Generaliseret psykosomatisk interaktion (PPI) analyse af hukommelse relaterede Connectivity hos personer med genetisk risiko for Alzheimers sygdom

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

Dette manuskript beskriver hvordan man gennemfører en psykosomatisk interaktionsanalyser for at afsløre opgave-afhængige ændringer i funktionelle forbindelse mellem en udvalgte frø region og voxels i andre regioner af hjernen. Psykosomatisk interaktionsanalyser er en populær metode til at undersøge opgave virkninger på hjernen connectivity, adskiller sig fra traditionelle inputområdet aktivering 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 måler funktionel magnetisk resonans imaging (fMRI) blod-iltning-niveau afhængige (fed) signal i hjernen. Graden af korrelation af fed signal i rumligt uafhængige regioner af hjernen definerer den funktionelle connectivity i disse regioner. Under en kognitiv fMRI opgave, kan en psykosomatisk interaktionsanalyser (PPI) bruges til at undersøge ændringer i den funktionelle forbindelse under specifikke kontekster defineret af den kognitive opgave. Et eksempel på en sådan opgave er én, der engagerer hukommelsessystem, spørger deltagerne at lære par af uafhængige ord (kodning) og husker det andet ord i et par når præsenteret med det første ord (hentning). I den foreliggende undersøgelse anvendte vi denne form for associativ hukommelse opgave og generaliserede PPI (gPPI) analyse for at sammenligne ændringer i hippocampus connectivity hos ældre voksne, der er bærere af Alzheimers sygdom (AD) genetiske risikofaktor apolipoprotein E epsilon-4 ( APOEΕ4). Specifikt, viser vi, at den funktionelle connectivity i grupperinger af hippocampus ændringer under kodning og hentning, de to aktive faser af opgaven associativ hukommelse. Kontekst-afhængige ændringer i funktionelle tilslutning af hippocampus var væsentligt anderledes i bærere af APOEε4 i forhold til ikke-luftfartsselskaber. PPI analyser gør det muligt at undersøge ændringer i funktionelle connectivity, adskiller sig fra inputområdet vigtigste effekter, og at sammenligne disse ændringer på tværs af grupper. Således kan en PPI analyse afsløre komplekse opgave effekter i specifikke kohorter, der traditionelt inputområdet metoder ikke optage. PPI analyser kan dog fastsætte retningslinier eller kausalitet mellem funktionelt forbundne områder. Ikke desto mindre giver PPI analyser effektivt middel til at generere specifikke hypoteser vedrørende funktionelle relationer, som kan testes ved hjælp af kausale modeller. Hjernen er i stigende grad beskrevet connectivity og netværk, er PPI en vigtig metode til at analysere fMRI opgavedata, der er i overensstemmelse med den nuværende opfattelse af den menneskelige hjerne.

Introduction

Udtrykket "connectome" blev opfundet i 2005 markerer et paradigmeskift i neurovidenskab, der fortsætter den dag i dag1. Hjernen er i stigende grad beskrevet i form af funktionelle netværk, tilslutning og interaktioner mellem og blandt regioner i stor skala. Afgrænsning af regionale funktionelle specialisering og sammenslutninger mellem fMRI-målt aktivitet og opgave krav er imidlertid stadig gyldig og nyttig tilgange. I lyset af den voksende interesse for connectomics, er funktionelle connectivity tilgange til opgaven fMRI analyse stigende i popularitet. Én metode til måling af funktionel konnektivitet ændringer afhængig opgave kræver gør brug af begrebet PPI. En PPI er samspillet mellem en aktiv opgave fase eller bestemt opgave efterspørgsel ("psycho") og den funktionelle connectivity ("fysio") i en region af interesse eller "frø" i hjernen. PPI adskiller sig fra bivariate, korrelation-baseret analyse af funktionelle connectivity, der generelt måler graden af korrelation mellem aktivitet i to regioner uden nogen begrænsninger, der er relateret til opgave krav.

Koncept og ramme for en PPI analyse blev oprindeligt beskrevet af Friston og kolleger i 19972. Forfatterne hævdede, at deres tilgang var vigtigt, fordi det ville tillade undersøgelsen af forbindelsen at være mere funktionelt bestemt og slutninger at aktivitet i en distal frø kunne modulerende aktivitet som følge af en opgave efterspørgsel. I 2012, McLaren og kolleger tilføjet til denne oprindelige rammer og beskrevet en gPPI tilgang, hvor alle opgave faser og deres samspil er inkluderet i en enkelt model3. Denne fremgangsmåde fører til resultater, der er mere følsom og specifik opgave fase og interaktion ved at blive undersøgt. Det er denne opdaterede gPPI tilgang, som vi anvender i nuværende undersøgelse (Se trin 6.2.2 i protokollen). GPPI tilgangen er nu blevet citeret i over 200 undersøgelser. Til klarhed, herefter bruger vi 'PPI' til at beskrive almindelige funktioner i både standard og generaliseret version. 'gPPI' vil blive brugt til at diskutere konkrete fremskridt forbundet med den nyere ramme.

