalizzato " (1 ingresso per ciascun volume) per la forma di base, " nessuno " per verificare la convoluzione e " applicare filtro temporale. "
Nota: non è necessario essere convoluzione di qualsiasi funzione, perché fanno riferimento a parametri di movimento il riallineamento eseguita ad ogni volume funzionale durante la correzione dei movimenti e quindi non è necessario essere regolata.
- Nella scheda statistiche sotto " versione installazione modello ", aggiungere i parametri di 6 movimento e loro derivati temporali come regressori o variabili esplicative (SVE) nel GLM. Per ogni movimento EV scegliere " personalizzato " (1 ingresso per ciascun volume) per la forma di base, " nessuno " per verificare la convoluzione e " applicare filtro temporale. "
- Nella scheda statistiche, selezionare l'output dei valori aberranti FSL movimento dal passaggio 4.1 sotto il " aggiungere ulteriori confondere SVE ".
Nota: Questa uscita è una matrice che indica ogni volume che è stato contrassegnato per movimento eccessivo e, aggiungendo il file confonda, sarà deweighted nel GLM. - Nella scheda statistiche, fare clic su " set-up completo modello ". Creare l'attività di file di testo di temporizzazione che denota l'inizio ed il contrappeso di fasi diverse attività e aggiungere questi come EVs nel GLM scegliendo 1 formato colonna e navigando per il file di testo pertinenti (includere uno per la fase di codifica dell'attività e uno per la fase di recupero). Per " convoluzione " scegliere il " doppio-gamma HRF " opzione dall'elenco a discesa per entrambi. Non modellare la previsione o porzioni non attivo dell'attività nel GLM.
Nota: HRF è acronimo di funzione risposta emodinamica. Convoluzione l'attività EV dal HRF sposta la tempistica dell'attività EV di essere più coerente con i cambiamenti del segnale BOLD indotta da attività previsto nel cervello. - Nella scheda di registrazione, controllare " immagine funzionale espansa " e " immagine strutturale principale " per una registrazione in due fasi.
- Selezionare il partecipante ' scansione strutturale in T2-weighted di complanari s per il primo passo, in cui sono registrati dati funzionali ai dati strutturali complanari. Scegli 6 gradi di libertà (DOF) per questo passaggio facendo clic sul secondo menu a tendina sotto questo passaggio e scegliendo " 6 DOF ".
- Per il passo successivo, in cui l'immagine di T2-weighted è registrato per l'alta risoluzione MPRAGE T1-weighted, selezionare registrazione contorno di base (BBR) dall'elenco a discesa casella 27.
Nota: BBR utilizza le differenze di intensità tra sostanza bianca e la materia grigia per registrare scansioni strutturali e funzionali e ha dimostrato di svolgere meglio FLIRT e altri metodi alternativi. - Per la fase finale, in cui i dati strutturali ad alta risoluzione sono registrati per il modello standard di MNI152, scegliere 12 gradi di libertà e di una trasformazione lineare scegliendo " 12 DOF ".
Nota: Quando tutti i passaggi nella sezione 4 sono completi i dati funzionali sono pre-elaborato e pronto per ulteriori analisi.
- Nella scheda dati, fare clic su " aggiungere dati 4D " e individuare il file corretto movimento ed estratti di cervello. Impostare il TR a 2,5 s (corrispondenti a circa il TR della sequenza funzionale acquisita). Utilizzare il filtro passa-alto predefinito (impostato su 100 s).
5. Semi di hippocampal
- genera una maschera dell'ippocampo sinistro in ogni partecipante ' spazio strutturale ad alta risoluzione di s usando FSL ' algoritmo di segmentazione di registrazione integrato FMRIB e segmentazione strumento (primo) s 28 .
Nota: Altre regioni, tra cui ippocampo di destra, sarebbe interessante e validi semi per ulteriori analisi. - Utilizza una piattaforma di software statistico, scrivere codice in per calcolare la lunghezza dei terzi anteriori e posteriori della struttura 29. In particolare, utilizzare la lunghezza della maschera hippocampal volumetrica nel piano antero-posteriore per trovare le coordinate che separa i terzi anteriori e posteriori di questo aereo.
