Genelleştirilmiş psikofizyolojik etkileşim (PPI) analiz bellek bağlantısı'nda bireyler, Alzheimer hastalığı genetik Risk ile ilgili

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

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.

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

Beyin görüntüleme, fonksiyonel manyetik rezonans görüntüleme (fMRI) beyindeki kan oksijen düzey bağımlı (kalın) sinyal ölçer. Cesur korelasyon derecesi sinyal içinde dağınık şekilde bağımsız beyin bölgelerinde bu bölgeleri işlevsel bağlantı tanımlar. Bilişsel fMRI görev sırasında bir psikofizyolojik etkileşim (PPI) analiz sırasında bilişsel görev tarafından tanımlanan belirli bağlamlarda fonksiyonel bağlantısı'nda değişiklikleri incelemek için kullanılabilir. Böyle bir görev örneği ilgisiz kelimeleri (kodlama) çift öğrenmek ve ilk sözcüğü (alma) görüntülendiğinde bir çift ikinci kelime hatırlama katılımcılar soran bellek sistemi sapmaz biridir. Bu da çalışmanın, biz kullanılan ilişkisel hafıza görev ve genelleştirilmiş bir ÜFE (gPPI) analizi bu tür Alzheimer hastalığı (Ah) genetik risk faktörü apolipoprotein E epsilon-4 (uçak gemisi olan eski erişkinlerde Hipokampal bağlantı içinde değişiklikleri karşılaştırmak için APOEε4). Özellikle, biz bu Milletlere Hipokampus değişiklikler fonksiyonel bağlantı göstermek kodlama ve alma, ilişkisel hafıza görev iki etkin aşamaları sırasında. İçerik bağımlı değişiklikleri hipokampüs fonksiyonel bağlantı içinde önemli ölçüde APOEε4 sigara taşıyıcılara göre taşıyıcılarının farklıydı. ÜFE analizleri fonksiyonel bağlantı, tekdeğişirli ana etkileri, farklı içinde değişiklikleri incelemek ve bu değişiklikleri grupları arasında karşılaştırmak için mümkün kılar. Böylece, bir ÜFE analiz geleneksel tekdeğişirli yöntemleri yakalamak değil belirli tabur karmaşık görev etkileri ortaya çıkarabilir. Ancak, ÜFE analizleri yön veya işlevsel olarak bağlı bölgeler arasındaki nedensellik belirleyemiyor. Yine de, ÜFE analizleri nedensel modelleri kullanarak test işlevsel ilişkiler ile ilgili belirli hipotezler üretmek için güçlü araçları sağlar. Beyin bağlantısı ve ağları açısından giderek açıklandığı gibi ÜFE insan beyni geçerli anlayışı doğrultusunda fMRI görev verileri analiz etmek için önemli bir yöntemdir.

Introduction

"Connectome" terimi 2005 işaretleme günümüze1devam ediyor nörolojik bir paradigma kayması içinde icat edildi. Beynin işlevsel ağlar, bağlantı ve etkileşim arasında ve büyük ölçüde bölgeleri arasında açısından giderek tanımlanır. Bununla birlikte, bölgesel işlevsel uzmanlaşma ve fMRI ölçülen aktivite ve görev talepleri arasındaki ilişkilendirmeleri tarif hala geçerli ve yararlı yaklaşım vardır. Connectomics artan ilgi ışığında, fonksiyonel bağlantı yaklaşımlar görev fMRI analizi için popülaritesi artmaktadır. Fonksiyonel bağlantısı değişikliklerini göreve bağımlı ölçme bir yaklaşım talep ediyor PPI kavramını kullanır. Bir ÜFE faiz veya "tohum" beyin bölgesinin fonksiyonel bağlantı ("Fizyo") bir etkin görev faz veya belirli görev talep ("psikopat") etkileşim olduğunu. ÜFE bivariate, korelasyon tabanlı analiz bir görev talepleri ile ilgili herhangi bir kısıtlama olmadan iki bölgelerde faaliyet arasında korelasyon derecesi genellikle ölçen fonksiyonel bağlantı farklıdır.

Kavram ve ÜFE analiz çerçevesinde başlangıçta açıklanan Friston ve meslektaşları 19972. Yazarlar daha işlevsel olarak belirli ve distal tohum etkinliğinde bir görev talep sonuçlanan faaliyet oransal çıkarımlar için izin vermek için bağlantı incelenmesi sağlayacak çünkü yaklaşımları önemli olduğunu iddia. 2012 yılında, McLaren ve meslektaşları bu özgün çerçeve eklendi ve hangi gPPI yaklaşımda açıklanan tüm görev aşamaları ve ilişkileri tek model3' te dahil. Bu yaklaşım görev faz ve soruşturuluyor etkileşim için daha hassas ve belirli sonuçları yol açar. Biz şimdiki zamanda istihdam bu Güncellenme Zamanı gPPI yaklaşımdır (bkz. Adım 6.2.2 protokolündeki) çalışma. GPPI yaklaşım şimdi 200'ün üzerinde çalışmalarda atıf yapılmış. Anlaşılır olması için bundan sonra 'ÜFE' kullandığımız standart ve jeneralize sürüm ortak özellikleri açıklamak için. 'gPPI' yeni çerçevesiyle ilişkili belirli gelişmeler tartışmak için kullanılacak.