Det overordnede mål med en PPI analyse er at forstå, hvordan kravene fra en kognitiv opgave indflydelse eller modulere den funktionelle forbindelse af en frø region. En PPI analyse kræver en stærk forhånd hypotese. Aktivitet i regionen frø skal gradueres efter opgave i rækkefølgen for PPI tilgang til at arbejde effektivt4. For eksempel, i den nuværende undersøgelse baseret vi vores frø udvalg på den stærke beviser at hippocampus aktivitet moduleres af en hukommelse opgave kognitive krav. Bruge PPI, kan regioner, der er betydeligt mere eller mindre funktionelt forbundet til hippocampus i bestemt opgave faser identificeres. Kort sagt, stille vi spørgsmålet, "i hvilke regioner er aktivitet mere korreleret med frø i forbindelse A forhold til baseline?" Vi kan også spørge det logiske modsatte (da det er vigtigt at forstå forskellen): "i hvilke regioner er aktivitet mindre korreleret med frø i forbindelse A i forhold til baseline?" Ved fortolkningen af gruppe forskelle i PPI virkninger, er det vigtigt at undersøge data og om positive eller negative ændringer i funktionelle connectivity, eller begge, kører gruppe forskelle.

PPI tilgang har været brugt til at studere dynamisk opgave kontrol hubs i raske kontrolpersoner, hvordan graduering af funktionelle connectivity er relateret til kognitive præstationer i Alzheimers sygdom (AD), intelligens hos personer med autisme, motor netværksforbindelsen hos personer med Parkinsons sygdom, ansigt behandling hos personer med krop dysmorphic lidelse og anoreksi, følelser regulering, hukommelse og mange andre specifikke spørgsmål i forbindelse med connectivity5,6,7 ,8,9,10,11. I den foreliggende undersøgelse sammenligner vi ændringer i funktionelle tilslutning af grupperinger af hippocampus under hukommelse kodning og hentning mellem en gruppe af individer øget genetisk risiko for annonce til en gruppe uden risikofaktor12. I det følgende beskrives den protokol, som vi brugte, anvende gPPI tilgang, for at tillade os at teste, hvis opgave-fremkaldte ændringer i funktionelle tilslutningsmuligheder varierer i forening med tilstedeværelsen af APOEε4, en genetisk risikofaktor for annonce.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

den nuværende undersøgelse blev udført i overensstemmelse med UCLA institutionelle Review Board (IRB) protokoller og godkendt af UCLA Udvalget til beskyttelse af menneskers emner. Alle deltagerne gav skriftlig informeret samtykke for at tilmelde dig i denne undersøgelse.

1. deltageren udvalg

  1. skaffe IRB godkendelse til at udføre undersøgelsen.
  2. Skærmen personer i alderen 55 og ældre for kognitiv tilbagegang ved hjælp af et standardiseret neuropsykologiske batteri. Omfatte prøver af generel intelligens (delprøvninger WAIS-III) 13, flydende (frugt og grøntsager) 14, opmærksomhed (cifre fremad og bagud) 13, sprog (Boston navngivning Test ) 15, verbal hukommelse (Buschke-Fuld selektiv minde opgave) 16, WMS-III logiske hukommelse og Verbal parret Associates læring 13 og visuel hukommelse (Rey-Osterrieth figur test) 17.
    1. har deltagerne udfylde humør spørgeskemaer som Hamilton Depression og angst oversigterne 18 , 19 samt Mini Mental State eksamen ( MMSE) 20.
  3. Omfatter deltagere, der scorer 26 eller højere på MMSE og klarer sig bedre end to standardafvigelser under normale for deres alder på kognitive tests. Udelukke deltagere med kliniske angst, depression eller eventuelle andre neuropsykiatriske eller neurologisk sygdom. Udelukke deltagere der ikke opfylder Mr sikkerhedskriterier eller der ikke indvilger i at en blod tegne.
    Bemærk: I den nuværende undersøgelse, 93 deltagere opfyldt disse kriterier (gennemsnitsalder = 67.4 år, 31M/49F).

