메모리의 일반화 된 정신 상호 작용 (PPI) 분석 관련 Alzheimer의 질병을 위한 유전 모험에 개인에 연결

Neuroscience

Your institution must subscribe to JoVE's Neuroscience section to access this content.

Fill out the form below to receive a free trial or learn more about access:

 

Summary

이 원고에서는 선택한 근원 지역 및 두뇌의 다른 지역에서 복 간의 기능 연결에 작업 종속 변경 공개 정신 상호 작용 분석을 구현 하는 방법을 설명 합니다. 정신 상호 작용 분석 두뇌 연결, 다른 전통적인 일변량 활성화 효과에 작업 효과 시험 하는 인기 있는 방법입니다.

Cite this Article

Copy Citation | Download Citations

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).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Neuroimaging, 기능적 자기 공명 영상 (fMRI) 두뇌에 혈액 산소 수준 의존 (BOLD) 신호를 측정합니다. BOLD의 상관 관계의 정도 신호에 공간 두뇌의 독립적인 지역 그 영역의 기능 연결을 정의 합니다. 인지 fMRI 작업 동안 정신 상호 작용 (PPI) 분석 인지 작업에 의해 정의 된 특정 컨텍스트 중 기능 연결에서 변화를 검사 사용할 수 있습니다. 이러한 작업의 예로 질문 참가자를 배우고 쌍 (인코딩) 관련 없는 단어의 첫 단어 (검색)와 제시 한 쌍에서 두 번째 단어를 기억 하는 메모리 시스템에 종사 하는 것 이다. 현재 연구에서 우리는 Alzheimer의 질병 (광고) 유전 위험 요소 apolipoprotein E 엡실론-4 (보균자 누가 노인 hippocampal 연결에 변경 내용을 비교 하 연관 메모리 작업 및 일반화 된 PPI (gPPI) 분석의이 종류를 사용 APOEΕ4)입니다. 특히, 우리 표시 해 마 변화의 오는 아구의 기능 연결 인코딩 및 검색, 연관 메모리 작업의 두 가지 활성 단계 동안. 해 마의 기능 연결에 맞는 변화 비 사업자에 비해 APOEε4의 수송에 크게 달랐다. PPI 분석 일변량 주요 효과, 다른 기능 연결에 변화를 확인 하 고 그룹에서 이러한 변화를 비교를 가능 하 게. 따라서, PPI 분석 전통적인 변량 방법 캡처하지 않습니다 특정 동료에 복잡 한 작업 효과 공개 수 있습니다. 그러나 PPI 분석 수 없습니다,, 방향 또는 기능적으로 연결 된 지역 간의 인과 관계 결정 됩니다. 그럼에도 불구 하 고, PPI 분석 인과 모델을 사용 하 여 시험 될 수 있는 기능적 관계에 관한 특정 가설을 생성 하기 위한 강력한 수단을 제공 합니다. 설명한 두뇌는 점점 연결 및 네트워크, PPI는 인간 두뇌의 현재 개념은 fMRI 작업 데이터를 분석 하기 위한 중요 한 방법입니다.

Introduction

용어 "텀" 2005 표시1이 하루에 계속 신경 과학에 패러다임의 변화에 주장 했다. 두뇌는 점점 기능 네트워크, 연결 및 상호 작용 사이 큰 규모로 지역 간의 설명. 그럼에도 불구 하 고, 지역 기능 전문화와 fMRI 측정 활동 및 작업 요구 사이 연결의 묘사는 여전히 유효 하 고 유용한 접근. Connectomics에 성장 관심사에 비추어 작업 fMRI 분석 기능 연결 접근 인기에서 성장 하고있다. 기능 연결 변경 작업에 따라 측정 하는 한 가지 방법은 PPI의 개념의 사용을 요구 한다. PPI 관심 또는 "씨앗" 뇌에서 영역의 기능 연결 ("physio")는 활성 작업 단계 또는 특정 작업 수요 ("사이코")의 상호 작용 이다. PPI 이항, 상관 관계를 기반으로 분석 작업 요구에 관련 된 어떤 제약 없이 두 지역에서 활동 사이의 상관 관계의 정도 측정 하는 일반적으로 기능적인 연결에서 다릅니다.

개념 및 PPI 분석 프레임 워크 원래 Friston과 동료 19972에 의해 설명 되었다. 저자는 그것을 더 기능적으로 특정 원심 씨에 활동 작업 수요에서 발생 하는 작업 변조 수 있는 추론에 대 한 허용 연결의 조사 허용 하기 때문에 그들의 접근 중요 했다 주장 했다. 2012 년, 맥 라 렌과 동료가 원래 프레임 워크에 추가 하 고 있는 gPPI 접근을 설명 하는 모든 작업 단계 고 그들의 상호 작용3단일 모델 포함 됩니다. 이 이렇게 더 과민 하 고 특정 작업 단계 및 조사 되 고 상호 작용 하는 결과에 이르게. 그것은 우리가 현재에서 사용 하는이 업데이트 된 gPPI 접근 연구 ( 프로토콜의 단계 6.2.2 참조). GPPI 접근은 이제 200 개 이상의 연구에서 인용 되었다. 이해를 돕기 위해이 우리가 'PPI' 사용 표준 및 일반화 된 버전의 일반적인 기능을 설명 하기 위해. 'gPPI' 새로운 프레임 워크와 관련 된 구체적인 발전을 논의 하기 위해 사용 됩니다.

