Waiting
Login processing...

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

Neuroscience

सामान्यीकृत Psychophysiological इंटरेक्शन (पीपीआई) अल्जाइमर रोग के लिए आनुवंशिक जोखिम पर व्यक्तियों में स्मृति संबंधित कनेक्टिविटी का विश्लेषण

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

इस पांडुलिपि का वर्णन कैसे एक psychophysiological बातचीत विश्लेषण को कार्यांवित करने के लिए एक चयनित बीज क्षेत्र और मस्तिष्क के अंय क्षेत्रों में voxels के बीच कार्यात्मक कनेक्टिविटी में कार्य निर्भर परिवर्तन प्रकट करते हैं । Psychophysiological संपर्क विश्लेषण एक लोकप्रिय तरीका है मस्तिष्क कनेक्टिविटी पर कार्य प्रभाव की जांच, पारंपरिक univariate सक्रियकरण प्रभाव से अलग है ।

Abstract

neuroimaging में कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) मस्तिष्क में रक्त-ऑक्सीजन-स्तर निर्भर (बोल्ड) संकेत के उपाय । मस्तिष्क के स्थानिक स्वतंत्र क्षेत्रों में बोल्ड संकेत के सहसंबंध की डिग्री उन क्षेत्रों के कार्यात्मक संपर्क को परिभाषित करता है । एक संज्ञानात्मक fMRI कार्य के दौरान, एक psychophysiological बातचीत (पीपीआई) विश्लेषण विशिष्ट संज्ञानात्मक कार्य द्वारा परिभाषित संदर्भों के दौरान कार्यात्मक कनेक्टिविटी में परिवर्तन की जांच करने के लिए इस्तेमाल किया जा सकता है । इस तरह के एक कार्य का एक उदाहरण है कि स्मृति प्रणाली संलग्न है, प्रतिभागियों पूछ असंबंधित शब्द (एंकोडिंग) के जोड़े को जानने के लिए और एक जोड़ी में दूसरा शब्द याद है जब पहले शब्द (पुनः प्राप्ति) के साथ प्रस्तुत किया । वर्तमान अध्ययन में, हम इस प्रकार के साहचर्य स्मृति कार्य और एक सामान्यीकृत पीपीआई (gPPI) विश्लेषण पुराने वयस्कों जो अल्जाइमर रोग के वाहक हैं में हिप्पोकैम्पस कनेक्टिविटी में परिवर्तन की तुलना करने के लिए इस्तेमाल किया (AD) आनुवंशिक जोखिम कारक apolipoprotein-E एप्सिलॉन-4 ( APOEε4) । विशेष रूप से, हम बताते हैं कि एन्कोडिंग और पुनर्प्राप्ति के दौरान हिप्पोकैंपस परिवर्तन के उपक्षेत्रों के कार्यात्मक कनेक्टिविटी, साहचर्य स्मृति कार्य के दो सक्रिय चरणों. हिप्पोकैंपस के कार्यात्मक संपर्क में संदर्भ निर्भर परिवर्तन गैर की तुलना में APOEε4 के वाहक में काफी अलग थे-वाहक । पीपीआई विश्लेषण यह कार्यात्मक कनेक्टिविटी, univariate मुख्य प्रभाव से अलग में परिवर्तन की जांच करने के लिए, और समूहों में इन परिवर्तनों की तुलना करने के लिए संभव बनाते हैं । इस प्रकार, एक पीपीआई विश्लेषण विशिष्ट साथियों कि पारंपरिक univariate तरीकों पर कब्जा नहीं है में जटिल कार्य प्रभाव प्रकट हो सकता है । पीपीआई विश्लेषण नहीं कर सकते, तथापि, कार्यात्मक जुड़े क्षेत्रों के बीच दिशात्मकता या करणीय निर्धारित करते हैं । फिर भी, पीपीआई विश्लेषण कार्यात्मक संबंधों, जो कारण मॉडल का उपयोग कर परीक्षण किया जा सकता है के बारे में विशिष्ट परिकल्पना पैदा करने के लिए शक्तिशाली साधन प्रदान करते हैं । के रूप में मस्तिष्क तेजी से कनेक्टिविटी और नेटवर्क के संदर्भ में वर्णित है, पीपीआई fMRI कार्य डेटा है कि मानव मस्तिष्क के वर्तमान गर्भाधान के साथ लाइन में है विश्लेषण के लिए एक महत्वपूर्ण तरीका है ।

Introduction

शब्द "connectome" २००५ में गढ़ा तंत्रिका विज्ञान में एक बदलाव है कि इस दिन के लिए जारी है1अंकन था । मस्तिष्क तेजी कार्यात्मक नेटवर्क, संपर्क और के बीच और एक बड़े पैमाने पर क्षेत्रों के बीच बातचीत के संदर्भ में वर्णित है । फिर भी, क्षेत्रीय कार्यात्मक विशेषज्ञता और fMRI-मापा गतिविधि और कार्य की मांग के बीच संबद्धता के विरेखांकन अभी मांय है और उपयोगी दृष्टिकोण । connectomics में बढ़ती रुचि के प्रकाश में, कार्य fMRI विश्लेषण के लिए कार्यात्मक संपर्क दृष्टिकोण लोकप्रियता में बढ़ रहे हैं । कार्य मांगों पर निर्भर कार्यात्मक कनेक्टिविटी परिवर्तन को मापने के लिए एक दृष्टिकोण पीपीआई की अवधारणा का उपयोग करता है । एक पीपीआई एक सक्रिय कार्य चरण या विशेष कार्य की मांग ("मनोवैज्ञानिक") कार्यात्मक कनेक्टिविटी ("फिजियो") के हित या मस्तिष्क में "बीज" के क्षेत्र के साथ बातचीत है । पीपीआई bivariate, सहसंबंध कार्यात्मक संपर्क है, जो आम तौर पर कार्य मांगों से संबंधित किसी भी बाधाओं के बिना दो क्षेत्रों में गतिविधि के बीच सहसंबंध की डिग्री के उपाय के विश्लेषण के आधार से अलग है ।

अवधारणा और एक पीपीआई विश्लेषण की रूपरेखा मूल रूप से १९९७ में Friston और सहयोगियों द्वारा वर्णित किया गया था2। लेखकों ने जोर दिया कि उनके दृष्टिकोण महत्वपूर्ण है क्योंकि यह कनेक्टिविटी की जांच करने के लिए और अधिक कार्यात्मक विशिष्ट होने की अनुमति होगी और अनुमान के लिए अनुमति है कि एक बाहर बीज में गतिविधि एक कार्य की मांग के परिणामस्वरूप गतिविधि संग्राहक हो सकता है । २०१२ में, मैकलेरन और सहकर्मियों को इस मूल ढांचे में जोड़ा और एक gPPI दृष्टिकोण है जिसमें सभी कार्य चरणों और उनके बातचीत एक एकल मॉडल3में शामिल है वर्णित है । यह तरीका परिणाम है कि अधिक संवेदनशील और कार्य चरण और बातचीत के लिए विशिष्ट है की ओर जाता है जांच की जा रही है । यह इस अद्यतन gPPI दृष्टिकोण है कि हम वर्तमान अध्ययन में रोजगार है ( प्रोटोकॉलमें कदम 6.2.2 देखें) । gPPI दृष्टिकोण अब २०० से अधिक अध्ययनों में उद्धृत किया गया है । स्पष्टता के लिए, इसके बाद हम ' पीपीआई ' का उपयोग दोनों मानक और सामान्यीकृत संस्करण के सामान्य सुविधाओं का वर्णन करने के लिए. नए ढांचे से जुड़े विशिष्ट अग्रिमों पर चर्चा करने के लिए ' gPPI ' का इस्तेमाल किया जाएगा ।