Nasıl bilişsel bir görev ihtiyaçlarını etkisi ya da bir tohum bölgenin fonksiyonel bağlantı modüle bir ÜFE analiz genel amacı anlamaktır. ÜFE analiz güçlü bir temanın bir hipotez gerektirir. Tohum bölgede faaliyet PPI yaklaşım etkili4çalışmak için sırada görev tarafından modüle gerekir. Örneğin, bu da çalışmanın, Hipokampal etkinliği bir bellek görev bilişsel talepleriyle modülasyonlu güçlü kanıtlar bizim tohum seçime göre. ÜFE kullanarak, önemli ölçüde daha az ya da işlevsel olarak hippocampus için belirli görev aşamalarında bağlı bölgeleri tespit edilebilir. Kısacası, "hangi bölgelerde etkinlik sırasında içerik A temel ile karşılaştırıldığında daha fazla tohum ile ilişkili mi?" soru sormak (Farkı anlamak önemlidir gibi) aynı zamanda mantıksal tersini sorabilir miyim: "hangi bölgelerde etkinlik sırasında içerik A temel ile karşılaştırıldığında daha az tohum ile ilişkili mi?" ÜFE etkileri grup farklılıkları yorumlarken, verileri ve olup fonksiyonel bağlantı olumlu ya da olumsuz değişiklik veya her ikisini de, grup farklılıklar yönlendirdiğini incelemek önemlidir.

ÜFE yaklaşım dinamik görev denetim hub sağlıklı denetimlerinde, eğitim için kullanılan modülasyon fonksiyonel bağlantı Alzheimer hastalığı (Ah), motor ağ bağlantısı otistik bireylerde zeka bilişsel performansı nasıl ilişkili olduğunu Parkinson hastalığı, bireylerin vücut dismorfik bozukluğu ve anoreksiya, duygu düzenlemesi, bellek ve bağlantı5,-6,7 ile ilgili diğer pek çok özel soru ile işleme yüz olan bireylerin ,8,9,10,11. Bu da çalışmanın, biz bellek kodlama ve reklam için risk faktörü12olmadan bir grup genetik riski bireylerin bir grup arasında alma sırasında hipokampüs Milletlere fonksiyonel bağlantısı'nda değişiklikleri karşılaştırmak. Biz, gPPI yaklaşım, uygulama bize görev elde edildi değişiklikler fonksiyonel bağlantı varlığı ile Derneği APOEε4, reklam için genetik bir risk faktörü olarak farklıysa test etmenize izin vermek için kullanılan iletişim kuralı aşağıdaki açıklar.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

da çalışmanın UCLA kurumsal inceleme Kurulu (IRB) protokolleri uygun olarak gerçekleştirilen ve UCLA insan denekler koruma Komitesi tarafından onaylanmış. Tüm katılımcılar bu çalışmada kayıt için yazılı onay verdi.

1. katılımcı seçimi

  1. çalışma gerçekleştirmek için elde IRB onay.
  2. Ekran bireyler 55 ve bilişsel gerileme standart nöropsikolojik pil kullanımı için büyük yaşlı. Genel istihbarat (sınamalarının WAIS-III) 13, akıcılık (meyve ve sebze) 14, dikkat (basamak ileri ve geri) 13, dil (Boston Test adlandırma sınamalar içerir ) 15, sözel bellek (Buschke-Fuld seçici hatırlatan görev) 16, WMS-III mantıksal bellek ve sözlü eşleştirilmiş ilişkilendirir öğrenme 13 ve görsel bellek (Rey-Osterrieth şekil testi) 17.
    1. var Hamilton depresyon ve anksiyete stoklar 18 , 19 yanı sıra Mini zihinsel devlet sınavı (gibi ruh anketleri tamamlamak katılımcılar MMSE) 20.
  3. 26 puan edinildi katılımcılar dahil veya yukarıdaki MMSE Tarih ve yaşlarına bilişsel test için iki standart sapma normalin altında daha iyi performans. Katılımcılar ile klinik anksiyete, depresyon ya da diğer herhangi bir nöropsikiyatrik veya nörolojik hastalık hariç. Kim MRI Emanet ölçütlere uymayan veya kim bir kan için izin değil hariç tutma katılımcı çizin.
    Not: Bu da çalışmanın, 93 katılımcılar bu kriterlerin yerine (yani yaş 67.4 yıl = 31M/49F).

2. Genotipleme

  1. eğitimli bir phlebotomist ya da diğer tıbbi profesyonel çizmek kan her katılımcıdan.
  2. İzole 200 µg genomik DNA örneği 10 mL'açıklanan 21.
  3. Tek nükleotit polimorfizmi (SNP) Genotipleme iki loci, rs429358 ve rs7412 APOE allelleri 22 ayırımcılık için gerçek zamanlı PCR kullanarak taşımak.
    1. Birleştirmek muhabir rs429358 ve rs7412 için bir SNP Genotipleme tahlil içine boya. Her PCR güçlendirme döngüsü tamamlandıktan sonra floresan sinyallerini muhabir ve içki boyalar dağılımını gösteren bir grafikte çizmek. Deney sonuçları onaylamak için yinelenen içinde gerçekleştirmek.
  4. 23 gerçek zamanlı PCR yordam çıkış için geliştirilen bir yazılım paketi kullanarak SNP Genotipleme veri analiz.
    Not: mevcut çalışmada kullanılan program örnek ilgi gösteren, sırayla, bir APOE SNP diğer üzerinden iki gazeteci boyalar biri için hesaplar. Bu da çalışmanın, reklamın 34 taşıyıcıları alleli, APOE ε4 riske (heterozigoz ε3/ε4) ve 46 sigara-Taşıyıcılar (homozigoz ε3/ε3) 80 çalışmaya katılanların bir toplam için kayıtlı. Çünkü bu alleli ilan için ilgili koruyucu bir etkisi olabilir kanıt APOEε2 alleli taşıyıcılarının dışlamak