PPI 분석의 전반적인 목표는 어떻게 인지 작업의 요구 영향 또는 변조 씨앗 영역의 기능 연결을 이해 하는 것입니다. PPI 분석 강한 선험적 가설을 필요합니다. 씨앗 지역에서 활동4효과적으로 작동 하려면 PPI 접근에 대 한 순서 대로 작업에 의해 변조 해야 합니다. 예를 들어 현재 연구에서 우리가 우리의 씨앗 선택 hippocampal 활동 인지 메모리 작업 요구에 의해 변조는 강력한 증거에 기반. PPI 사용 하 여, 크게 더 많거나 적은 기능에 연결 된 해 마 특정 작업 단계 영역을 확인할 수 있습니다. 간단히 말해서, 우리가 질문, "어느 지역에서 활동은 씨로 더 상관 컨텍스트 A 기준 비교 중?" (그것은 차이 이해 하는 것이 중요)로 우리 또한 논리적 반대를 요청할 수 있습니다: "어느 지역에서 활동은 덜 씨와 관련 된 컨텍스트 A 기준에 비해 중?" PPI 효과에서 그룹 차이 해석할 때 그것은 데이터 및 여부 기능 연결에 긍정적 또는 부정적인 변화 또는 둘 다, 운전 그룹의 차이 검사 하는 것이 중요.

PPI 접근 건강 한 컨트롤에 동적 작업 제어 허브를 공부 하는 데 사용 되었습니다 변조 기능 연결의 Alzheimer의 질병 (광고), 자폐증, 모터 네트워크 연결을 가진 개인에 있는 정보 인지에 관한 퍼포먼스를 관련이 어떻게 파 킨 슨 병, 개인 신체가 형 장애, 거식 증, 감정, 메모리, 규정과 연결5,6,7에 관련 된 다른 많은 구체적인 질문을 처리 하는 얼굴 개인에 ,,89,,1011. 현재 연구에 우리 메모리 인코딩 및 위험이 증가 유전 위험 요소12없이 그룹에 광고에 대 한 개인의 그룹 사이 검색 하는 동안 해 마의 오는 아구의 기능 연결에 변경 내용을 비교합니다. 다음 프로토콜을 우리가 사용, gPPI 접근을 적용 기능적인 연결에서 변경 작업을 elicited APOEε4, 광고에 대 한 유전적 위험 요인의 존재와 함께 협회에 다르면 테스트를 설명 합니다.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

현재 연구 UCLA 기관 검토 위원회 (IRB) 프로토콜에 따라 수행 되었고 UCLA 인간의 과목 보호 위원회에 의해 승인. 모든 참가자 들이이 연구에 등록 하기 위해서는 서 면된 동의 준.

1. 참가자 선택

  1. 연구 수행을 얻을 IRB 승인.
  2. 화면 개인 세 55와 표준화 된 신경 심리적 배터리를 사용 하 여 인지에 관한 약화에 대 한 더 오래 된. 일반 정보 (WAIS-III의 하위) 13, 유창 (과일과 채소) 14, 주의 (숫자 앞으로 및 뒤로) 13, 언어 (보스턴 명명 테스트의 테스트 포함 ) 15, 구두 메모리 (Buschke Fuld 선택적 상기 작업) 16, WMS III 논리 메모리와 구두 짝 연결 학습 13, 그리고 비주얼 메모리 (레이-Osterrieth 그림 테스트) 17.
    1. 해밀턴 불경기와 불안 재고 18 , 19으로 미니 정신 상태 시험 (분위기 설문 조사를 완료 하는 참가자가 MMSE) 20.
  3. 점수 26 참가자 포함 이상는 MMSE에 인지 테스트에 그들의 나이 대 한 정상 아래 두 개의 표준 편차 보다 더 나은 수행. 임상 불안, 우울증 또는 다른 정신병 이나 신경 병 참가자를 제외 합니다. 제외 참가자 들 MRI 안전 기준에 맞지 않는 또는 누가 혈액에 동의 하지 않습니다 그려.
    참고: 현재 연구에서 93 참가자 조건이 (나이 의미 = 67.4 년 31 M/49F).