एक पीपीआई विश्लेषण के समग्र लक्ष्य को समझने की कैसे एक संज्ञानात्मक कार्य की मांग को प्रभावित या एक बीज क्षेत्र के कार्यात्मक संपर्क मिलाना है । एक पीपीआई विश्लेषण एक मजबूत एक प्राथमिकताओं परिकल्पना की आवश्यकता है । बीज क्षेत्र में गतिविधि को प्रभावी ढंग से काम करने के लिए पीपीआई दृष्टिकोण के लिए आदेश में कार्य द्वारा संग्राहक होना चाहिए4. उदाहरण के लिए, वर्तमान अध्ययन में, हम मजबूत सबूत है कि हिप्पोकैम्पस गतिविधि एक स्मृति कार्य की संज्ञानात्मक मांगों द्वारा संग्राहक है पर हमारे बीज चयन आधारित है । पीपीआई का उपयोग करना, क्षेत्रों है कि काफी अधिक या कम कार्यात्मक विशिष्ट कार्य चरणों के दौरान हिप्पोकैंपस से जुड़े रहे है पहचाना जा सकता है । संक्षेप में, हम सवाल पूछते हैं, "जो क्षेत्रों में और अधिक संदर्भ के दौरान बीज के साथ संबद्ध गतिविधि है एक के रूप में आधारभूत के साथ तुलना में?" हम यह भी तार्किक विपरीत पूछ सकते है (के रूप में यह अंतर समझ महत्वपूर्ण है): "जो क्षेत्रों में गतिविधि कम संदर्भ के दौरान बीज के साथ संबंधित है एक के रूप में आधार रेखा की तुलना में?" पीपीआई प्रभाव में समूह अंतर की व्याख्या करते समय, यह डेटा की जांच करने के लिए महत्वपूर्ण है और क्या कार्यात्मक कनेक्टिविटी, या दोनों में सकारात्मक या नकारात्मक परिवर्तन, समूह अंतर चला रहा है ।

पीपीआई दृष्टिकोण स्वस्थ नियंत्रण में गतिशील कार्य नियंत्रण केंद्रों का अध्ययन करने के लिए इस्तेमाल किया गया है, कार्यात्मक कनेक्टिविटी का मॉडुलन कैसे अल्जाइमर रोग (विज्ञापन), autism के साथ व्यक्तियों में खुफिया, मोटर नेटवर्क कनेक्टिविटी में संज्ञानात्मक प्रदर्शन से संबंधित है पार्किंसंस रोग के साथ व्यक्तियों में, शरीर dysmorphic विकार और आहार के साथ व्यक्तियों में चेहरा प्रसंस्करण, भावना विनियमन, स्मृति, और कई अंय विशिष्ट प्रश्नों से संबंधित प्रश्न5,6,7 ,8,9,10,11. वर्तमान अध्ययन में, हम हिप्पोकैंपस के उपक्षेत्रों की कार्यात्मक कनेक्टिविटी में परिवर्तन की तुलना करते हैं और जोखिम कारक12के बिना किसी समूह को विज्ञापन के लिए बढ़ी हुई आनुवंशिक जोखिम पर व्यक्तियों के समूह के बीच स्मृति एंकोडिंग और पुनर्प्राप्ति के दौरान । निंनलिखित प्रोटोकॉल है कि हम इस्तेमाल किया, gPPI दृष्टिकोण लागू करने, हमें परीक्षण के लिए अनुमति देने के लिए यदि कार्यात्मक संपर्क में परिवर्तन की उपस्थिति APOEε4, विज्ञापन के लिए एक आनुवंशिक जोखिम कारक के सहयोग से अलग है ।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

< p class = "jove_content" > वर्तमान अध्ययन ucla संस्थागत समीक्षा बोर्ड (आईआरबी) प्रोटोकॉल के अनुपालन में प्रदर्शन किया और ucla मानव विषय संरक्षण समिति द्वारा अनुमोदित किया गया था । सभी प्रतिभागियों को इस अध्ययन में नामांकन कराने के लिए लिखित रूप से रजामंदी दी ।

< p class = "jove_title" > 1. प्रतिभागी चयन

  1. करने के लिए आईआरबी अनुमोदन प्राप्त करने के लिए अध्ययन करते हैं.
  2. स्क्रीन ५५ आयु वर्ग के व्यक्तियों और संज्ञानात्मक गिरावट के लिए पुराने एक मानकीकृत neuropsychological बैटरी का उपयोग कर । जनरल इंटेलिजेंस (WAIS-III के उपपरीक्षण) के परीक्षण शामिल करें < सुप वर्ग = "xref" > १३ , प्रवाह (फल और सब्जियां) < सुप क्लास = "xref" > 14 , अटेंशन (अंक आगे और पिछड़ा) < सुप क्लास = "xref" > 13 , भाषा (बोस्टन नामकरण टेस्ट ) < सुप वर्ग = "xref" > 15 , मौखिक स्मृति (Buschke-Fuld चयनात्मक रिमाइंडर टास्क) < सुप क्लास = "xref" > 16 , WMS-III तार्किक मेमोरी और मौखिक युग्मित एसोसिएट्स लर्निंग < सुप क्लास = "xref" > 13 , और विजुअल मेमोरी (Rey-Osterrieth फिगर टेस्ट) < सुप वर्ग = "xref" > १७ .
    1. ऐसे हैमिल्टन अवसाद और चिंता सूची के रूप में प्रतिभागियों पूरा मूड प्रश्नावली है < सुप क्लास = "xref" > 18 , < सुप क्लास = "xref" > 19 साथ ही मिनी मानसिक टेट परीक्षा ( MMSE) < सुप वर्ग = "xref" > 20 .
  3. प्रतिभागियों है कि MMSE पर 26 या उससे ऊपर स्कोर और संज्ञानात्मक परीक्षणों पर उनकी उंर के लिए सामांय से नीचे दो मानक विचलन से बेहतर प्रदर्शन शामिल हैं । नैदानिक चिंता, अवसाद या किसी भी अन्य neuropsychiatric या स्नायविक बीमारी के साथ प्रतिभागियों को छोड़ दें । उन प्रतिभागियों को बाहर निकालें जो एमआरआई सुरक्षा मानदंडों को पूरा नहीं करते या जो रक्त खींचने के लिए सहमति नहीं देते ।
    नोट: वर्तमान अध्ययन में, ९३ प्रतिभागियों को इन मानदंडों से मुलाकात की (माध्य आयु = ६७.४ वर्ष, 31M/49F).
< p class = "jove_title" > 2. Genotyping