3. Fonksiyonel ve yapısal görüntüleme veri toplama

bütün beyin görüntüleme verileri elde etmek için
  1. (3T) 3 Tesla Mr sistemi.
    1. Fonksiyonel görüntüleme için Aksiyel dilimleri bir yankı düzlemsel görüntüleme (EPI) sırası kullanılarak toplamak. Fonksiyonel görüntülerin kayıt kolaylaştırmak için T2 ağırlıklı, co-düzlemsel yapısal görüntülerin Aksiyel dilimleri elde etmek. Aksiyel dilimleri bir 3D T1 ağırlıklı sırasını kullanarak yüksek çözünürlüklü yapısal görüntüleme için toplamak.
      Not: Bu da çalışmanın, bir 3T mıknatıs ile 12 kanallı baş coil kullanıldı. Aşağıdaki parametreleri belirli tarayıcı ve bobin için dizayn edilmiştir. Malzemeler tablo daha fazla bilgi için bkz:.
      1. Edinme aşağıdaki sıra parametreleri kullanarak veri görüntüleme fonksiyonel: tekrarlama zamanı (TR) Zaman (TE) echo 2.500 ms = 21 ms, görüş alanı (FOV) = 200 mm x 200 mm, fiske vurmak açı = 75 ° = matris = 64 x 64, 33 dilimleri, dilim kalınlığı 3 mm, interslice boşluk = = 0 .75 mm, voxel boyutu = 3.125 x 3.125 x 3.75 mm.
      2. Fonksiyonel görüntüleme sırası üçüncü hacmi ile başlamak için ilgisiz kelimeleri ilişkisel hafıza görevi tetikler. Kararlı durum denge için hesap, ilk iki birimleri her işlevsel tarama analizleri tutmak.
        Not: ilişkisel hafıza görev olmuştur ilgisiz kelimeleri başka bir 12 , 24 bölümünde. Kısaca, kodlama ve alma blok blok-tasarım işlevsel görevle vardır. Katılımcılar ilgisiz kelimeleri çiftlerini öğrenmek için talimat verdi.
      3. Edinme T2 ağırlıklı, co-düzlemsel yapısal aşağıdaki sıra parametreleri kullanarak veri görüntüleme: TR 5000 ms, TE = 34 ms, FOV = 200 mm x 200 mm, fiske vurmak açı = 90 ° = matris = 128 x 128, 28 dilimleri, dilim kalınlığı = 3 mm, interslice boşluk = 1 mm ve Voksel boyutu = 1.56 x 1 .56 x 4 mm.
      4. Elde yüksek çözünürlüklü yapısal (anatomik) aşağıdaki mıknatıslanma hazırlanan hızlı degrade yankı (MPRAGE) sıra parametrelerini kullanarak görüntüleme: TR 1.900 ms, TE = 2.26 ms, TI = 900 ms, FOV = 250 mm x 218 mm, fiske vurmak açı = 9 ° = matris 256 x 215, = 176 dilimleri , dilim kalınlığı = 256 x 224 Voksel boyutunda kaynaklanan bir matris için sıfır dolu 1 mm = 1 x 0.976 x 0.976 mm.