2. Genotypebestemmelse

  1. har en uddannet phlebotomist eller andre medicinske professionelle trække blod fra hver deltager.
  2. Isolere 200 µg genomisk DNA fra 10 mL af prøven som beskrevet 21.
  3. Udføre enkelt nukleotid polymorfisme (SNP) genotypebestemmelse ved hjælp af real-time PCR på to loci, rs429358 og rs7412 til at diskriminere APOE alleler 22.
    1. Indlemme reporter farvestoffer til rs429358 og rs7412 i en SNP genotypebestemmelse assay. Efter hver PCR forstærkning cyklus er afsluttet, plot fluorescerende signaler på en graf, der viser fordelingen af reporter og quencher farvestoffer. Udføre forsøget i to eksemplarer til at bekræfte resultaterne.
  4. Analyze SNP genotypebestemmelse data ved hjælp af en software-pakke udviklet til real-time PCR proceduren output 23.
    Bemærk: Programmet anvendes i den foreliggende undersøgelse beregner affinitet af prøven til et af de to reporter farvestoffer, der til gengæld repræsenterer en APOE SNP over den anden. I den foreliggende undersøgelse, 34 bærere af Annoncen risikerer allel, APOE ε4 (heterozygous ε3/ε4) og 46 ikke-luftfartsselskaber (homozygote ε3/ε3) var tilmeldt i alt 80 undersøgelsens deltagere. Udelukke bærere af APOEε2 allel, fordi der er tegn på at denne allel kan have en beskyttende effekt relateret til AD.

3. Funktionelle og strukturelle Imaging dataindsamling

  1. Brug en 3 Tesla (3T) Mr system til at erhverve hele-brain imaging data.
    1. For funktionel billeddannelse, indsamle aksial skiver ved hjælp af et ekko planar imaging (EPI) sekvens. For at lette registrering af de funktionelle billeder, erhverve aksial skiver af T2-vægtede, co-planar strukturelle billeder. For høj opløsning strukturel billeddannelse, indsamle aksial skiver ved hjælp af en 3D T1-vægtet rækkefølge.
      Bemærk: I den nuværende undersøgelse, en 3T magnet blev brugt med en 12-kanals hoved coil. Parametrene nedenfor blev designet for en specifik scanner og spole. Yderligere oplysninger finder du i Tabellen af materialer.
      1. Erhverve funktionelle imaging data ved hjælp af parametrene følgende sekvens: gentagelse tid (TR) = 2.500 ms, echo tid (TE) = 21 ms, field of view (FOV) = 200 mm x 200 mm, flip vinkel = 75°, matrix = 64 x 64, 33 skiver, Skive tykkelse = 3 mm, interslice hul = 0 forbindelse.75 mm, voxel størrelse = 3.125 x 3.125 x 3.75 mm.
      2. Udløser ikke-forretningsmæssigt forbundne ord associativ hukommelse opgave til at begynde med den tredje bind af funktionel billeddannelse sekvensen. For at tage højde for steady-state ligevægt, udelukker de to første bind af hver funktionelle scanning fra analyser.
        Bemærk: De ikke-forretningsmæssigt forbundne ord associativ hukommelse opgave har været beskrevet andetsteds 12 , 24. Kort, det er en blok-design funktionelle opgave med kodning og hentning blokke. Deltagerne bliver bedt om at lære par af uafhængige ord.
      3. Erhverve T2-vægtede, co-planar strukturelle imaging data ved hjælp af parametrene følgende sekvens: TR = 5.000 ms, TE = 34 ms, FOV = 200 mm x 200 mm, flip vinkel = 90°, matrix = 128 x 128, 28 skiver, Skive tykkelse = 3 mm, interslice hul = 1 mm og voxel størrelse = 1,56 x 1 .56 x 4 mm.
      4. Erhverve høj opløsning strukturel (anatomiske) imaging ved hjælp af parametrene følgende magnetisering udarbejdet hurtige Gradient ekko (MPRAGE) sekvens: 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 skiver , Skive tykkelse = 1 mm, nul-fyldt til en matrix af 256 x 224 resulterer i en voxel størrelse = 1 x 0.976 x 0.976 mm.

