Generalisert Psychophysiological interaksjon (PPT) analyse av minne knyttet tilkobling i individer genetisk utsatt for Alzheimers sykdom

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

Denne oppgaven beskriver hvordan å implementere en psychophysiological samhandling analyse for å vise oppgave-avhengige endringer i funksjonelle tilkobling mellom valgte frø regionen og voxels i andre regioner av hjernen. Psychophysiological samhandling er en populær metode å undersøke aktiviteten effekter på hjernen tilkobling, skiller seg fra tradisjonelle univariate aktivisering 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 funksjonell magnetisk resonans imaging (fMRI) blod-oksygenering-nivå avhengige (fet) signalet i hjernen. Graden av korrelasjon av fet signalet i romlig uavhengig områder av hjernen definerer funksjonelle tilkobling av disse regionene. Under en kognitiv fMRI aktivitet, kan en psychophysiological interaksjon (PPT) analyse brukes til å undersøke endringer i funksjonelle tilkobling under spesifikke kontekster definert av kognitiv oppgaven. Et eksempel på en slik oppgave er en som engasjerer minnesystemet, deltagerne skal lære par relatert ord (koding) og husker den andre ord i et par når presentert med det første ordet (henting). I studien brukt vi denne typen assosiativ minne aktivitet og en generalisert PPI (gPPI) analyse sammenligne endringer i hippocampus tilkobling i eldre voksne som er bærere av Alzheimers sykdom (AD) genetisk risikofaktor apolipoprotein-E epsilon-4 ( APOEΕ4). Spesielt viser vi at funksjonelle tilkobling av delområder hippocampus endringene under koding og henting, to aktive faser av aktiviteten assosiativ minne. Kontekst-avhengige endringer i funksjonelle tilkobling av hippocampus var signifikant forskjellig i bærere av APOEε4 sammenlignet med ikke-bærere. PPI analyser gjør det mulig å undersøke endringer i funksjonelle tilkobling, forskjellig fra univariate viktigste effekter, og sammenligne disse endringene på tvers av grupper. Dermed kan en PPT-analyse avdekke komplisert oppgave effekter i bestemte kohorter som tradisjonelle univariate metoder ikke fange. PPI analyser kan imidlertid bestemme retningen eller årsakssammenheng mellom funksjonelt tilkoblet. Likevel gir PPI analyser viktig middel for å generere spesifikke hypoteser om funksjonelle forhold som kan testes med kausale modeller. Hjernen er stadig omtalt tilkobling og nettverk, er PPT en viktig metode for å analysere fMRI aktivitetsdata i tråd med gjeldende oppfatning av den menneskelige hjernen.

Introduction

Begrepet "connectome" ble lansert i 2005 markerer et paradigmeskifte i nevrovitenskap som fortsetter i dag1. Hjernen er stadig beskrevet i form av funksjonelle nettverk, tilkobling og samhandling mellom og regioner i stor skala. Likevel avgrensning av regionale funksjonelle spesialisering og assosiasjoner mellom fMRI-målt aktivitet og oppgave krav er fortsatt gyldig og nyttig tilnærminger. I lys av den voksende interessen i connectomics vokser funksjonell tilkobling tilnærminger til aktivitet fMRI analyse i popularitet. En tilnærming til måle funksjonelle tilkobling endres avhengig av aktivitet krever gjør bruk av begrepet PPI. En PPT er en aktiv oppgave fase eller oppgaven etterspørsel («psycho») med funksjonell tilkobling ("physio») av et område av interesse eller"frø"i hjernen. PPI er forskjellig fra bivariate, korrelasjon-basert analyse av funksjonelle tilkobling, som generelt måler graden av sammenheng mellom aktiviteten i to områder uten begrensninger knyttet til oppgaven krav.

