Gegeneraliseerde psychofysiologische interactie (PPI) analyse van geheugen gerelateerde connectiviteit in personen die erfelijk risico op de ziekte van Alzheimer

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

Dit manuscript wordt beschreven hoe de uitvoering van een analyse van de psychofysiologische interactie te onthullen taak-afhankelijke wijzigingen in functionele connectiviteit tussen een geselecteerde zaad regio en voxels in andere delen van de hersenen. Psychofysiologische interactie analyse is een populaire methode om taak effecten op hersenen connectiviteit, onderscheiden van traditionele univariate activering effecten te analyseren.

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

In neuroimaging meet functionele magnetische resonantie imaging (fMRI) de bloed-oxygenatie-niveau afhankelijk (BOLD) signaal in de hersenen. De mate van de correlatie van de Stoute signaal ruimtelijk onafhankelijke regio's van de hersenen definieert het functionele connectiviteit van deze regio's. Tijdens een cognitieve fMRI taak, kan een psychofysiologische interactie (PPI)-analyse worden gebruikt om te onderzoeken van wijzigingen in de functionele connectiviteit tijdens specifieke contexten gedefinieerd door de cognitieve taak. Een voorbeeld van een dergelijke taak is die zich het geheugensysteem bezighoudt, vraagt de deelnemers om te leren van paren van niet-verwante woorden (codering) en herinneren het tweede woord in een paar toen gepresenteerd met het eerste woord (ophalen). In de huidige studie, we gewend zijn dit soort associatief geheugen taak en een algemene analyse van de PPI (gPPI) wijzigingen in het hippocampal connectiviteit in oudere volwassenen die dragers van de ziekte van Alzheimer (AD) genetische risicofactor apolipoproteïne-E epsilon-4 (vergelijken APOEΕ4). Specifiek, tonen we aan dat de functionele connectiviteit van deelgebieden van de hippocampus veranderingen tijdens de codering en retrieval, de twee actieve fasen van de associatief geheugen taak. Context-afhankelijke veranderingen in functionele connectiviteit van de hippocampus waren significant verschillend in dragers van APOEε4 in vergelijking met niet-dragers. PPI analyses maken het mogelijk te onderzoeken van wijzigingen in functionele connectiviteit, onderscheiden van univariate belangrijkste effecten, en deze veranderingen van groepen met elkaar vergelijken. Dus, een analyse van de PPI kan onthullen complexe taak effecten in specifieke cohorten die traditionele univariate methoden niet vastlegt. PPI analyses bepalen niet, echter directionaliteit of causaliteit tussen functioneel verbonden gebieden. Niettemin, PPI analyses bieden krachtige middelen voor het genereren van specifieke hypothesen over functionele relaties, die kunnen worden getest met behulp van causale modellen. Aangezien de hersenen steeds meer in termen van connectiviteit en netwerken beschreven is, is PPI een belangrijke methode voor het analyseren van fMRI taakgegevens die strookt met de huidige opvatting van het menselijk brein.

Introduction

De term "connectome" werd bedacht in 2005 markering een paradigmaverschuiving in de neurowetenschappen dat tot op de dag1 blijft. Het brein is steeds meer beschreven in termen van functionele netwerken, connectiviteit en interacties tussen en binnen regio's op grote schaal. De afbakening van regionale functionele specialisatie en associaties tussen fMRI-gemeten activiteit en taak eisen zijn echter nog steeds geldig en nuttig benaderingen. In het licht van de groeiende interesse in connectomics groeien functionele connectiviteit benaderingen van fMRI taakanalyse in populariteit. Een aanpak voor het meten van functionele connectiviteit veranderingen afhankelijk van taak vraagt maakt gebruik van het concept van PPI. Een PPI is de interactie van een actieve taak fase of een bepaalde taak vraag ("psycho") met de functionele connectiviteit ("fysio") van een gebied van belang of "zaad" in de hersenen. PPI verschilt van bivariate correlatie gebaseerde analyse van functionele connectiviteit, die over het algemeen de mate van de correlatie tussen de activiteit in twee regio's zonder beperkingen aan de eisen van de taak gerelateerde meet.

Het concept en het kader van een PPI-analyse werd oorspronkelijk beschreven door Friston en collega's in 19972. De auteurs verklaard dat hun aanpak belangrijk, was omdat hiermee het onderzoek van connectiviteit om meer functioneel specifieke en voor gevolgtrekkingen dat de activiteit in een distale zaad kon worden modulerende activiteit die voortvloeien uit de vraag van een taak. In 2012, McLaren en collega's aan deze oorspronkelijke kader toegevoegd en beschreven een gPPI aanpak waarin alle fasen van de taak en hun interacties zijn opgenomen in een enkel model3. Deze aanpak leidt tot resultaten die meer gevoelig en specifiek naar de taak fase en interactie onderzocht. Het is deze benadering van de bijgewerkte gPPI die wij in de huidige inzetten studie (zie stap 6.2.2 in Protocol). De aanpak van de gPPI is nu reeds in meer dan 200 studies. Voor de duidelijkheid, hierna gebruiken we 'PPI' voor het beschrijven van de gemeenschappelijke kenmerken van zowel de standaard en gegeneraliseerde versie. 'gPPI' worden gebruikt voor het bespreken van specifieke voorschotten die zijn gekoppeld aan het nieuwe kader.