4. fMRI fed Data forbehandling

  1. forbehandle funktionelle data, der anvender funktionelle Mr af hjernen (FMRIB) Software bibliotek (FSL) version 6.0 (http://fsl.fmrib.ox.ac.ul) som følger:
    1. For hver deltager ' s datasæt, Fjern hoved bevægelse artefakt fra data bevægelse korrektion FMRIB ' s lineær afbildning registrering værktøj (MCFLIRT) 25.
    2. Fjerne ikke-hjernevæv fra billeder ved hjælp af hjernen Origin værktøj (BET) med valgfri -F flag 26.
    3. Bruge FSL bevægelse Outliers værktøj til at identificere alle diskenheder i den funktionelle data hvor der er overdreven motion baseret på rammen forskydning mellem diskenheder. Flag diskenheder hvor bevægelse måles som en outlier (over 75 th percentil + 1,5 gange den inter kvartilen vifte) i forhold til resten af scanningen og bruge output af dette program til at downweight disse enheder i analyser.
      Bemærk: Før du kører gruppe sammenligninger, kontrollere, at gennemsnitlige bevægelse, som målt ved FSL bevægelse Outliers, ikke adskiller sig på tværs af de to grupper. Dette vil hjælpe med at sikre, at resultaterne ikke er drevet af gruppe-relaterede forskelle i motion.
  2. Oprettet den forbehandling og første niveau generelle lineære model (GLM) ved hjælp af den grafiske brugergrænseflade (GUI) til FSL fMRI ekspert analyse værktøj (FEAT) for den første deltager.
    Bemærk: Gentag dette trin for hver undersøgelse deltager. For at spare tid, når du har oprettet en køre for én deltager, skrive et script til at køre forbehandling for resterende undersøgelsens deltagere ' data ved at ændre den " design.fsf " fil (FSL FEAT output) for hver deltager til at henvise til denne deltager ' Sørensen specifikke data.
    1. Under fanen data, skal du klikke på " tilføje 4D data " og navigere til filen motion-korrigeret og hjerne-uddraget. Indstille TR til 2.5 s (svarende til TR af funktionelle sekvensen erhvervet). Brug standard high pass filter (sat til 100 s).
      Bemærk: High pass filtrering fjerner lavfrekvens signalerne uinteressant.
    2. i fanen før statistik Klik " ingen " under " motion korrektion " (som det var allerede udført i trin 4.1). Uncheck " BET hjernen udvinding " (som det var allerede afsluttet i trin 4.1). Type " 5 " i boksen til sæt 5 mm fuld bredde halv-maksimum (FWHM) Gaussisk kerne til rumlige gulvafslibning.
      Bemærk: FWHM for udjævning kerne bør generelt fastsættes to gange på størrelse med den funktionelle voxel scanningsstørrelse.
    3. Bruge output (6 kolonner, rækker = # TRs i scanningen) af MCFLIRT til at oprette 6 enkelt kolonne tekstfiler, der beskriver den bevægelse korrektion udføres på hver volumen i datasættet. Disse vil blive tilføjet til modellen som regressors i det næste trin.
      1. i fanen statistik under " fuld model setup ", tilføje 6 bevægelse parametre og deres tidsmæssige derivater som regressors eller forklarende variabler (EVs) i GLM. For hver bevægelse EV vælge " brugerdefinerede " (1 indrejse pr. volumen) for grundform, " ingen " for foldning og check " anvender temporal filtrering. "
        Bemærk: Motion parametre behøver ikke at være convolved af enhver funktion, fordi de henviser til den kursjustering udføres ved hvert funktionelle lydstyrke under motion korrektion og dermed ikke behøver at blive justeret.
    4. Vælg output af FSL bevægelse Outliers fra trin 4.1 under fanen statistik i " tilføje yderligere forvirre evt ".
      Bemærk: Denne output er en matrix, der angiver hver diskenhed, der var markeret til overdreven motion, og ved at tilføje filen confound, vil være deweighted i GLM.
    5. i fanen statistik Klik " fuld model set-up ". Oprette opgaven timing tekstfiler betegner den debut og forskydningen af forskellige opgave faser og tilføje disse som EVs i GLM ved at vælge 1 kolonneformat og navigere til den relevante tekstfil (omfatter én for kodning fase af opgaven og én til hentning fase). For " foldning " vælge den " dobbelt-gamma HRF " indstilling fra drop down listen for dem begge. Ikke model baseline eller ikke-aktive dele af opgaven i GLM.
      Bemærk: HRF står for hæmodynamiske svar funktion. Convolving opgave EV af HRF skifter timingen af opgave EV at være mere konsekvent med forventede opgave-induceret fed signal ændringer i hjernen.
    6. i fanen registrering tjek " udvidet funktionelt image " og " de vigtigste strukturelle billede " for en to-trins registrering.
      1. Vælg deltageren ' s co-planar T2-vægtede strukturelle scanning for det første skridt, hvor funktionelle data er registreret på co-planar strukturelle dataene. Vælg 6 grader af frihed (DOF) til dette trin ved at klikke på andet drop down boksen under dette trin og vælge " 6 DOF ".
      2. For det næste skridt, som T2-vægtede billedet er registreret høj opløsning T1-vægtet MPRAGE, Vælg grænsen baseret registrering (BBR) fra drop down boksen 27.
        Bemærk: BBR bruger intensitet forskelle mellem hvide substans og grå materie til at registrere strukturelle og funktionelle scanninger og har vist sig at klare sig bedre end FLIRT og andre alternative metoder.
      3. For det sidste skridt, hvor den høje opløsning strukturelle data er registreret til skabelonen standard MNI152 vælge 12 grader af frihed og en lineær transformation ved at vælge " 12 DOF ".
        Bemærk: Når alle trin i afsnit 4 er komplet funktionelle data er forhåndsbehandlede og klar til yderligere analyse.