Konseptet og rammen av en PPT-analyse ble opprinnelig beskrevet av Friston og kolleger i 19972. Forfatterne hevdet at deres tilnærming var viktig fordi det ville tillate etterforskningen av å være mer funksjonelt spesifikk og tillate slutninger at aktiviteten i et distale frø kan være modulerende aktivitet skyldes en oppgave etterspørsel. I 2012, McLaren og kolleger lagt til denne original rammeverk og beskrevet en gPPI tilnærming der alle oppgave faser og deres samspill er inkludert i en enkelt modell3. Dette fører til resultater som er mer følsom og bestemt oppgave fase og samhandling etterforsket. Det er denne oppdaterte gPPI tilnærming som vi bruker i dag studere (se trinn 6.2.2 i protokollen). GPPI tilnærmingen har nå blitt sitert i over 200 studier. For klarhets heretter vi bruker 'PPI' å beskrive vanlige funksjonene i både standard og generalisert versjon. 'gPPI' brukes til å diskutere bestemte fremskritt forbundet med nyere rammen.

Det overordnede målet med en PPT analyse er å forstå hvordan kravene til en kognitiv aktivitet påvirker eller modulerer funksjonelle tilkobling av en frø-regionen. En PPT analyse krever en sterk en priori hypotese. Aktivitet i regionen frø må være modulated av oppgaven for at PPT tilnærmingen å arbeide effektivt4. For eksempel studien bygger vi våre seedet markering på sterke bevis at hippocampus aktivitet modulert av kognitiv kravene til en minne-aktivitet. Bruker PPT, kan regioner som er betydelig mer eller mindre funksjonelt koblet til hippocampus oppgaven faser identifiseres. Kort sagt, spørre vi, "i hvilke områder er aktiviteten mer korrelert med frø under sammenheng A mot planlagte?" Vi kan også be det logiske motsatt (som det er viktig å forstå forskjellen): "i hvilke områder er aktivitet mindre korrelert med frø under sammenheng A i forhold til grunnlinjen?" Når tolke gruppe forskjeller i PPI effekter, er det viktig å undersøke dataene og enten positiv eller negativ endring i funksjonelle tilkobling eller begge, driver gruppen forskjeller.

PPI tilnærmingen er brukt til å studere dynamisk oppgave kontroll huber i sunn kontroller, hvordan modulering av funksjonelle tilkobling er relatert til cognitive gjennomførelse i Alzheimers sykdom (AD), intelligens i personer med autisme, motor nettverkstilkobling i personer med Parkinsons sykdom, ansikt på personer med Dysmorfofobi og anoreksi, følelser regulering, minne og mange andre spørsmål knyttet til tilkobling5,6,7 ,8,9,10,11. Studien sammenligne vi endringer i funksjonelle tilkobling av delområder av hippocampus under minne koding og henting mellom en gruppe individer økt genetisk risiko for Annonsen til en gruppe uten risikofaktor12. Følgende beskriver protokollen som vi brukte, bruke gPPI tilnærming, som tillater oss å teste hvis oppgave-skapte endringer i funksjonelle tilkobling forskjellig i samarbeid med tilstedeværelse av APOEε4, en genetisk risikofaktor for Annonsen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

studien ble utført i samsvar med de UCLA institusjonelle Review Board (IRB)-protokollene og godkjent av UCLA menneskelig fag beskyttelse. Alle deltakerne ga skriftlig samtykke for å registrere i denne studien.

1. deltaker utvalg

  1. få IRB godkjenning til å utføre studien.
  2. Skjermen personer i alderen 55 og eldre for kognitiv svikt ved hjelp av et standardisert nevropsykologiske batteri. Inkluder tester av General Intelligence (Subtests av WAIS-III) 13, flytende (frukt og grønnsaker) 14, oppmerksomhet (sifre fremover og bakover) 13 språk (Boston Naming Test ) 15, verbal hukommelse (Buschke-Fuld selektiv minner oppgave) 16, WMS-III logiske minne og Verbal sammen Associates læring 13 og visuell hukommelse (Rey-Osterrieth figur test) 17.
    1. har deltakerne fullføre humør spørreskjemaer som Hamilton depresjon og angst varelager 18 , 19 samt Mini mentale tilstand eksamen ( MMSE) 20.
  3. Har deltakere som scorer 26 eller over på MMSE og utfører bedre enn to standardavvik enn normalt for alder på kognitive tester. Ekskludere deltakerne med klinisk angst, depresjon eller andre nevropsykiatriske eller nevrologisk sykdom. Ekskluder deltakere som ikke oppfyller MRI sikkerhet kriterier eller som ikke godtar å en blod tegne.
    Merk: Studien, 93 deltakerne møtte disse kriteriene (middelalder = 67.4 år, 31M/49F).