Het algemene doel van de analyse van een PPI is te begrijpen hoe de eisen van een cognitieve taak beïnvloeden of het moduleren van de functionele connectiviteit van een zaad-regio. Een PPI analyse vereist een sterke een priori hypothese. Activiteit in de regio van het zaad moet worden gedifferentieerd door de taak om de aanpak van de PPI om effectief te werken4. Bijvoorbeeld, in de huidige studie gebaseerd wij onze zaad selectie op de sterke aanwijzingen dat hippocampal activiteit door de cognitieve eisen van de taak van een geheugen wordt gemoduleerd. Met behulp van PPI, kunnen regio's, die aanzienlijk meer of minder functioneel met de hippocampus tijdens specifieke taak fasen verbonden zijn worden geïdentificeerd. Kortom, vraag we de "in welke regio's is activiteit meer gecorreleerd met het zaad tijdens kader A ten opzichte van de basislijn?" Wij kunnen ook vragen het logische tegenovergestelde (want het is belangrijk om het verschil te begrijpen): "in welke regio's is activiteit minder gecorreleerd met het zaad tijdens kader A ten opzichte van de basislijn?" Bij de interpretatie van groep verschillen in PPI effecten, is het belangrijk om de gegevens en of positieve of negatieve verandering in functionele connectiviteit, of beide, is het rijden van groep verschillen te onderzoeken.

De PPI-aanpak heeft geweest tweedehands voor dynamische taak controle hubs in gezonde controles, bestuderen hoe de modulatie van functionele connectiviteit is gerelateerd aan cognitieve prestaties in de ziekte van Alzheimer (AD), intelligentie bij personen met autisme, motor netwerkconnectiviteit bij personen met de ziekte van Parkinson's, gezicht verwerking bij personen met body dysmorphic disorder en anorexia, emotieregulatie, geheugen en vele andere specifieke vragen met betrekking tot connectiviteit5,6,7 ,8,9,10,11. In de huidige studie vergelijken we veranderingen in functionele connectiviteit van deelgebieden van de hippocampus tijdens de codering van geheugen en het ophalen tussen een groep van individuen op verhoogd erfelijk risico op neurale AD naar een groep zonder de risicofactor12. De volgende beschrijft het protocol waarmee wij, toepassing van de gPPI aanpak, laten toe om te testen of taak-ontlokte veranderingen in functionele connectiviteit in samenwerking met de aanwezigheid van APOEε4, een genetische risico-factor voor advertentie verschillen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

de huidige studie werd uitgevoerd in overeenstemming met de UCLA institutionele Review Board (IRB) protocollen en goedgekeurd door het UCLA Comité voor bescherming van menselijke onderwerpen. Alle deelnemers gaf schriftelijke geïnformeerde toestemming om te schrijven in deze studie.

1. deelnemer selectie

  1. verkrijgen IRB goedkeuring voor het uitvoeren van de studie.
  2. Scherm individuen leeftijd 55 en ouder voor cognitieve daling met behulp van een gestandaardiseerde neuropsychologische batterij. Omvatten proeven van algemene intelligentie (Subtests van de WAIS-III) 13, Fluency (fruit en groenten) 14, aandacht (cijfers voorwaarts en achterwaarts) 13, taal (Boston Naming Test ) 15, verbale geheugen (Buschke-Fuld selectieve herinneren taak) 16 WMS-III logische geheugen en verbale gekoppeld Associates leren 13 en visuele geheugen (Rey-Osterrieth figuur test) 17.
    1. hebben de deelnemers stemming vragenlijsten zoals de Hamilton depressie en angst inventarissen 18 , 19, alsmede de Mini Mental State examen (voltooien MMSE) 20.
  3. Omvatten deelnemers die 26 score of hoger op de MMSE en beter presteren dan twee standaarddeviaties onder normaal voor hun leeftijd op cognitieve tests. Deelnemers worden uitgesloten met klinische angst, depressie of een andere neuropsychiatrische of neurologische ziekte. Exclusief deelnemers die niet voldoen aan de veiligheidscriteria MRI of die niet instemt met een bloed trekken.
    Opmerking: In de huidige studie, 93 deelnemers deze criteria voldaan (gemiddelde leeftijd = 67,4 jaar, 31M/49F).