  1. प्रत्येक भागीदार से एक प्रशिक्षित phlebotomist या अंय चिकित्सा पेशेवर ड्रा रक्त है ।
  2. अलग २०० & #181; छ जीनोमिक डीएनए से 10 मिलीलीटर के नमूने के रूप में वर्णित < सुप class = "xref" > 21 .
  3. ले आउट सिंगल न्यूक्लियोटाइड बहुरूपता (SNP) genotyping पर रीयल टाइम पीसीआर का प्रयोग कर दो loci, rs429358 और rs7412 को भेदभाव APOE alleles < सुप class = "xref" > 22 .
    1. एक SNP genotyping परख में rs429358 और rs7412 के लिए रिपोर्टर रंजक शामिल । प्रत्येक पीसीआर प्रवर्धन चक्र के बाद पूरा हो गया है, एक रिपोर्टर और शमनकर्ता रंजक का वितरण दिखा ग्राफ पर फ्लोरोसेंट संकेत भूखंड । परिणाम की पुष्टि करने के लिए डुप्लिकेट में प्रयोग करें.
  4. वास्तविक समय पीसीआर प्रक्रिया के लिए विकसित एक सॉफ्टवेयर पैकेज का उपयोग कर SNP genotyping डेटा का विश्लेषण करें आउटपुट < सुप क्लास = "xref" > २३ .
    नोट: कार्यक्रम वर्तमान अध्ययन में इस्तेमाल किया दो रिपोर्टर में से एक के लिए नमूने के संबध की गणना करता है रंजक है कि, बारी में, एक APOE दूसरे पर SNP का प्रतिनिधित्व करता है । वर्तमान अध्ययन में, विज्ञापन जोखिम एलील के ३४ वाहक, APOE & #949; 4 (heterozygous & #949; 3/& #949; 4) और ४६ गैर वाहक (homozygous & #949; 3/& #949; 3) कुल ८० अध्ययन सहभागियों के लिए नामांकित किए गए. APOE & #949 के वाहकों को छोड़ें; 2 एलील क्योंकि इस बात का प्रमाण है कि इस एलील में विज्ञापन से संबंधित सुरक्षात्मक प्रभाव हो सकते हैं ।
< p class = "jove_title" > 3. कार्यात्मक और संरचनात्मक इमेजिंग डेटा संग्रह

  1. पूरे ब्रेन इमेजिंग डेटा प्राप्त करने के लिए एक 3 टेस्ला (3T) एमआरआई प्रणाली का उपयोग करें ।
    1. कार्यात्मक इमेजिंग के लिए, एक इको planar इमेजिंग (महामारी) अनुक्रम का उपयोग अक्षीय स्लाइसें इकट्ठा । कार्यात्मक छवियों के पंजीकरण की सुविधा के लिए, टी 2 के अक्षीय स्लाइस-भारित, सह planar संरचनात्मक छवियों का अधिग्रहण । उच्च संकल्प संरचनात्मक इमेजिंग के लिए, एक 3 डी T1 भारित अनुक्रम का उपयोग अक्षीय स्लाइसें इकट्ठा.
      नोट: वर्तमान अध्ययन में, एक 3T चुंबक एक 12 चैनल सिर के तार के साथ प्रयोग किया जाता था । नीचे दिए गए पैरामीटर एक विशिष्ट स्कैनर और कुंडल के लिए डिज़ाइन किए गए थे । अधिक जानकारी के लिए सामग्री की तालिका देखें ।
      1. निंनलिखित अनुक्रम मानकों का उपयोग कार्यात्मक इमेजिंग डेटा प्राप्त: पुनरावृत्ति समय (TR) = २,५०० ms, प्रतिध्वनि समय (ते) = 21 ms, दृश्य के क्षेत्र (FOV) = २०० मिमी x २०० मिमी, फ्लिप कोण = ७५ & #176;, मैट्रिक्स = ६४ x ६४, ३३ स्लाइस, स्लाइस मोटाई = 3 मिमी, टुकड़ा अंतर = 0 . ७५ मिमी, voxel आकार = ३.१२५ x ३.१२५ x ३.७५ मिमी.
      2. कार्यात्मक इमेजिंग अनुक्रम के तीसरे खंड के साथ शुरू करने के लिए असंबंधित शब्द साहचर्य स्मृति कार्य ट्रिगर । स्थिर राज्य संतुलन के लिए खाते में, विश्लेषण से प्रत्येक कार्यात्मक स्कैन के पहले दो संस्करणों को शामिल न करें ।
        नोट: असंबद्ध शब्द साहचर्य स्मृति कार्य कहीं और वर्णित किया गया है < सुप class = "xref" > 12 , < सुप class = "xref" > 24 . संक्षेप में, यह एंकोडिंग और पुनर्प्राप्ति ब्लॉकों के साथ एक ब्लॉक डिजाइन कार्यात्मक कार्य है । प्रतिभागियों को असंबंधित शब्दों के जोड़े सीखने के निर्देश दिए हैं ।
      3. टी 2-भारित, सह-planar संरचनात्मक इमेजिंग डेटा निम्न अनुक्रम पैरामीटर का उपयोग कर प्राप्त करें: TR = ५,००० ms, ते = ३४ ms, FOV = २०० mm x २०० mm, फ्लिप एंगल = ९० & #176;, मैट्रिक्स = १२८ x १२८, 28 स्लाइस, स्लाइस मोटाई = 3 mm, स्लाइसिंग गैप = 1 mm और voxel साइज = १.५६ x 1 . ५६ x 4 मि.
      4. निम्नलिखित आकर्षण तैयार रैपिड ढाल इको (MPRAGE) अनुक्रम मापदंडों का उपयोग कर उच्च संकल्प संरचनात्मक (संरचनात्मक) इमेजिंग प्राप्त: TR = १,९०० ms, ते = २.२६ ms, ती = ९०० ms, FOV = २५० mm x २१८ mm, फ्लिप एंगल = 9 & #176;, मैट्रिक्स = २५६ x २१५, १७६ स्लाइस , स्लाइस मोटाई = 1 मिमी, शूंय से भरा २५६ x २२४ के एक मैट्रिक्स के लिए एक voxel आकार में जिसके परिणामस्वरूप = 1 x ०.९७६ x ०.९७६ mm.
< p class = "jove_title" > 4. fMRI बोल् ड डाटा की बाराती