2. Genotyperingteknologi

  1. har en utdannet phlebotomist eller andre medisinske profesjonelle trekke blod fra hver deltager.
  2. Isolere 200 µg genomisk DNA fra 10 mL av prøven som beskrevet 21.
  3. Utføre single nukleotid polymorfisme (SNP) genotyperingteknologi med sanntid PCR to loci, rs429358 og rs7412 for å diskriminere APOE alleler 22.
    1. Innlemme reporter fargestoffer for rs429358 og rs7412 i en SNP genotyperingteknologi analysen. Etter hver PCR forsterkning syklus er fullført, kan du tegne inn fluorescerende signaler på en graf som viser fordelingen av reporter og avsluttes fargestoffer. Utføre eksperimentet i duplikat å bekrefte resultatene.
  4. Analyser SNP genotyperingteknologi dataene med en programvarepakke utviklet for sanntids PCR prosedyren utgang 23.
    Merk: Programmet brukte studien beregner affinitet av utvalget til en av de to reporter fargestoffer som igjen representerer en APOE SNP over den andre. Studien, 34 bærere av Annonsen risiko allelet, APOE ε4 (heterozygote ε3/ε4) og 46 ikke-bærere (homozygous ε3/ε3) ble registrert for totalt 80 deltagerne. Ekskludere bærere av allelet APOEε2 fordi det er bevis for at denne allelet kan ha en beskyttende effekt gjelder Bannerannonse

3. Funksjonelle og strukturelle Imaging datainnsamling

  1. Bruk en 3 Tesla (3T) MRI system å kjøpe hele-hjernen bildebehandling data.
    1. For funksjonell imaging, samle aksial skiver med en ekko planar imaging (EPI) sekvens. For å lette registreringen av funksjonelle bildene, erverve aksial skiver av T2-vektet, co-Plane strukturelle bilder. For høy oppløsning strukturelle bildebehandling, samle aksial skiver med en 3D T1-vektet sekvens.
      Merk: Studien, en 3T magnet ble brukt med en 12-kanals hodet coil. Parameterne nedenfor ble laget for en bestemt skanner og coil. Se Tabellen for materiale for mer informasjon.
      1. Anskaffe funksjonelle imaging data ved hjelp av følgende sekvens parametere: repetisjon tiden (TR) = 2500 ms, ekko tid (TE) = 21 ms, synsfelt (FOV) = 200 mm x 200 mm, snu vinkel = 75°, matrise = 64 x 64, 33 skiver, slice tykkelse = 3 mm, interslice gap = 0 .75 mm, voxel størrelse = 3.125 x 3.125 x 3.75 mm.
      2. Utløse relatert ord assosiativ minne oppgaven til å begynne med det tredje bindet av funksjonelle tenkelig sekvensen. Kontoen for stabil likevekt, utelater de to første bindene av hver funksjonelle skanning fra analyser.
        Merk: Urelaterte ordene assosiativ minne oppgave er beskrevet andre steder 12 , 24. Kort, det er en blokk-design funksjonelle aktivitet med koding og henting. Deltakerne er pålagt å lære par relatert ord.
      3. Hent T2-vektet, co-Plane strukturelle imaging data ved hjelp av følgende sekvens parametere: TR = 5000 ms, TE = 34 ms, FOV = 200 mm x 200 mm, snu vinkel = 90°, matrise = 128 x 128, 28 skiver, slice tykkelse = 3 mm, interslice gap = 1 mm og voxel = 1.56 x 1 .56 x 4 mm.
      4. Kjøpe høy oppløsning strukturelle (anatomiske) imaging bruker følgende magnetisasjon klargjort rask Gradient ekko (MPRAGE) sekvens parametere: TR = 1900 ms, TE = 2,26 ms, TI = 900 ms, FOV = 250 mm x 218 mm, snu vinkel = 9°, matrise = 256 x 215, 176 skiver , skjær tykkelse = 1 mm, fylles med null til en matrise av 256 x 224 resulterer i voxel størrelse = 1 x 0.976 x 0.976 mm.