2. Genotypering

  1. hebben een opgeleide phlebotomist of andere medische beroeps wordt bloed trekken door elke deelnemer.
  2. Isoleren 200 µg genomic DNA van 10 mL van het monster als beschreven 21.
  3. Uit te voeren single nucleotide polymorphism (SNP) genotypering met behulp van PCR in real time op twee loci, rs429358 en rs7412 te discrimineren APOE allelen 22.
    1. Incorporate verslaggever pigmenten voor rs429358 en rs7412 in een SNP genotypering assay. Nadat elke PCR versterking cyclus is voltooid, plot fluorescerende signalen op een grafiek waarin verdeling van verslaggever en quencher verfstoffen. Uitvoeren van het experiment in tweevoud resultaten te bevestigen.
  4. Analyseren de SNP genotypering gegevens met behulp van een softwarepakket ontwikkeld voor de real-time PCR-procedure uitvoer 23.
    Opmerking: Het wordt gebruikt in de huidige studie berekend de affiniteit van het monster met een van de twee verslaggever kleurstoffen die, beurtelings, vertegenwoordigt een beleidsverklaring SNP boven de andere. In de huidige studie, 34 dragers van de advertentie risico allel, APOE ε4 (heterozygoot ε3/ε4) en 46 niet-dragers (homozygoot ε3/ε3) voor een totaal van 80 studiedeelnemers werden ingeschreven. Dragers van de APOEε2-allel uitsluiten omdat er bewijs is dat dit allel een beschermend effect aan AD. gerelateerde wellicht

3. Functionele en structurele Imaging gegevensverzameling

  1. gebruik een MRI 3 Tesla (3T) systeem om geheel-brain imaging gegevens te vergaren.
    1. Voor functionele beeldvorming, axiale segmenten met behulp van een echo vlakke imaging (EPI) volgorde te verzamelen. Om de registratie van de functionele beelden, axiale T2-gewogen, co-vlakke structurele beelden sneetjes te verwerven. Voor hoge resolutie structurele imaging, verzamelen axiale segmenten met behulp van een 3D T1-gewogen sequentie.
      Opmerking: In de huidige studie, werd een 3T magneet met een 12-kanaals hoofd spoel gebruikt. De onderstaande parameters zijn ontworpen voor een specifieke scanner en spoel. Zie Tabel van materialen voor meer informatie.
      1. Ophaal functionele beeldvorming van gegevens met behulp van de volgende reeks parameters: herhaling tijd (TR) = 2.500 ms, echo van tijd (TE) = 21 ms, beeldveld (FOV) = 200 mm x 200 mm, flip hoek = 75°, matrix = 64 x 64, 33 segmenten, segment dikte = 3 mm, interslice kloof = 0 .75 mm, voxel grootte = 3.125 x 3.125 x 3,75 mm.
      2. Trigger de taak associatief geheugen ongerelateerde woorden om te beginnen met het derde deel van de functionele beeldvorming sequentie. De eerste twee delen van elke functionele scan van analyses om evenwichtstoestand-te verklaren, uitsluiten.
        Opmerking: De niet-verwante woorden associatief geheugen taak geweest elders beschreven 12 , 24. Kort, het is een blok-functionele ontwerptaak met codering en retrieval blokken. Deelnemers zijn geïnstrueerd om te leren van paren van niet-verwante woorden.
      3. Ophaal T2-gewogen, co-vlakke structurele imaging gegevens met behulp van de volgende reeks parameters: TR = 5000 ms, TE = 34 ms, FOV = 200 mm x 200 mm, flip hoek = 90°, matrix = 128 x 128, 28 segmenten, segment dikte = 3 mm, interslice kloof = 1 mm en voxel grootte = 1,56 x 1 .56 x 4 mm.
      4. Verwerven high-resolution structurele (anatomische) imaging met behulp van de volgende magnetisatie bereid snelle Gradient Echo (MPRAGE) reeks parameters: TR = 1.900 ms, TE = 2,26 ms, TI = 900 ms, FOV = 250 mm x 218 mm, flip hoek = 9°, matrix = 256 x 215, 176 segmenten , snijd dikte = 1 mm, nul-gevuld met een matrix van 256 x 224 resulterend in een voxel grootte = 1 x 0.976 x 0.976 mm.