  1. कार्यात्मक मस्तिष्क (FMRIB) सॉफ्टवेयर लाइब्रेरी (FSL) संस्करण ६.० (http://fsl.fmrib.ox.ac.ul) के कार्यात्मक एमआरआई का उपयोग कर डेटा इस प्रकार है:
    1. प्रत्येक भागीदार के लिए & #39; s dataset, गति सुधार का उपयोग कर डेटा से सिर प्रस्ताव विरूपण साक्ष्य निकालें FMRIB & #39; s रेखीय छवि पंजीकरण उपकरण (MCFLIRT) < सुप class = "xref" > 25 .
    2. मस्तिष्क निष्कर्षण उपकरण का उपयोग छवियों से गैर मस्तिष्क ऊतक निकालें (शर्त) वैकल्पिक-F ध्वज के साथ < सुप वर्ग = "xref" > २६ .
    3. FSL मोशन Outliers उपकरण का उपयोग करने के लिए कार्यात्मक डेटा में किसी भी खंड की पहचान जहां अत्यधिक गति के आधार पर मात्रा के बीच फ्रेम विस्थापन है । माप जहां गति एक ग़ैर के रूप में मापा जाता है फ्लैग करें (ऊपर ७५ वें शतमक + १.५ बार अंतर चतुर्थक रेंज) स्कैन के बाकी की तुलना में और विश्लेषण में उन संस्करणों downweight करने के लिए इस कार्यक्रम के उत्पादन का उपयोग करें.
      नोट: समूह तुलना चलाने से पहले, उस औसत गति की जांच करें, जैसा कि FSL मोशन Outliers द्वारा मापा जाता है, दो समूहों में अलग नहीं होता है । यह सुनिश्चित करने में मदद करेगा कि निष्कर्षों समूह से प्रेरित गति में मतभेद नहीं हैं ।
  2. पहले प्रतिभागी के लिए FSL fMRI विशेषज्ञ विश्लेषण उपकरण (करतब) के लिए ग्राफ़िकल यूज़र इंटरफ़ेस (GUI) का उपयोग करते हुए पहले से ही प्रक्रिया और प्रथम-स्तरीय सामान्य रेखीय मॉडल (GLM) सेट करें.
    नोट: प्रत्येक अध्ययन भागीदार के लिए इस चरण को दोहराएँ. समय की बचत करने के लिए, एक भागीदार के लिए एक रन सेट करने के बाद, शेष अध्ययन सहभागियों के लिए एक स्क्रिप्ट को चलाने के लिए लेखन करें & #39; डेटा में फेरबदल करके & #34;d esign. fsf & #34; फ़ाइल (FSL करतब आउटपुट) प्रत्येक प्रतिभागी के लिए यह संदर्भ देना कि भागीदार & #39; s विशिष्ट डेटा ।
    1. डेटा टैब में, & #34 पर क्लिक करें; 4d डेटा & #34 जोड़ें; और गति-सही और मस्तिष्क निकाली फाइल करने के लिए नेविगेट । २.५ एस के लिए टी. आर. सेट (कार्यात्मक अनुक्रम के एन टी के लिए इसी) का अधिग्रहण किया । डिफ़ॉल्ट उच्च पास फ़िल्टर का उपयोग करें (सेट करने के लिए १०० s) ।
      नोट: उच्च पास फ़िल्टरिंग नहीं ब्याज की कम आवृत्ति संकेतों को हटा देगा ।
    2. पूर्व आँकड़े टैब पर, क्लिक करें & #34; तुमचे & #34; under & #34; गति सुधार & #34; (जैसा कि यह पहले से ही चरण ४.१ में किया गया था) । अनचेक & #34; बेट ब्रेन निष्कर्षण & #34; (जैसा कि यह चरण ४.१ में पहले ही पूरा हो चुका था). प्रकार & #34; 5 & #34; सेट करने के लिए बॉक्स में 5 मिमी पूर्ण-चौड़ाई आधा-अधिकतम (FWHM) गाऊसी कर्नेल के लिए स्थानिक स्मूथिंग.
      नोट: चिकनी कर्नेल के लिए FWHM आमतौर पर के बारे में दो बार कार्यात्मक स्कैन voxel आकार के आकार पर सेट किया जाना चाहिए ।
    3. आउटपुट का उपयोग करें (6 कॉलम, पंक्तियों = # टीआरएस के स्कैन में) MCFLIRT के 6 एकल कॉलम पाठ फ़ाइलें कि गति सुधार का वर्णन बनाने के लिए डेटासेट के भीतर प्रत्येक खंड पर प्रदर्शन किया । इन मॉडल को अगले चरण में regressors के रूप में जोड़ा जाएगा ।
      1. के तहत आँकड़े टैब में & #34; पूर्ण मॉडल सेटअप & #34;, 6 गति मापदंडों और GLM में regressors या व्याख्यात्मक चर (ईवीएस) के रूप में उनके लौकिक डेरिवेटिव जोड़ें. प्रत्येक प्रस्ताव EV के लिए & #34 चुनें; कस् & #34; (खंड प्रति 1 प्रविष्टि) मूल आकृति के लिए, & #34; तुमचे & #34; for कनवल्शनफ़िल्टर्स और चेक & #34; अस्थाई फ़िल्टरिंग लागू करें । & #34;
        नोट: गति पैरामीटर किसी भी फ़ंक्शन द्वारा convolved जाने की आवश्यकता नहीं है क्योंकि वे संदर्भ पुनर्संरेखण गति सुधार के दौरान प्रत्येक कार्यात्मक मात्रा में प्रदर्शन किया और इस तरह समायोजित करने की आवश्यकता नहीं है ।
    4. आंकड़े टैब में, चरण ४.१ से FSL गति Outliers के आउटपुट का चयन करें & #34 के अंतर्गत; अतिरिक्त मिलाएं प्राप्त ईवीएस & #34;.
      नोट: यह आउटपुट है एक मैट्रिक्स अत्यधिक गति के लिए ध्वजांकित किया गया था जो प्रत्येक खंड टिप्पण और, GLM.
      5. में भारित किया जाएगा, पाया फ़ाइल जोड़कर
    5. में, क्लिक करें & #34; पूर्ण मॉडल सेट-अप & #34;. कार्य समय पाठ फ़ाइलें शुरू करने और विभिंन कार्य चरणों की ऑफसेट टिप्पण और GLM में ईवीएस के रूप में 1 कॉलम प्रारूप का चयन और प्रासंगिक पाठ फ़ाइल के लिए नेविगेट द्वारा इन जोड़ने (कार्य के एंकोडिंग चरण के लिए एक और शामिल है़ चरण के लिए) । for & #34; कनवल्शनफ़िल्टर्स & #34; चुन & #34;d ouble-गामा HRF & #34; इन दोनों के लिए ड्राप डाउन सूची से विकल्प । GLM.
      में कार्य के आधारभूत या गैर-सक्रिय भागों को मॉडल न करें नोट: HRF hemodynamic प्रतिक्रिया समारोह के लिए खड़ा है । Convolving कार्य ev HRF द्वारा कार्य ev में अपेक्षित कार्य-प्रेरित बोल्ड संकेत परिवर्तन के साथ अधिक सुसंगत होने के समय को परिवर्तित करता है ।
      6. पंजीकरण टैब में
    6. , चेक & #34; विस्तारित कार्यशील छवि & #34; और & #34; मुख्य संरचनात्मक छवि & #34 एक दो-चरणीय पंजीकरण के लिए;
      1. चयन भागीदार & #39; एस सह planar टी 2-भारित संरचनात्मक स्कैन पहले कदम के लिए, जिसमें कार्यात्मक डेटा सह planar संरचनात्मक डेटा के लिए पंजीकृत है । इस चरण के अंतर्गत दूसरी ड्रॉप डाउन बॉक्स पर क्लिक करके इस चरण के लिए स्वतंत्रता (DOF) के 6 अंश चुनें और & #34; 6 DOF & #34;.
      2. अगले कदम के लिए, जिसमें टी 2 भारित छवि उच्च संकल्प T1 भारित MPRAGE के लिए पंजीकृत है, का चयन करें सीमा आधारित पंजीकरण (बीपीएलआर) ड्रॉप डाउन बॉक्स से < सुप वर्ग = "xref" > 27 .
        नोट: बीपीएलआर के बीच तीव्रता मतभेदों का उपयोग करता है सफेद बात और ग्रे मामले संरचनात्मक और कार्यात्मक स्कैन रजिस्टर करने के लिए और इश्कबाज और अन्य वैकल्पिक तरीकों से बेहतर प्रदर्शन करने के लिए दिखाया गया है.
        3. अंतिम चरण के लिए
      3. , जिसमें उच्च संकल्प संरचनात्मक डेटा मानक MNI152 टेम्पलेट के लिए पंजीकृत है, स्वतंत्रता के 12 डिग्री और एक रैखिक परिवर्तन का चयन करके & #34; 12 DOF & #34;.
        नोट: जब खंड 4 में सभी चरणों को पूरा कर रहे है कार्यात्मक डेटा है और आगे के विश्लेषण के लिए तैयार है ।
< p class = "jove_title" > 5. हिप्पोकैम्पस के बीज