4. fMRI fet Data forbehandling

  1. de funksjonelle dataene med funksjonell MRI av hjernen (FMRIB) programvare bibliotek (FSL) versjon 6.0 (http://fsl.fmrib.ox.ac.ul) som følger:
    1. For hver deltaker ' s datasett, Fjern hodet bevegelse gjenstand fra dataene med bevegelse korreksjon FMRIB ' s lineær bilde registrering verktøyet (MCFLIRT) 25.
    2. Fjerne ikke-hjernevevet fra bildene med hjernen trekking verktøyet (innsats) med valgfri -F flagget 26.
    3. Bruke verktøyet FSL bevegelse Outliers for å identifisere volumer i funksjonelle data der det er mye bevegelse basert på rammen forskyvning mellom volumer. Flagge volumer der bevegelse måles som en avvikende (over 75 th persentil + 1,5 ganger den inter-kvartil rekkevidden) sammenlignet med resten av skanningen og bruk for dette programmet på downweight volumene i analyser.
      Merk: Før du kjører gruppe sammenligninger, sjekk at gjennomsnittlig bevegelse, målt ved FSL bevegelse Outliers, ikke skiller seg over de to gruppene. Dette sikrer at resultatene er drevet av gruppen forskjeller i motion.
  2. Satt opp av forbehandling og første nivå generell lineær modell (GLM) bruker det grafiske brukergrensesnittet (GUI) for FSL fMRI Expert analyse verktøyet (FEAT) for den første deltakeren.
    Merk: Gjenta dette trinnet for hver studie deltaker. For å spare tid, etter å sette opp en løpe for en deltaker, kan du skrive et skript for å kjøre forbehandling for gjenværende studie deltakerne ' data ved å endre den " design.fsf " filen (FSL FEAT output) for hver deltaker referanse deltakeren ' s spesifikke data.
    1. i kategorien data, klikker du på " legge til 4D data " og naviger til filen bevegelse-korrigert og hjerne-utdraget. Angi TR å 2.5 s (tilsvarende TR av funksjonelle sekvensen kjøpt). Bruk standard høypassfilteret (satt til 100 s).
      Merk: Høye pass filtrering fjerner lavfrekvente signaler uten interesse.
    2. i kategorien før statistikk, klikk " ingen " under " bevegelse korreksjon " (som det var allerede utført i trinn 4.1). Fjern " innsats hjernen utvinning " (som det var allerede fullført i trinn 4.1). Type " 5 " i boksen for å angi 5 mm fullbreddes halv-maksimale (FWHM) Gaussian kjernen for romlig utjevning.
      Merk: FWHM for utjevning kjernen generelt kan settes på om to ganger størrelsen av funksjonelle skanning voxel.
    3. Bruk (6 kolonner, rader = antall TRs i scan) av MCFLIRT å lage 6 enkeltkolonne tekstfiler som beskriver bevegelse rettelsen utføres på hvert volum i datasettet. Disse vil bli lagt til modellen som regressors i neste trinn.
      1. i kategorien statistikk under " full modell oppsett ", legge til parameterne 6 bevegelse og deres timelige derivater som regressors eller forklarende variabler (EVs) i GLM. Velg for hver bevegelse EV " egendefinerte " (1 oppføring per volum) for grunnleggende form, " ingen " convolution og sjekk " bruke timelige filtrering. "
        Merk: bevegelse parametere trenger ikke å være convolved av enhver funksjon fordi de refererer til omstilling utført på hvert funksjonelle volum under bevegelse korreksjon og dermed trenger ikke justeres.
    4. i kategorien statistikk, Velg utdata fra FSL bevegelse Outliers trinn 4.1 under den " Legg til ytterligere forvirre EVs ".
      Merk: Denne utgangen er en matrise som viser hvert volum som var flagget for mye bevegelse, og legger til filen confound, vil være deweighted i GLM.
    5. i kategorien statistikk, klikker du " fullstendige modellen oppsett ". Opprette oppgaven timing tekstfiler viser utbruddet og forskyvning av annen oppgave faser og legge disse som EVs i GLM velger 1 kolonne-format og navigere til den relevante tekstfilen (inkluderer en for koding fase av oppgaven og en for henting fase). For " convolution " velge den " dobbel-gamma HRF " alternativ fra rullegardinlisten for begge. Ikke modell planlagt eller ikke-aktive deler av aktiviteten i GLM.
      Merk: HRF står for hemodynamic svar funksjon. Convolving oppgaven EV ved HRF skifter tidspunktet for aktiviteten EV å være mer konsekvente med forventet aktivitet-indusert fet signal endringer i hjernen.
    6. i kategorien registrering, sjekk " utvidet funksjonell image " og " strukturelle hovedbildet " for en to-trinns registrering.
      1. Velg deltakeren ' s co-Plane T2-vektet strukturelle avsøke for det første trinnet, som funksjonelle data er registrert til co-Plane strukturelle data. Velg 6 grader av frihet (DOF) for dette trinnet ved å klikke på andre nedtrekksboksen under dette trinnet og velger " 6-DOF ".
      2. For neste trinn som T2-vektet bildet tilhører den høye oppløsningen T1-vektet MPRAGE, velger du grense basert registrering (BBR) fra rullegardinmenyen for 27.
        Merk: BBR bruker intensitet forskjellene mellom hvit substans og hjerneceller til å registrere strukturelle og funksjonelle skanner og har vist seg å gi bedre resultater enn FLØRTE og andre alternative metoder.
      3. For det siste trinnet, der den høyoppløselige strukturelle data er registrert i standard MNI152 mal, velger du 12 grader av frihet og en lineær transformasjon ved å velge " 12 DOF ".
        Merk: Når alle trinn i Seksjon 4 er fullstendig funksjonell dataene er preprocessed og klar for videre analyse.