4. fMRI vet gegevens voorbewerken

  1. voorbehandelen van de functionele gegevens met behulp van functionele MRI van de hersenen (FMRIB) Software bibliotheek (FSL) versie 6.0 (http://fsl.fmrib.ox.ac.ul) als volgt:
    1. Voor elke deelnemer ' s dataset, verwijderen hoofd beweging artefact uit de gegevens met behulp van de resolutie correctie FMRIB ' s lineaire afbeelding registratie Tool (MCFLIRT) 25.
    2. Niet-hersenweefsel verwijderen uit de beelden hersenen extractie tool (inzet) gebruiken met de optionele -F vlag 26.
    3. Het FSL Motion uitschieters hulpprogramma gebruiken voor het identificeren van de volumes in de functionele gegevens wanneer er buitensporige beweging gebaseerd op frame verplaatsing tussen volumes. Vlag van volumes waar beweging wordt gemeten als een uitschieter (boven de 75 percentiel + 1,5 keer het Inter kwartiel bereik) in vergelijking met de rest van de scan en de uitvoer van dit programma downweight gebruiken deze volumes in analyses.
      Opmerking: Voordat u groep vergelijkingen, Controleer dat gemiddelde beweging, zoals gemeten door FSL Motion uitschieters, niet van de twee fracties verschilt. Dit zal helpen waarborgen dat bevindingen niet worden gedreven door groep-gerelateerde verschillen in beweging.
  2. De preprocessing en eerste niveau algemeen lineair model (GLM) met behulp van de grafische gebruikersinterface (GUI) voor FSL fMRI deskundige analyse Tool (FEAT) voor de eerste deelnemer instellen.
    Opmerking: Herhaal deze stap voor elke deelnemer van de studie. Als u wilt opslaan van de tijd, na het opzetten van een run voor één deelnemer, het schrijven van een script wilt uitvoeren voor de resterende studiedeelnemers voorbewerken ' gegevens door een wijziging van de " design.fsf " bestand (FSL FEAT output) voor elke deelnemer om te verwijzen naar van die deelnemer ' s specifieke gegevens.
    1. In het tabblad gegevens, klik op " 4D gegevens toevoegen " en ga naar de motie-gecorrigeerd en hersenen-geëxtraheerde bestand. De TR ingesteld op 2,5 s (overeenkomend met de TR van de functionele reeks verworven). Gebruik de standaard high-pass filter (ingesteld op 100 s).
      Opmerking: High-pass filter verwijdert laagfrequente signalen van geen belang.
    2. Klik op het tabblad pre stats op " geen " onder " bewegings-correctie " (zoals het werd reeds uitgevoerd in stap 4.1). Schakel " BET hersenen extractie " (zoals dit is reeds ingevuld in stap 4.1). Type " 5 " in het vak set 5 mm volle breedte half-maximaal Gaussian kernel (FWHM) voor ruimtelijke smoothing.
      Opmerking: De FWHM voor de smoothing kernel moet in het algemeen bedraagt ongeveer twee keer de grootte van de functionele scan voxel grootte.
    3. Gebruiken de uitvoer (6 kolommen, rijen = # van TRs in de scan) van MCFLIRT 6 één kolom tekstbestanden maken die de motie correctie beschrijven uitgevoerd op elk volume binnen de dataset. Deze zal worden toegevoegd aan het model als regressors in de volgende stap.
      1. In het tabblad Statistieken onder " volledige model setup ", toevoegen, de parameters 6 beweging en hun temporele derivaten zoals regressors of verklarende variabelen (EVs) in de GLM. Kies voor elke beweging EV " aangepaste " (1 inzending per volume) voor basisvorm, " geen " voor convolutie en controleer " toepassing temporele filtering. "
        Opmerking: Motion parameters hoeft niet te worden door een functie convolved omdat zij verwijst naar de herschikking uitgevoerd op elk functioneel volume tijdens beweging correctie en hoeft dus niet te worden aangepast.
    4. In het tabblad Statistieken selecteren in de uitvoer van FSL Motion uitschieters stap 4.1 onder de " toevoegen extra beschamen EVs ".
      Opmerking: Deze uitgang is een matrix ter aanduiding van elk volume dat was gemarkeerd voor buitensporige beweging en door toevoeging van het confound-bestand, zal worden deweighted in de GLM.
    5. Klik op het tabblad Statistieken op " volledig model set-up ". Maak de taak timing tekstbestanden ter aanduiding van het ontstaan en de verschuiving van de taak van de verschillende fasen en voeg deze als EVW in de GLM door 1 kolom formaat te kiezen en te navigeren naar de relevante tekstbestand (inclusief één voor de codering fase van de taak en één voor de fase ophalen). Voor " convolutie " kiezen de " dubbel-gamma HRF " optie in de vervolgkeuzelijst voor hen beiden. Niet doen model de basislijn- of niet-actieve gedeelten van de taak in de GLM.
      Opmerking: HRF staat voor hemodynamische reactie functie. De timing van de taak EV consequenter met verwachte vet signaal van taak-geïnduceerde veranderingen in de hersenen convolving de taak EV door de HRF verschuift.
    6. Op het tabblad registratie controleren " uitgebreide functionele afbeelding " en " structurele hoofdafbeelding " voor de registratie van een in twee stappen.
      1. Selecteer de deelnemer ' s co-vlakke T2-gewogen structurele scan voor de eerste stap, waarin functionele gegevens is aangemeld bij de co-vlakke Landeninformatie. Kies 6 graden van vrijheid (DOF) voor deze stap door te klikken op de tweede drop-down box onder deze stap en kiezen " 6 DOF ".
      2. Voor de volgende stap, waarin de T2-gewogen afbeelding is geregistreerd bij de hoge resolutie T1-gewogen MPRAGE, selecteer grens gebaseerd registration (BBR) vanuit naar de waterdruppel waas vak 27.
        Opmerking: BBR intensiteit verschillen tussen witte stof en grijze stof gebruikt voor het registreren van structurele en functionele scans en is aangetoond dat beter presteren dan FLIRT en andere alternatieve methoden.
      3. De laatste stap, waar de hoge resolutie Landeninformatie is geregistreerd in de standaard sjabloon van de MNI152, kies voor 12 graden van vrijheid en een lineaire transformatie door te kiezen voor " 12 DOF ".
        Opmerking: Wanneer alle stappen in de sectie 4 volledig zijn de functionele gegevens zijn voorverwerkte en klaar voor verdere analyse.