  1. प्रत्येक भागीदार में वाम हिप्पोकैंपस का एक मुखौटा उत्पंन & #39; एस उच्च संकल्प संरचनात्मक अंतरिक्ष का उपयोग कर FSL & #39; s FMRIB एकीकृत पंजीकरण और फॉल्ट टूल (प्रथम) फॉल्ट एल्गोरिथ्म < सुप वर्ग = "xref" > 28
    ध्यान दें: सही हिप्पोकैंपस सहित अंय क्षेत्रों, आगे विश्लेषण के लिए दिलचस्प और वैध बीज होगा ।
  2. एक सांख्यिकीय सॉफ्टवेयर मंच का उपयोग कर, में कोड लिखने के पूर्वकाल और संरचना के पीछे तिहाई की लंबाई की गणना < सुप वर्ग = "xref" > २९ . विशेष रूप से, पूर्वकाल पीछे विमान में volumetric हिप्पोकैम्पस मुखौटा की लंबाई का उपयोग करने के लिए पूर्वकाल और इस विमान के पीछे तिहाई अंकन निर्देशांक खोजने के लिए ।
    नोट: अनुदैर्ध्य अक्ष के साथ हिप्पोकैंपस सेगमेंट का हाल ही में प्रकाशित विधि एक वैकल्पिक बीज निर्माण approach हो सकता है < सुप वर्ग = "xref" > ३० .
  3. इन निर्देशांक के आधार पर, पूर्वकाल और पीछे हिप्पोकैम्पस मुखौटा छवियों बनाएँ. का उपयोग कर मूल कार्यात्मक अंतरिक्ष में पूर्वकाल और पीछे हिप्पोकैम्पस मास्क रजिस्टर & #34; example_func2highres & #34; मैट्रिक्स में करतब उत्पादन की पंजीकरण निर्देशिका ।
    नोट: पूर्वकाल और पीछे तिहाई का उपयोग कार्यात्मक अंतरिक्ष के लिए पंजीकरण के बाद दो हिप्पोकैम्पस बीज भर धुंधला संकेत रोका । वहां हिप्पोकैंपस के अनुदैर्ध्य अक्ष के साथ कार्यात्मक विशेषज्ञता का सबूत है < सुप वर्ग = "xref" > 31 , < सुप वर्ग = "xref" > ३२ , < सुप क्लास = "xref" > ३३ , < सुप क्लास = "xref" > ३४ . पूर्वकाल क्षेत्रों इनपुट क्षेत्रों और एंकोडिंग के साथ जुड़े रहे हैं, जबकि पीछे हिप्पोकैंपस एक उत्पादन स्मृति पुनः प्राप्ति और समेकन के साथ जुड़े क्षेत्र है < सुप वर्ग = "xref" > 35 , < सुप वर्ग = "xref" > ३६ , < सुप वर्ग = "xref" > ३७ . इस प्रकार, इन क्षेत्रों का उपयोग करने की अनुमति देता है पूर्वकाल बनाम पीछे हिप्पोकैंपस के कार्यात्मक भागीदारी के मूल्यांकन बनाम स्मृति कार्य की पुनर्प्राप्ति चरणों ।
  4. उपयोग FSL मतलब timeseries (fslmeants) पूर्वकाल और पीछे timeseries बीज से शोर औसत हिप्पोकैम्पस निकालने के लिए (< मजबूत वर्ग = "xfig" > चित्रा 1 ). कार्यक्रम के निर्देशों का पालन करें और या तो पूर्वकाल या पीछे हिप्पोकैम्पस बीज मुखौटा और शोर के रूप में उपयोग करते हैं, मुख्य छवि के रूप में कार्यात्मक डेटा संसाधित ।
< p class = "jove_content" > < img alt = "figure 1" class = "xfigimg" src = "//cloudfront.jove.com/files/ftp_upload/55394/55394fig1.jpg"/>
< सबल वर्ग = "xfig" > चित्रा १ : हिप्पोकैम्पस बीज. देशी अंतरिक्ष में, एक एकल भागीदार & #39; एस पूर्वकाल हिप्पोकैंपस बीज पीले रंग में दिखाया गया है । एक ही भागीदार के लिए पीछे हिप्पोकैंपस बीज गुलाबी में दिखाया गया है । बीज प्रत्येक भागीदार & #39; एस अद्वितीय संरचनात्मक छवि और फिर उनके कार्यात्मक स्कैन करने के लिए पंजीकृत में परिभाषित कर रहे हैं । बीज एक मानकीकृत अंतरिक्ष में कभी नहीं कर रहे हैं, जो हिप्पोकैम्पस विभाजन की सटीकता में सुधार । यह आंकड़ा अनुमति के साथ पुनर्मुद्रित किया गया है < सुप क्लास = "xref" > 12 . < a href = "http://ecsource.jove.com/files/ftp_upload/55394/55394fig1large.jpg" target = "blank" > इस आंकड़े का एक बड़ा संस्करण देखने के लिए कृपया यहां क्लिक करें ।

< p class = "jove_title" > 6. पीपीआई मॉडल

  1. फ़ंक्शनल कार्यात्मक डेटा लोड करने के लिए FSL करतब के लिए GUI का उपयोग करें ।
    1. डेटा टैब में, & #34; filtered_func_data & #34; नॉइज़्ड छवि (खंड 4 में पूर्ण किए गए चरणों से आउटपुट) इनपुट फ़ाइल के रूप में । पूर्व आँकड़े टैब में, सेट गति सुधार और मस्तिष्क निष्कर्षण करने के लिए & #34; कोई नहीं. & #34; क्लिक करें बक्से अस्थाई छानने और स्थानिक चिकनी करने के लिए ।
  2. पीपीआई मॉडएल सेट अप ( टेबल 1 ) ।
    1. आंकड़े टैब में, select & #34; पूरा मॉडल सेट-अप & #34;. ईवीएस टैब में, प्रथम स्तर मॉडल से सभी ईवीएस जोड़ें: 6 गति सुधार ईवीएस, FSL गति Outliers और कार्य समय ईवीएस से EV मैट्रिक्स को मिला । ईवीएस जोड़ने के लिए ऊपर तीर क्लिक करें । इस मॉडल में शामिल करें एक EV बीज से शारीरिक timecourse के लिए (fslmeants चरण ५.४ में पाठ फ़ाइल आउटपुट) ऊपर तीर पर क्लिक करके कोई ब्याज की covariate के रूप में ।
    2. पीपीआई शर्तें बनाते हैं ।
      1. चुन & #34; जनसंवाद & #34; मूल आकृति मेनू में और timecourse ev और एक कार्य ev बीज का चयन करें । के लिए & #34; कर शून्य & #34; विकल्प, चुन & #34; माध्य & #34; के लिए बीज timecourse ev और & #34; केंद्र & #34; कार्य ev के लिए । अंय कार्य चरण (यों) के लिए इस कार्यविधि को दोहराएं । प्रत्येक बीज क्षेत्र के लिए एक अलग मॉडल चलाएं ।
        नोट: इन नए ईवीएस (मनोवैज्ञानिक) और बीज (फिजियो) चयनित कार्य के चरण के लिए पीपीआई शर्तें हैं । वर्तमान अध्ययन में, एन्कोडिंग चरण के लिए एक पीपीआई शब्द और एक पीपीआई चरण के लिए एक दूसरे पीपीआई पद प्रत्येक पल्स पोलियो मॉडल में शामिल थे । द & #34; दर् & #34; विकल्प सुनिश्चित करता है कि & #34; पर & #34; र & #34; उतर & #34; ब्लॉक डिज़ाइन कार्य के चरण समान रूप से व्यवहार किए जाते हैं. द & #34; मतलब & #34; विकल्प हमेशा बीज timecourse पर लागू होता है और माध्य में परिणाम इस regressor से घटाया जा रहा है.
    3. विषमता और F-परीक्षण टैब में, निम्न विशिष्ट प्रभावों को दर्ज कर मॉडल & #34; 1 & #34; इसी EV कक्ष में: psych_enc (एंकोडिंग कार्य चरण), psych_ret (पुनर्प्राप्ति कार्य चरण), phys (बीज timecourse), PPI_enc (पीपीआई का बीज और एंकोडिंग), PPI_ret (बीज पीपीआई और पुनः प्राप्ति) । अन्त में, एक & #34;-1 & #34; प्रत्येक कार्य चरण के लिए ऋणात्मक PPIs को मॉडल में दर्ज करें ।
< p class = "jove_content" फो: रख-जुलकर । भीतर-पृष्ठ = "1" > < img alt = "Table 1" src = "//cloudfront.jove.com/files/ftp_upload/55394/55394table1.jpg"/>

टेबल 1: gPPI मॉडल सेट-अप .