5. Hippocampus frø

  1. Generer en maske af den venstre hippocampus i hver deltager ' s høj opløsning strukturelle plads ved hjælp af FSL ' s FMRIB integreret registrering og segmentering værktøj (første) segmentering algoritme 28 .
    Bemærk: Andre regioner, herunder rigtige hippocampus, ville være interessant og gyldig frø for yderligere analyser.
  2. Ved hjælp af en statistisk softwareplatform, skrive kode at beregne længden af de anteriore og posteriore tredjedele af struktur 29. Specifikt, bruge længden af den volumetriske hippocampus maske i anterior-posterior flyet for at finde koordinaterne demarking de anteriore og posteriore tredjedele af dette fly.
    Bemærk: En nylig offentliggjort metode til segmentering hippocampus langs længdeaksen kunne være en alternativ frø oprettelsen tilgang 30.
  3. Baseret på disse koordinater, skabe anteriore og posteriore hippocampus masken billeder. Registrere de anteriore og posteriore hippocampus masker i native funktionel plads ved hjælp af den " example_func2highres " matrix i mappen registrering af FEAT output.
    Bemærk: Ved hjælp af de anteriore og posteriore tredjedele forhindret signal sløring på tværs af de to hippocampus frø efter registrering til funktionelle rum. Der er beviser for funktionelle specialisering langs den langsgående akse af hippocampus 31 , 32 , 33 , 34. Forreste regioner er input regioner og forbundet med kodning, mens den bageste hippocampus er en output region forbundet med hukommelse hentning og konsolidering 35 , 36 , 37. således, ved hjælp af disse regioner tillader vurdering af funktionel inddragelse af anterior versus posterior hippocampus i kodning versus hentning faser af opgaven hukommelse.
  4. Brug FSL betyde tidsserier (fslmeants) hen til uddrag den denoised gennemsnitlige tidsserier af de anteriore og posteriore hippocampus frø ( figur 1). Følg instruktionerne program og bruge enten den forreste eller bageste hippocampus frø som masken og den denoised, forhåndsbehandlede funktionelle data som de vigtigste billede.

Figure 1
fig. 1 : hippocampus frø. I native plads, en enkelt deltager ' s forreste hippocampus frø er vist med gult. Posterior hippocampus kimen til den samme deltager er vist med lyserødt. Frø er defineret i hver deltager ' s unikke strukturelle billede og derefter registreret til deres funktionelle scanning. Frøene er aldrig i et standardiseret rum, der forbedrer nøjagtigheden af hippocampus segmenteringen. Dette tal er blevet genoptrykt med tilladelse 12. venligst klik her for at se en større version af dette tal.

6. PPI Model

  1. Brug GUI for FSL FEAT at indlæse data om forhåndsbehandlede funktionelle.
    1. Under fanen data, vælger den " filtered_func_data " denoised billede (output fra trin afsluttet i afsnit 4) som inputfilen. I fanen før statistik angivet bevægelse korrektion og hjernen udvinding til " ingen. " Unclick bokse for at udføre filtrering af tidsmæssige og rumlige gulvafslibning.
  2. PPI ModEl Set-Up (tabel 1).
    1. Vælg fanen statistik " fuld model set-up ". I fanen evt tilføje alle evt fra den første niveau model: 6 motion korrektion evt, forvirre EV matrix fra FSL bevægelse Outliers og opgave timing evt. Klik på pil op for at tilføje evt. Medtages i denne model en EV for den fysiologiske timecourse fra frø (tekst fil outputtet af fslmeants i skridt 5.4) som en covariate af nogen interesse ved at klikke på pil op.
    2. Oprette PPI vilkår.
      1. Vælg " interaktion " i grundform menu og vælg frø timecourse EV og en opgave EV. For den " gøre nul ", skal du vælge " betyder " for frø timecourse EV og " Center " for opgaven EV. Gentag denne procedure for anden opgaven forsøgssted. Køre en separat model for hver frø region.
        Bemærk: Disse nye evt er PPI vilkår for fasen af opgaven valgte (psyko) og frø (fysio). I den foreliggende undersøgelse indgik en PPI betegnelse for den kodning fase og en anden PPI betegnelse for hentning fase i hver PPI model. Den " centrum " indstilling sikrer, at den " på " og " off " faser af blok design opgave behandles ens. Den " mener " indstilling er altid anvendes til frø timecourse og resulterer i betyder at være trukket fra denne regressor.
    3. i kontraster og F-test fanen, model følgende konkrete effekter ved at indtaste " 1 " i den tilsvarende EV celle: psych_enc (kodning opgave fase), psych_ret (hentning opgave fase), phys (frø timecourse), PPI_enc (PPI af frø og kodning), PPI_ret (PPI af frø og hentning). Sidst, indtaste en " -1 " model negative PPI for hver opgave fase.