2. 유전형

  1. 훈련된 phlebotomist 또는 다른 의료 전문가 각 참가자 로부터 혈액을 그립니다.
  2. 격리 200 µ g으로 샘플의 10 mL에서 게놈 DNA 설명 21.
  3. 단일 염기 다형성 (SNP) 유전형 APOE 대립 22 차별을 두 loci, rs429358 및 rs7412에서 실시간 PCR를 사용 하 여 수행 합니다.
    1. 통합 기자 SNP 유전형 분석 결과에 rs429358 및 rs7412에 대 한 염료. 각 PCR 확대 주기를 완료 한 후 형광 신호 기자와 끄는 염료의 분포를 보여주는 그래프에 플롯 합니다. 중복 결과 확인 하는 실험을 수행.
  4. 분석 소프트웨어 패키지를 사용 하 여 SNP 유전형 데이터 개발 실시간 PCR 절차 출력 23.
    참고: 현재 연구에 사용 된 프로그램 샘플의 선호도, 차례 차례로, 다른 하나의 APOE SNP를 나타냅니다 두 기자 염료 중 하나를 계산 합니다. 현재 연구에서 광고의 34 사업자 위험 대립 유전자, APOE ε4 (heterozygous ε3/ε4)와 46 비-캐리어 (homozygous ε3/ε3) 총 80 연구 참여자에 대 한 등록 했다. 이 대립 유전자 보호 효과 관련 된 광고를 할 수 있습니다 증거가 없기 때문에 APOEε2 대립 유전자의 운반대를 제외

3. 기능 및 구조 이미징 데이터 수집

  1. 3 테슬라 (3T) MRI 사용 하 여 시스템 전체 뇌 이미징 데이터를 얻기 위해.
    1. 기능 이미징, 에코 평면 화상 진 찰 (EPI) 시퀀스를 사용 하 여 축 조각 수집. 기능 이미지의 등록을 촉진, t 2가 중, 공동 평면 구조 이미지의 축 조각 취득. 고해상도 구조 이미징, 3D T1 가중치 시퀀스를 사용 하 여 축 조각 수집.
      참고: 현재 연구에 3T 자석 12 채널 헤드 코일으로 사용 되었다. 아래의 매개 변수는 특정 스캐너와 코일에 대 한 설계 되었습니다. 자세한 내용은 테이블의 자료를 참조 하십시오.
      1. 취득 다음 시퀀스 매개 변수를 사용 하 여 데이터를 이미징 기능: 반복 시간 (TR) = 2500 ms 시간 (TE) 에코 21 ms, 시야 (FOV) = 200 m m x 200 m m, 플립 각도 = = 75 °, 매트릭스 = 64 x 64, 33 슬라이스, 슬라이스 두께 3 m m, interslice 간격 = = 0 .75 m m, 복 셀 크기 = 3.125 x 3.125 x 3.75 m m.
      2. 트리거는 없는 단어 연관 메모리 작업 기능 영상 시퀀스의 세 번째 볼륨으로 시작. 정상 상태 균형에 대 한 계정, 분석에서 각 기능 검사의 첫 번째 두 개의 볼륨 제외.
        참고: 관련 없는 단어 연관 메모리 작업 되었습니다 12 , 24 다른 곳에서 설명 합니다. 간단히, 인코딩 및 검색 블록 블록 디자인 기능 작업입니다. 참가자는 관련 없는 단어의 쌍을 배울 하도록.
      3. 취득 T2가 중, 공동 평면 구조 다음 시퀀스 매개 변수를 사용 하 여 데이터를 이미징: TR = 5000 석사, 테 = 34 석사, FOV 200 m m x 200 m m, 플립 각도 = = 90 °, 매트릭스 = 128 x 128, 28 조각, 슬라이스 두께 3 m m, interslice 간격 = = 1 밀리미터와 복 크기 = 1.56 x 1 .56 x 4 m m.
      4. 취득 고해상도 구조 (해부학) 다음 자화 준비 빠른 그라데이션 에코 (MPRAGE) 시퀀스 매개 변수를 사용 하 여 이미징: TR = 1900 석사, 테 2.26 ms, TI = = 900 석사, FOV 250 m m x 218 mm, 플립 각도 = = 9 °, 매트릭스 = 256 x 215, 176 조각 슬라이스 두께 1 m m, 0-256 x 224 복 셀 크기에 따른 매트릭스 가득 = = 1 x 0.976 x 0.976 m m.