5. Hippocampus frø

  1. Generer en maske av venstre hippocampus i hver deltaker ' s høyoppløselig strukturelle plass bruker FSL ' s FMRIB integrert registrering og segmentering verktøy (første) segmentering algoritme 28 .
    Merk: Andre regioner, inkludert høyre hippocampus, ville være interessant og gyldig frø for videre analyser.
  2. Bruker en statistisk programvare-plattform, skrive kode å beregne lengden på de fremre og bakre tredjedeler struktur 29. Spesifikt bruker lengden på volumetrisk hippocampus masken i anterior-posterior flyet for å finne koordinatene demarking i fremre og bakre tredeler av dette flyet.
    Merk: En nylig publisert metoden for segmentering hippocampus langs den langsgående aksen kan være en alternativ frø etableringen tilnærming 30.
  3. Basert på disse koordinatene, opprette fremre og bakre hippocampus maske bilder. Registrere fremre og bakre hippocampus maskene til innfødte funksjonelle rom ved hjelp av " example_func2highres " matrise i mappen registrering av FEAT utgang.
    Merk: Ved hjelp av de fremre og bakre tredjedeler forhindret signal uskarphet over to hippocampus frøene etter registrering til funksjonelle plass. Det er bevis på funksjonell spesialisering langs den langsgående aksen av hippocampus 31 , 32 , 33 , 34. Fremre regioner input områder og forbundet med koding, mens bakre hippocampus er en utgang region knyttet minne henting og konsolidering 35 , 36 , 37. dermed bruker disse regionene kan vurdering av funksjonelle involvering av fremre mot bakre hippocampus i kodingen versus henting faser av aktiviteten minne.
  4. Bruk FSL mener timeseries (fslmeants) å pakke den denoised gjennomsnittlige timeseries fra fremre og bakre hippocampus frø ( figur 1). Instruksjonene programmet og bruke enten fremre eller bakre hippocampus frø som masken og denoised, preprocessed funksjonelle dataene som hovedbildet.