4. fMRI veri kalın ön işleme

  1. fonksiyonel MRI, beyin (FMRIB) yazılım kitaplığı (FSL) sürüm 6.0 (http://fsl.fmrib.ox.ac.ul) aşağıdaki gibi kullanarak işlev veri önişlem:
    1. Her katılımcı için ' s veri kümesi, Kaldır başını hareket hareket düzeltme FMRIB kullanarak veri yapıdan ' s doğrusal görüntü kayıt aracı (MCFLIRT) 25.
    2. Beyin çekme alet (bahis) isteğe bağlı -F bayrağını 26 ile kullanarak görüntüleri sigara beyin dokusu kaldırmak.
    3. Fonksiyonel verilerdeki herhangi bir birimi tanımlamak için FSL hareket Outliers aracı kullanmak aşırı hareket çerçeve öteleme birimleri arasında dayalı olduğu. Bayrak birimleri nereye hareket tarama diğerleri ile karşılaştırıldığında farklıdır bir aykırı (yukarıda 75 inci yüzdelik + 1,5 katı arası DÖRTTEBİRLİK aralığı) olarak ölçülür ve bu program için downweight çıkışını bu birimlerin analizleri içinde kullanın.
      Not: Grup karşılaştırmalar çalıştırmadan önce ortalama hareket, FSL hareket Outliers tarafından ölçülen iki grupları arasında farklı değildir olduğunu denetleyin. Bu bulgular grup ilgili farklar hareket tarafından tahrik değil sağlamaya yardımcı olur.
  2. İçin ilk katılımcıyı FSL fMRI uzman analiz aracı (FEAT) için grafik kullanıcı arabirimi (GUI) kullanarak önişleme ve birinci düzey genel doğrusal model (GLM) ayarlayın.
    Not: her çalışma katılımcı için bu adımı yineleyin. Bir katılımcı, bir koşuya kurma sonra zaman kazanmak için kalan çalışma katılımcılar için ön işleme çalıştırmak için bir komut dosyası yazmak ' değiştirme veri " design.fsf " dosya (FSL FEAT çıktı) göre o katılımcıyı başvurmak her katılımcı için ' s belirli veri.
    1. Veri etiket, tıkırtı üstünde " 4 D veri eklemek " ve hareket-düzeltilir ve beyin çıkarılan dosyasına gidin. TR 2.5 için ayarla (edinsel fonksiyonel sıra TR için karşılık gelen) s. Varsayılan yüksek geçiş filtresi kullanın (100'e ayarlamak s).
      Not: Yüksek Geçiş filtresi frekans sinyalleri hiç ilgilendirmiyor kaldıracaktır.
    2. Öncesi istatistikleri sekmesini tıklatın " yok " altında " hareket düzeltme " (o zaten 4.1 adımda gerçekleştirilen gibi). Uncheck " bahis beyin çıkarma " (o zaten adım 4.1 tamamlandı gibi). Türü " 5 " set 5 mm tam genişlikli yarı-maksimum (FWHM) Gauss çekirdek kayma yumuşatma için sağdaki kutuda.
      Not: FWHM düzeltme çekirdek için genellikle, işlevsel tarama Voksel boyutu büyüklüğünde iki kez ayarlanmalıdır.
    3. Çıkış kullanın (6 sütunları, satır = TRs # tarama içinde) MCFLIRT hareket düzeltme açıklayan 6 tek sütunlu metin dosyaları oluşturmak için gerçekleştirilen veri kümesi içindeki her ses seviyesinde. Bu model için bir sonraki adımda regressors olarak eklenecektir.
      1. İstatistikleri sekmesinde altında " tam modeli Kur ", 6 hareket parametreleri ve zamansal türevleri regressors veya açıklayıcı değişkenler (EVs) GLM olarak ekleyin. Her hareketi EV seçeneğini belirleyin " özel " (birim başına 1 giriş) için temel şekli, " hiçbiri " evrişim ve onay için " zamansal filtreleme uygulamak. "
        Not: hareket parametreleri oldukları çünkü herhangi bir işlev tarafından convolved gerek yok yeniden düzenlenmesi fonksiyonel her ses seviyesinde hareket düzeltme sırasında gerçekleştirilen ve böylece ayarlanması gereken değil.
    4. Adım 4.1 altında FSL hareket Outliers çıkışını istatistikleri sekmesinde seçin " ek eklemek EVs yıkmak ".
      Not: Bu çıkış için aşırı hareket bayraklı ve confound dosyası eklediğinizde, içinde GLM deweighted her bir birim ifade eden bir matris olduğunu.
    5. İstatistikleri sekmesini tıklatın " tam modeli set-up ". Görev zamanlama metin dosyaları başlangıçlı ve ofset farklı görev aşamalarının ifade eden oluşturmak ve bu EVs olarak 1 sütun biçimini seçme ve ilgili metin dosyasına giderek GLM ekleyin (görev kodlama aşaması için diğeri için alma aşaması dahil). İçin " Konvolüsyon " seçim " çift-gama Rotasyonlarla " seçme hakkı--dan belgili tanımlık damla aşağı liste-her ikisi için de. Temel veya etkin olmayan bölümlerini GLM görevde modeli değil.
      Not: Rotasyonlarla hemodinamik yanıt işlevi için duruyor. Görev komuta tarafından EV convolving EV daha beyin beklenen görev kaynaklı kalın sinyal değişiklikleri ile tutarlı olacak şekilde görev zamanlama vardiya.
    6. Kayıt sekmesini denetleyin " genişletilmiş fonksiyonel görüntü " ve " ana yapısal görüntü " bir iki aşamalı kayıt için.
      1. Seçin katılımcı ' s co-düzlemsel T2 ağırlıklı yapısal inceden inceye gözden geçirmek için ilk adım, fonksiyonel veri co-düzlemsel yapısal veri için kayıtlı. 6 serbestlik derecesi (DOF) ikinci tıklayarak bu adımı için damla aşağı kutu altında bu adımı seçin ve seçimi " 6 DOF ".
      2. T2 ağırlıklı görüntü yüksek çözünürlüklü T1 ağırlıklı MPRAGE, kayıtlı bir sonraki adım için sınır dayalı kayıt (BBR) kutusunu 27 açılır seçin.
        Not: BBR yoğunluk farkları beyaz madde ve gri madde arasındaki yapısal ve işlevsel taramalar gösteriyor için kullanır ve flört ve diğer alternatif yöntemler daha iyi performans için gösterilen.
      3. Yüksek çözünürlüklü yapısal verileri standart MNI152 şablon için kayıtlı son adım için 12 serbestlik ve doğrusal bir dönüştürme seçerek seçin " 12 DOF ".
        Not: Otelde 4 bölümündeki tüm adımları tam işlevsel veri Önişlenmiş ve hazır daha ayrıntılı bir çözümleme için.

