Generaliserad vilken psykofysiologisk interaktion (PPI) analys av minne med anslutning i individer på genetiska risken för Alzheimers sjukdom

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

Detta manuskript beskriver hur du implementerar en vilken psykofysiologisk interaktion analys för att avslöja uppgift beroende av förändringar i funktionella anslutningen mellan en vald utsäde region och voxlar i andra regioner i hjärnan. Vilken psykofysiologisk interaktion analys är en populär metod att undersöka uppgift effekter på hjärnan-anslutning, skiljer sig från traditionella univariat aktiveringen effekter.

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

I neuroimaging mäter funktionell magnetresonanstomografi (fMRI) blod-syresättning-nivå beroende (fet) signalen i hjärnan. Graden av korrelation av fet signal i rumsligt oberoende regioner av hjärnan definierar funktionell anslutning av dessa regioner. Under en kognitiv fMRI uppgift, kan en vilken psykofysiologisk interaktion (PPI) analys användas för att undersöka förändringar i den funktionella connectivity under specifika sammanhang definieras av kognitiva uppgiften. Ett exempel på sådan uppgift är något som engagerar minnessystemet, be deltagarna att lära parar av orelaterade ord (kodning) och minns det andra ordet i ett par när du presenteras med det första ordet (retrieval). I den aktuella studien använde vi denna typ av associativa minne uppgift och en generaliserad PPI (gPPI)-analys för att jämföra ändringar i hippocampus anslutning hos äldre vuxna som är bärare av Alzheimers sjukdom (AD) genetiska riskfaktorn apolipoprotein-E epsilon-4 ( APOEΕ4). Specifikt, visar vi att funktionella anslutning av underregioner hippocampus ändringar under kodning och hämtning, de två aktiva faserna av associativa minne uppgiften. Innehållsberoende förändringarna funktionella anslutning av hippocampus var signifikant annorlunda hos bärare av APOEε4 jämfört med icke-bärare. PPI analyser gör det möjligt att undersöka förändringar i funktionella anslutningsmöjligheter, skild från univariat huvudsakliga effekter, och att jämföra dessa förändringar i grupper. Således kan en PPI analys avslöja komplex uppgift effekter i specifika kohorter som traditionella univariat metoder inte fångar. PPI analyser kan dock bestämma riktningen eller kausalitet mellan funktionellt anslutna regioner. PPI analyser ger dock kraftfullt medel för att skapa specifika hypoteser angående funktionella relationer, som kan testas med hjälp av kausala modeller. Som hjärnan är alltmer beskrivs när det gäller anslutningsmöjligheter och nätverk, är PPI en viktig metod för att analysera fMRI aktivitetsdata i linje med nuvarande befruktningen av den mänskliga hjärnan.

Introduction

Termen ”connectome” myntades 2005 märkning ett paradigmskifte i neurovetenskap som fortsätter än i dag1. Hjärnan är alltmer beskrivs vad gäller funktionella nätverk, anslutningar och interaktioner mellan och bland regionerna i stor skala. Avgränsningen av regionala funktionell specialisering och sammanslutningar mellan fMRI-mätt aktiviteten och aktiviteten krav finns dock fortfarande giltigt och användbart tillvägagångssätt. Mot bakgrund av det ökande intresset connectomics växer funktionella anslutningsmöjligheter förhållningssätt till uppgift fMRI analys i popularitet. Ett sätt att mäta funktionella anslutningsmöjligheter förändringar beroende på uppgift kräver använder sig av begreppet PPI. En PPI är samspelet mellan en aktiv arbetsuppgift fas eller viss aktivitet efterfrågan (”psycho”) med den funktionella connectivity (”physio”) i en region av intresse eller ”frö” i hjärnan. PPI skiljer sig från bivariate, korrelation-baserad analys av funktionella anslutningsmöjligheter, vilket generellt mäter graden av korrelation mellan aktiviteten i två regioner utan begränsningar relaterade till uppgift krav.

Begreppet och ramen för en PPI analys beskrevs ursprungligen av Friston och kollegor i 19972. Författarna menade att deras inställning var viktigt eftersom det skulle tillåta utredning av anslutning till vara mer funktionellt specifika och möjliggör slutsatser att aktiviteten i en distala utsäde kunde modulerande aktivitet som följd av en uppgift efterfrågan. I 2012, McLaren och kollegor läggs till denna ursprungliga ram och beskrev en gPPI metod där alla uppgift faser och deras interaktioner ingår i en enda modell3. Detta synsätt leder till resultat som är mer känsliga och specifika uppgift fas och interaktion som utreds. Det är denna uppdaterade gPPI strategi som vi använder i förevarande studie (se steg 6.2.2 i protokollet). Metoden gPPI har nu blivit citerad i över 200 studier. För tydlighetens skull nedan använder vi 'PPI' att beskriva gemensamma funktioner för både standard- och generaliserad version. 'gPPI' kommer att användas för att diskutera särskilda förskott associerade med nyare ramen.