5. Hippocampal zaden

  1. genereren een masker van de linker hippocampus in elke deelnemer ' s hoge resolutie structurele ruimte met behulp van FSL ' s FMRIB geïntegreerde registratie en segmentatie Tool (eerste) segmentatie algoritme 28 .
    Opmerking: Andere regio's, met inbegrip van juiste hippocampus, zou interessant zijn en geldig zaden voor verdere analyses.
  2. Met behulp van een statistische softwareplatform, schrijven hun code in voor het berekenen van de lengte van de voorste en achterste derde van de structuur- 29. In het bijzonder de lengte van het volumetrische hippocampal masker gebruiken in het anterior-posterior vlak te vinden van de coördinaten van de voorste en achterste derde van dit vliegtuig demarking.
    Opmerking: Een onlangs gepubliceerde methode voor het segmenteren van de hippocampus langs de longitudinale as misschien wel een alternatieve zaad creatie aanpak 30.
  3. Gebaseerd op deze coördinaten, maken beelden van de anterieure en posterieure hippocampal masker. Registreren van de anterieure en posterieure hippocampal maskers in native functionele ruimte met behulp van de " example_func2highres " matrix in de directory van de registratie van de uitgang FEAT.
    Opmerking: Met behulp van de anterieure en posterieure derde voorkomen signaal vervaging over de twee hippocampal zaden na registratie aan functionele ruimte. Er is bewijs van functionele specialisatie langs de longitudinale as van de hippocampus 31 , 32 , 33 , 34. Anterior regio's zijn input regio's en bijbehorende met codering, terwijl de achterste hippocampus een gebied van de uitvoer die zijn gekoppeld aan geheugen ophalen en consolidatie 35 , 36 , is 37. dus, met behulp van deze regio's kunt beoordeling van functionele betrokkenheid van anterior versus posterior hippocampus in codering versus ophalen fasen van de geheugen-taak.
  4. Gebruik FSL betekenen timeseries (fslmeants) om de ontstoorde gemiddelde timeseries uittreksel uit de voorste en achterste hippocampal zaden ( Figuur 1). Volg de instructies van het programma en gebruiken beide de voorste of achterste hippocampal zaad als het masker en de ontstoorde, voorverwerkte functionele gegevens als de hoofdafbeelding.

Figure 1
Figuur 1 : Hippocampal zaden. In de oorspronkelijke ruimte, één deelnemer ' s voorste hippocampus zaad wordt weergegeven in het geel. Het zaad van de posterieure hippocampus voor eenzelfde deelnemer wordt weergegeven in het roze. Zaden worden gedefinieerd in elke deelnemer ' s uniek structurele imago en vervolgens geregistreerd aan hun functionele scan. Zaden zijn nooit in een gestandaardiseerde ruimte, dat de nauwkeurigheid van de hippocampal segmentatie verbetert. Dit cijfer is herdrukt met toestemming 12. Klik hier voor een grotere versie van dit cijfer.

6. PPI Model

  1. Gebruik de GUI voor FSL FEAT de voorverwerkte functionele gegevens te laden.
    1. Kies in het tabblad gegevens, de " filtered_func_data " ontstoorde afbeelding (output van de stappen in sectie 4 afgerond) als de input file. Stel in het tabblad pre stats correctie en hersenen winning van de beweging op " geen. " Unclick vakken standaardinteracties temporele filtering en ruimtelijke smoothing.
  2. PPI ModEl Set-Up (tabel 1).
    1. Selecteer in het tabblad Statistieken " volledig model set-up ". In het tabblad EVs alle de EVs uit het eerste niveau model toevoegen: 6 bewegings-correctie EVs, EV matrix van FSL Motion uitschieters beschamen en timing EVs taak. Klik op de pijl-omhoog om toe te voegen EVs. Opnemen in dit model een EV voor de fysiologische timecourse uit het zaad (de tekstuitvoer in een bestand van fslmeants in stap 5.4) als een covariate niet van belang door te klikken op de pijl-omhoog.
    2. Maken de PPI-voorwaarden.
      1. Kiezen " interactie " in het menu van de basisvorm en selecteer het zaad timecourse EV en één taak EV. Voor de " maken van nul " optie, kies " betekenen " voor het zaad timecourse EV en " centrum " voor de taak EV. Herhaal deze procedure voor de andere taak fase(n). Uitvoeren van een apart model voor elke regio zaad.
        Opmerking: Deze nieuwe EVs zijn de PPI-voorwaarden voor de fase van de geselecteerde taak (psycho) en het zaad (fysio). In de huidige studie, werden een PPI voor de codering fase en een tweede termijn van de PPI voor de ophalen fase opgenomen in elk model PPI. Het " centrum " optie zorgt ervoor dat de " op " en " uit " fasen van de ontwerptaak blok worden behandeld. De " betekenen " optie wordt altijd toegepast op het zaad timecourse en resulteert in het gemiddelde wordt afgetrokken van dit regressor.
    3. Model in de contrasten en tabblad F-proeven, de volgende specifieke effecten door het invoeren van " 1 " cell in de bijbehorende EV: psych_enc (codering taak fase), psych_ret (ophalen taak fase), phys (zaad timecourse), PPI_enc (PPI van zaad en codering), PPI_ret (PPI zaad en het ophalen). Tot slot, voer een " -1 " model van negatieve PPIs voor elke taak fase.