Nota: Un metodo recentemente pubblicato di segmentazione dell'ippocampo lungo l'asse longitudinale potrebbe essere un approccio di creazione alternativa seme 30. - Basato su queste coordinate, creare immagini maschera hippocampal anteriore e posteriore. Registrare le maschere hippocampal anteriore e posteriore in uno spazio funzionale nativo utilizzando il " example_func2highres " matrice nella directory di registrazione dell'output FEAT.
Nota: Utilizzando i terzi anteriori e posteriori ha impedito segnale sfocatura attraverso i due semi hippocampal dopo la registrazione di uno spazio funzionale. C'è evidenza di specializzazione funzionale lungo l'asse longitudinale dell'ippocampo 31 , 32 , 33 , 34. Regioni anteriori sono regioni inpue e associati di codifica, mentre l'ippocampo posteriore è una regione di output associata memoria recupero e consolidamento 35 , 36 , 37. così, utilizzando queste regioni permette la valutazione del coinvolgimento funzionale di anteriore rispetto al posteriore ippocampo in codifica rispetto a fasi di recupero dell'attività memoria. - FSL uso dire timeseries (fslmeants) per estrarre il denoised timeseries medio dai semi hippocampal anteriori e posteriori ( Figura 1). Seguire le istruzioni del programma e utilizzare entrambi il seme hippocampal anteriore o posteriore come la maschera e i dati funzionali denoised, pre-elaborati come l'immagine principale.
Figura 1 : semi di Hippocampal. Nello spazio nativo, un singolo partecipante ' seme ippocampo anteriore s viene visualizzato in giallo. Il seme di ippocampo posteriore per lo stesso partecipante è mostrato in rosa. Semi sono definiti in ogni partecipante ' s unica immagine strutturali e quindi registrato a loro scansione funzionale. I semi sono mai in un spazio standardizzato, che migliora la precisione della segmentazione hippocampal. Questa figura è stata ristampata con permesso 12. Clicca qui per visualizzare una versione più grande di questa figura.
6. PPI modello
- uso la GUI per FSL FEAT caricare i dati funzionali pre-elaborati.
- Nella scheda dati, scegliere il " filtered_func_data " immagine denoised (uscita dai passaggi completati nella sezione 4) come file di input. Nella scheda pre-statistiche impostata estrazione di correzione e cervello di movimento " nessuno. " deselezionare caselle per applicare filtri temporali e spaziali lisciatura.
- PPI ModEl set-up (tabella 1).
- Nella scheda statistiche, selezionare " set-up completo modello ". Nella scheda server virtuale di Exchange, aggiungere tutte le EVs dal primo modello di livello: 6 correzione EVs del movimento, confondere EV matrice da FSL Motion Outliers e attività SVE di temporizzazione. Fare clic sulla freccia su per aggiungere il server virtuale di Exchange. Includere in questo modello un EV per il fisiologico timecourse dal seme (l'output di file di testo di fslmeants al punto 5.4) come covariata di nessun interesse facendo clic sulla freccia in alto.
- Creare i termini PPI.
- Scegli " interazione " la forma di base menu e seleziona il seme timecourse EV e uno di compiti EV. Per la " fare zero " opzione, scegliere " dire " per il seme timecourse EV e " centro " per l'attività EV. Ripetere questa procedura per l'altra attività o più fasi. Eseguire un modello separato per ogni regione semi.
Nota: Questi nuovi SVE sono i termini PPI per la fase dell'attività selezionata (psico) e il seme (Fisioterapista). Nello studio presente, un PPI per la fase di codifica e un secondo termine PPI per la fase di recupero sono stati inclusi in ogni modello PPI. Il " centro " opzione assicura che il " su " e " fuori " fasi di attività di progettazione di blocco sono trattati allo stesso modo. La " dire " opzione viene sempre applicato al timecourse seme e si traduce in media viene sottratta da questo regressore.
- Scegli " interazione " la forma di base menu e seleziona il seme timecourse EV e uno di compiti EV. Per la " fare zero " opzione, scegliere " dire " per il seme timecourse EV e " centro " per l'attività EV. Ripetere questa procedura per l'altra attività o più fasi. Eseguire un modello separato per ogni regione semi.
