Summary
Основываясь на отдыха государство функционального магнитного резонанса с Грейнджер анализа причинно-следственных связей, мы исследовали изменения направлены функциональной связи между задней поясной коры и весь мозг пациентов с болезнью Альцгеймера (AD), пациентов с мягкий когнитивных нарушений (MCI) и здорового контроля.
Abstract
Нарушением функциональной связи в сети по умолчанию режим (НУМ) могут быть вовлечены в прогрессирования болезни Альцгеймера (AD). Задней поясной коры (PCC) является потенциальным изображения маркера для мониторинга прогрессирование AD. Предыдущие исследования не нацелен на функциональные связи между КЦП и узлы в регионах за пределами НУМ, но наше исследование является попыткой изучить эти упускается из виду функциональных соединений. Для сбора данных, мы использовали функциональная магнитно-резонансная томография (МРТ) и анализ причинно-следственных связей Грейнджер (ГКА). МР-томографию предоставляет неинвазивный метод для изучения динамического взаимодействия между регионами различных мозга. ВКА — статистическая гипотеза тест для определения, полезен ли одноразовый серии прогнозирования другой. В простых терминах, он оценивается путем сравнения «Известные всю информацию на последний момент, распределения вероятностей X в это время» и «Известные всю информацию на последний момент, за исключением Y, распределения вероятностей X в настоящее время», чтобы определить, существует ли причинно-следственная связь между X и Y. Это определение основывается на источник полной информации и стационарные хронологическую последовательность. Основной шаг этого анализа заключается в использовании X и Y, чтобы установить уравнение регрессии и привлечь причинно-следственной связи, гипотетический теста. С ГКА можно измерить причинных эффектов, мы использовали его для изучения анизотропии функциональной связности и исследовать функцию концентратора PCC. Здесь мы проверку 116 участников для МРТ сканирование, и после предварительной обработки данных, полученных от нейровизуализации, мы использовали ГЦА вывести причинно-следственной связи каждого узла. Наконец мы пришли к выводу, что режиссер связи значительно отличаются между группами мягкий когнитивных нарушений (MCI) и AD, PCC весь мозг и весь мозг для КПК.
Introduction
АД это дегенеративное заболевание центральной нервной системы, которая может быть диагностирована с помощью гистопатология, электрофизиологии и нейровизуализации1. Связанных с памятью НУМ является жизненно важной системы взаимодействующих областей мозга, связанные с AD, и аномальные функции характерно AD2,3. PCC является важным регионом по умолчанию традиционной сети в состоянии покоя и играет ключевую роль в эпизодических памяти, пространственной внимание, самооценки и других когнитивных функций4,5,6,7. Кроме того она может быть маркер изображений для мониторинга AD прогрессии. Используя вка, Ляо et al. обнаружил, что КПК является регионом несколько cytoarchitectonics с несколькими подключениями и играет важную роль в функциональных мозга структуры8. Чжун et al. сообщили, что центр конвергенции, который получил взаимодействия от большинства других регионов в течение НУМ3PCC. Кроме того Мяо et al. показали, что в регионах хаб НУМ, PCC имеет наибольшее причинной эффект отношения с другими узлами9. Вместе все, что это свидетельство показывает, что режиссер подключение PCC ценные исследования AD и PCC нуждается в дальнейшем изучить обстоятельно как жизненно важного региона НУМ.
Предыдущие исследования были ограничены соединения между КПК и других регионов в НУМ; Однако изменения направлены функциональные связи между регионами КЦП и мозг за пределами НУМ, а также их влияние на объявление пока не изучены10. Наше исследование дополнительно изучить этот неисследованных функциональные связи в нормальных здоровых элементов управления, с MCI и пациентам с AD. Наблюдая режиссер подключения между КПК и весь мозг регионами, мы стремились выяснить функциональные изменения в головном мозге, относящиеся к AD прогрессии и тем самым создать роман объективной основы для оценки тяжести заболевания.