Table 1

tabel 1: gPPI model set-up.

7. vergelijkingen van de groep

  1. Selecteer " op een hoger niveau analyse " in FSL FEAT uitvoeren van een enkelvoudige groep model vergelijken van APOEε4 vervoerders niet-dragers voor elke taak-zaad combinatie.
    Opmerking: Deze vergelijkingen worden uitgevoerd voor het genereren van de relevante groep 4D storingswaarden afbeeldingen (" res4d ") die nodig zijn voor het schatten van de gladheid van de dataset. Statistisch significante resultaten uit de vergelijking van deze groep zijn geldig, maar in de stappen onder een andere benadering van drempelmethode met AFNI en SPM8 in te stellen van een belangrijke cluster minimale gebaseerd op Monte Carlo simulaties beschreven.
  2. Gebruik analyse van functionele Neuroimaging (AFNI)
    1. gebruik AFNI ' s 3dFWHMx (elke versie na December 2015) op de opdrachtregel te schatten de gladheid van de groep 4D storingswaarden afbeeldingen gegenereerd met behulp van FSL.
      Opmerking: Een bug werd ontdekt in AFNI ' s 3dClustSim en gecorrigeerd in mei 2015. In December 2015, AFNI ' s 3dFWHMx werd bijgewerkt aan nauwkeuriger model auto-correlaties. Aldus, versies van deze hulpprogramma's uitgebracht in December 2015 of later moet worden gebruikt.
    2. Gebruik AFNI ' s 3dClustSim (elke versie na December 2015) om te bepalen van cluster mate minima betekenis op verschillende voxel-niveau drempels bereiken. Omvatten de ramingen van de gladheid van de vorige stap in de opdrachtregel aanroepen van 3dClustSim. Uit de tabel gegenereerd door 3dClustSim, gebaseerd op de studie hypothesen over de verwachte gevolgen ' hoogte en omvang, kies een voxel-niveau drempel en de bijbehorende cluster minimummaat.
      Opmerking: In het algemeen, grotere clusters minimaliseren valse positieven.
  3. Gebruik statistische parametrische Mapping (SPM8)
    1. met behulp van de GUI van het SPM8, selecteer " opgeven 2 nd-niveau ". De batch-editor wordt geopend. Selecteer " twee sample t-test " onder ontwerp. Navigeer naar de map met de parameter schatting beelden voor groep 1 (APOEε4 dragers) en selecteer door te klikken op hen. Voeg vervolgens groep 2 (niet APOEε4-dragers) beelden. Deze vergelijking uitvoeren door te klikken op de groene afspeelknop.
    2. Terug naar de SPM GUI, selecteer " schatten ", en ga naar het SPM.mat-bestand gemaakt in de vorige stap uitvoeren van het proces model schatting.
    3. Selecteer " resultaten " en stormloop groep vergelijking contrasten: APOEε4 vervoerders > APOEε4 niet-dragers, niet APOEε4-dragers > APOEε4 vervoerders.
      1. Klik op " definiëren een nieuwe contrast ", kies " T-contrast " onder " type " en voer " 1 -1 " in de " contrast " vak voor APOEε4 vervoerders > APOEε4 niet-dragers. Klik op " gedaan ". Kies " geen " voor toepassing maskeren, en handmatig de drempel van de set het voxel-niveau en het minimum cluster grootte volgens de bepaling gemaakt in stap 7.2.2.Enter "-1-1 " voor APOEε4 niet-dragers > APOEε4 vervoerders.
        Opmerking: In de huidige studie, de drempel van een voxelwise van p < 0,005 werd gebruikt en clusters thresholded Alfa < 0.05.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Er zijn vier voorwaarden aan rapportresultaten voor elke groep met twee verschillende actieve taak fasen (codering en ophalen) en twee zaad regio's (anterior en posterior hippocampus). De kaarten van de activering binnen-groep taak (hier niet getoond, zie Harrison et al., 201612) tonen aan dat de Occipitale kwab, auditieve cortex, grote gebieden van de Pariëtale kwab, frontale taalgebieden, superieure temporele gyrus, en Spiegelse (meer uitgesproken tijdens ophalen) hebben aanzienlijke BOLD signaal toeneemt tijdens de codering en het ophalen in beide experimentele groepen. Binnen-groep PPI analyses bleek dat er geen significante toename in functionele connectiviteit met de voorste of achterste hippocampal zaden voor APOEε4 vervoerders of niet-dragers zijn. Binnen-groep PPI analyses bleek significante dalingen in functionele connectiviteit in APOEε4 dragers voor zowel de voorwaarden van de taak en de hippocampal subregio (Figuur 2). In APOEε4 niet-dragers, werden significante dalingen in functionele connectiviteit alleen waargenomen met posterieure hippocampus tijdens het coderen (Figuur 2). De positieve en negatieve PPI-kaarten tonen een kloof tussen de dragers van de APOEε4 en niet-dragers in hoe hippocampal functionele connectiviteit verandert tijdens een geheugen-taak. Om te bepalen als de divergentie statistisch significant is, is het noodzakelijk om te vergelijken direct de groepen voor elk van de vier resultaten38.