4. 대담한 데이터 전처리 fMRI

  1. 다음과 같이 버전 6.0 (http://fsl.fmrib.ox.ac.ul)에 뇌 (FMRIB) 소프트웨어 라이브러리 (FSL)의 기능적 MRI를 사용 하 여 기능 데이터 전처리:
    1. 각 참가자에 대 한 ' 모션 보정 FMRIB를 사용 하 여 데이터에서 제거 머리 모션 아티팩트 데이터 집합 s ' s 선형 이미지 등록 도구 (MCFLIRT) 25.
    2. 옵션-F 플래그 26 뇌 추출 도구 (내기)을 사용 하 여 이미지에서 비 뇌 조직의 제거.
    3. FSL 모션 Outliers 도구를 사용 하 여 기능 데이터에 어떤 볼륨 식별 하기 위해 볼륨 사이의 프레임 변위에 따라 과도 한 모션입니다. 볼륨 모션 (75 번째 백분위 수 + 1.5 배 간 사분 위 수 범위)의 위 국외 자는 검사의 나머지 부분에 비해로 측정 된다 플래그를 사용 하 여 downweight이 프로그램의 출력 그 볼륨 분석에서.
      참고: 그룹 비교를 실행 하기 전에 평균 모션 FSL 모션 Outliers에 의해 측정 된 다 하지 않습니다 두 그룹 간에 확인 합니다. 이 도움이 될 수 있도록 연구 결과 운동에서 그룹 관련 차이 의해 구동 되지 않습니다.
  2. 전처리 및 첫 번째 수준의 일반 선형 모델 (GLM) 그래픽 사용자 인터페이스 (GUI)를 사용 하 여 첫 번째 참가자를 FSL fMRI 전문가 분석 도구 (FEAT)에 대 한 설정.
    참고:이 단계를 반복 하 여 각 연구 참가자에 대 한. 나머지 연구 참여자에 대 한 전처리 실행 하려면 스크립트를 작성 하는 한 참가자에 대 한 하나의 실행 후 시간을 절약 하기 ' 변경 하 여 데이터는 " design.fsf " 각 참가자가 해당 참가자를 참조 파일 (FSL 묘기 출력) ' s 특정 데이터입니다.
    1. 데이터 탭에서을 클릭 " 4 D 데이터 추가 " 모션 수정 및 뇌 추출 파일 이동. 2.5는 TR을 설정 (해당 인수 기능 시퀀스의 TR 하) s. 기본이 패스 필터를 사용 하 여 (100로 설정 s).
      참고:이 패스 필터링 관심의 저주파 신호를 제거 합니다.
    2. 사전 통계 탭에서 클릭 " 없음 " 아래 " 모션 보정 " (로 그것은 이미 단계 4.1 수행 했습니다). 선택을 취소 " 내기 뇌 추출 " (로 이미 단계 4.1에서에서 완료 했다). 유형 " 5 " 설정된 5 m m 전체 폭 절반 최대 (FWHM) 가우스 커널 공간 다듬기 위해 상자에.
      참고: FWHM 다듬기 커널에 대 한 설정 해야 합니다 일반적으로에 기능 검사 복 크기의 2 배 크기에 대 한.
    3. 출력 사용 (6 열, 행 = 스캔에서 TRs의 #) 모션 보정을 설명 하는 6 단일 열 텍스트 파일을 만들 때 MCFLIRT의 데이터 집합 내의 각 볼륨에서 수행. 이 다음 단계에서 회귀 모델에 추가 됩니다.
      1. 통계 탭에서 " 완전 한 모델 설치 ", 회귀 변수 또는 설명 변수 (EVs)는 GLM 6 모션 매개 변수 및 그들의 일시적인 유도체를 추가. 각 모션 EV에 대 한 선택 " 사용자 지정 " (볼륨 당 1 항목) 기본적인 모양에 대 한 " 없음 " 회선 및 확인에 대 한 " 시간축 필터링 적용. "
        참고: 모션 매개 변수 참조 하기 때문에 어떤 기능에 의해 convolved 하지 않아도 재배치 모션 보정 하는 동안 각 기능 볼륨에서 수행 하 고 따라서 조정 될 필요가 없습니다.
    4. 통계 탭에서 아래 단계 4.1에서에서 FSL 모션 Outliers의 출력 선택에 " 추가 추가 EVs를 혼동 ".
      참고:이 출력은 과도 한 모션에 대 한 표시 했다 그리고는 GLM에 confound 파일을 추가 하 여 deweighted 될 것입니다 각 볼륨을 나타내는 매트릭스.
    5. 통계 탭에서 클릭 " 전체 모델 설정 ". 작업을 발병 및 다른 작업 단계의 오프셋을 나타내는 타이밍 텍스트 파일 만들고 추가 EVs로는 GLM에 1 열 형식을 선택 하 여 관련 텍스트 파일을 이동 (작업의 인코딩 단계 및 검색 단계에 대 한 포함). 대 한 " 회선 " 선택은 " 더블 감마 HRF " 둘 다에 대 한 드롭다운 목록에서에서 옵션. 초기 또는 GLM에 작업의 비활성 부분을 모델링 하지 마십시오.
      참고: HRF hemodynamic 응답 기능을 의미합니다. 예상된 작업 유도 대담한 신호 변화 두뇌에 더 일치 하도록 작업 EV의 타이밍 교대 작업 EV는 HRF에 의해 컨볼루션.
    6. 등록 탭에서 확인 " 확장된 기능 이미지 " 및 " 기본 구조 이미지 " 2 단계 등록.
    7. 선택 참가자
        ' s 공동 평면 t 2 중 구조 검색 기능 데이터 공동 평면 구조 데이터를 등록 하는 첫 번째 단계. 6 자유도 (DOF) 두 번째 클릭 하 여이 단계에 대 한 드롭 다운 상자의이 단계를 선택 하 고 선택 " 6 DOF ".
      1. T2가 중 이미지 고해상도 T1 가중치 MPRAGE에 등록 되어, 다음 단계에 대 한 드롭 다운 상자 27에서 경계를 기반으로 등록 (BBR)을 선택.
        참고: BBR 백 질과 회 백 질 사이의 강도 차이 사용 하 여 구조 및 기능 검사를 등록 하 고 바람둥이 다른 대체 방법 보다 더 나은 실적을 보였다.
      2. 고해상도 구조 데이터 표준 MNI152 서식 파일을 등록 하는 마지막 단계에 대 한 12도 자유와 선형 변환을 선택 하 여 선택 " 12 DOF ".
        참고: 때 섹션 4의 모든 단계는 완전 한 기능 데이터는 전처리 및 추가 분석에 대 한 준비.