Det övergripande målet för en PPI analys är att förstå hur kraven på en kognitiv aktivitet påverka eller modulerar en frö-region funktionella anslutningsmöjligheter. En PPI analys kräver en stark förhand hypotes. Aktivitet i regionen utsäde måste anpassas för uppgiften för metoden PPI ska fungera effektivt4. Till exempel i den aktuella studien baserat vi vårt utsäde urval på starka bevis att Hippocampus aktivitet moduleras av en minne uppgift kognitiva krav. Använda PPI, kan regioner som är betydligt mer eller mindre funktionellt anslutna till hippocampus under viss aktivitet faser identifieras. Kort sagt, ställer vi frågan, ”i vilka regioner är aktivitet mer korrelerade med utsäde under ramen A jämfört med baslinjen”? Vi kan också be logiska motsatsen (eftersom det är viktigt att förstå skillnaden): ”i vilka regioner är aktivitet mindre korrelerade med utsäde under ramen A jämfört med baseline”? När tolkning gruppen skillnader i PPI effekter, är det viktigt att granska uppgifterna och om positiva eller negativa förändringar i funktionella anslutningsmöjligheter, eller båda, Driver gruppen skillnader.

Metoden med PPI har använts för att studera dynamiska uppgift kontroll hubbar i friska kontroller, hur modulering av funktionella anslutningsmöjligheter är relaterad till kognitiva prestanda i Alzheimers sjukdom (AD), intelligens hos individer med autism, motor nätverksanslutning hos personer med Parkinsons sjukdom, ansikte bearbetning hos individer med kropp dysmorphic sjukdom och anorexi, känslor förordning, minne och många andra specifika frågor angående anslutning5,6,7 ,8,9,10,11. I den aktuella studien jämför vi ändringar i funktionella anslutning av underregioner av hippocampus under minne kodning och hämtning mellan en grupp individer med ökad genetisk risk för annons till en grupp utan riskfaktor12. Följande beskriver de protokoll som vi använde, tillämpa det gPPI synsättet, för att tillåta oss att testa om uppgift-framkallade förändringar i funktionella anslutningar skiljer sig åt i samband med förekomsten av APOEε4, en genetisk riskfaktor för AD.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

den aktuella studien utfördes i enlighet med protokollen UCLA institutionella granskning Board (IRB) och godkänts av den UCLA-kommittén för skydd av mänskliga försökspersoner. Alla deltagare gav skriftligt informerat samtycke för att registrera i denna studie.

1. deltagaren val

  1. få IRB godkännande att utföra studien.
  2. Skärmen individer i åldern 55 och äldre för kognitiv försämring med hjälp av ett standardiserat neuropsykologiska batteri. Inkludera tester av allmänintelligens (deltester i WAIS-III) 13, flyt (frukt och grönsaker) 14, uppmärksamhet (siffror framåt och bakåt) 13, språk (Boston Naming Test ) 15, verbalt minne (Buschke-Fuld selektiv påminna uppgift) 16, WMS-III logiskt minne och verbala ihopkopplade Associates lärande 13 och visuella minne (Rey-Osterrieth figur test) 17.
    1. har deltagarna fylla humör enkäter som Hamilton Depression och ångest inventeringar 18 , 19 samt på Mini Mental State Exam ( MMSE) 20.
  3. Inkluderar deltagare som Poäng 26 eller högre på MMSE och prestera bättre än två standardavvikelser under det normala för sin ålder på kognitiva tester. Utesluta deltagare med klinisk ångest, depression eller någon annan neuropsykiatriska eller neurologiska sjukdom. Utesluta deltagare som inte uppfyller MRI säkerhetskriterier eller som inte samtycker till en blod rita.
    Obs: I den aktuella studien, 93 deltagare uppfyller dessa kriterier (genomsnittlig ålder = 67,4 år, 31M/49F).