Figure 1
figur 1 : hippocampus frø. I native plass, enkelt deltaker ' s fremre hippocampus frø er vist i gult. Bakre hippocampus frø for samme deltakeren er vist i rosa. Frø er definert i hver deltaker ' s unike strukturelle bildet og deretter registrert deres funksjonelle skanning. Frø er aldri i et standardisert plass, som forbedrer nøyaktigheten til hippocampus segmenteringen. Dette tallet har blitt reprinted med tillatelse 12. Klikk her for å se en større versjon av dette tallet.

6. PPI modell

  1. Bruk GUI for FSL FEAT laste preprocessed funksjonelle data.
    1. i kategorien data, velger du " filtered_func_data " denoised bilde (output fra trappen fullført i Seksjon 4) som inndatafilen. I kategorien før statistikken satt bevegelse korreksjon og hjernen utvinning til " ingen. " Unclick boksene for å utføre timelige filtrering og romlig utjevning.
  2. PPI ModEl oppsett (tabell 1).
    1. i kategorien statistikk, velger du " fullstendige modellen oppsett ". I kategorien EVs legge alle EVs fra den første nivå modellen: 6 bevegelse korreksjon EVs, forvirre EV matrise fra FSL bevegelse Outliers og oppgave timing EVs. Klikk pil opp for å legge til EVs. Inkluderes i denne modellen en EV for den fysiologiske timecourse fra frø (tekst filen utdata fra fslmeants i trinn 5.4) som en justering kovariat uten interesse ved å klikke på pil opp.
    2. Opprett PPI vilkår.
      1. Velg " interaksjon " i grunnleggende Figur-menyen og velg frø timecourse EV og en oppgave EV. For den " gjøre zero " alternativ, velger " bety " for frø timecourse EV og " sentrum " for aktiviteten EV. Gjenta denne fremgangsmåten for den andre aktiviteten arbeidsflytfasen(e). Kjøre en egen modell for hver ætt region.
        Merk: Disse nye EVs er PPI vilkårene for fasen av oppgave valgte (psycho) og frø (physio). Studien, ble et PPT begrep for koding fase og en ny PPI periode for henting fase inkludert i hver PPI-modell. Den " sentrum " valgmuligheten forsikrer det det " på " og " av " faser av aktiviteten blokk design behandles likt. Den " bety " alternativet brukes alltid frø-timecourse og resultater i mellomtiden blir trukket fra denne regressor.
    3. i kontraster og F-tester kategorien, modell følgende spesifikke effekter ved å angi " 1 " i tilsvarende EV celle: psych_enc (koding oppgave fase), psych_ret (henting oppgave fase), phys (frø timecourse), PPI_enc (PPI frø og koding), PPI_ret (PPT av frø og henting). Til slutt, angi en " -1 " modell negative PPIs for hver oppgave fase.

Table 1

tabell 1: gPPI modell oppsett.