Ter wille van de beknoptheid, groep vergelijking resultaten tonen APOE-gemedieerde verschillen slechts voor één regio en taak fase, anterior hippocampus tijdens ophalen, worden hier gepresenteerd (niet-dragers > vervoerders, Figuur 3). Tijdens ophalen, de divergentie van anterior hippocampus connectiviteit wijzigingen waargenomen binnen groep (Figuur 2) resulteert in een aanzienlijke groep verschillen in de bilaterale supramarginal gyrus, recht hoekige gyrus en juiste precuneus.

Figure 2
Figuur 2 : Hippocampal zaden taak-afhankelijke negatieve functionele connectiviteit veranderen kaarten. Coronale en axiale uitzicht op groep gemiddelde taak-afhankelijke negatieve afzonderlijk, functionele connectiviteit verandering van hippocampal subregio's in APOEε4 niet-luchtvaartmaatschappijen en luchtvaartmaatschappijen binnen de groep. Taak-afhankelijke connectiviteit neemt af met de voorste hippocampus zaad in de bovenste deelvensters worden weergegeven. De lagere panelen tonen taak-afhankelijke connectiviteit daalt met de achterste hippocampus. Kaarten waren thresholded op z = 2.3, cluster gecorrigeerd bij p < 0.05. Voxels vergadering van de drempel in APOEε4 niet-dragers (in rood) en vervoerders (in groen) zijn bedekt. Dit cijfer is herdrukt met toestemming12. Klik hier voor een grotere versie van dit cijfer.

Figure 3
Figuur 3: Anterior hippocampal zaad connectiviteit veranderen verschillen tussen APOEε4 luchtvaartmaatschappijen en niet-dragers tijdens ophalen. Tijdens ophalen, bleken significante verschillen tussen APOEε4 luchtvaartmaatschappijen en niet-dragers in de linker supramarginal gyrus (donkerblauw), rechts supramarginal/hoekige junction (oranje) en de juiste precuneus (paars). De resultaten van deze twee-sample t-test zijn thresholded te openbaren clusters significant bij alpha < 0,05 met een drempel van voxelwise van p < 0,005. De piek-coördinaat voor elk cluster wordt gemeld in MNI ruimte, x, y, z vliegtuigen (mm). Voor de illustratie van de richting en de omvang van het verschil tussen groepen, contrasten van de parameter ramingen van elk cluster uitgezet door groep. De rode horizontale lijnen aangeven van nul en markeer dat vervoerders (negatieve) functionele connectiviteit met anterior hippocampus in deze regio's zijn afgenomen tijdens ophalen. De band binnen de vakken geeft de mediaan, terwijl de bovenste en onderste randen van de vakken de eerste en de derde kwartielen, respectievelijk geven. De snorharen uitbreiden tot 1,5 keer de interkwartielafstand Gegevenspunten buiten dit bereik worden uitgezet als uitschieters. Dit cijfer is herdrukt met toestemming12. Klik hier voor een grotere versie van dit cijfer.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Vroege taakgerichte fMRI studies werden ontworpen om te ontdekken van statistische relaties tussen bepaalde cognitieve processen of eisen en veranderingen in de Stoute signaal ten opzichte van een nulmeting. Deze traditionele aanpak is handig voor het identificeren van specifieke gebieden in de hersenen waar de activiteit wordt gemoduleerd door een experimentele taak. Daarentegen is een PPI-analyse voornamelijk bezig met de modulering van de functionele connectiviteit of synchronie van activiteit, die het gevolg is van een taak-geïnduceerde cognitieve proces. PPI meet context afhankelijke functionele connectiviteit tussen een gedefinieerde regio van belang (zaad) en andere gebieden van de hersenen, niet alleen activiteit stijgingen en dalingen in gelokaliseerde gebieden. De selectie van de regio zaad moet worden hypothese-gedreven zoals PPI analyses optimaal wanneer activiteit in de regio van het zaad wordt gemoduleerd presteren zal, in een kader van univariate, door de taak-geïnduceerde cognitieve context. Het PPI kader kan vervolgens worden gebruikt om te verkennen hoe zaad regio activiteit min of meer wordt gesynchroniseerd met andere regio's in antwoord op specifieke taak contexten, zoals geheugen codering of ophalen. Verschillen tussen groepen, dus zijn beperkt tot de wijzigingen van de functionele connectiviteit tussen het zaad en andere regio's die door een bepaalde taak fase gemoduleerd worden.