5. Hipokampal tohumları

  1. Generate maskesi her katılımcı sol Hipokampus, ' kullanarak FSL s yüksek çözünürlüklü yapısal alanı ' s FMRIB entegre kayıt ve bölümleme aracı (ilk) bölümleme algoritması 28 .
    Not: doğru Hipokampus, dahil olmak üzere diğer bölgeler, ilginç olurdu ve geçerli çekirdek daha fazla analizler.
  2. İstatistiksel yazılım platformu kullanarak, kod yapısı 29 anterior ve posteiror üçte uzunluğunu hesaplamak için yazmak. Özellikle, bu uçak anterior ve posteiror üçte demarking yerini sayılarıtoplayarak bulabiliriz ön-arka düzlemde hacimsel Hipokampal maskesi uzunluğunu kullanır.
    Not: hippocampus boyuna ekseni boyunca segmentlere kısa bir süre önce yöntemi bir alternatif tohum oluşturma yaklaşım 30 olabilir.
  3. Göre bu koordinatları, anterior ve posteiror Hipokampal maskesi görüntüleri oluşturun. Anterior ve posteiror Hipokampal maskeleri yerel işlev alanı kullanarak içine kayıt " example_func2highres " matris FEAT çıkış kayıt dizini.
    Not: anterior ve posteiror üçte kullanarak kayıt işlevsel alan için sonra iki Hipokampal tohumlar arasında sinyal bulanıklık engelledi. Hippocampus 31 , 32 , 33 , 34 boyuna ekseni boyunca işlevsel uzmanlık kanıt. Ön bölge giriş bölgeleri ve posterior Hipokampus bellek alma ve Konsolidasyon 35 , 36 ile , ilişkili bir çıkış bölgesi ise kodlama ile ilişkili 37. böylece, bu bölgeleri kullanarak fonksiyonel ön bellek görev alma aşamaları karşı kodlamada posterior Hipokampus karşı katılımı değerlendirmesini sağlar.
  4. Kullanım FSL denoised ortalama timeseries anterior ve posteiror Hipokampal gelen tohumlar ( şekil 1) ayıklamak için timeseries (fslmeants) demek. Program yönergeleri izleyin ve her iki anterior veya posterior Hipokampal tohumu maskesi ve denoised, Önişlenmiş işlevsel veri ana resmi farkl─▒ kullan.

Figure 1
Resim 1 : Hipokampal tohumlar. Yerel alan, tek bir katılımcı ' s ön Hipokampus tohum sarıyla gösterilir. Posterior Hipokampus tohum aynı katılımcı için pembe renkte gösterilir. Tohum her katılımcı olarak tanımlanan ' s eşsiz yapısal görüntü ve onların işlevsel tarama için kayıtlı. Tohum Hipokampal ayrılmasını doğruluğunu artıran hiç bir standart, alanındadır. Bu rakam izni 12 ile yeniden basıldı. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

6. PPI Model

  1. Kullanım GUI için FSL Önişlenmiş fonksiyonel verileri yüklemek FEAT.
    1. Veri sekmesini seçin " filtered_func_data " denoised görüntü (Bölüm 4 tamamlandı adımları çıktısı) giriş dosyası olarak. Hareket düzeltme ve beyin çıkarma öncesi istatistikleri sekmesinde ayarlayın " yok. " zamansal filtreleme ve kayma düzeltmeyi gerçekleştirmek için kutuları Unclick.
  2. PPI Model kurulum (Tablo 1).
    1. İstatistikleri sekmesinde seçin " tam modeli set-up ". EVs sekmesinde tüm EVs ilk düzey modelinden eklemek: 6 düzeltme EVs hareket, EV matris FSL hareket Outliers yıkmak ve zamanlama EVs görev. EVs eklemek için yukarı oku tıklatın. Bu modele bir EV (metin dosyası çıktısını fslmeants adım 5,4) tohumdan fizyolojik timecourse için hiçbir ilgisi bir covariate yukarı oku tıklatarak dahil.
    2. PPI koşulları oluşturun.
      1. Seç " etkileşim " görev belgili tanımlık temel Şekil menüsü ve seçme tohum timecourse EV ve bir EV. İçin " sıfır yapmak " seçeneği, seçim " demek " tohum timecourse EV için ve " Merkezi " görev EV için. Bu yordamı evrelerini diğer görev için yineleyin. Her tohum bölge için ayrı bir modeli çalıştır.
        Not: Bu yeni EVs görev Seçili (psiko) ve tohum (Fizyo) aşaması için PPI terimlerdir. Bu da çalışmanın, kodlama aşaması için bir ÜFE terim ve ikinci bir ÜFE dönem alma aşaması için her PPI modelinde dahil edildi. " Merkezi " seçeneği sağlar " üzerinde " ve " kapalı " blok tasarım görev aşamalarını eşit kabul edilir. " Demek " seçeneği her zaman tohum timecourse uygulanır ve sonuçlar anlamına bu regresör düşülen içinde.
    3. Kontrastlı ve F-testleri sekmesi, aşağıdaki özel efektler girerek model " 1 " karşılık gelen EV hücre: psych_enc (kodlama görev faz), psych_ret (alma görevi faz), Fizik (tohum timecourse), PPI_enc (PPI tohum ve kodlama), PPI_ret (tohum ve alma PPI). Son olarak, girin bir " -1 " her görev aşama için negatif PPIs modellemek için.