7. gruppe sammenligninger

  1. Velg " overordnet analyse " i FSL FEAT kjøre en enkelt gruppe modell sammenligne APOEε4 bærere til ikke-bærere for hver kombinasjon av oppgave-seedet.
    Merk: Disse sammenligningene kjøres til generere relevante gruppe 4D rest bilder (" res4d ") for å beregne jevne datasettet. Statistisk betydelige resultater fra denne gruppen sammenligningen er gyldige, men fremgangsmåten nedenfor en annen terskelverdi tilnærming benytter AFNI og SPM8 sette en betydelig klynge minimum basert på Monte Carlo-simuleringer er beskrevet.
  2. Bruk analyse av funksjonelle Neuroimaging (AFNI)
    1. Bruk AFNI ' s 3dFWHMx (alle versjon etter desember 2015) på kommandolinjen for å beregne jevne gruppe 4D resterende bilder generert ved hjelp av FSL.
      Merk: En feil ble oppdaget i AFNI ' s 3dClustSim og korrigert i mai 2015. I desember 2015, AFNI ' s 3dFWHMx ble oppdatert til mer nøyaktig modell auto-sammenhenger. Dermed versjoner av disse verktøyene utgitt i desember 2015 eller senere skal brukes.
    2. Bruk AFNI ' s 3dClustSim (alle versjon etter desember 2015) å avgjøre klynge grad minimumskrav nå betydning på ulike voxel nivå terskler. Inkluder glatthet anslagene fra det tidligere trinnet i kommandolinjen bruken av 3dClustSim. Tabellen generert av 3dClustSim basert på studien hypoteser om de forventede effektene ' høyde og grad, velge voxel nivå terskelen og tilsvarende sektorgruppen minimumsstørrelsen.
      Merk: vanligvis større klynger minimere falske positiver.
  3. Bruk statistiske parametrisk Mapping (SPM8)
    1. bruker SPM8 GUI, Velg " angi 2 nd-nivå ". Redigeringsprogrammet for satsvis åpnes. Velg " to sample t-test " under utforming. Naviger til katalogen med parameteren estimat bildene for gruppe 1 (APOEε4 operatører) og velg ved å klikke på dem. Deretter legger til gruppe 2 (APOEε4 ikke-bærere) bilder. Kjør denne sammenligningen ved å klikke på den grønne play-knappen.
    2. Tilbake til SPM GUI, Velg " beregne ", og naviger til filen SPM.mat, som er opprettet i forrige trinn å kjøre modellen estimeringsprosessen.
    3. Velg " resultatene " og løpe gruppe sammenligning kontraster: APOEε4 bærere > ikke APOEε4-bærere, APOEε4 ikke-bærere > APOEε4 bærere.
      1. Klikk på " definere en ny kontrast ", Velg " T kontrast " under " type " og angi " 1 -1 " i det " kontrast " boksen APOEε4 bærere > APOEε4 ikke-bærere. Klikk " gjort ". Velg " ingen " for bruke maskering, og manuelt sette den voxel nivået terskelen og cluster størrelse minimum etter bestemmelse i trinn 7.2.2.Enter "-1 1 " for APOEε4 ikke-bærere > APOEε4 bærere.
        Merk: I studien, en voxelwise mengde p < 0.005 ble brukt og klynger thresholded på alpha < 0,05.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Med to forskjellige aktiv oppgave faser (koding og henting) og to seedet regioner (fremre og bakre hippocampus) finnes det fire betingelsene resultatene rapporteres for hver gruppe. I-gruppe aktivitet aktivisering kartene (ikke vises her, se Harrison et al., 201612) viser at bakhodelappen, auditiv cortex, store regioner parietal lobe, frontal språk områder, overlegen timelige gyrus, og caudate (tydeligere under henting) har betydelig fet signal øker under koding og henting i både eksperimentelle grupper. I-gruppen PPI analyser viste at det er ingen betydelige økninger i funksjonelle tilkobling med fremre eller bakre hippocampus frø for APOEε4 bærere eller ikke-bærere. I-gruppen PPI analyser viste signifikant nedgang i funksjonelle tilkobling i APOEε4 bærere for både aktivitet og hippocampus delområder (figur 2). APOEε4 ikke-bærere, ble signifikant nedgang i funksjonelle tilkobling kun observert med bakre hippocampus under koding (figur 2). Positive og negative PPI kartene viser forskjeller mellom APOEε4 bærere og ikke-operatører i hvordan hippocampus funksjonelle tilkobling endres under en minne-aktivitet. For å avgjøre hvis Divergensen er statistisk signifikant, er det nødvendig å direkte sammenligne gruppene for hver av de fire resultater38.