2. Genotypning

  1. har en utbildad phlebotomist eller annan vårdpersonal dra blod från varje deltagare.
  2. Isolera 200 µg genomiskt DNA från 10 mL av provet som beskrivs 21.
  3. Genomföra single nucleotide polymorphism (SNP) genotypning med realtids-PCR vid två loci, rs429358 och rs7412 för att diskriminera APOE alleler 22.
    1. Införliva reporter färgämnen för rs429358 och rs7412 in en SNP genotypning analys. Efter varje PCR-amplifiering cykel är klar, rita fluorescerande signaler på ett diagram som visar fördelningen av färgämnen reporter och törstsläckare. Utför experimentet i dubblett bekräfta resultat.
  4. Analysera SNP genotypning data med hjälp av ett programpaket utvecklat för realtids PCR förfarandet utgång 23.
    Obs: Används i den aktuella studien beräknas frändskapet av provet till en av de två reporter färgämnen som, i sin tur representerar en APOE SNP över den andra. I den aktuella studien, 34 bärare av annonsen riskerar allel, APOE ε4 (heterozygot ε3/ε4) och 46 icke-bärare (homozygot ε3/ε3) inkluderades totalt 80 studiedeltagarna. Utesluta bärare av APOEε2-allelen eftersom det finns bevis att denna allel kan ha en skyddande effekt relaterade till annonsen

3. Funktionella och strukturella Imaging datainsamling

  1. använda en 3 Tesla (3T) MRT systemet hela-brain imaging uppkopplingstyp.
    1. För funktionella imaging, samla axiella skivor använder en echo planar imaging (EPI) sekvens. För att underlätta registrering av funktionella bilderna, förvärva axiella skivor av T2-vägd, co-planar strukturella bilder. För högupplösta strukturella imaging, samla axiella skivor med hjälp av en 3D T1-viktad sekvens.
      Obs: I den aktuella studien användes en 3T magnet med en 12-kanals huvud spole. Parametrarna nedan var avsedda för en specifik skanner och spole. Se Tabell för material för mer information.
      1. Förvärva funktionella imaging data med följande sekvens parametrar: upprepning tid (TR) = 2 500 ms, echo tid (TE) = 21 ms, synfält (FOV) = 200 mm x 200 mm, flip vinkel = 75°, matrix = 64 x 64, 33 skivor, slice tjocklek = 3 mm, interslice gap = 0 .75 mm, voxel storlek = 3.125 x 3.125 x 3,75 mm.
      2. Utlösa aktiviteten orelaterade ord associativa minne till att börja med den tredje volymen av funktionella imaging sekvensen. För att beakta steady state jämvikt, utesluta de två första volymerna av varje funktionella skanning från analyser.
        Obs: De orelaterade ord associativa minne uppgift har varit beskrivs någon annanstans 12 , 24. Kortfattat är det en block-design funktionell aktivitet med kodning och hämtning block. Deltagarna uppmanas att lära parar av orelaterade ord.
      3. Förvärva T2-vägd, co-planar strukturella imaging data med följande sekvens parametrar: TR = 5.000 ms, TE = 34 ms, FOV = 200 mm x 200 mm, flip vinkel = 90°, matrix = 128 x 128, 28 skivor, slice tjocklek = 3 mm, interslice gap = 1 mm och voxel storlek = 1.56 x 1 .56 x 4 mm.
      4. Förvärva högupplösta strukturella (anatomiska) imaging med följande magnetisering beredd snabb Gradient Echo (MPRAGE) sekvens parametrar: TR = 1 900 ms, TE = 2.26 ms, TI = 900 ms, FOV = 250 mm x 218 mm, flip vinkel = 9°, matrix = 256 x 215, 176 skivor , skiva tjocklek = 1 mm, noll-fylld till en matris av 256 x 224 resulterar i en voxel storlek = 1 x 0,976 x 0.976 mm.