5. Hippocampal 씨앗

  1. 생성 각 참가자의 왼쪽된 해 마의 마스크 ' FSL를 사용 하 여 s 고해상도 구조 공간 ' s FMRIB 통합 등록 및 세분화 도구 (1) 세그먼트화 알고리즘 28 .
    참고: 오른쪽 해 마를 포함 하 여 다른 지역 재미 있을 것 이다 및 유효한 씨앗에 대 한 추가 분석.
  2. 구조 29의 앞쪽 및 후부 3 분의 길이 계산 하에 코드를 작성 하는 통계 소프트웨어 플랫폼을 사용 하 여. 특히,를 사용 하 여 체적 hippocampal 마스크의 길이 앞쪽 후부 평면에서 앞쪽에 및 사후 3 분이이 비행기의 demarking 좌표를 찾을.
    참고: 세그먼트 경도 축 해 마의 최근에 출판 된 방법은 대체 씨 제작 접근 30를 수 있습니다.
  3. 기반에 좌표, 앞쪽 및 후부 hippocampal 마스크 이미지를 만듭니다. 기본 기능 공간 사용 하 여 앞쪽 및 후부 hippocampal 마스크를 등록은 " example_func2highres " FEAT 출력의 등록 디렉터리에서 매트릭스.
    참고: 앞쪽에 및 사후 3 분의 2를 사용 하 여 신호 기능 공간에 등록 후 두 hippocampal 씨앗에서 흐리게 하지 못했습니다. 해 마 31 , 32 , , 33 34의 경도 축 기능 전문화의 증거가 있다. 이전 지역 입력 영역 및 후부 해 마는 메모리 검색 및 통합 35 , 36 ,와 관련 된 출력 지역 인코딩, 연관 37. 따라서,이 영역을 사용 하 여 메모리 작업의 검색 단계 대 인코딩 후부 해 마 대 앞쪽의 기능 관련의 평가 수 있습니다.
  4. 사용 FSL 의미 앞쪽 및 후부 hippocampal 씨앗 ( 그림 1)에서 denoised 평균가 추출 하가 (fslmeants). 프로그램 지시 하 고 마스크와 denoised, 전처리 기능 데이터 중 앞쪽 또는 후부 hippocampal 씨를 사용 하 여 기본 이미지로.

Figure 1
그림 1 : Hippocampal 씨. 기본 공간, 단일 참가자에에서 ' s 앞쪽 마 씨는 노란색으로 표시 됩니다. 같은 참가자에 대 한 사후 마 씨는 분홍색에 표시 됩니다. 씨는 각 참가자에 정의 된 ' s 독특한 구조 이미지 다음 그들의 기능 검사에 등록. 씨앗 hippocampal 세분화의 정확도 향상 표준화 된 공간에 결코 있다. 이 그림은 허가 12 재 인 쇄 되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

6. PPI 모델

  1. 전처리 기능 데이터를 로드할 FSL 위업에 대 한 GUI 사용 하 여.
    1. 데이터 탭에서 선택 된 " filtered_func_data " denoised 이미지 (출력 섹션 4에에서 완료 하는 단계에서) 입력 파일로. 전 통계 탭에서 설정 모션 보정 및 뇌 추출 " 없음. " Unclick 시간축 필터링 및 공간 부드럽게 수행 상자.
  2. PPI 모드엘 설정 (표 1) 했다입니다.
    1. 통계 탭에서 선택 " 전체 모델 설정 ". EVs 탭에서 첫 번째 수준의 모델에서 모든 EVs 추가: 6 모션 보정 EVs, FSL 모션 Outliers에서 EV 매트릭스 혼동 및 타이밍 EVs를 작업. EVs를 추가 하려면 위쪽 화살표를 클릭 합니다. 포함이 모델에는 EV (텍스트 파일 출력 단계 5.4에서에서 fslmeants의) 씨앗에서 생리 timecourse에 대 한 관심의 covariate로 위쪽 화살표를 클릭 하 여.
    2. 는 PPI 조건을 만듭니다.
    3. 선택
        " 상호 작용 " 선택 하 고 기본 셰이프 메뉴에서 씨앗 timecourse EV 및 EV 작업. 대 한는 " 0 확인 " 옵션, 선택 " 의미 " 씨 timecourse EV에 대 한 및 " 센터 " EV 작업에 대 한. Phase(s)는 다른 작업에 대 한이 절차를 반복 합니다. 각 씨앗 지역에 대해 별도 모델을 실행.
        참고: 이러한 새로운 EVs는 작업 선택된 (사이코)와 씨앗 (물리 치료사)의 단계에 대 한 PPI 조건. 현재 연구에서 인코딩 단계에 대 한 PPI 기간과 검색 단계에 대 한 두 번째 PPI 용어는 각 PPI 모델에 포함 됐다. " 센터 " 옵션을 사용 하면 그는 "에 " 및 "에서 " 블록 디자인 작업의 단계는 동일 하 게 처리 됩니다. " 의미 " 옵션 항상 씨앗 timecourse에 적용 되 고이 회귀에서 공제 되 고 평균 결과.
    4. 대조와 F 테스트 탭에 입력 하 여 다음과 같은 특정 효과 모델 " 1 " 해당 EV에서 셀: psych_enc (인코딩 작업 단계), psych_ret (검색 작업 단계), phy (씨앗 timecourse), PPI_enc (씨앗의 PPI와 인코딩), PPI_ret (종자와 검색의 PPI). 마지막으로, 입력 한 "-1 "를 각 작업 단계에 대 한 부정적인 PPIs.