< p class = "jove_title" > 7. समूह की तुलना

  1. Select & #34; उच्च-स्तरीय विश्लेषण & #34; एक साधारण समूह की तुलना APOE & #949 चलाने के लिए FSL करतब में; 4 वाहक प्रत्येक कार्य-बीज संयोजन के लिए गैर-वाहक के लिए ।
    नोट: ये तुलना प्रासंगिक समूह 4d अवशिष्ट छवियां उत्पंन करने के लिए चलाए जा रहे है (& #34; res4d & #34 डेटासेट की चिकनाई का अनुमान लगाने की जरूरत;). इस समूह की तुलना से सांख्यिकीय महत्वपूर्ण परिणाम मान्य हैं, लेकिन एक और थ्रेसहोल्ड दृष्टिकोण अफनी और SPM8 का उपयोग कर एक महत्वपूर्ण क्लस्टर न्यूनतम मोंटे कार्लो सिमुलेशन पर आधारित सेट करने के लिए नीचे दिए गए चरणों में वर्णित है.
    2. कार्यात्मक Neuroimaging (अफनी) के
  2. उपयोग विश्लेषण
    1. उपयोग अफनी & #39; s 3dFWHMx (दिसंबर २०१५ के बाद किसी भी संस्करण) आदेश पंक्ति में समूह 4d अवशिष्ट छवियों की चिकनाई का अनुमान लगाने के लिए FSL.
      का उपयोग उत्पंन नोट: अफनी & #39; s 3dClustSim में एक बग खोजा गया और मई २०१५ में ठीक किया गया. दिसंबर २०१५ में, अफनी & #39; s 3dFWHMx अधिक सही मॉडल ऑटो सहसंबंध के लिए अद्यतन किया गया था । इस प्रकार, इन उपकरणों के संस्करण दिसंबर २०१५ में जारी या बाद में इस्तेमाल किया जाना चाहिए ।
    2. उपयोग अफनी & #39; s 3dClustSim (दिसंबर २०१५ के बाद कोई भी संस्करण) क्लस्टर सीमा निर्धारित करने के लिए न्यूनतम भिन्न voxel-स्तर थ्रेशोल्ड पर महत्व तक पहुँचने. आदेश पंक्ति 3dClustSim के आव्हान में पिछले चरण से चिकनाई अनुमान शामिल करें । 3dClustSim द्वारा उत्पन्न तालिका से, अपेक्षित प्रभावों के संबंध में अध्ययन परिकल्पनाओं के आधार पर & #39; ऊँचाई और सीमा, voxel-स्तर थ्रेशोल्ड और संगत क्लस्टर न्यूनतम आकार का चयन करें.
      नोट: सामांय में, बड़ा क्लस्टर false धनात्मकता को कम करें ।
  3. का उपयोग सांख्यिकीय पैरामीट्रिक मानचित्रण (SPM8)
    1. का उपयोग SPM8 GUI, select & #34; ष्ट 2 nd -तर & #34;. बैच के संपादक खुल जाएंगे । Select & #34; डिजाइन के तहत दो नमूना t-test & #34; समूह 1 (APOE & #949; 4 वाहक) के लिए पैरामीटर अनुमान छवियों के साथ निर्देशिका में नेविगेट करें और उन पर क्लिक करके चुनें. अगला, समूह 2 जोड़ें (APOE & #949; 4 गैर-वाहक) छवियां । ग्रीन प्ले बटन पर क्लिक करके इस तुलना चलाएँ.
      2. एसपीएम GUI को वापस
    2. , select & #34; हमरा & #34;, और पर नेविगेट करें एसपीएम. mat मॉडल अनुमान प्रक्रिया को चलाने के लिए पिछले चरण में बनाई गई फ़ाइल ।
    3. Select & #34; result & #34; र रन समूह तुलना विषमता: APOE & #949; 4 वाहको & #62; APOE & #949; 4 गैर वाहक, APOE & #949; 4 गैर वाहको & #62; APOE & #949; 4 वाहको ।
      1. पर क्लिक करें & #34;d efine a new कंट्रास्ट & #34;, चुन & #34; T-कंट्रास्ट & #34; के तहत & #34; प्रकार & #34; व लिहा & #34; 1 -1 & #34; म & #34; कंट्रास्ट & #34; बॉक्स फॉर APOE & #949; 4 वाहको & #62; APOE & #949; 4 गैर वाहक । क्लिक करें & #34;d one & #34;. चुन & #34; तुमचे & #34; मास्किंग लागू करें, और मैंयुअल रूप से सेट voxel-स्तर थ्रेशोल्ड और क्लस्टर आकार ंयूनतम चरण 7.2.2 में किए गए निर्धारण के अनुसार के लिए । लिहा & #34;-१ १ & #34; त्यात APOE & #949; 4 गैर वाहको & #62; APOE & #949; 4 वाहको.
        नोट: वर्तमान अध्ययन में, p & #60; ०.००५ का एक voxelwise थ्रेशोल्ड उपयोग किया गया था और अल्फ़ा & #60; ०.०५ पर थ्रेशोल्ड क्लस्टर्स;

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

दो अलग सक्रिय कार्य चरणों (एंकोडिंग और पुनः प्राप्ति) और दो बीज क्षेत्र (पूर्वकाल और पीछे हिप्पोकैंपस) के साथ वहां चार शर्तों को प्रत्येक समूह के लिए परिणाम रिपोर्ट कर रहे हैं । भीतर समूह कार्य सक्रियण maps (यहां नहीं दिखाया गया है, हैरिसन एट अल, २०१६12) बताते है कि पश्चकपाल पालि, श्रवण प्रांतस्था, पार्श्विका पालि के बड़े क्षेत्रों, ललाट भाषा क्षेत्रों, सुपीरियर लौकिक गाइरस, और caudate (अधिक स्पष्ट देखें पुनर्प्राप्ति के दौरान) दोनों प्रयोगात्मक समूहों में एंकोडिंग और पुनर्प्राप्ति के दौरान महत्वपूर्ण साहसिक संकेत बढ़ जाती है । भीतर समूह पीपीआई विश्लेषण से पता चला है कि वहां या तो APOEε4 वाहक या गैर वाहक के लिए पूर्वकाल या पीछे हिप्पोकैम्पस बीज के साथ कार्यात्मक कनेक्टिविटी में कोई महत्वपूर्ण वृद्धि कर रहे हैं । भीतर समूह पीपीआई विश्लेषण कार्य शर्तों और हिप्पोकैम्पस उपक्षेत्रों के लिए APOEε4 वाहकों में कार्यात्मक कनेक्टिविटी में महत्वपूर्ण कमी का पता चला (चित्रा 2) । APOEε4 गैर में, कार्यात्मक कनेक्टिविटी में महत्वपूर्ण घटाता है केवल एंकोडिंग के दौरान पीछे हिप्पोकैंपस के साथ देखा गया (चित्रा 2) । सकारात्मक और नकारात्मक पीपीआई मैप्स APOEε4 वाहक और गैर वाहक के बीच एक विचलन कैसे हिप्पोकैम्पस एक स्मृति कार्य के दौरान कार्यात्मक कनेक्टिविटी परिवर्तन में दिखा । यदि विचलन सांख्यिकीय रूप से महत्वपूर्ण है यह निर्धारित करने के लिए, यह आवश्यक है कि सीधे समूहों की तुलना चार परिणामों में से प्रत्येक के लिए३८।