- Nei contrasti e la scheda di F-test, modello i seguenti effetti specifici inserendo " 1 " nell'EV corrispondente cella: psych_enc (fase di attività di codifica), psych_ret (fase di attività di recupero), phys (seme timecourse), PPI_enc (PPI del seme e codifica), PPI_ret (PPI del seme e recupero). Infine, per entrare un " -1 " per modellare PPIs negativo per ogni fase di attività.
tabella 1: set-up modello gPPI.
7. confronti di gruppo
- selezionare " analisi livello superiore " in FSL FEAT per eseguire un modello di gruppo semplice confronto tra vettori APOEε4 ai non-portatori per ogni combinazione di attività-seme.
Nota: Questi confronti vengono eseguiti per generare le immagini di residui rilevanti gruppo 4D (" res4d ") necessari per stimare la scorrevolezza del dataset. Risultati statisticamente significativi da questo confronto di gruppo sono validi, ma nei passaggi sotto un altro approccio di soglia utilizzando AFNI e SPM8 per impostare un cluster significativo minimo basato su simulazioni Monte Carlo è descritto. - Analisi utilizzo di Neuroimaging funzionale (AFNI)
- uso AFNI ' s 3dFWHMx (qualsiasi versione dopo dicembre 2015) nella riga di comando per stimare la scorrevolezza dei residui 4D gruppo immagini generate utilizzando FSL.
Nota: È stato scoperto un bug in AFNI ' s 3dClustSim e corretto in maggio 2015. In dicembre 2015, AFNI ' s 3dFWHMx è stato aggiornato alla più accurato modello auto-correlazioni. Così, le versioni di questi strumenti rilasciato nel dicembre 2015 o successivamente dovrebbe essere usate. - Uso AFNI ' s 3dClustSim (qualsiasi versione dopo dicembre 2015) per determinare i valori minimi di misura cluster raggiungendo significato alle diverse soglie di livello di voxel. Includono le stime di scorrevolezza del passaggio precedente la chiamata di riga di comando di 3dClustSim. Dalla tabella generata da 3dClustSim, basato su delle ipotesi di studio per quanto riguarda gli effetti attesi ' altezza e misura, scegliere un voxel-livello soglia e la corrispondente dimensione minima dei cluster.
Nota: In generale, cluster di grandi dimensioni ridurre al minimo i falsi positivi.
- uso AFNI ' s 3dFWHMx (qualsiasi versione dopo dicembre 2015) nella riga di comando per stimare la scorrevolezza dei residui 4D gruppo immagini generate utilizzando FSL.
- Uso Statistical Parametric Mapping (SPM8)
- utilizzando la GUI SPM8, selezionare " specificare 2 nd-livello ". Verrà aperto l'editor di batch. Selezionare " due esempio test t " sotto design. Spostarsi nella directory con le immagini di stima del parametro per il gruppo 1 (APOEε4 vettori) e selezionare cliccando su di essi. Successivamente, aggiungere immagini di gruppo 2 (APOEε4 non-portatori). Eseguire questo confronto facendo clic sul pulsante verde play.
- Tornare alla SPM GUI, selezionare " stimare " e individuare il file SPM.mat creato nel passaggio precedente per eseguire il processo di stima modello.
- Selezionare " risultati " ed eseguire gruppo confronto contrasti: i vettori APOEε4 > APOEε4 non-portatori, non APOEε4 portatori > APOEε4 vettori.
- Clic su " definire un nuovo contrasto ", scegliere " T-contrasto " sotto " tipo " e immettere " 1 -1 " alla " contrasto " casella per i vettori APOEε4 > APOEε4 non-portatori. Fare clic su " fatto ". Scegliere " nessuno " per applicare maschere e manualmente impostare il voxel-livello soglia e il minimo di dimensione cluster secondo la determinazione fatta in 7.2.2.Enter passo "-1 1 " per APOEε4 non-portatori > vettori APOEε4.
Nota: nello studio presente, una soglia di voxelwise di p < 0,005 è stato utilizzato e cluster con soglia a alpha < 0,05.