Table 1

tabel 1: gPPI model set-up.

7. gruppe sammenligninger

  1. Vælg " højere niveau analyse " i FSL KUNSTSTYKKE at køre en enkel gruppe model sammenligne APOEε4 luftfartsselskaber til ikke-luftfartsselskaber for hver opgave-frø kombination.
    Bemærk: Disse sammenligninger forvaltes til at generere den relevante gruppe 4D residualer billeder (" res4d ") skulle anslå glathed af datasættet. Statistisk signifikante resultater fra denne gruppe sammenligning er gyldig, men i trin under en anden tærskel tilgang ved hjælp af AFNI og SPM8 for at indstille en betydelig klynge minimum baseret på Monte Carlo simuleringer er beskrevet.
  2. Brug analyse af funktionelle Neuroimaging (AFNI)
    1. Brug AFNI ' s 3dFWHMx (enhver version efter December 2015) på kommandolinjen til at anslå glathed af gruppe 4D residualer billeder genereret ved hjælp af FSL.
      Bemærk: En fejl blev opdaget i AFNI ' s 3dClustSim og korrigeret i maj 2015. I December 2015, AFNI ' s 3dFWHMx var opdateret til mere præcist model auto-sammenhænge. Således versioner af disse værktøjer, udgivet i December 2015 eller senere bør anvendes.
    2. Brug AFNI ' s 3dClustSim (enhver version efter December 2015) til at bestemme klynge omfang minimumsplacering at nå betydning på forskellige voxel-niveau tærskler. Omfatte glathed skøn fra det forrige trin i kommandolinjen aktiveringen af 3dClustSim. Fra tabellen genereret af 3dClustSim, baseret på de undersøgelse hypoteser om de forventede virkninger ' højde og omfang, vælge en voxel-niveau tærskel og tilsvarende minimum klyngestørrelse.
      Bemærk: generelt større klynger minimere falske positiver.
  3. Brug statistiske parametrisk kortlægning (SPM8)
    1. bruger SPM8 GUI, Vælg " angive 2 nd-niveau ". Batch editor åbnes. Vælg " to prøve t-test med " under design. Naviger til mappen med parameteren skøn billeder for gruppe 1 (APOEε4 luftfartsselskaber) og vælge ved at klikke på dem. Næste, Tilføj gruppe 2 (APOEε4 ikke-bærere) billeder. Køre denne sammenligning ved at klikke på den grønne afspilningsknappen.
    2. Vende tilbage til SPM GUI, Vælg " skøn ", og navigere til filen SPM.mat oprettet i det forrige trin til at køre model forkalkulationsprocessen.
    3. Vælg " resultater " og køre gruppe sammenligning kontraster: APOEε4 luftfartsselskaber > APOEε4 ikke-bærere, APOEε4 ikke-luftfartsselskaber > APOEε4 luftfartsselskaber.
      1. Klik på " definere en ny kontrast ", vælge " T-kontrast " under " type " og Indtast " 1 -1 " i den " kontrast " boks for APOEε4 carriers > APOEε4 ikke-luftfartsselskaber. Klik på " gjort ". Vælg " ingen " for anvende maskering, og manuelt sæt voxel-niveau tærskel og cluster størrelse minimum ifølge afgørelser i trin 7.2.2.Enter "-1 1 " for APOEε4 ikke-luftfartsselskaber > APOEε4 luftfartsselskaber.
        Bemærk: I den nuværende undersøgelse, en voxelwise grænse af p < 0,005 blev brugt og klynger thresholded på alpha < 0,05.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Med to forskellige aktive opgave faser (kodning og hentning) og to frø regioner (anterior og posterior hippocampus) er der fire betingelser til at rapportere resultater for hver gruppe. Inden for gruppen opgaven aktivering kortene (ikke vist her, se Harrison et al., 201612) viser, at occipital lobe, auditive cortex, store regioner isselappen, frontal sprogområder, overlegen tidsmæssige gyrus, og spiegelske (mere udtalt har betydelig fed signal stigninger under kodning og hentning i både eksperimentelle grupper under ophalingen). Inden for gruppen PPI analyser viste, at der ikke er nogen betydelige stigninger i funktionel forbindelse med enten anterior eller posterior hippocampus frø til enten APOEε4 luftfartsselskaber eller ikke-luftfartsselskaber. Inden for gruppen PPI analyser afsløret betydelige fald i funktionelle connectivity i APOEε4 luftfartsselskab for både opgave betingelser og hippocampus delregioner (figur 2). I APOEε4 ikke-bærere, blev betydelige fald i funktionelle forbindelse kun observeret med posterior hippocampus under kodning (figur 2). De positive og negative PPI kort viser en divergens mellem APOEε4 luftfartsselskaber og luftfartsselskaber i hvordan hippocampus funktionelle forbindelse ændres under en hukommelse opgave. For at bestemme, hvis afvigelsen er statistisk signifikant, er det nødvendigt at direkte sammenligne grupperne for hver af de fire måleresultater38.