Table 1

표 1: gPPI 모델 설정.

7. 그룹 비교

  1. 선택 " 수준의 분석 " FSL FEAT APOEε4 캐리어 각 작업 씨 조합에 대 한 비 사업자를 비교 간단한 그룹 모델을 실행에.
    참고: 이러한 비교 관련 그룹 4 D 오차 이미지를 생성 하기 위해 실행 됩니다 (" res4d ") 데이터 집합의 부드러움을 추정 하는 데 필요한. 이 그룹 비교에서 통계적으로 중요 한 결과 유효, 하지만 또 다른 임계 처리 방법은 아래 단계에서 설명 되어 AFNI 및 SPM8를 사용 하 여 최소 몬테 카를로 시뮬레이션을 기반으로 중요 한 클러스터 설정.
  2. 사용 분석의 기능적인 Neuroimaging (AFNI)
    1. 사용 AFNI ' s 3dFWHMx (모든 버전은 12 월 2015) 그룹 4 D 오차의 부드러움을 추정 명령줄에서 이미지 FSL를 사용 하 여 생성.
      참고: 버그 AFNI에서 발견 되었다 ' s 3dClustSim 5 월 2015 년에 수정 하 고. 12 월 2015 년, AFNI ' s 3dFWHMx 더 정확 하 게 모델 자동-상관 관계를 업데이트 했다. 따라서, 이러한 도구의 버전 2015 년 12 월에에서 발표 또는 나중에 사용 해야 합니다.
    2. 사용 AFNI ' s 3dClustSim (모든 버전은 12 월 2015) 의미 다른 복 수준 임계값에 도달 하는 클러스터 범위 최소값을 확인 하. 3dClustSim 명령줄 호출에서 이전 단계에서 부드럽게 견적을 포함 합니다. 3dClustSim에서 생성 한 테이블에서 예상된 효과 관한 연구 가설에 따라 ' 높이 넓이, 복 수준 임계값 및 해당 클러스터의 최소 크기를 선택 하십시오.
      참고: 일반적으로, 더 큰 클러스터 최소화 가양성.
  3. 사용 통계 파라미터 매핑 (SPM8)
    1. 선택 SPM8 GUI를 사용 하 여 " 2 지정-수준 ". 일괄 편집을 열 것 이다. 선택 " 2 샘플 t-테스트 " 디자인에서. 그룹 1 (APOEε4 사업자)에 대 한 매개 변수 견적 이미지 디렉터리에 이동한 그들을 클릭 하 여 선택 합니다. 다음, 그룹 2 (APOEε4 비-사업자) 이미지를 추가 합니다. 녹색 재생 버튼을 클릭 하 여이 비교 실행.
    2. SPM GUI, 선택 돌아가서 " 견적 ", 모델 평가 프로세스를 실행 하는 이전 단계에서 만든 SPM.mat 파일 이동.
    3. 선택 " 결과 " 그룹 비교 대조를 실행: APOEε4 사업자 > APOEε4 비-사업자, 사업자-APOEε4 비 > APOEε4 사업자.
      1. 클릭에 " 새로운 대비 정의 ", 선택 " T 대비 "에서 " 유형 " 입력 " 1-1 "에 " 대비 " APOEε4 수송에 대 한 상자 > APOEε4 비-사업자. 클릭 " 일 ". 선택 " 없음 " 마스킹을 적용 하 고 수동으로 설정 복 수준 임계값 및 단계 7.2.2.Enter의 결정에 따라 클러스터 크기 최소 "-1 1 " APOEε4 비-캐리어를 위한 > APOEε4 사업자.
        참고: 현재 연구, p의 voxelwise 임계값에서 < 0.005 사용 되 고 클러스터 알파 thresholded < 0.05.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

두 개의 다른 활성 작업 단계 (인코딩 및 검색)와 두 개의 씨앗 지역 (앞쪽에 및 사후 마) 각 그룹에 대 한 결과를 보고 4 개의 조건이 있다. 그룹 내에서 작업 활성화 지도 (여기에 표시 되지, 해리슨 외., 201612참조) 그 후 두 엽, 청각 피 질, 두 정 엽, 전 두 엽 언어 영역, 우수한 시간적 이랑의 큰 지구를 보여 고 꼬리가 (더 발음 검색) 동안 중요 한 BOLD 신호 인코딩 및 실험적인 그룹 모두에 검색 하는 동안 증가 있다. 그룹 내에서 PPI 분석 APOEε4 항공사 또는 비 사업자에 대 한 이전 또는 후부 hippocampal 씨 기능 연결에 아무 상당한 증가 밝혔다. 그룹 내에서 PPI 분석 작업 조건과 hippocampal 오는 아구 (그림 2)에 대 한 APOEε4 캐리어 기능 연결에 상당한 감소를 밝혔다. 캐리어, APOEε4 비-기능 연결에 상당한 감소 (그림 2) 인코딩 중 후부 해 마로만 관찰 되었다. 긍정적이 고 부정적인 PPI 지도 표시 APOEε4 사업자와 비 사업자 어떻게 hippocampal 기능 연결에 사이 분기 메모리 작업 동안 변경. 여부를 확인 하는 차이가 통계적으로 중요 한, 그것은 4 개의 결과38의 각에 대 한 그룹을 직접 비교 하는 데 필요한.