- Clic su " definire un nuovo contrasto ", scegliere " T-contrasto " sotto " tipo " e immettere " 1 -1 " alla " contrasto " casella per i vettori APOEε4 > APOEε4 non-portatori. Fare clic su " fatto ". Scegliere " nessuno " per applicare maschere e manualmente impostare il voxel-livello soglia e il minimo di dimensione cluster secondo la determinazione fatta in 7.2.2.Enter passo "-1 1 " per APOEε4 non-portatori > vettori APOEε4.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Con due fasi diverse attività attiva (codifica e recupero) e seme di due regioni (ippocampo anteriore e posteriore) ci sono quattro condizioni per segnalare i risultati per ogni gruppo. Le mappe di attivazione di attività all'interno del gruppo (non mostrato qui, Vedi Harrison et al., 201612) mostrano che il lobo occipitale, corteccia uditiva, grandi regioni del lobo parietale, aree linguistiche frontali, giro temporale superiore e caudato (più pronunciato durante il recupero) sono significativi BOLD aumenta durante il recupero in entrambi i gruppi sperimentali e di codifica del segnale. All'interno del gruppo PPI analisi hanno rivelato che non ci sono nessun aumento significativo nella connettività funzionale con semi hippocampal anteriore o posteriore per i vettori APOEε4 o non-portatori. All'interno del gruppo PPI analisi hanno rivelato le diminuzioni significative in connettività funzionale nei portatori di APOEε4 per le condizioni di attività e hippocampal sottoregioni (Figura 2). In APOEε4 non-portatori, diminuzioni significative nella connettività funzionale sono state osservate solo con ippocampo posteriore durante la codifica (Figura 2). Le mappe PPI positive e negative mostrano una divergenza tra i vettori APOEε4 e non portatori di connettività funzionale come hippocampal cambia durante un compito di memoria. Per determinare se la divergenza è statisticamente significativa, è necessario confrontare direttamente i gruppi per ciascuno dei quattro risultati38.
Per ragioni di brevità, raggruppare i risultati di confronto risultati APOE-mediate differenze solo per una regione e attività di fase, anteriore ippocampo durante il recupero, sono presentate qui (non portatori > vettori, Figura 3). Durante il recupero, la divergenza di ippocampo anteriore connettività cambiamenti osservati all'interno del gruppo (Figura 2) si traduce in significativi tra le differenze del gruppo in giro supramarginale bilaterale, gyrus angolare destra e destra precuneo.
Figura 2 : Operazione-dipendente negativa connettività funzionale semi hippocampal modificare mappe. Coronale e assiali viste di media gruppo operazione-dipendente negativo cambiamento di connettività funzionale di hippocampal sottoregioni in APOEε4 non-portatori e vettori separatamente, all'interno del gruppo. Attività-dipendente connettività diminuisce con l'ippocampo anteriore seme sono mostrati in pannelli superiori. I pannelli inferiori mostrano attività-dipendente connettività diminuisce con l'ippocampo posteriore. Mappe sono state con soglia a z = 2,3, cluster corretto al p < 0.05. Sono overlaid voxel incontro soglia in APOEε4 non-portatori (in rosso) e vettori (in verde). Questa figura è stata ristampata con permesso12. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 3: connettività seme hippocampal anteriore cambiare differenze tra APOEε4 portatori e non portatori durante il recupero. Durante il recupero, sono state trovate differenze significative fra i vettori APOEε4 e non portatori in giro supramarginale sinistra (blu scuro), giunzione in obliquo supramarginal (arancione) così come destra precuneo (viola). I risultati di questo test t per due campioni erano con soglia per rivelare i cluster significativi presso alpha < 0,05 con una soglia di voxelwise di p < 0,005. La coordinata di picco per ogni cluster è segnalata nello spazio MNI, in x, y, z planes (mm). Per l'illustrazione della direzione e la grandezza della differenza tra gruppi, contrasti di stime dei parametri da ogni cluster vengono tracciati dal gruppo. Le linee orizzontali rosse indicano zero ed evidenziare che i vettori sono diminuite (negativo) connettività funzionale anteriore ippocampo in queste regioni durante il recupero. La band all'interno le caselle rappresenta la mediana, mentre i bordi superiori e inferiori delle caselle rappresentano i quartili di primi e terzi, rispettivamente. I baffi si estendono fino a 1,5 volte lo scarto interquartile. Punti di dati esterni a questo intervallo vengono tracciati come valori erratici. Questa figura è stata ristampata con permesso12. Clicca qui per visualizzare una versione più