For kortheds skyld, gruppere sammenligning resultater viser APOE-medieret forskelle kun for én region og opgave fase, forreste hippocampus under ophalingen, præsenteres her (ikke-luftfartsselskaber > luftfartsselskaber, figur 3). Under hentning, afvigelse i forreste hippocampus konnektivitet ændringer observeret inden for gruppen (figur 2) resulterer i betydelige mellem gruppe forskelle i bilaterale supramarginal gyrus, lige kantede gyrus og rigtige precuneus.

Figure 2
Figur 2 : Hippocampus frø opgave-afhængige negative funktionelle connectivity ændre maps. Koronale og aksial udsigt over gruppe gennemsnit opgave-afhængige negative funktionelle connectivity ændring af hippocampus underregioner i APOEε4 ikke-luftfartsselskaber og luftfartsselskaber separat, inden for gruppen. Opgave-afhængige connectivity aftager med forreste hippocampus frø er vist i de øverste paneler. Panelerne lavere Vis opgave-afhængige connectivity falder med posterior hippocampus. Kort var thresholded på z = 2.3, klynge korrigeret på p < 0,05. Voxels møde tærskel i APOEε4 ikke-luftfartsselskaber (i rødt) og luftfartsselskaber (i grønt) er overlejret. Dette tal er blevet genoptrykt med tilladelse12. Venligst klik her for at se en større version af dette tal.

Figure 3
Figur 3: forreste hippocampus frø connectivity ændre forskelle mellem APOEε4 luftfartsselskaber og luftfartsselskaber under ophalingen. Under hentning, blev ikke fundet væsentlige forskelle mellem APOEε4 luftfartsselskaber og ikke-luftfartsselskaber i venstre supramarginal gyrus (mørkeblå), lige supramarginal/kantede junction (orange) samt højre precuneus (lilla). Resultaterne fra denne t-test med to stikprøver var thresholded til at afsløre klynger signifikant på alpha < 0,05 med en voxelwise grænse af p < 0,005. Peak-koordinaten for hver klynge er rapporteret i MNI plads i x, y, z fly (mm). Til illustration af retning og omfanget af forskellen mellem grupper, er kontraster af parameteren skøn fra hver klynge afbildet af gruppen. De røde streger angiver nul og fremhæve, at luftfartsselskaber er faldet (negative) funktionelle forbindelse til forreste hippocampus i disse regioner under hentning. Bandet i boksene repræsenterer medianen, mens de øvre og nedre kanter af boksene repræsenterer de første og tredje kvartiler, henholdsvis. Knurhår udvide op til 1,5 gange det interkvartil område. Datapunkter uden for dette interval er afbildet som afvigende. Dette tal er blevet genoptrykt med tilladelse12. Venligst klik her for at se en større version af dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Tidlig opgavebaseret fMRI undersøgelser var designet til at afdække statistiske relationer mellem bestemte kognitive processer eller krav og ændringer i fed signal i forhold til en basismåling. Denne traditionelle fremgangsmåde er nyttig til at identificere bestemte områder i hjernen hvor aktivitet moduleres af en eksperimentel opgave. Derimod er en PPI analyse hovedsagelig beskæftiget med graduering af funktionelle forbindelse eller synchrony af aktivitet, der er resultatet af en opgave-induceret kognitiv proces. PPI måler sammenhæng afhængige funktionelle forbindelse mellem et defineret område af interesse (frø) og andre områder i hjernen, ikke bare aktivitet stigninger og fald i lokale områder. Udvælgelsen af regionen frø skal være hypotese-drevet som PPI analyser vil præstere optimalt når aktivitet i regionen frø er moduleret, i inputområdet rammer, af opgave-induceret kognitive forbindelse. Derefter kan PPI rammer bruges til at udforske, hvordan frø region aktivitet bliver mere eller mindre synkroniseret med andre regioner som svar på specifikke opgave sammenhænge, såsom hukommelse kodning eller hentning. Forskelle mellem grupperne, derfor er begrænset til de funktionelle connectivity ændringer mellem frø og andre regioner, der er moduleret af en bestemt opgave fase.