4. fMRI DJÄRVA Data förbehandling

  1. Förbearbeta funktionella data med hjälp av funktionell Magnetkamera av hjärnan (FMRIB) programvara bibliotek (FSL) version 6.0 (http://fsl.fmrib.ox.ac.ul) enligt följande:
    1. För varje deltagare ' s datamängd, ta bort huvud rörelse artefakt från data med hjälp av rörelse korrigering FMRIB ' s linjär bild registrering verktyg (MCFLIRT) 25.
    2. Ta bort icke-hjärnvävnad från bilderna med hjärnan utdragningen redskap (insats) med den valfria -F flagga 26.
    3. Verktyget FSL Motion Outliers för att identifiera alla volymer i funktionella data där det finns överdriven rörelse utifrån ram förskjutning mellan volymer. Flagga volymer där rörelse mäts som en avvikare (över 75 : e percentilen + 1,5 gånger den mellan kvartil rad) jämfört med resten av sökningen och använda utdata från detta program för att downweight dessa volymer i analyser.
      Obs: Innan du kör grupp jämförelser, kontrollera att genomsnittliga rörelse, mätt som FSL Motion Outliers, inte skiljer sig mellan de två grupperna. Detta hjälper till att säkerställa att resultaten inte drivs av grupprelaterade skillnader i rörelse.
  2. Ställa in förbehandling och första nivån allmänna linjära modellen (GLM) med det grafiska användargränssnittet (GUI) för FSL fMRI Expert analys verktyg (FEAT) för den första deltagaren.
    Obs: Upprepa detta steg för varje studie deltagare. För att spara tid, efter inställning-upp en springa för en deltagare, skriva ett skript för att köra förbehandling för återstående studiedeltagarna ' data genom att ändra den " design.fsf " fil (FSL FEAT output) för varje deltagare att referera den deltagaren ' s specifika data.
    1. i fliken data klickar du på " lägga till 4D data " och navigera till den motion-korrigerade och hjärnan-extraherade filen. Ställa in TR till 2.5 s (motsvarande TR av funktionella sekvensen förvärvade). Använda filtret högpass standard (satt till 100 s).
      Obs: Högpass filtrering kommer att ta bort lågfrekventa signaler ointressant.
    2. Klicka på fliken före statistik, " ingen " under " rörelse korrigering " (som det utfördes redan i steg 4.1). Avmarkera " BET hjärnan utvinning " (som det var redan färdig steg 4.1). Typ " 5 " i rutan Ange 5 mm full bredd halv-maximum (FWHM) Gaussisk kärna för rumsliga smoothing.
      Obs: FWHM för utjämnande kärnan generellt fastställas om två gånger storleken på den funktionella skanningsstorleken voxel.
    3. Använda utdata (6 kolumner, rader = # av TRs i scan) av MCFLIRT att skapa 6 spalt textfiler som beskriver rörelse korrigering utförs på varje volym inom datamängden. Dessa kommer att läggas till modellen som regressors i nästa steg.
      1. i fliken statistik under " full modell setup ", lägga till parametrarna 6 motion och deras temporal derivat som regressors eller förklarande variabler (EVs) i GLM. För varje rörelse EV välja " anpassade " (1 inträde per volym) för grundform, " ingen " för faltning och kontrollera " använda temporal filtrering. "
        Obs: Motion parametrar behöver inte vara convolved av någon funktion eftersom de hänvisar till den uträtning utförs vid varje funktionella volym under rörelse korrigering och således behöver inte justeras.
    4. Statistik på fliken Välj utdata från FSL Motion extremvärden från steg 4.1 under den " lägga till ytterligare förvirra EVs ".
      Obs: Denna utgång är en matris som betecknar varje volym som har flaggats för överdriven rörelse och, genom att lägga till filen confound, kommer att vara deweighted i GLM.
    5. Klicka på fliken statistik, " fullständiga modellen set-up ". Skapa uppgiften timing textfiler som betecknar uppkomsten och förskjutning av annan uppgift faser och lägga till dessa som EVs i GLM genom att välja 1 kolumnformat och navigera till den relevanta textfilen (inkluderar en för uppgiften kodning fas och en för fasen hämtning). För " faltning " välja den " dubbel-gamma HRF " alternativ från nedrullningsbara listan för dem båda. Inte modell original- eller icke-aktiva delar av aktiviteten i GLM.
      Obs: HRF står för hemodynamiska responsen funktion. Convolving uppgiften EV av HRF skiftar tidpunkten för uppgiften EV vara mer förenligt med förväntade uppgift-inducerad fet signalförändringar i hjärnan.
    6. i fliken registrering kontrollera " utökade funktionell image " och " viktigaste strukturella bild " för en två-stegs registrering.
      1. Välj deltagaren ' s co-planar T2-vägd strukturella scan för det första steget, där funktionella data registreras i co-planar strukturella data. Välj 6 frihetsgrader (DOF) för det här steget genom att klicka på andra rullgardinsmenyn under detta steg och välja " 6 DOF ".
      2. För nästa steg, där den T2-vägd bilden är registrerat till den höga upplösningen T1-vägd MPRAGE, Välj gräns baserat registrering (BBR) från nedrullningsbara rutan 27.
        Obs: BBR använder intensitet skillnader mellan vit substans och grå materia för att registrera strukturella och funktionella skanningar och har visats prestera bättre än FLIRT och andra alternativa metoder.
      3. För det sista steget, där den högupplösta grunddata är registrerat i standard MNI152 mallen, väljer 12 frihetsgrader och en linjär omformning genom att välja " 12 DOF ".
        Obs: När alla steg i avsnitt 4 är kompletta funktionella data är förbehandlade och redo för ytterligare analys.