간결을 위해 비교 결과 APOE를 보여주는 그룹-한 지역 및 작업 단계, 검색, 동안 앞쪽 해 마에 대해서만 중재 차이 여기에 제시 된 (비 사업자 > 운반대, 그림 3). 검색 하는 동안 앞쪽 마 연결 변경 그룹 (그림 2) 내에서 관찰의 분기 결과 양자 supramarginal 이랑, 오른쪽 각도 이랑 오른쪽 precuneus의 그룹 차이 사이 중요 한.

Figure 2
그림 2 : Hippocampal 씨앗 작업 종속 부정적인 기능 연결 변경 지도. 그룹 평균 작업 의존의 코로나 및 축 보기는 그룹 내에서 별도로, APOEε4 비-사업자 및 사업자 hippocampal 오는 아구의 기능 연결 변경 네거티브. 작업-종속 연결 감소 앞쪽 마 씨 위 패널에 표시 됩니다. 낮은 패널 작업-종속 연결 감소 후부 해 마와 함께 표시합니다. 지도 했다 z에서 thresholded = 2.3, p에서 클러스터 수정 < 0.05. APOEε4 비-캐리어 (레드)에 (녹색)에 항공사에 임계값을 충족 하는 복 중첩 됩니다. 이 그림은 허가12재 인 쇄 되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

Figure 3
그림 3: 앞쪽 hippocampal 씨앗 연결 변경 APOE 차이ε4 사업자와 비 사업자 검색 중. 검색 하는 동안 APOEε4 사업자와 비 사업자 간의 중요 한 차이가 왼쪽된 supramarginal 이랑 (진한 파란색)에서 발견 된 바로 supramarginal/각도 접합 (오렌지) 오른쪽 precuneus (자주색) 뿐만 아니라. 이 두 표본 t-검정에서 결과 했다 알파에서 중요 한 클러스터 공개 thresholded < 0.05 p voxelwise 임계값을 갖는 < 0.005. 각 클러스터에 대 한 최대 좌표 x, MNI 공간에서 보고는 y, z 비행기 (mm). 방향의 그림과 그룹 사이 다름의 크기, 각 클러스터에서 매개 변수 견적의 대조 그룹으로 구성 됩니다. 빨간 가로줄 0 나타내고 사업자 검색 하는 동안이 지역에서 이전 해 마에 (부정적인) 기능 연결 감소는 강조 합니다. 상자 내의 밴드 상자 상단 및 하단 가장자리 각각 첫 번째와 세 번째 quartiles를 대표 하는 동안 중간을 나타냅니다. 수염 1.5 배 최대 interquartile 범위를 확장합니다. 이 범위를 벗어난 데이터 요소는 이상 값으로 플롯 됩니다. 이 그림은 허가12재 인 쇄 되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

초기 작업 기반 fMRI 연구 특정 인지 프로세스 사이의 통계 관계를 폭로 하도록 설계 되었습니다 또는 기준선 측정 기준 신호 요구와 BOLD에 변화. 이 전통적인 접근 활동 한 실험 작업에 의해 변조는 뇌의 특정 영역을 식별 하는 데 유용 합니다. 반면, PPI 분석은 주로 기능적 연결의 변조 또는 작업 유도 인지 과정에서 발생 하는 활동의 synchrony 우려 됩니다. PPI 관심 (씨앗)의 정의 된 영역 및 두뇌, 뿐 아니라 활동 증가와 감소 된 지역에서 다른 지역 간의 컨텍스트 종속 기능 연결을 측정합니다. 씨앗 지역 선택 해야 가설-구동 PPI 분석 때 씨앗 지역에서 활동은 변조, 일변량 프레임 워크에 의해 작업 유도 인지 컨텍스트 최적으로 수행 됩니다. 다음, 어떻게 씨앗 지역 활동 더 많거나 적은 메모리 인코딩 또는 검색 같은 특정 작업 컨텍스트에 대 한 응답 다른 지역와 동기화 된다 탐험 PPI 프레임 워크를 사용할 수 있습니다. 따라서, 그룹 간의 차이 씨와 특정 작업 단계에 의해 조절 되는 다른 지역 간의 기능적 연결 변경 제한 됩니다.