Table 1

Tablo 1: gPPI modeli set-up.

7. grup karşılaştırmalar

  1. seçin " üst düzey analiz " FSL her görev-tohum birleşimi için taşıyıcılar taşıyıcılara APOEε4 karşılaştırarak bir basit grup model çalıştırmak için feat.
    Not: Bu karşılaştırmalar ilgili Grup 4 D kalanlar görüntüler oluşturmak için çalıştırın (" res4d ") veri kümesi düzgünlüğünü tahmin etmek için gerekli. Bu grup karşılaştırıldığında istatistiksel olarak anlamlı sonuçlar geçerli olmakla birlikte, en az üzerinde Monte Carlo simülasyonları göre önemli bir küme kurmak için AFNI ve SPM8 kullanarak başka bir eşik yaklaşımı aşağıdaki adımları açıklanmıştır.
  2. Kullanım analiz, fonksiyonel beyin görüntüleme (AFNI)
    1. Kullanım AFNI ' s 3dFWHMx (Aralık 2015 sonra herhangi bir sürümü) grubu 4 D kalanlar düzgünlüğünü tahmin etmek için komut satırında görüntüleri oluşturulan FSL kullanarak.
      Not: Bir hata AFNI keşfedilmiştir ' s 3dClustSim ve Mayıs 2015 yılında düzeltildi. Aralık 2015 yılında, AFNI ' s 3dFWHMx daha doğru model otomatik-korelasyon için güncelleme. Böylece, bu araçların sürümleri Aralık 2015 yılında yayımlanan veya daha sonra kullanılmalıdır.
    2. Kullanım AFNI ' s 3dClustSim (Aralık 2015 sonra herhangi bir sürümü) küme ölçüde minimum önemi farklı Voksel düzeyi eşikler, ulaşan belirlemek için. Önceki adımdaki pürüzsüzlük tahminleri 3dClustSim komut satırı çağırma dahil. 3dClustSim tarafından oluşturulan tablosundan beklenen etkileri ile ilgili çalışma hipotezler dayalı ' yükseklik ve ölçüde, seçin bir Voksel düzeyi eşik ve karşılık gelen küme en az boyutu.
      Not: genel olarak, daha büyük kümeler yanlış mutlak en aza indirgemek.
  3. Kullanım istatistik parametrik eşleme (SPM8)
    1. SPM8 GUI kullanarak seçin " 2 nd belirtin-düzeyi ". Toplu iş Düzenleyicisi açılır. Seçin " iki örnek t-Testi " tasarım altında. Grup 1 (APOEε4 taşıyıcıları) için parametre tahmini görüntüler ile dizinine gidin ve tıklatarak seçin. Daha sonra Grup 2 (APOEε4 sigara-taşıyıcıları) görüntüleri ekleyin. Bu karşılaştırma Yeşil play butonuna basarak çalıştırın.
    2. Dönmek SPM GUI seçin " tahmin " ve modeli tahmin işlemi çalıştırmak için önceki adımda oluşturduğunuz SPM.mat dosyasına gidin.
    3. Select " sonuçları " ve grup karşılaştırma tezat çalıştırın: APOEε4 taşıyıcıları > APOEε4 sigara-taşıyıcılar, APOEε4 sigara-taşıyıcılar > APOEε4 taşıyıcıları.
      1. Tıklayın üzerinde " yeni bir kontrast tanımlamak ", seçim " T-kontrast " altında " türü " ve girin " 1 -1 " içinde " kontrast " kutusunu APOEε4 taşıyıcıları için > APOEε4 sigara-taşıyıcılar. ' I tıklatın " yapılan ". Seçin " yok " uygulamak maskeleme ve el ile küme Voksel düzey eşik ve küme boyutu en az adım 7.2.2.Enter yapılan belirlenmesi göre "-1 1 " APOEε4 sigara-taşıyıcıları için > APOEε4 taşıyıcıları.
        Not: yapılan çalışmanın, p voxelwise eşiğinde < 0,005 kullanıldı ve alpha adlı thresholded kümeleri < 0,05.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

İki farklı etkin görev aşamada (kodlama ve alma) ve iki tohum bölgeler (anterior ve posteiror Hipokampus) ile her grup için rapor sonuçlarını için dört koşullar vardır. Grup içinde görev aktivasyon haritalar (burada gösterilmeyen, Harrison vd., 201612bakınız) oksipital lob, işitsel korteks, LOB parietal, frontal dil alanlarında, üstün zamansal gyrus, büyük bölgeler gösterin ve kaudat (daha belirgin Alım sırasında) önemli kalın artar kodlama ve deneysel her iki grup alımı sırasında sinyal var. Grup içinde PPI analizleri APOEε4 taşıyıcı veya olmayan taşıyıcılar için anterior veya posterior Hipokampal tohumları ile fonksiyonel bağlantı yok önemli artışlar olduğunu ortaya koydu. Grup içinde PPI analizleri fonksiyonel bağlantısı'nda APOEε4 taşıyıcıları görev koşulları ve Hipokampal Milletlere (Şekil 2) için önemli düşüşler saptandı. İçinde APOEε4 sigara-taşıyıcılar, fonksiyonel bağlantı önemli düşüşler yalnızca posterior Hipokampus ile (Şekil 2) kodlama sırasında tespit edildi. Bir sapma APOEε4 taşıyıcıları arasında pozitif ve negatif PPI haritalar göstermek ve olmayan taşıyıcılar nasıl Hipokampal fonksiyonel bağlantı içinde bellek görev sırasında değiştirir. Iraksak evrim süreçleri sonucu istatistiksel olarak anlamlı olup olmadığını belirlemek için doğrudan gruplar her dört sonuç38için karşılaştırmak gereklidir.