5. Hippocampus frön

  1. Generera en mask av vänster hippocampus i varje deltagare ' s hög upplösning strukturella utrymme använder FSL ' s FMRIB integrerad registrering och segmentering verktyg (första) segmentering algoritm 28 .
    Obs: Andra regioner, inklusive rätt hippocampus, skulle vara intressant och giltig frön för vidare analyser.
  2. Använder en statistisk programvaruplattform, skriva kod i att beräkna längden på den främre och bakre tredjedelen av struktur 29. Specifikt använda längden på volymetriska Hippocampus masken i främre-bakre plan för att hitta koordinaterna demarking den främre och bakre tredjedelen av detta plan.
    Observera: En nyligen publicerad metod att segmentera hippocampus längs den längsgående axeln kan vara en alternativ utsäde skapande förhållningssätt 30.
  3. Baserad på dessa koordinater, skapa bilder med främre och bakre Hippocampus mask. Registrera de främre och bakre Hippocampus maskerna i native funktionell utrymme med den " example_func2highres " matris i katalogen registrering av FEAT.
    Obs: Använder de främre och bakre tredjedelarna hindrade signal oskärpa över två Hippocampus frön efter registrering till funktionell utrymme. Det finns bevis för funktionell specialisering längs den längsgående axeln av den hippocampus 31 , 32 , 33 , 34. Främre regionerna ingående regioner och i samband med kodning, medan bakre hippocampus är en output-regionen som är kopplad med minne hämtning och konsolidering 35 , det 36 , 37. således använda dessa regioner tillåter bedömning av funktionella inblandning av främre kontra bakre hippocampus i kodning kontra hämtning faser av aktiviteten minne.
  4. Använda FSL menar timeseries (fslmeants) till extraktet den denoised genomsnittliga timeseries från främre och bakre Hippocampus frön ( figur 1). Följ instruktionerna program och använda antingen främre eller bakre Hippocampus fröet som masken och denoised, förbehandlas funktionella data som huvudbilden.

Figure 1
figur 1 : Hippocampus frön. I native utrymme, en enda deltagare ' s främre hippocampus utsäde visas i gult. Det bakre hippocampus utsädet för samma deltagare visas i rosa. Frön är definierade i varje deltagare ' s unika strukturella bilden och sedan registrerade till deras funktionella scan. Fröna är aldrig i ett standardiserat utrymme, som ökar exaktheten i hippocampus segmentering. Denna siffra har varit omtryckt med tillåtelse 12. Klicka här för att se en större version av denna siffra.

6. PPI modell

  1. använda GUI för FSL FEAT att läsa in förbehandlas funktionella data.
    1. i fliken data, välja den " filtered_func_data " denoised bild (output från trappan klar i avsnitt 4) som indatafil. I fliken före statistik, skapa rörelse korrigering och hjärnan utvinning " ingen. " Unclick lådor för att utföra filtrering av tidsmässiga och rumsliga smoothing.
  2. PPI ModEl installation (tabell 1).
    1. i statistik-fliken, Välj " fullständiga modellen set-up ". EVs på fliken Lägg till alla EVT från första nivå modell: 6 motion korrigeringen EVs, blanda ihop EV matris från FSL Motion avvikare och uppgift timing EVs. Klicka på uppåtpilen för att lägga till EVs. Ingå i modellen en EV för den fysiologiska timecourse från frö (text filen utdata för fslmeants i steg 5,4) som kovariat utan intresse genom att klicka på uppåtpilen.
    2. Skapa PPI villkoren.
      1. Välj " interaktion " i grundläggande form-menyn och välj den utsäde timecourse EV och en uppgift EV. För den " göra noll " alternativ, Välj " menar " för det utsäde timecourse EV och " centrum " för aktiviteten EV. Upprepa proceduren för den andra aktiviteten faserna. Kör en separat modell för varje frö region.
        Obs: Dessa nya EVs är PPI villkoren för fas av det uppgiften valda (psykopat) och frö (physio). I den aktuella studien ingick en PPI för kodning fas och en andra PPI sikt för hämtning fas i varje PPI-modell. Den " centrum " alternativet säkerställer att den " på " och " av " faser av block design uppgiften behandlas lika. Den " menar " alternativet alltid tillämpas den utsäde timecourse och resulterar i betyder att subtraheras från denna regressor.
    3. i kontraster och F-tester fliken, modell följande specifika effekter genom att ange " 1 " i den motsvarande EV cell: psych_enc (kodning uppgift fas), psych_ret (hämtning uppgift fas), phys (utsäde timecourse), PPI_enc (PPI av utsäde och -kodning), PPI_ret (PPI av utsäde och hämtning). Slutligen, ange en " -1 " att modellera negativa protonpumpshämmare för varje uppgift fas.