लाघव के लिए, समूह तुलना केवल एक क्षेत्र और कार्य चरण के लिए APOEमध्यस्थता मतभेद दिखा परिणाम, के दौरान पूर्वकाल हिप्पोकैंपस, यहाँ प्रस्तुत कर रहे हैं (गैर वाहक & #62; वाहक, चित्रा 3). पुनर्प्राप्ति के दौरान, पूर्वकाल हिप्पोकैंपस कनेक्टिविटी परिवर्तन के विचलन समूह में देखा गया (चित्र 2) द्विपक्षीय supramarginal गाइरस, सही कोणीय गाइरस और सही precuneus में समूह अंतर के बीच महत्वपूर्ण परिणाम ।

Figure 2
चित्र 2 : हिप्पोकैम्पस बीज कार्य-निर्भर ऋणात्मक कार्यशील कनेक्टिविटी परिवर्तन मानचित्र । समूह के भीतर APOEε4 गैर-वाहकों और वाहकों में हिप्पोकैम्पस उपक्षेत्रों के समूह औसत कार्य-निर्भर नकारात्मक कार्यात्मक कनेक्टिविटी परिवर्तन के राज्याभिषेक और अक्षीय विचार । पूर्वकाल हिप्पोकैंपस बीज ऊपरी पैनलों में दिखाए जाते हैं के साथ कार्य-निर्भर कनेक्टिविटी घटाता है । निचले पैनलों कार्य-निर्भर कनेक्टिविटी के पीछे हिप्पोकैंपस के साथ घटाता है दिखाएं । मानचित्र z = २.३ पर थ्रेशोल्ड किए गए थे, क्लस्टर p & #60; ०.०५ पर ठीक किया गया । APOEε4 गैर में Voxels बैठक दहलीज-वाहक (लाल में) और वाहक (हरे रंग में) मढ़ा जाता है. इस आंकड़े को अनुमति12के साथ पुनर्मुद्रित किया गया है । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 3
चित्र 3: पूर्वकालिक हिप्पोकैम्पस बीज कनेक्टिविटी परिवर्तन के दौरान APOEε4 वाहक और गैर-वाहक के बीच अंतर बदल जाता है । पुनर्प्राप्ति के दौरान, APOEε4 वाहकों और गैर-वाहकों के बीच महत्वपूर्ण अंतर बाएं supramarginal गाइरस (डार्क ब्लू), दाएं supramarginal/कोणीय जंक्शन (नारंगी) और साथ ही दाएं precuneus (जामुनी) में पाए गए । इस दो-नमूना t-परीक्षण से परिणाम अल्फा & #60; ०.०५ के एक voxelwise दहलीज के साथ पी & #60; ०.००५ की एक सीमा के साथ प्रकट करने के लिए थ्रेशोल्ड थे । प्रत्येक क्लस्टर के लिए पीक निर्देशांक में x, y, z विमानों (मिमी), MNI स्थान में रिपोर्ट की गई है । समूहों के बीच अंतर की दिशा और परिमाण के चित्रण के लिए, प्रत्येक क्लस्टर से पैरामीटर अनुमान के विरोधाभासों को समूह द्वारा प्लॉट किया जाता है । लाल क्षैतिज रेखाएं शूंय का संकेत देती है और यह उजागर करती है कि वाहकों में इन क्षेत्रों में पूर्वकालिक हिप्पोकैंपस के लिए कार्यात्मक कनेक्टिविटी में कमी आई है (ऋणात्मक) । बक्से के भीतर बैंड औसत का प्रतिनिधित्व करता है, जबकि बक्से के ऊपरी और निचले किनारों पहले और तीसरे quartiles, क्रमशः प्रतिनिधित्व करते हैं । मूंछें १.५ बार interquartile रेंज तक फैली हैं । इस श्रेणी के बाहर डेटा बिंदुओं को outliers के रूप में प्लॉट कर रहे हैं । इस आंकड़े को अनुमति12के साथ पुनर्मुद्रित किया गया है । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

प्रारंभिक कार्य आधारित fMRI अध्ययन विशेष संज्ञानात्मक प्रक्रियाओं या मांगों और एक आधारभूत माप के सापेक्ष बोल्ड संकेत में परिवर्तन के बीच सांख्यिकीय संबंधों को उजागर करने के लिए डिजाइन किए गए थे । यह पारंपरिक दृष्टिकोण जहां गतिविधि एक प्रयोगात्मक कार्य द्वारा संग्राहक है मस्तिष्क में विशिष्ट क्षेत्रों की पहचान करने के लिए उपयोगी है । इसके विपरीत, एक पीपीआई विश्लेषण कार्यात्मक कनेक्टिविटी, या गतिविधि के synchrony के मॉडुलन के साथ मुख्य रूप से चिंतित है, कि एक कार्य प्रेरित संज्ञानात्मक प्रक्रिया से परिणाम. पीपीआई उपायों संदर्भ ब्याज की एक परिभाषित क्षेत्र (बीज) और मस्तिष्क के अन्य क्षेत्रों के बीच निर्भर कार्यात्मक कनेक्टिविटी, न सिर्फ गतिविधि बढ़ जाती है और स्थानीयकृत क्षेत्रों में कम हो जाती है । बीज क्षेत्र के चयन परिकल्पना-प्रेरित किया जाना चाहिए पीपीआई विश्लेषण के रूप में बेहतर प्रदर्शन करेंगे जब बीज क्षेत्र में गतिविधि संग्राहक है, एक univariate ढांचे में, कार्य प्रेरित संज्ञानात्मक संदर्भ द्वारा । फिर, पीपीआई ढांचा कैसे बीज क्षेत्र गतिविधि और अधिक या कम विशिष्ट कार्य संदर्भों के जवाब में अंय क्षेत्रों के साथ सिंक्रनाइज़ हो जाता है का पता लगाने के लिए इस्तेमाल किया जा सकता है, जैसे स्मृति एंकोडिंग या पुनः प्राप्ति । समूहों के बीच मतभेद, इसलिए, बीज और अन्य क्षेत्रों है कि एक विशेष कार्य चरण द्वारा संग्राहक रहे हैं के बीच कार्यात्मक कनेक्टिविटी परिवर्तन करने के लिए सीमित हैं.