GLM는의 철저 한 이해는 PPI 분석을 구현 하기 위한 필수적입니다. PPI 연구 완료, 그룹 비교는 선형 모델링의 3 단계: 첫 번째 수준 (전처리, 작업, 및 모션 모델링), 중간 수준의 PPI 모델 (씨앗 timecourse 추가 하 고 작업 상호 EVs)와 높은 수준의 그룹 비교 모델 (그룹 매개 변수 견적의 대조)입니다. 각 단계에서 출력 이미지는 다음 단계에 대 한 입력으로 사용 됩니다. 2012 년에 제안 하 고 현재 연구에 gPPI 접근 대조 관심3의 작업 단계와의 상호 작용에 특정 되도록 GLM의 기능을 활용 합니다. 고전적인 PPI에서 한 두 가지 조건을 고 가정 두 가지 조건 (해당 되는 경우에 초기 조건이) 초기의 반대 측에는 이루어집니다. gPPI 모든 조건을 정확 하 게 모델을 하나 있으며 조건 초기 조건에 관련 하는 어떻게에 대해 어떤 가정을 하지 않습니다. PPI 분석의 다른 중요 한 구성 요소는 씨앗 지역의 적절 한 선택 이다. 씨앗 지역 선택할 수 있습니다에 따라 사전 증거는 문학에서와 같은 현재 연구는 해 마 메모리 작업에 대 한 씨앗 지역으로 사용 되었다. 종자 선택의 또 다른 방법은 활동 특정 작업 단계 동안 크게 증가 하는 영역을 선택 하는. 이 방법으로 씨앗 지역 하지 해부학 정의 하지만 suprathreshold의 그룹을 사용 하 여 활성화 일변량에에서 복 지도. 종자 선택이 접근, PPI 분석 작업의 주요 효과 차지 하 고 PPI만 (이상) 작업의 주요 효과 다른 효과 보여 때문에 순환을 하지 마십시오.

PPI 처음 제안, 이후 기능적으로 연결 된, 공간적으로 먼 뇌 영역의 개념 광범위 하 게 수용 되는. 휴식 상태 fMRI를 통해 보였다 두뇌는 기본 네트워크 또는 설정 지역의 나머지에서 기능적으로 연결 된. 따라서, 휴식 상태 fMRI 연구 자주 조사 기능 연결, PPI 연구에 사용 되는 동일한 용어. 그러나, 기능적인 연결의 해석 휴식 상태 fMRI와 PPI 연구에서 다릅니다. PPI 결과, 정의 작업 설계, 씨앗 timecourse 또는 어떤 다른 혼란 변수4에 의해 설명 될 수 없는 작업 및 씨앗 지역 사이 상호 작용의 효과 설명입니다. 휴식 상태 fMRI, 네트워크 활동 차이점 특정 지역 간의 연결에 변경 또는 네트워크 활동에 전반적인 변화에 의해 원인일 수 있습니다. 따라서, 연구의 목표는 변화를 비교 하 여 두 그룹 간의 기능 연결에, PPI 접근이 낫다. 대조적으로, 내장 연결 두 그룹 간의 차이 설명 하는 연구의 목표 이면 휴식 상태 fMRI 분석은 더 나은.

원래 PPI 프레임 워크의 한 가지 주요 한계 접근4에 통계적 인 힘의 부족 이다. PPI 용어 (EV) 또한 모델에 포함 하는 2 개의 EVs를 사용 하 여 만들어집니다, 때문에 둘 다 상관 될 것입니다. GLM, 하나 이상의 예측 또는 EV에 의해 설명 될 수 있는 분산 단일 EV에 할당 되지 않습니다. 따라서, PPI 기간만 작업에 의해 설명할 수 없는 효과 감지 하는 힘이 있다 또는 둘 다 씨 timecourse PPI 용어에 상관. 이 때문에, 틀린 네거티브 PPI 분석에서 발생 가능성이 높습니다. 그러나 gPPI,, false 네거티브의 수를 최소화 하기 위해 표시 되었습니다 이며 작은 효과 크기 결과3,39더 민감한.

PPI 두 지역 간의 기능 연결이 작업 종속 변화를 찾아낼 수 있습니다 하지만 그것은 한 지역에서 활동 다른 활동에 변화를 일으키는 여부를 확인할 수 없습니다. 다른 말로 하면, PPI 분석 기능 연결 변경에서 인과 관계를 탐구를 사용할 수 없습니다. 다른 메서드를 동적 인과 모델링은 더 나은 기능 데이터40인과 관계의 분석에 대 한 적합 합니다. PPI 분석은 이러한 기술을 사용 하 여 실험의 디자인을 알릴 수 있습니다. 합계에서는, PPI는 검토 작업 관련 변화 관련 씨 지역 및 이러한 변경 내용을 그룹 사이 비교의 기능 연결에 대 한 유용한 방법입니다. PPI 연구 결과 건강, 질병 및 질병에 대 한 위험에서 기능 연결의 동적 특성의 이해 될 수 있습니다.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

DGM 이다 Biospective, Inc. Biospective, inc의 직원이 제시 하는 데이터의 처리 하지 않았다.

Acknowledgements

이 작품은 국립 연구소의 노화 (보조금 번호 R01AG013308 SYB TMH 하 F31AG047041)에 의해 지원 되었다. 저자 사용 계산 및 스토리지 서비스 디지털 연구와 교육의 연구 기술 그룹 UCLA 연구소에 의해 제공 되는 Hoffman2 공유 클러스터.

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).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics