Genelleştirilmiş psikofizyolojik etkileşim (PPI) analiz bellek bağlantısı'nda bireyler, Alzheimer hastalığı genetik Risk ile ilgili
14 Kasım 2017
Bu el yazması görev bağımlı değişiklikleri seçili tohum bölge ve beynin diğer bölgelerdeki voxels arasındaki fonksiyonel bağlantı içinde ortaya çıkarmak için bir psikofizyolojik etkileşimi analiz uygulamak açıklar. Psikofizyolojik etkileşimi analiz görev etkileri beyin bağlantısı, geleneksel tekdeğişirli harekete geçirmek etkilerinden ayrı incelemek için popüler bir yöntemdir.
Bu analizin genel amacı, hipokampusun bölgeleri ile beynin geri kalanı arasındaki işlevsel bağlantıda hafıza ile ilgili bağlama bağlı değişiklikleri tanımlamaktır. Bu yöntem, deneysel bir görevdeki belirli bilişsel taleplere yanıt olarak işlevsel bağlantının nasıl değiştiği gibi bilişsel sinirbilim alanındaki temel soruların yanıtlanmasına yardımcı olabilir. Bu tekniğin temel avantajı, araştırmacıların bilişsel bir görev sırasında kilit beyin bölgelerinin işlevsel bağlantısı ile ilgili belirli hipotezleri test etmelerine izin vermesidir.
Bu deney için, deneyden önce Alzheimer hastalığı riski alel apolipoprotein E epsilon dört için genotiplendirilmiş bilişsel gerileme olan 55 yaş ve üstü bireyleri dahil edin, denekleri MRI güvenliği için tarayın ve bilgilendirilmiş onam alın. Tüm beyin görüntüleme verilerini elde etmek için üç tesla MRI sistemi kullanın. İşlevsel görüntüleme için, ilgisiz bir sözcük-ilişkisel bellek görevi çalıştırırken yankı düzlemsel görüntüleme dizisi kullanarak eksenel dilimler toplayın.
İşlevsel görüntülerin kaydedilmesini kolaylaştırmak için, ayrıca T2 ağırlıklı eş düzlemli yapısal görüntülerin eksenel dilimlerini de elde edin. Yüksek çözünürlüklü yapısal görüntüleme için, 3D T1 ağırlıklı bir dizi kullanarak eksenel dilimler toplayın. Tüm katılımcılar için görüntüleme tamamlandıktan sonra, ilk katılımcı için FSL FMRI uzman analiz aracını veya FEAT'i kullanarak ön işleme adımlarını ve birinci seviye genel doğrusal modeli ayarlayın.
Veri sekmesinde, 4D veri seç'e tıklayın ve hareket düzeltilmiş ve beyin ayıklanmış dosyaya gidin. TR'yi işlevsel sıranınkiyle eşleşecek şekilde ayarlayın ve varsayılan yüksek geçiş filtresini kullanın. Şimdi, Ön istatistikler sekmesinde, hareket düzeltme altında hiçbiri'ne tıklayın ve BET beyin ekstraksiyonu seçeneğinin işaretini kaldırın.
Uzamsal yumuşatma için tam genişlikte yarı maksimum Gauss çekirdeğini ayarlamak için beş milimetre girin. Ardından, Tam model kurulumu'na tıklayın ve görev aşamalarının başlangıcını ve ofsetini gösteren görev zamanlama dosyalarını oluşturun. Üç sütunlu formatı seçerek ve ilgili metin dosyasına giderek bunları GLM'ye ekleyin.
Görevin kodlama aşaması için bir tane ve alma aşaması için bir tane ekleyin. Evrişim için, Çift Gama HRF seçeneğini seçin. Ardından, veri kümesi içindeki her birimde gerçekleştirilen hareket düzeltmesini açıklayan altı tek sütunlu metin dosyası oluşturmak için MCFLIRT aracının çıktısını kullanın.