Table 1

tabell 1: gPPI modell set-up.

7. gruppen jämförelser

  1. Välj " högre nivå analys " i FSL bedrift att köra en enkel grupp modell jämföra APOEε4 transportörer att icke-bärare för varje uppgift-utsäde kombination.
    Obs: Dessa jämförelser körs för att generera de relevanta gruppen 4D residualer bilderna (" res4d ") behövs för att uppskatta jämnhet i datamängden. Statistiskt signifikanta resultat från denna grupp jämförelse är giltiga, men i stegen nedan ett annat tröskelvärde tillvägagångssätt använder IRINA711 och SPM8 för att ställa en betydande kluster minsta baserat på Monte Carlo-simuleringar beskrivs.
  2. Användning analys av funktionella Neuroimaging (Johanna)
    1. användning IRINA711 ' s 3dFWHMx (någon version efter December 2015) på kommandoraden för att uppskatta jämnhet i grupp 4D residualerna bilder genereras med hjälp av FSL.
      Obs: En bugg upptäcktes i Johannas ' s 3dClustSim och korrigeras i maj 2015. I December 2015, Johanna ' s 3dFWHMx uppdaterades till mer exakt modell auto-korrelationer. Således, versioner av dessa verktyg släpptes i December 2015 eller senare ska användas.
    2. Användning IRINA711 ' s 3dClustSim (någon version efter December 2015) att fastställa kluster mån minimum når signifikans på olika voxel-nivå trösklar. Inkludera de jämnhet uppskattningarna från föregående steg i kommandoraden åkallan av 3dClustSim. Från tabell genereras av 3dClustSim, baserat på de studie hypoteserna angående de förväntade effekterna ' höjd och omfattning, välja en voxel-nivå tröskel och motsvarande minsta klusterstorleken.
      Obs: I allmänhet större kluster minimera falska positiver.
  3. Använda statistiska parametriska Mapping (SPM8)
    1. med SPM8-gränssnittet, Välj " ange 2 nd-nivå ". Batch editor öppnas. Välj " två prov t-test " under konstruktion. Navigera till katalogen med parametern uppskattning bilderna för grupp 1 (APOEε4 bärare) och välj genom att klicka på dem. Lägg sedan till grupp 2 (APOEε4 icke-bärare) bilder. Kör denna jämförelse genom att klicka på den gröna uppspelningsknappen.
    2. Återgå till SPM GUI, Välj " uppskatta ", och navigera till den SPM.mat-fil som skapas i föregående steg för att köra modellen uppskattningsprocessen.
    3. Välj " resultat " och kör grupp jämförelse kontraster: APOEε4 bärare > APOEε4 icke-bärare, icke APOEε4-bärare > APOEε4 bärare.
      1. Klicka på " definiera en ny kontrast ", välja " T-kontrast " under " typ " och ange " 1 -1 " i den " kontrast " låda för APOEε4 bärare > APOEε4 icke-bärare. Klicka på " gjort ". Välja " ingen " för gäller maskering, och manuellt ange voxel-nivån tröskel och kluster storlek minst enligt avgöranden i steg 7.2.2.Enter "-1 1 " för APOEε4 icke-bärare > APOEε4 bärare.
        Obs: I den aktuella studien, en voxelwise tröskel av p < 0,005 användes och kluster thresholded på alpha < 0,05.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Med två olika aktiva uppgift faser (kodning och hämtning) och två utsäde regioner (främre och bakre hippocampus) finns det fyra villkor att rapportera resultat för varje grupp. Inom grupperna uppgift aktivering kartor (visas inte här, se Harrison et al., 201612) visar att nackloben, auditiva cortex, stora regioner i tinningloben, frontal språkområden, superior temporal gyrus, och caudatus (mer uttalad under hämtning) har betydande fet signal ökar under kodning och hämtning i både experimentella grupper. Inom grupperna PPI analyser visade att det finns inga betydande ökningar i funktionella anslutningsmöjligheter med antingen främre eller bakre Hippocampus frön för APOEε4 bärare eller icke-bärare. Inom grupperna PPI analyser visade signifikanta minskningar i funktionella anslutningar i APOEε4 bärare för både aktivitetsvillkor och Hippocampus underregioner (figur 2). I APOEε4 icke-bärare observerades endast signifikanta minskningar i funktionella anslutningsmöjligheter med bakre hippocampus under kodningen (figur 2). Positiva och negativa PPI kartorna visar en avvikelse mellan APOEε4 transportörer och icke-bärare i hur Hippocampus funktionella anslutning ändras under en minne uppgift. För att avgöra om skillnaderna är statistiskt signifikanta, är det nödvändigt att direkt jämföra grupperna för var och en av fyra resultat38.