grande di questa figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Gli studi fMRI basato su attività iniziali sono stati progettati per scoprire relazioni statistiche tra processi cognitivi particolari o richieste e i cambiamenti in grassetto del segnale rispetto a una misurazione di base. Questo approccio tradizionale è utile per l'identificazione di regioni specifiche del cervello dove l'attività è modulata da un'attività sperimentale. Al contrario, un'analisi PPI è riguardata principalmente con la modulazione della connettività funzionale o sincronia di attività, che deriva da un processo cognitivo indotta da attività. PPI misura connettività funzionale dipendente dal contesto tra un'area definita di interesse (seme) e altre regioni del cervello, non solo attività aumenti e diminuzioni in aree localizzate. La selezione della regione di seme deve essere-guidato da ipotesi come analisi PPI si esibiranno in modo ottimale quando attività nella regione del seme viene modulata, in un quadro di analisi univariata, dal contesto cognitivo indotti da attività. Quindi, il quadro PPI consente di esplorare come attività regione seme diventa più o meno sincronizzati con altre regioni in risposta a contesti di attività specifica, ad esempio memoria codifica o recupero. Differenze tra gruppi, pertanto, sono limitate ai cambiamenti di connettività funzionale fra il seme e in altre regioni che sono modulati da una fase di particolare attività.
Una conoscenza approfondita del GLM è essenziale per l'implementazione di un'analisi PPI. Un confronto completo, gruppo studio PPI ha tre livelli di modellazione lineare: il primo livello (pre-elaborazione, compito e modellazione di movimento), il modello PPI di medio livello (aggiungere semi timecourse e interazione EVs di attività) e il modello di confronto di gruppo di livello superiore (gruppo contrasti di stime dei parametri). Ad ogni passo, un'immagine di output viene utilizzata come input per il passaggio seguente. L'approccio di gPPI proposto nel 2012 e impiegato nello studio presente utilizza caratteristiche del GLM per garantire che i contrasti sono specifici per interazioni con la fase di attività di interesse3. Nel classico PPI, uno modelli due condizioni e un presupposto che le due condizioni sono sul lato opposto della linea di base (se c'è una condizione basale). gPPI permette di modellare con precisione tutte le condizioni e non fa alcuna ipotesi su come le condizioni sono correlate alle condizioni originarie. Un altro componente fondamentale di qualsiasi analisi PPI è la selezione appropriata di una regione di seme. Regioni seme può essere scelto basata su prove prima nella letteratura, come ad esempio nello studio presente in cui l'ippocampo è stato utilizzato come area di seme per un compito di memoria. Un altro metodo di selezione del seme è quello di scegliere una regione dove l'attività aumenta significativamente durante una fase di particolare attività. Con questo metodo, la regione di seme è definita non anatomicamente ma utilizzando un gruppo di suprathreshold voxel in monovariante attivazione mappe. Con questo approccio alla selezione del seme, analisi PPI evitare circolarità perché l'effetto principale dell'attività è contabilizzata e il PPI rivela solo gli effetti che sono distinti dall'effetto principale dell'attività (di là).
Poiché PPI è stato inizialmente proposto, il concetto di regioni cerebrali funzionalmente connesse, spazialmente distanti è diventato largamente accettato. Attraverso l'uso di fMRI in stato di riposo, è stato dimostrato che il cervello ha reti intrinseche, o imposta delle regioni che sono funzionalmente collegate a riposo. Così, riposo stato fMRI studi spesso studiare connettività funzionale, lo stesso termine utilizzato negli studi PPI. L'interpretazione di connettività funzionale, tuttavia, differisce in riposo stato fMRI e studi PPI. PPI risultati sono, per definizione, effetti esplicativi di un'interazione tra attività e seme la regione che non può essere spiegata con la progettazione di attività, il timecourse di seme o qualsiasi altre variabili confondenti4. In fMRI in stato di riposo, le differenze nell'attività di rete potrebbero essere causate dai cambiamenti nella connettività tra regioni specifiche o di cambiamenti globali nell'attività di rete. Quindi, se l'obiettivo di uno studio è confrontare le modifiche in connettività funzionale tra i due gruppi, un approccio PPI è meglio. Al contrario, se l'obiettivo di uno studio è di descrivere le differenze nella connettività intrinseca tra due gruppi, che riposa stato fMRI analisi sono meglio.