GLM की एक पूरी तरह से समझ एक पीपीआई विश्लेषण को लागू करने के लिए आवश्यक है । एक पूर्ण, समूह तुलना पीपीआई अध्ययन रैखिक मॉडलिंग के तीन स्तर हैं: पहले स्तर (प्रक्रिया, कार्य, और गति मॉडलिंग), मध्य स्तर पीपीआई मॉडल (बीज timecourse और कार्य सहभागिता ईवीएस जोड़ें) और उच्च स्तर समूह तुलना मॉडल (समूह पैरामीटर अनुमान के विरोधाभासों) । प्रत्येक चरण में, एक आउटपुट छवि निम्न चरण के लिए इनपुट के रूप में उपयोग किया जाता है । gPPI २०१२ में प्रस्तावित दृष्टिकोण और वर्तमान अध्ययन में कार्यरत GLM की सुविधाओं का उपयोग सुनिश्चित करने के लिए कि विरोधाभासों हित के कार्य चरण के साथ बातचीत करने के लिए विशिष्ट है3। क्लासिक पीपीआई में, एक मॉडल दो शर्तों और एक धारणा बना दिया है कि दो शर्तों आधारभूत के विपरीत पक्ष पर कर रहे है (यदि वहां एक आधारभूत स्थिति है) । gPPI की अनुमति देता है एक को सही सभी शर्तों मॉडल और कैसे शर्तों आधारभूत स्थिति से संबंधित के बारे में कोई अनुमान नहीं है । किसी भी पीपीआई विश्लेषण का एक अंय महत्वपूर्ण घटक एक बीज क्षेत्र के उपयुक्त चयन है । बीज क्षेत्रों को साहित्य में पूर्व साक्ष्यों के आधार पर चुना जा सकता है, जैसे वर्तमान अध्ययन में जिसमें हिप्पोकैंपस को स्मृति कार्य के लिए बीज क्षेत्र के रूप में प्रयोग किया गया था । बीज चयन की एक अंय विधि एक क्षेत्र है जहां एक विशेष कार्य चरण के दौरान गतिविधि काफी बढ़ जाती है चुनना है । इस विधि के साथ, बीज क्षेत्र शारीरिक लेकिन univariate सक्रियण मैप्स में suprathreshold voxels के एक समूह का उपयोग कर परिभाषित नहीं है । बीज चयन करने के लिए इस दृष्टिकोण के साथ, पीपीआई विश्लेषण परिपत्र से बचने के लिए कार्य का मुख्य प्रभाव के लिए जवाबदेह है और पीपीआई केवल प्रभाव है कि (ऊपर और ऊपर) कार्य का मुख्य प्रभाव से अलग है कि पता चलता है ।

चूंकि पीपीआई पहले प्रस्तावित था, कार्यात्मक रूप से जुड़े की अवधारणा, स्थानिक दूर मस्तिष्क क्षेत्रों मोटे तौर पर स्वीकार किए जाते हैं । आराम राज्य fMRI के उपयोग के माध्यम से, यह दिखाया गया है कि मस्तिष्क आंतरिक नेटवर्क है, या क्षेत्रों है कि कार्यात्मक आराम से जुड़े रहे है के सेट है । इस प्रकार, आराम राज्य fMRI अध्ययन अक्सर कार्यात्मक संपर्क की जांच, एक ही शब्द पीपीआई अध्ययन में इस्तेमाल किया । कार्यात्मक संपर्क की व्याख्या, तथापि, राज्य fMRI और पीपीआई अध्ययन आराम में अलग है । पीपीआई निष्कर्ष, परिभाषा, कार्य और बीज क्षेत्र है कि कार्य डिजाइन द्वारा समझाया नहीं जा सकता है के बीच एक बातचीत के व्याख्यात्मक प्रभाव, बीज timecourse या किसी भी अंय चर4को प्राप्त कर रहे हैं । विश्राम स्थिति fMRI में, नेटवर्क गतिविधि में अंतर विशिष्ट क्षेत्रों के बीच कनेक्टिविटी में परिवर्तन या नेटवर्क गतिविधि में समग्र परिवर्तनों के कारण हो सकता है । इस प्रकार, अगर एक अध्ययन के लक्ष्य के लिए दो समूहों के बीच कार्यात्मक संपर्क में परिवर्तन की तुलना है, एक पीपीआई दृष्टिकोण बेहतर है । इसके विपरीत, यदि एक अध्ययन के लक्ष्य को दो समूहों के बीच आंतरिक संपर्क में अंतर का वर्णन है, आराम राज्य fMRI विश्लेषण बेहतर कर रहे हैं ।

मूल पीपीआई ढांचे की एक प्रमुख सीमा सांख्यिकीय4में निहित शक्ति की कमी है । चूँकि पीपीआई शब्द (EV) को मॉडल में शामिल किए गए दो ईवीएस का उपयोग करके बनाया जाता है, इसलिए यह दोनों के लिए संबंधित होने की संभावना है । किसी GLM में, एक से अधिक भविष्यवक्ताओं या ev द्वारा समझाया जा सकने वाला प्रसरण किसी एक ev को असाइन नहीं किया जाता है । इस प्रकार, पीपीआई शब्द ही प्रभाव है कि कार्य या बीज timecourse, जो दोनों पीपीआई शब्द से संबंधित है द्वारा समझाया नहीं जा सकता है का पता लगाने के लिए शक्ति है । इस वजह से, यह संभावना है कि गलत नकारात्मक पीपीआई विश्लेषण में होते हैं । gPPI, तथापि, के लिए झूठी नकारात्मक की संख्या को कम करने के लिए और अधिक छोटे प्रभाव आकार निष्कर्षों के प्रति संवेदनशील है दिखाया गया है3,३९।

पीपीआई दो क्षेत्रों के बीच कार्यात्मक कनेक्टिविटी में कार्य-निर्भर परिवर्तन को उजागर कर सकता है, लेकिन यह निर्धारित नहीं कर सकता कि एक क्षेत्र में गतिविधि दूसरे में गतिविधि में परिवर्तन के कारण होती है । दूसरे शब्दों में, एक पीपीआई विश्लेषण कार्यात्मक कनेक्टिविटी परिवर्तन में करणीय का पता लगाने के लिए इस्तेमाल नहीं किया जा सकता । ऐसे गतिशील कारण मॉडलिंग के रूप में अंय तरीकों, बेहतर कार्यात्मक डेटा४०में करणीय के विश्लेषण के लिए अनुकूल हैं । पीपीआई विश्लेषण इन तकनीकों का उपयोग कर प्रयोगों के डिजाइन को सूचित कर सकते हैं । संक्षेप में, पीपीआई एक प्रासंगिक बीज क्षेत्र के कार्यात्मक कनेक्टिविटी में कार्य-विशिष्ट परिवर्तन की जांच और समूहों के बीच इन परिवर्तनों की तुलना के लिए एक उपयोगी तरीका है । पीपीआई अध्ययन से परिणाम स्वास्थ्य, रोग और रोग के लिए जोखिम में कार्यात्मक संपर्क के गतिशील प्रकृति की एक बेहतर समझ के लिए नेतृत्व कर सकते हैं ।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

डीजीएम Biospective के एक कर्मचारी है, inc Biospective, inc डेटा प्रस्तुत की किसी भी प्रक्रिया नहीं किया ।

Acknowledgments

इस काम को नेशनल इंस्टीट्यूट ऑफ एजिंग (ग्रांट नंबर R01AG013308 टू SYB, F31AG047041 टू TMH) ने सपोर्ट किया था । लेखक गणना और भंडारण Hoffman2 साझा क्लस्टर UCLA डिजिटल अनुसंधान और शिक्षा अनुसंधान प्रौद्योगिकी समूह के लिए संस्थान द्वारा प्रदान के साथ जुड़े सेवाओं का इस्तेमाल किया ।

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

तंत्रिका अंक १२९ कार्यात्मक कनेक्टिविटी हिप्पोकैंपस कार्यात्मक चुंबकीय अनुनाद इमेजिंग fMRI fMRI सांख्यिकीय विश्लेषण एमआरआई आनुवंशिक जोखिम APOE psychophysiological बातचीत (पीपीआई) सामान्यीकृत psychophysiological इंटरेक्शन (gPPI)
सामान्यीकृत Psychophysiological इंटरेक्शन (पीपीआई) अल्जाइमर रोग के लिए आनुवंशिक जोखिम पर व्यक्तियों में स्मृति संबंधित कनेक्टिविटी का विश्लेषण
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