Een grondige kennis van de GLM is essentieel voor de uitvoering van een analyse van de PPI. Een complete, groep vergelijking PPI studie heeft drie niveaus van lineaire modelleren: het eerste niveau (voorbewerken, taak- en modellering van de beweging), het model van de PPI mid-level (toevoegen van zaad timecourse en taak interactie EVs) en het hogere niveau groep vergelijking model (de groep contrasten van de parameter schattingen). Bij elke stap is een output afbeelding gebruikt als invoer voor de volgende stap. De aanpak van de gPPI voorgesteld in 2012 en werkzaam in de huidige studie maakt gebruik van de functies van de GLM om ervoor te zorgen dat de contrasten specifiek voor interacties met de fase van de taak van belang3 zijn. In de klassieke PPI, een modellen twee voorwaarden en een veronderstelling is gemaakt dat de twee voorwaarden aan de andere kant van de basislijn (als er een referentietoestand). gPPI maakt het mogelijk om nauwkeurig model van alle voorwaarden en maakt niet elke aannames over hoe de voorwaarden zich tot de referentietoestand verhouden. Een ander essentieel onderdeel van een PPI-analyse is de juiste selectie van een zaad-regio. Zaad regio's kunnen worden gekozen op basis van voorafgaande bewijs in de literatuur, zoals in de huidige studie waarin de hippocampus werd gebruikt als de zaad-regio voor een taak van het geheugen. Een andere methode voor de selectie van het zaad is het kiezen van een regio waar de activiteit aanzienlijk tijdens de fase van een bepaalde taak verhoogt. Met deze methode de zaad-regio niet anatomisch is gedefinieerd, maar met behulp van een groep suprathreshold voxels in univariate activering kaarten. Met deze benadering zaad selectie Vermijd PPI analyses cirkelvormigheid omdat het belangrijkste effect van de taak administratief verwerkt wordt en de PPI onthult alleen effecten die gescheiden zijn van (boven) het belangrijkste effect van de taak.

Aangezien PPI eerst werd voorgesteld, heeft het concept van functioneel verbonden, ruimtelijk verre hersengebieden in het algemeen worden aanvaard. Door het gebruik van de Braziliaanse fMRI rusten, is gebleken dat de hersenen intrinsieke netwerken heeft, of ingesteld van regio's die functioneel onbeweeglijk zijn aangesloten. Dus onderzoeken rust staat fMRI studies vaak functionele connectiviteit, dezelfde term PPI onderzoeken gebruikt. De interpretatie van functionele connectiviteit, verschilt echter in rust staat fMRI en PPI studies. PPI bevindingen zijn, per definitie, verklarende effecten van een interactie tussen taak en zaad regio die niet kan worden verklaard door de vormgeving van de taak, het zaad timecourse of elke andere storende variabele4. In rust staat fMRI, kunnen verschillen in netwerkactiviteit worden veroorzaakt door veranderingen in de verbindingen tussen specifieke regio's of door algemene wijzigingen in netwerkactiviteit. Dus, als het doel van een studie is om te vergelijken wijzigingen in functionele connectiviteit tussen de twee groepen, de aanpak van een PPI is beter. In tegenstelling, als het doel van een studie is om te beschrijven van verschillen in intrinsieke connectiviteit tussen de twee groepen, zijn rust staat fMRI analyses beter.

Een belangrijke beperking van de oorspronkelijke PPI-kader is het gebrek aan statistische macht die inherent zijn aan de aanpak van4. Omdat de PPI term (EV) is gemaakt met behulp van twee EVs ook opgenomen in het model, is het waarschijnlijk te worden gecorreleerd aan beide. In een GLM, is de variantie dat kan worden verklaard door meer dan één voorspeller of EV niet toegewezen aan een enkele EV. Aldus, de PPI term alleen bevoegd te detecteren van effecten die niet kunnen worden verklaard door de taak of het zaad timecourse, die beide gecorreleerd aan de term PPI. Vanwege dit is het waarschijnlijk dat de valse negatieven in PPI analyses plaatsvinden. gPPI, echter, is aangetoond dat het minimaliseren van het aantal valse negatieven en is gevoeliger voor klein effect grootte bevindingen3,39.

PPI taak-afhankelijke wijzigingen in functionele connectiviteit tussen de twee regio's kan ontdekken, maar het kan niet bepalen of activiteit in een bepaalde regio een verandering van de activiteit in de andere veroorzaakt. Met andere woorden, een analyse van de PPI niet bruikbaar om te verkennen causaliteit in functionele connectiviteit wijzigingen. Andere methoden, zoals dynamische causale modelleren, zijn beter geschikt voor analyses van causaliteit in functionele gegevens40. PPI analyses kunnen het meedelen van het ontwerp van experimenten met behulp van deze technieken. Kortom is PPI een nuttige benadering voor de controlerende taak-specifieke veranderingen in functionele connectiviteit van een relevante zaad regio en vergelijken deze veranderingen tussen groepen. Resultaten uit studies van de PPI kunnen leiden tot een beter begrip van de dynamiek van functionele connectiviteit in gezondheid, ziekte en risico op ziekte.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

DGM is dat een medewerker van Biospective, Inc. Biospective, Inc heeft niet verwerken de gegevens gepresenteerd.

Acknowledgements

Dit werk werd gesteund door de National Institute of Aging (subsidie getal R01AG013308 SYB, F31AG047041 naar TMH). De auteurs gebruikte rekenkundige en opslagservices gekoppeld aan het Hoffman2 Shared Cluster geboden door UCLA Instituut voor digitale onderzoek en onderwijs van technologie onderzoeksgroep.

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