Uno dei principali limiti del quadro PPI originale è la mancanza di potenza statistica inerente l' approccio4. Poiché il termine PPI (EV) è creato utilizzando due EVs anche incluse nel modello, è probabile essere correlate ad entrambi. In un GLM, la varianza che può essere spiegata da più di un preannunciatore o EV non è assegnata a un singolo EV. Così, il termine PPI solo ha il potere di rilevare gli effetti che non possono essere spiegati dall'attività o il timecourse di seme, che sono entrambi correlati al termine di PPI. Per questo motivo, è probabile che i falsi negativi si verificano nelle analisi di PPI. gPPI, tuttavia, è stato indicato per ridurre al minimo il numero di falsi negativi ed è più sensibile all'effetto di piccola dimensione risultati3,39.
PPI può scoprire le modifiche di attività-dipendente in connettività funzionale tra due regioni, ma non è possibile determinare se attività in una regione causa un cambiamento nell'attività in altra. In altre parole, un'analisi PPI non può essere usata per esplorare causalità in modifiche di connettività funzionale. Altri metodi, quali modellazione dinamica causale, sono più adatte per le analisi della causalità in dati funzionali40. Analisi PPI possono informare la progettazione di esperimenti usando queste tecniche. In somma, PPI è un approccio utile per esame attività specifiche modifiche in connettività funzionale di una regione di seme pertinenti e confrontando questi cambiamenti tra i gruppi. I risultati di studi PPI possono portare a una migliore comprensione della natura dinamica della connettività funzionale in salute, malattia e rischio per la malattia.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
DGM è che un dipendente di Biospective, Biospective, Inc non ha elaborato i dati presentati.
Acknowledgments
Questo lavoro è stato supportato dal National Institute of Aging (concessione numero R01AG013308 di SYB, F31AG047041 a TMH). Gli autori hanno usato computazionale e servizi di archiviazione associato al Cluster di ha condiviso la foto di Hoffman2 fornito dall'istituto UCLA per gruppo di tecnologia di ricerca Digital Research e di formazione.
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 |
References
- Sporns, O., Tononi, G., Kötter, R. The Human Connectome: A Structural Description of the Human Brain. PLoS Comput Biol. 1 (4), 42 (2005).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Wechsler, D. Wecshler Adult Intelligence Scale, 3rd Edition. , Harcourt Assessement. San Antonio, TX. (1997).
- Cauthen, N. R. Verbal fluency: normative data. J Clin Psychol. 34 (1), 126-129 (1978).
- Goodglass, H. P., Kaplan, E. P. Boston Naming Test, 3rd Edition. , (2001).
- Buschke, H., Fuld, P. A. Evaluating storage, retention, and retrieval in disordered memory and learning. Neurol. 24 (11), 1019-1025 (1974).
- 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).
- Hamilton, M. The assessment of anxiey states by rating. Br J Med Psychol. 32, (August) 50-55 (1959).
- Hamilton, M. A rating scale for depression. J Neurol Neurosurg Psychiatry. 23, 56-62 (1960).
- Folstein, M. F., Robins, L. N., Helzer, J. E. The Mini-Mental State Examination. Arch Gen Psychiatry. 40 (7), 812 (1983).
- 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).
- 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).
- 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).
- 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).
- 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).
- Smith, S. M. Fast robust automated brain extraction. Hum Brain Mapp. 17 (3), 143-155 (2002).
- Greve, D. N., Fischl, B. Accurate and robust brain image alignment using boundary-based registration. NeuroImage. 48 (1), 63-72 (2009).
- 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).
- Learn MATLAB Basics. , Available from: https://www.mathworks.com/support/learn-with-matlab-tutorials.html?s_tid=hp_ff_I_tutorials (2017).
- 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).
- 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).
- 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).
- Strange, B., Dolan, R. Functional segregation within the human hippocampus. Mol Psychiatry. 4 (6), 508-511 (1999).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. NeuroImage. 19 (4), 1273-1302 (2003).