Förmån för korthetens, gruppera jämförelse resultat visar APOE-medierad skillnader endast för en region och uppgift fas, främre hippocampus under hämtning, presenteras här (icke-bärare > bärare, figur 3). Under hämtning, divergens i den främre hippocampus connectivity förändringar som observerats inom gruppen (figur 2) resulterar i betydande mellan gruppen skillnader i bilaterala supramarginal gyrus, rätt kantiga gyrus och rätt precuneus.

Figure 2
Figur 2 : Hippocampus frön uppgift-beroende negativa funktionella anslutningsmöjligheter byter kartor. Koronalt och axiell över gruppen genomsnitt uppgift-beroende negativa funktionella anslutning förändring av hippocampus underregioner i icke APOEε4-lufttrafikföretag och lufttrafikföretag separat, inom koncernen. Uppgift-beroende anslutning minskar med främre hippocampus utsäde visas i de övre panelerna. De lägsta panelerna visar uppgift-beroende anslutning minskar med bakre hippocampus. Kartor var thresholded på z = 2.3, kluster rättas p < 0,05. Voxlar möte tröskel i APOEε4 icke-bärare (i rött) och flygbolag (i grönt) överdras. Denna siffra har varit omtryckt med tillåtelse12. Klicka här för att se en större version av denna siffra.

Figure 3
Figur 3: främre Hippocampus utsäde connectivity ändra skillnader mellan APOEε4 transportörer och icke-bärare under hämtning. Under hämtning, signifikanta skillnader mellan APOEε4 transportföretag och icke-bärare fanns i vänster supramarginal gyrus (mörkblå), höger supramarginal/kantiga junction (orange) samt rätt precuneus (lila). Resultaten från denna två-sampel t-test var thresholded att avslöja kluster betydande på alpha < 0,05 med en voxelwise tröskel av p < 0,005. Topp koordinaten för varje kluster redovisas i MNI utrymme, i x, y, z flygplan (mm). Illustration av riktning och omfattningen av skillnaden mellan grupper ritas kontraster av parametern uppskattningar från varje kluster av gruppen. De röda horisontella linjerna indikerar noll och belysa att transportörer har minskat (negativ) funktionell anslutning till främre hippocampus i dessa regioner under hämtning. Bandet i rutorna representerar medianen medan övre och nedre kanterna på rutorna representerar de första och tredje kvartiler, respektive. Morrhåren förlänga upp till 1,5 gånger interkvartilintervall. Datapunkter utanför detta intervall är ritade som avvikare. Denna siffra har varit omtryckt med tillåtelse12. Klicka här för att se en större version av denna siffra.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Tidiga uppgiftsbaserade fMRI studier utformades för att avslöja statistiska relationer mellan särskilt kognitiva processer eller krav och förändringar i fet signal i förhållande till en baslinjemätning. Detta traditionella tillvägagångssätt är användbart för att identifiera specifika regioner i hjärnan där aktivitet moduleras av en experimentell uppgift. Däremot angå en PPI analys främst med moduleringen av funktionella anslutningsmöjligheter eller synchrony verksamhet, som resulterar från en uppgift-inducerad kognitiv process. PPI mäter sammanhang beroende funktionella anslutningen mellan en definierad region av intresse (frö) och andra regioner i hjärnan, inte bara aktivitet ökar och minskar i lokaliserade områden. Valet av regionen utsäde måste hypotesen-drivas som PPI analyser kommer att prestera optimalt när aktivitet i regionen utsäde moduleras, i en univariat ram, av det uppgiften-inducerad kognitiva sammanhanget. Ramen för PPI kan sedan användas för att utforska hur utsäde regionen verksamhet blir mer eller mindre synkroniseras med andra regioner som svar på viss uppgift sammanhang, såsom minne kodning eller hämtning. Skillnader mellan grupper, därför begränsas till de funktionella anslutningsmöjligheter förändringarna mellan utsäde och andra regioner som moduleras av en viss aktivitet-fas.