Kısalık uğruna, grup APOEgösterilen karşılaştırma sonuçları-aracılı farkları sadece bir bölge ve görev faz, alma sırasında ön Hipokampus için burada sunulan (taşıyıcı > taşıyıcıları, şekil 3). Alım sırasında ön Hipokampus bağlantısı değişikliklerini (Şekil 2) grubu içinde gözlenen sapma ikili supramarginal gyrus, şu açısal gyrus ve doğru precuneus grup farklılıklar arasında önemli sonuçlanır.

Figure 2
Resim 2 : Hipokampal tohum görev bağımlı negatif fonksiyonel bağlantı değiştirmek haritalar. Grup ortalama görev bağımlı koronal ve eksenel görünümlerini APOEε4 sigara-taşıyıcıları ve taşıyıcıları Hipokampal Milletlere fonksiyonel bağlantı değişim ayrı olarak, grup içinde negatif. Görev bağlı bağlantı ile tohum üst panellerinde gösterilir ön Hipokampus düşüş. Alt panelleri görev bağımlı bağlantı azalır posterior Hipokampus ile göster. Haritalar z thresholded 2.3, küme p düzeltilmiş = < 0,05. Eşik APOEε4 sigara-Taşıyıcılar (kırmızılı) ve taşıyıcıları (yeşil içinde) toplantı Voxels overlaid. Bu rakam izni12ile yeniden basıldı. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 3
Şekil 3: Anterior Hipokampal tohum bağlantı değiştirmek APOE arasındaki farklarε4 taşıyıcıları ve alma sırasında taşıyıcıları. Alım sırasında sol supramarginal gyrus (koyu mavi), APOEε4 taşıyıcıları ve sigara taşıyıcıları arasında önemli farklılıklar bulunan şu supramarginal/açısal Kavşağı (turuncu) yanı sıra sağ precuneus (mor). Bu iki örnek t-test sonuçlarından kümeleri alpha adlı önemli ortaya çıkarmak için thresholded < p voxelwise eşiğinde ile 0,05 < 0,005. Her küme için en yüksek koordinat MNI uzayda x, bildirilen y, z (mm) uçakları. Yön şekil ve büyüklükte gruplar arasındaki farkı için her küme parametre tahminlerini tezat grubu tarafından çizilir. Kırmızı yatay çizgiler sıfır gösterir ve taşıyıcıları Alım sırasında bu bölgelerde ön hippocampus (negatif) fonksiyonel bağlantı azalma vurgulayın. Kutuları üst ve alt kenarları sırasıyla birinci ve üçüncü Dörttebirlikler temsil ederken bandı kutuları içinde ortanca temsil eder. Bıyık 1,5 kata kadar interquartile aralığı genişletin. Veri noktaları bu aralık dışında aykırı çizilir. Bu rakam izni12ile yeniden basıldı. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Erken görevlere fMRI çalışmaları belirli Bilişsel süreçler arasındaki istatistiksel ilişkileri ortaya çıkarmak için tasarlanmış veya talep ve kalın değişiklikler temel ölçüm göreli sinyal. Bu geleneksel yaklaşım belirli bölgelerde faaliyet deneysel bir görev tarafından nerede modülasyonlu beyin belirlemek için kullanışlıdır. Buna ek olarak, bir ÜFE analizi esas fonksiyonel bağlantı modülasyon veya görev kaynaklı bir bilişsel işlemden sonuç faaliyet, senkronizasyonu ile ilgilidir. ÜFE faiz (tohum) tanımlanmış bir bölge ve beyin, sadece etkinliği artar ve azalır lokalize alanlarda diğer bölgeler arasında içerik bağımlı fonksiyonel bağlantı ölçer. Tohum bölge seçimi hipotez-ÜFE analizleri ne zaman tohum bölgedeki etkinliği, tekdeğişirli çerçevesinde görev kaynaklı bilişsel bağlama göre modülasyonlu en iyi şekilde gerçekleştirecek gibi yönlendirilmesi gerekir. Daha sonra ÜFE çerçeve nasıl tohum bölge faaliyet az ya da yanıt bellek kodlama veya alma gibi belirli görev bağlamları için diğer bölgelerle senkronize olur keşfetmek için kullanılabilir. Gruplar arasındaki farklar bu nedenle, tohum ve belirli görev faz tarafından modüle diğer bölgeler arasındaki işlevsel bağlantısı değişikliklerini sınırlı olmalıdır.