Функциональные связи относится к межрегионального взаимодействия, который может быть представлен синхронных колебаниями низкой частоты (LFFs) в мозгового сигнала зависит от уровня крови кислорода (BOLD) МР-томографию. Таким образом для того чтобы наблюдать функциональной связи между КПК и других регионах мозга, мы проанализировали функциональной связи между КПК и весь мозг сети по МР-томографию с помощью вка, с PCC как региона интерес (ROI). Этот метод непосредственно вытекает фундаментальные отношения каждого узла, используя данные, полученные от нейровизуализации11. В последнее время GCA был применен к электроэнцефалограммы (ЭЭГ) и МР-томографию исследования для выявления причинных эффектов среди регионов мозга12. Все эти исследования показали, что ВКА техника может быть оптимальным для выявления причинно-следственной связи каждого узла в головном мозге.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Этот доклад представляет собой процесс для сравнения режиссер функциональные соединения в КЦП весь мозг и весь мозг КЦП между AD, MCI и управления группы. Кроме того ключевым этапом в этом процессе является классификация и отбора образца до эксперимента. Таким образом классификации и критериев отбора важны потому, что точность результатов могут быть затронуты, если они ошибочны. Как указано в протоколе, мы использовали 2011 NINCDS-ADRDA диагностические критерии и MMSE и критерии для идентификации и классификации MCI; Наши критерии отбора также упоминаются в протоколе выше. Мы исключены те пациенты, которые не были пригодны для судебного разбирательства, а затем точно классифицированы остальных пациентов, что является основополагающим для последующих экспериментов. Критический анализ ГЦА наследует режиссер функциональной связности PCC весь мозг и весь мозг КЦП между AD, MCI, и группы элементов управления с использованием данных, полученных от нейровизуализации. Мы представили подробности ГЦА анализа в настоящем Протоколе. Эта технология обнаружили значительные различия между группами в режиссер подключения и хорошо объяснил корреляции между функциональные изменения и AD прогрессии.
В нашем анализе данных этого исследования различия произошло между людьми (не включая возраста, пола и уровня образования, поскольку они похожи между 3 группами, и следовательно, это трудно сделать объективную оценку выводов). Чтобы устранить эту проблему, мы анализируем данные групп, а не индивидуальных данных. Переменные в каждой группе представлены как среднее и SD и непрерывное переменные как цифры и проценты, используя хи-квадрат тест. Через такой количественной оценки мы можем объективно оценить режиссер соединения между КПК и весь мозг региона и прояснить функциональные изменения, связанные с прогрессированием AD в головном мозге.
Хотя линейной корреляции и независимых компонент анализа (МКА) широко использовался для изучения функциональных подключения, эти результаты имеют не направленности. GCA может использоваться не только для измерения причинных эффектов МР-томографию временных рядов, но и чтобы показать динамику и направление смелые сигнала, полученные от rs МРТ14,15.
Мы проанализировали режиссер соединения между КПК и весь мозг сети, с помощью ГЦА с PCC ROI и найти различия между AD, MCI, режиссер соединения и контрольных групп. Таким образом мы пришли к выводу, что РСС, как важный hub НУМ мозга региона, имеет значительное влияние на объявление прогрессии. PCC может не только показать отклонений в получении информации, но также показать отклонений в передаче информации. Кроме того это исследование показывает, что передача информации во всех регионах мозга с ненормальным соединений направленного, за исключением отдельных узлов (левой средней лобной извилины и левой предклинье), так как аномалий в этих регионах мозга являются односторонними. Еще один интересный вывод этого исследования является, что, как представляется, эти соединения аномалии происходят главным образом в левом полушарии. Это может быть потому, что доминирующее полушария (левое полушарие) более восприимчивы к травмам, чем правого полушария, приводит к ранней метаболических снижение и атрофия16.
Тем не менее существуют некоторые ограничения в нашем исследовании. GCA технологии, когда дискретизации достигает 2 s, различные гемодинамики задержки трудно получить точно17, и медленной динамики смелый сигнал на 2 s может вызвать некоторые потери быстрого причинно-следственной связи18. В результате это ограничение может привести к отклонению экспериментальных данных. Поскольку размер выборки теста не было достаточно большим достаточно, дополнительные образцы имеют важнейшее значение для проверки результатов.
В настоящее время некоторые исследования использовали многомерные ГЦА техники для описания причинно-следственной связи между несколькими областями мозга. В теории Многовариантное ГЦА является улучшенная техника, которая может раскрыть сложность направленного подключения в головном мозге; Однако он имеет больше технических проблем, чем двумерных ГЦА как гемодинамики задержки зависит от региона12. Наша будущая цель является для решения проблем Многовариантное ГКА и применить его к исследования, чтобы лучше продемонстрировать комплекс направленного подключения мозга.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Авторы заявляют, что они не имеют каких-либо финансовых интересов.
Acknowledgments
Авторы благодарят Gongjun JI для поддержки программного обеспечения компьютеров. Это исследование было частично поддерживается Фонд национального естественных наук Китая (№ 81201156, 81271517); Чжэцзян провинции естественных наук фонд Китая (no. LY16H180007, LY13H180016, 2013C33G1360236) и научный фонд здравоохранения Комиссии провинции Чжэцзян (№ 2013RCA001, 201522257).