Tam model kurulumu'nu seçin ve parametreleri ve bunların zamansal türevlerini GLM'de açıklayıcı değişkenler veya EV'ler olarak ekleyin. Her hareket EV için, temel şekil için Özel'i, evrişim ve zamansal doldurma için hiçbiri'ni seçin. Şimdi, yazılımdaki İstatistikler sekmesine gidin ve Ek karışık EV'ler ekle seçeneğinin altında FSL hareket aykırı değerleri aracının çıktısını seçin.
Şimdi, Kayıt sekmesinde, iki adımlı bir kayıt için Genişletilmiş işlevsel görüntü ve Ana yapısal görüntü seçeneklerini işaretleyin. İşlevselliği yapısal verilere kaydetmek için ilk adım için katılımcıların eş düzlemli T2 ağırlıklı yapısal taramasını seçin. İkinci açılır kutuda altı serbestlik derecesi seçin.
Bir sonraki adım için, açılır kutudan sınır tabanlı kaydı seçerek T2 ağırlıklı görüntüyü yüksek çözünürlüklü T1 ağırlıklı MP-RAGE'e kaydedin. Son olarak, yüksek çözünürlüklü yapısal verileri, 12 serbestlik derecesi ve doğrusal bir dönüşüm seçerek standart MNI 152 şablonuna kaydedin. Psikofizyolojik etkileşim modelini kurmadan önce, önce ön işlem verilerini FSL FEAT yazılımına yükleyin.
Giriş dosyası olarak gürültüden arındırılmış görüntüyü seçin. Ön istatistikler sekmelerinde, hareket düzeltme ve beyin çıkarma seçeneğini Yok olarak ayarlayın. Zamana bağlı filtreleme veya uzamsal yumuşatma yapmayın.
Ardından, İstatistikler sekmesinde Tam model kurulumu'nu seçin ve EV'ler sekmesinde, hareket düzeltme, FSL hareket aykırı değerlerinden gelen karışık matris ve görev zamanlaması dahil olmak üzere birinci düzey modellemedeki tüm değişkenleri ekleyin. İlgisiz bir ortak değişken olarak tohumdan fizyolojik zaman seyri için bir EV ekleyin. Ardından, Temel şekil menüsünde Etkileşim'i seçerek PPI terimlerini oluşturun ve tohum zaman kursu EV'sini ve bir görev EV'sini seçin. Sıfır yap seçeneği için, görev değişkenleri için Orta'yı ve tohum zamanı kursu EV için Ortalama'yı seçin. Şimdi, Kontrastlar ve F testleri sekmesinde, ilgili EV hücrelerine bir tane girerek aşağıdaki belirli efektleri modelleyin.
Kodlama görev aşaması, geri getirme görev aşaması, tohum zamanı seyri, tohum ve kodlama PPI ve tohum ve alma PPI. Son olarak, her görev aşaması için negatif PPI'leri modellemek için negatif bir tane girin. Grup düzeyinde karşılaştırmalar yapmak için istatistiksel parametrik haritalama yazılım araçlarını kullanın.
İkinci düzeyi belirt'i seçerek başlayın, ardından Tasarım altında İki örnekli T-testi'ni seçin. Birinci grup için tahmini görüntüler parametresinin bulunduğu dizine gidin ve bunları seçin. Ardından, ikinci grup için görüntüleri ekleyin ve Oynat düğmesine tıklayarak bu karşılaştırmayı çalıştırın.
Şimdi ana pencereye dönün. Tahmin'i seçin ve SPM'ye gidin. Model tahminini çalıştırmak için önceki adımda oluşturulan mat dosyası.
Ardından, Sonuçlar sekmesi altında Yeni bir kontrast tanımla'yı seçin. T-kontrastı'nı seçin ve APOE-4 taşıyıcı olmayanlardan daha büyük APOE-4 taşıyıcıları için Kontrast kutusuna bir negatif kontrast girin, ardından Tamam'a tıklayın. Son olarak, burada görüldüğü gibi grup karşılaştırma kontrastlarını çalıştırın. Maskeleme uygula için Yok'u seçin ve ardından AFNI'nin 3dClustSim yazılımından alınan çıktıya göre voksel düzeyi eşiğini ve minimum küme boyutunu manuel olarak ayarlayın.
APOE-4 taşıyıcılarından daha büyük APOE-4 taşıyıcı olmayanlar için negatif bir-bir girin. Grup içinde genelleştirilmiş psikofizyolojik etkileşim analizleri, hem görev koşulları hem de hipokampal alt bölgeler için APOE-4 taşıyıcılarında fonksiyonel bağlantıda önemli düşüşler olduğunu ortaya koydu. APOE-4 taşıyıcı olmayanlarda, kodlama sırasında sadece posterior hipokampus ile fonksiyonel bağlantıda kırmızı, önemli düşüşler gözlendi.
Toplama sırasında, APOE-4 taşıyıcıları ve taşıyıcı olmayanlar arasında sol supramarjinal girus, koyu mavi, sağ supramarjinal açısal bileşke, turuncu ve sağ precuneus, mor arasında önemli farklılıklar bulundu. Her küme için tepe koordinatı MNI uzayında rapor edilir. Burada, her kümeden gelen parametre tahminlerinin karşıtlıkları gruba göre çizilir.
Kırmızı çizgiler sıfırı gösterir ve taşıyıcıların, geri alma sırasında bu bölgelerde ön hipokampus ile fonksiyonel bağlantının azaldığını vurgular. Kutuların içindeki bant medyanı temsil ederken, kutuların üst ve alt kenarları sırasıyla birinci ve üçüncü çeyrekleri temsil eder. Geliştirilmesinden sonra, bu teknik, fonksiyonel nörogörüntüleyicilerin insanlarda dinamik görevle ilgili bağlantıyı keşfetmesinin yolunu açtı.
Bu, hem sağlıklı hem de hasta kohortlarının yanı sıra burada tanımladığımız gibi hastalık için genetik riski yüksek olan bireyleri içerir. Bu videoyu izledikten sonra, ilgilendiğiniz çekirdek bölge ile beynin geri kalanı arasındaki bağlama bağlı işlevsel bağlantı değişikliklerini test etmek için bir PPI analizinin nasıl kullanılacağını iyi anlamış olmalısınız.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu el yazması, hipokampus ve diğer beyin bölgeleri arasındaki işlevsel bağlantıda bellekle ilgili bağlamdan bağımlı değişiklikleri belirlemeyi amaçlayan bir psikofizyolojikal etkileşim analizini açıklamaktadır. Bu yöntem, görevler sırasında bilişsel taleplere tepki olarak işlevsel bağlantının nasıl değiştiğini incelemek için özellikle yararlıdır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Bilişsel Sinirbilim
- İşlevsel Bağlantı
- Psikofizyolojikal Etkileşim Analizi
Arka Plan
- İşlevsel bağlantı, mekansal olarak uzak nörofizyolojik olaylar arasındaki zamansal korelasyonu ifade eder.
- Psikofizyolojikal etkileşim analizi, görevlerin beyin bağlantısı üzerindeki etkilerini anlamada yardımcı olur.
- Bu teknik, araştırmacıların beyin bölgesi bağlantısı ile ilgili özel hipotezler test etmesini sağlar.
- Bu teknik özellikle bilişsel gerileme olan popülasyonları incelemek için önemlidir.
Çalışmanın Amacı
- Bellek görevleriyle ilgili işlevsel bağlantıdaki değişiklikleri belirlemek.
- Bilişsel taleplerin hipokampus ve diğer beyin bölgeleri arasındaki bağlantıyı nasıl etkilediğini araştırmak.
- Bilişsel gerilemenin altında yatan sinir mekanizmaları hakkında içgörüler sağlamak.
Kullanılan Yöntemler
- Bilişsel gerileme gösteren 55 yaş ve üzeri katılımcılar dahil edilmiştir.
- Denekler MRI güvenliği için taranmış ve bilgilendirilmiş onay almışlardır.
- Tam beyin görüntüleme verisi alımı için üç tesla'lık bir MRI sistemi kullanılmıştır.
- İşlevsel görüntüleme, bir bellek görevi sırasında ekokavramsal görüntüleme sekansı kullanılarak eksenel dilimlerin toplanmasını içermiştir.
Ana Sonuçlar
- Göreve bağlı işlevsel bağlantıdaki değişiklikler gözlemlenmiştir.
- Spesifik beyin bölgeleri, bilişsel taleplere tepki olarak değişen bağlantı düzenleri göstermiştir.
- Bulgular, bilişsel gerilemenin sinirsel temelini anlamaya katkıda bulunmaktadır.
- Sonuçlar, bilişsel sinirbilim araştırmalarında psikofizyolojikal etkileşim analizinin yararlılığını desteklemektedir.
Sonuçlar
- Psikofizyolojikal etkileşim analizi, işlevsel bağlantı değişikliklerini incelemek için etkilidir.
- Bu yöntem, yaşlanan popülasyonlarda bilişsel süreçleri anlamamızı geliştirebilir.
- Gelecek araştırmalar, bu bulgulara dayanarak bilişsel gerileme için müdahaleler keşfetmeye devam edebilir.
Sıkça Sorulan Sorular
Executive Industry Relevance
Understanding context-dependent functional connectivity changes in memory-related brain networks provides mechanistic insights into early Alzheimer's disease risk, supporting target validation in preclinical neuropsychiatric programs. Generalized PPI analysis enables hypothesis-driven interrogation of hippocampal circuitry during encoding and retrieval phases, offering a translational bridge from genetic risk to functional network de-risking. This approach enhances predictive confidence in identifying disease-relevant systems prior to lead identification efforts.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates task-dependent hippocampal connectivity changes to clarify functional relationships in memory circuits relevant to APOE-4 risk.
- Operational Value: Enables group comparisons between genetic risk carriers and non-carriers to de-risk target hypotheses.
- Predictive Value: Reveals context-specific connectivity alterations not captured by univariate fMRI analysis, supporting mechanistic hypothesis generation.
Screening & Assay Development
- Assay Readiness: Standardized fMRI acquisition and preprocessing workflows support reproducible measurement of PPI effects across cohorts.
- Quantitative Output: Generates parameter estimates for encoding and retrieval phases, enabling statistical comparison of connectivity changes.
- Scalability: Compatible with group-level analysis pipelines for cross-sectional or longitudinal studies in at-risk populations.
Translational & Preclinical Research
- Disease Relevance: Links APOE-4 genotype to altered hippocampal connectivity during memory task phases, aligning with early pathophysiological models.
- Translational Continuity: Supports progression from genetic risk assessment to functional network biomarkers in preclinical validation.
- Mechanistic De-risking: Clarifies whether observed connectivity changes are task-specific, reducing ambiguity in target engagement interpretation.
Pipeline & Workflow Integration
The method fits within the discovery continuum by linking genetic risk stratification to functional network assessment, informing early go/no-go decisions in neuropsychiatric target programs.
- Discovery Biology: Tests hypotheses about how cognitive demands modulate hippocampal connectivity in genetically defined cohorts.
- Screening: Enables standardized, reproducible measurement of context-dependent connectivity changes as a functional assay readout.
- Analytics: Produces contrast-based parameter estimates for PPI effects, supporting statistical comparison across groups and conditions.
- Translational Research: Connects genetic risk to functional network alterations, supporting biomarker alignment in preclinical models.
- Enterprise Reuse: Establishes a reusable fMRI analysis framework for studying task-dependent connectivity in diverse CNS populations.
Operational & Enterprise Impact
- Scientific Value: Provides mechanistic insight into memory network dysfunction in APOE-4 carriers, reducing ambiguity in target validation.
- Operational Value: Offers standardized preprocessing and modeling steps for reproducible PPI analysis across sites and studies.
- Strategic Value: Improves go/no-go decisions by identifying early functional network changes linked to genetic risk.
- Portfolio Impact: Supports risk-adjusted prioritization of targets based on mechanistic connectivity data in disease-relevant systems.
Implementation Considerations
- Expertise in fMRI preprocessing, GLM modeling, and PPI analysis using tools such as FSL FEAT or SPM.
- Access to 3T or higher MRI systems with EPI and structural sequencing capabilities.
- Standardization of task timing files and physiological noise correction across sites.
- Adaptation considerations for different seed regions, task designs, and patient populations.
- Need for group-level statistical thresholding using cluster simulation tools (e.g., AFNI 3dClustSim) to control false positives.