GLM kapsamlı bir anlayış PPI çözümleme uygulamak için esastır. Tam, grup karşılaştırma PPI çalışma doğrusal modelleme üç düzeyi vardır: (ön işleme, görev ve hareket modelleme) birinci düzey, orta düzey PPI model (tohum timecourse ekleyin ve etkileşim EVs görev) ve daha yüksek düzey Grup karşılaştırma modeli (grup tezat parametre tahminleri). Her adımda, bir çıkış görüntü aşağıdaki adım için giriş olarak kullanılır. 2012 yılında önerilen ve çalışmanın istihdam gPPI yaklaşım tezat faiz3görev aşaması ile etkileşimleri için belirli olduğundan emin olmak için GLM özelliklerini kullanır. Klasik PPI bir iki koşul modelleri ve bir varsayım (Eğer bir temel koşulu) iki koşulların temel karşı tarafta olduğunu yaptı. gPPI bir doğru bir şekilde tüm koşulları modellemek izin verir ve nasıl temel koşul için koşullar ilgili herhangi bir varsayım yapmaz. Başka bir önemli bileşeni herhangi bir ÜFE analiz bir tohum bölge uygun seçimdir. Tohum bölgeleri literatürde, temel alınarak önceden kanıt gibi hipokampüs tohum bölge olarak bir bellek görev için kullanıldığı da çalışmanın içinde seçilebilir. Başka bir tohum seçimi nerede aktivite artar önemli ölçüde belirli görev aşamasında bir bölge seçmek için yöntemidir. Bu yöntemle tohum bölge değil anatomik olarak tanımlanır ama suprathreshold bir grup kullanarak voxels tekdeğişirli aktivasyon haritalar. Tohum seçimi için bu yaklaşımı ile ÜFE analizleri Döngüsellik görevin temel etkisi sorumluydu ve ÜFE yalnızca görevin temel etkisi (üzerine) farklı etkileri ortaya çıkarır çünkü kaçının.

ÜFE ilk önerildi beri işlevsel olarak bağlı, dağınık şekilde uzak beyin bölgeleri kavramı genel olarak kabul edilir hale. Devlet fMRI dinlenme kullanarak, aynı beyin iç ağları olan veya ayarlar gösterilmiştir işlevsel olarak istirahat bağlı olan bölgeler. Böylece, devlet fMRI dinlenme çalışmaları kez fonksiyonel bağlantı, ÜFE çalışmalarda kullanılan aynı terimi araştırmak. Fonksiyonel bağlantı yorumu ancak, devlet fMRI ve ÜFE çalışmalar dinlenme farklıdır. ÜFE bulgular, tanımı gereği, görev tasarımı, tohum timecourse veya herhangi bir diğer karıştırıcı değişken4tarafından açıklanamayan görev ve tohum bölgesi arasında bir etkileşim açıklayıcı etkileri vardır. Devlet fMRI dinlenme, ağ etkinliğini farklılıkları değişiklikler belirli bölgeler arasındaki bağlantı veya ağ etkinliğinin genel değişiklikler neden olabilir. Böylece, iki grup arasında fonksiyonel bağlantı içinde değişiklikleri karşılaştırmak için bir çalışma amacı ise, ÜFE yaklaşım daha iyidir. İki grup arasındaki iç bağlantı farklılıkları açıklamak için bir çalışma amacı ise, buna ek olarak, devlet fMRI dinlenme daha iyi analizlerdir.

Özgün PPI framework'ün bir büyük sınırlama istatistiksel güç yaklaşım4' te doğal olmaması. PPI dönem (EV) da modelde dahil iki EVs kullanarak oluşturduğunuz için hem de ilişkili olması muhtemeldir. Bir GLM tarafından birden fazla tahmin ya da EV açıklanabilir farkı tek bir EV için atanmış değil. Böylece, ÜFE terimi yalnızca görev tarafından açıklanamayan etkileri algılamak için gücü veya her ikisi de tohum timecourse PPI terim correlated. Bu nedenle, bu yanlış negatifleri PPI analizleri ortaya olasıdır. gPPI, ancak, yanlış negatifleri sayısını en aza gösterilmiştir ve küçük etkisi boyut bulgular3,39için daha duyarlıdır.

ÜFE iki bölgeler arasındaki fonksiyonel bağlantı içinde görev bağımlı değişiklikleri ortaya çıkarmak, ama bir bölgede faaliyet faaliyet diğer bir değişikliğe neden olup olmadığını belirleyemiyor. Başka bir deyişle, bir ÜFE analiz nedensellik fonksiyonel bağlantı değişiklikleri keşfetmek için kullanılamaz. Dinamik nedensel modelleme gibi diğer yöntemlerin daha fonksiyonel veri40yılında nedensellik analizleri için uygundur. ÜFE analizleri bu teknikleri kullanarak deneyler tasarımını bilgilendirebilir. Özetle, ÜFE ilgili tohum bölge ve bu değişiklikleri gruplar arasında karşılaştırma fonksiyonel bağlantı muayene görev özgü değişimler için yararlı bir yaklaşımdır. ÜFE çalışmalar sonuçlarından fonksiyonel bağlantısı'nda sağlık, hastalık ve hastalık için risk dinamik doğasını daha iyi anlaşılmasını yol açabilir.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

DGM, Biospective, Inc. Biospective, Inc.'in bir çalışan sunulan verilerin hiçbirini işlemedi var.

Acknowledgements

Bu eser Ulusal Enstitüsü, yaşlanma (grant sayıya R01AG013308 SYB, F31AG047041 TMH için) tarafından desteklenmiştir. Yazarlar hesaplama kullanılan ve depolama hizmetleri Hoffman2 paylaşılan UCLA Institute tarafından dijital araştırma ve eğitim araştırma teknoloji grubu için sağlanan kümesi ile ilişkili.

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