Materials
| Name | Company | Catalog Number | Comments |
| 116 patients | Zhejiang Provincial People’s hospital | - | This study was approved by the ethics committee of Zhejiang Provincial People’s hospital. Every enrolled subject signed a written informed consent form. |
| Siemens Trio 3.0 T MRI scanner | Siemens, Erlangen, Germany | 20571 | Equipped with AudioComfort that reduces acoustic noise up to 90%; Provides high performance at a low noise level; Ultra light-weight coil; Unique MRI sequence design; Supports up to 400 pounds without restrictions. |
| RESTplus | Hangzhou Normal University, Hangzhou, Zhejiang, China | 20160122 | RESTplus evolved from REST (Resting-State fMRI Data Analysis Toolkit), a convenient toolkit to calculate Functional Connectivity (FC), Regional Homogeneity(ReHo), Amplitude of Low-Frequency Fluctuation (ALFF), Fractional ALFF (fALFF), Gragner causality, degree centrality, voxel-mirrored homotopic connectivity (VMHC) and perform statistical analysis. |
| DPARSF | Hangzhou Normal University, Hangzhou, Zhejiang, China | 130615 | Data Processing Assistant for Resting-State fMRI (DPARSF) is a convenient plug-in software within DPABI, which is based on SPM. You just need to arrange your DICOM files, and click a few buttons to set parameters, DPARSF will then give all the preprocessed data, functional connectivity, ReHo, ALFF/fALFF, degree centrality, voxel-mirrored homotopic connectivity (VMHC) results. |
| SPSS | SPSS Inc., Chicago, IL, USA | - | SPSS offers detailed analysis options to look deeper into your data and spot trends that you might not have noticed. |
References
- Delbeuck, X., Van der Linden, M., Collette, F. Alzheimer's disease as a disconnection syndrome? Neuropsychol Rev. 13 (2), 79-92 (2003).
- Wang, K., et al. Altered functional connectivity in early Alzheimer's disease: a resting-state fMRI study. Hum Brain Mapp. 28 (10), 967-978 (2007).
- Zhong, Y., et al. Altered effective connectivity patterns of the default mode network in Alzheimer's disease: an fMRI study. Neurosci Lett. 578, 171-175 (2014).
- Gusnard, D. A., Raichle, M. E., Raichle, M. E. Searching for a baseline: functional imaging and the resting human brain. Nat Rev Neurosci. 2 (10), 685-694 (2001).
- Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proc Natl Acad Sci U S A. 100 (1), 253-258 (2003).
- Ries, M. L., et al. Task-dependent posterior cingulate activation in mild cognitive impairment. NeuroImage. 29 (2), 485-492 (2006).
- Braak, H., Braak, E. Neuropathological stageing of Alzheimer-related changes. Acta Neuropathol. 82 (4), 239-259 (1991).
- Liao, W., et al. Evaluating the effective connectivity of resting state networks using conditional Granger causality. Biol Cybern. 102 (1), 57-69 (2010).
- Miao, X., Wu, X., Li, R., Chen, K., Yao, L. Altered connectivity pattern of hubs in default-mode network with Alzheimer's disease: an Granger causality modeling approach. PloS one. 6 (10), e25546 (2011).
- Yu, E., et al. Directed functional connectivity of posterior cingulate cortex and whole brain in Alzheimer's disease and mild cognitive impairment. Curr Alzheimer Res. , (2016).
- Kaminski, M., Ding, M., Truccolo, W. A., Bressler, S. L. Evaluating causal relations in neural systems: granger causality, directed transfer function and statistical assessment of significance. Biol Cybern. 85 (2), 145-157 (2001).
- Zang, Z. X., Yan, C. G., Dong, Z. Y., Huang, J., Zang, Y. F. Granger causality analysis implementation on MATLAB: a graphic user interface toolkit for fMRI data processing. J Neurosci Methods. 203 (2), 418-426 (2012).
- Hedden, T., et al. Disruption of functional connectivity in clinically normal older adults harboring amyloid burden. J Neurosci. 29 (40), 12686-12694 (2009).
- Liao, W., et al. Small-world directed networks in the human brain: multivariate Granger causality analysis of resting-state fMRI. NeuroImage. 54 (4), 2683-2694 (2011).
- Liao, W., et al. Evaluating the effective connectivity of resting state networks using conditional Granger causality. Biol Cybern. 102 (1), 57-69 (2010).
- Zhang, H. Y., et al. Detection of PCC functional connectivity characteristics in resting-state fMRI in mild Alzheimer's disease. Behav Brain Res. 197 (1), 103-108 (2009).
- Deshpande, G., Hu, X., Stilla, R., Sathian, K. Effective connectivity during haptic perception: a study using Granger causality analysis of functional magnetic resonance imaging data. NeuroImage. 40 (4), 1807-1814 (2008).
- Bressler, S. L., Seth, A. K. Wiener-Granger causality: a well established methodology. NeuroImage. 58 (2), 323-329 (2011).