En grundig forståelse af GLM er afgørende for gennemførelsen af en PPI analyse. En komplet, gruppe sammenligning PPI undersøgelse har tre niveauer af lineære modellering: det første niveau (forbehandling, opgave og motion modellering), Mid-niveau PPI model (tilføje frø timecourse og opgave interaktion EVs) og den højere niveau gruppe sammenligning model (gruppe kontrasterne af parameteren skøn). På hvert trin bruges et udskriftsbillede som input til det følgende trin. Den gPPI tilgang, der foreslås i 2012 og ansat i den nuværende undersøgelse udnytter funktioner af GLM til at sikre, at modsætninger er specifikke for interaktioner med den opgave fase af interesse3. I den klassiske PPI, en modeller to betingelser og en antagelse er lavet at de to betingelser er på den modsatte side af baseline (hvis der er en oprindelig tilstand). gPPI tillader en at præcist model alle betingelser og gør ikke nogen antagelser om hvordan betingelserne, der vedrører den hidtidige tilstand. Et andet afgørende element i enhver PPI analyse er det passende udvalg af en frø region. Frø regioner kan vælges baseret på forudgående beviser i litteraturen, som i den foreliggende undersøgelse, hvor hippocampus blev brugt som regionen frø til en hukommelse opgave. En anden metode til frø udvælgelse er at vælge en region, hvor aktivitet øger under en bestemt opgave fase. Med denne metode, regionen frø defineres ikke anatomisk men ved hjælp af en gruppe af suprathreshold voxels i inputområdet aktivering kort. Med denne tilgang til frø udvælgelse undgå PPI analyser cirkularitet fordi hovedeffekten af opgaven er regnskabsmæssigt og PPI kun afslører effekter, der adskiller sig fra (over) hovedeffekten af opgaven.

Da PPI blev først foreslået, blive begrebet funktionelt forbundne, rumligt Fjern hjerneregioner bredt accepteret. Ved hjælp af resting state fMRI, det er påvist, at hjernen har iboende netværk, eller sæt af regioner, der er funktionelt forbundet på resten. Således undersøge hvilende tilstand fMRI undersøgelser ofte funktionelle connectivity, den samme betegnelse i PPI undersøgelser. Fortolkningen af funktionelle connectivity, men adskiller sig i hvilende tilstand fMRI og PPI undersøgelser. PPI resultater er pr. definition, forklarende effekter af en interaktion mellem opgave og frø region, der ikke kan forklares af opgave design, frø timecourse eller nogen andre forstyrrende variabel4. I hvilende tilstand fMRI, kan forskelle i netværksaktivitet være forårsaget af ændringer i forbindelsen mellem bestemte regioner eller ved generelle ændringer i netværksaktivitet. Således, hvis målet om en undersøgelse er at sammenligne ændringer i funktionelle forbindelse mellem to grupper, en PPI tilgang er bedre. I modsætning, hvis målet om en undersøgelse er at beskrive forskelle i iboende forbindelse mellem to grupper, er hvilende tilstand fMRI analyser bedre.

En stor begrænsning af rammerne oprindelige PPI er manglen på statistiske effekt forbundet med metode4. Fordi PPI sigt (EV) er oprettet ved hjælp af to evt også inkluderet i modellen, er det sandsynligt at være korreleret til begge. I en GLM, er den afvigelse, kan forklares ved mere end én indikator eller EV ikke knyttet til en enkelt EV. Således PPI sigt kun har magt til at registrere effekter, der ikke kan forklares af opgaven eller frø timecourse, der begge er korreleret til PPI sigt. På grund af dette er det sandsynligt, at falske negativer forekomme i PPI analyser. gPPI, men har vist sig at minimere antallet af falske negativer og er mere følsom over for små effekt størrelse resultater3,39.

PPI kan afdække opgave-afhængige ændringer i funktionel forbindelse mellem de to regioner, men det kan ikke afgøre, om aktivitet i én region bevirker en ændring i aktivitet i den anden. Med andre ord kan ikke en PPI analyse bruges til at udforske kausalitet i funktionelle konnektivitet ændringer. Andre metoder, såsom dynamisk kausale modellering, er bedre egnet til analyser af kausalitet i funktionelle data40. PPI analyser kan informere design af eksperimenter ved hjælp af disse teknikker. I sum er PPI en nyttig tilgang til behandlingen opgave-specifikke ændringer i funktionelle tilslutning af en relevant frø region og sammenligne disse ændringer mellem grupper. Resultater fra PPI undersøgelser kan føre til en bedre forståelse af den dynamiske natur af funktionelle connectivity i sundhed, sygdom og risiko for sygdom.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

DGM er en medarbejder fra Biospective, Inc. Biospective, Inc. ikke behandle nogen af de fremlagte data.

Acknowledgements

Dette arbejde blev støttet af den nationale Institut for Aging (tilskud antal R01AG013308 til SYB, F31AG047041 til TMH). Forfatterne brugt beregningsmæssige og opbevaring tjenester forbundet med Hoffman2 delt klynge fra UCLA Institut for Digital Research og uddannelses 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