En grundlig förståelse av GLM är nödvändigt för att genomföra en PPI analys. En komplett, grupp jämförelse PPI studie har tre nivåer av linjär modellering: den första nivån (förbehandling, aktivitet och rörelse modellering), mellannivå PPI modellen (lägga till utsäde timecourse och uppgift interaktion EVs) och den högsta nivå jämförelse modellen (grupp kontrasterna av parametern uppskattningar). Vid varje steg används en bild som indata för följande steg. Den gPPI strategin föreslås i 2012 och anställd i den aktuella studien använder tredjeparts funktioner i GLM så att kontrasterna är specifika för interaktioner med fasen uppgift av intresse3. I den klassiska PPI, one modeller två villkor och ett antagande görs att de två villkoren är på motsatt sida av baslinje (om det finns ett baslinje-tillstånd). gPPI gör att man kan exakt modell alla villkor och gör inte några antaganden om hur villkoren förhåller sig till det ursprungliga tillståndet. En annan viktig komponent i någon PPI analys är lämpliga val av en frö-region. Utsäde regioner kan väljas utifrån tidigare bevis i litteraturen, som i den aktuella studien där hippocampus användes som regionen utsäde för en minne uppgift. En annan metod för utsäde urval är att välja en region där aktivitet ökar betydligt under en viss aktivitet fas. Med den här metoden regionen utsäde definieras inte anatomiskt men med hjälp av en grupp av suprathreshold voxlar univariat-aktivering kartor. Med detta synsätt till utsäde val undvika PPI analyser loopkontroll eftersom den huvudsakliga effekten av uppgiften redovisas och PPI bara visar effekter som är skilda från (utöver) den huvudsakliga effekten av uppgiften.

Eftersom PPI först föreslogs, blivit begreppet funktionellt anslutna, rumsligt avlägsen hjärnregioner allmänt accepterat. Med hjälp av vila staten fMRI, det har visats att hjärnan har inneboende nätverk eller uppsättningar av regioner som är funktionellt anslutna vid vila. Därför undersöka vilar staten fMRI studier ofta funktionella anslutningsmöjligheter, samma term används i PPI studier. Tolkningen av funktionella anslutningsmöjligheter, men skiljer sig i vilande tillstånd fMRI och PPI studier. PPI resultaten är, per definition, förklarande effekter av ett samspel mellan uppgift och utsäde region som inte kan förklaras av uppgift designen, den utsäde timecourse eller några andra confounding variabel4. I vilande tillstånd fMRI, orsakas skillnader i nätverksaktivitet av förändringar i anslutning mellan specifika regioner eller övergripande förändringar i nätverksaktivitet. Således, om målet med en studie är att jämföra ändringar i funktionella anslutningen mellan två grupper, en PPI strategi är bättre. Om målet för en studie är att beskriva skillnader i inneboende anslutning mellan två grupper, är vilar staten fMRI analyser det däremot bättre.

En stor begränsning av ramen för ursprungliga PPI är bristen på statistisk power inneboende i metod4. Eftersom PPI termen (EV) skapas med två EVs också ingår i modellen, är det sannolikt att vara korrelerade till båda. I en GLM tilldelas den avvikelse som kan förklaras av mer än en prediktor eller EV inte en enda EV. Således, PPI termen endast har befogenhet att upptäcka effekter som inte kan förklaras av uppgiften eller den utsäde timecourse, som båda är korrelerad till PPI termen. På grund av detta är det troligt att falska negativa inträffar i PPI analyser. gPPI, dock har visat sig reducera antalen av falska negativa och är mer känslig för liten effekt storlek fynd3,39.

PPI kan avslöja uppgift beroende av förändringar i funktionella anslutningen mellan två regioner, men det går inte att avgöra om verksamheten i en region orsakar en ändring på aktiviteten i den andra. Med andra ord, kan inte en PPI analys användas för att utforska kausalitet i funktionella anslutningsmöjligheter förändringar. Andra metoder, såsom dynamisk kausala modellering, är bättre lämpade för analyser av kausalitet i funktionella data40. PPI analyser kan informera utformningen av experiment med hjälp av dessa tekniker. Sammanfattningsvis är PPI en användbar strategi för undersökande uppgiftsspecifika förändringar i funktionella anslutning av en relevant utsäde region och jämföra dessa förändringar mellan grupper. Resultat från PPI studier kan leda till en bättre förståelse av den dynamiska karaktären av funktionella anslutningar i risk för sjukdom, hälsa och sjukdom.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

DGM är anställd av Biospective, Inc. Biospective, Inc. inte att behandla några av de data som presenteras.

Acknowledgements

Detta arbete stöds av det nationella institutet för åldrande (licensnummer R01AG013308 till SYB, F31AG047041 till TMH). Författarna använde computational och lagringstjänster associeras med Hoffman2 delade klustret från UCLA Institute for Digital forskning och utbildnings forskning Technology Group.

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