For enkelhets skyld, Grupperesultater sammenligning viser APOE-mediert forskjeller bare for en region og oppgave fase, anterior hippocampus under henting, presenteres her (ikke-bærere > operatører, Figur 3). Under henting, divergensen fremre hippocampus tilkobling endringer observert i gruppe (figur 2) resulterer i betydelig mellom gruppe forskjeller i bilaterale supramarginal gyrus, rett vinkel gyrus og høyre precuneus.

Figure 2
Figur 2 : Hippocampus frø oppgave-avhengige negative funksjonelle tilkobling kartbytte. Koronale og aksial utsikt over gruppe gjennomsnitt oppgave-avhengige negativ funksjonelle tilkobling endring av hippocampus delområder i APOEε4 ikke-bærere og bærere separat, innen gruppen. Oppgave-avhengige tilkobling reduseres med fremre hippocampus frø vises i den øvre panelene. Den nedre paneler vise oppgave-avhengige tilkobling avtar med bakre hippocampus. Kart var thresholded på z = 2.3, klynge rettet på p < 0,05. Voxels møte terskel i APOEε4 ikke-bærere (i rødt) og operatører (i grønt) er kledde. Dette tallet har blitt reprinted med tillatelse12. Klikk her for å se en større versjon av dette tallet.

Figure 3
Figur 3: fremre hippocampus frø tilkobling endre forskjellene mellom APOEε4 bærere og ikke-bærere under hentingen. Under henting, betydelige forskjeller mellom APOEε4 bærere og ikke-bærere ble funnet i venstre supramarginal gyrus (mørk blå), rett supramarginal/kantete krysset (oransje) og høyre precuneus (lilla). Resultatene fra dette t-test for to utvalg var thresholded å avsløre klynger betydelig på alpha < 0,05 med en voxelwise mengde p < 0.005. Topp-koordinaten til hver klynge rapporteres i MNI plass, i x, y, z fly (mm). Illustrasjon av retning og omfanget av forskjellen mellom gruppene tegnes kontraster parameteren estimater fra hver klynge av gruppe. De røde vannrette linjene angir null og markere at bærere har gått ned (negativ) funksjonelle tilkobling til fremre hippocampus i disse regionene under henting. Bandet i boksene representerer medianen mens de øvre og nedre kantene av boksene representerer de første og tredje kvartiler, henholdsvis. Kinnskjegg utvide opp til 1,5 ganger interquartile området. Utenfor dette området blir datapunktene tegnet inn som outliers. Dette tallet har blitt reprinted med tillatelse12. Klikk her for å se en større versjon av dette tallet.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Oppgavebaserte fMRI studier ble utformet for å avdekke statistiske relasjoner mellom bestemte kognitive prosesser eller krav og endringer i fet signal i forhold til en opprinnelig plan måling. Denne tradisjonelle tilnærmingen er nyttig for å identifisere bestemte regioner i hjernen hvor aktivitet modulert med en eksperimentell oppgave. Derimot er en PPT analyse hovedsakelig opptatt modulering av funksjonelle tilkobling eller synkronisering av aktivitet, som en oppgave-indusert kognitive prosessen. PPI måler sammenheng avhengige funksjonelle tilkobling mellom et definert område av interesse (frø) og andre regioner i hjernen, ikke bare aktivitet øker og reduserer i lokaliserte områder. Valg av regionen frø må bli hypotese-drevet PPI analyser vil utføre optimalt når aktivitet i regionen frø modulert, i en univariate ramme, av oppgave-indusert kognitive sammenheng. PPI rammeverket kan deretter brukes til å utforske hvordan frø regionen aktiviteten blir mer eller mindre synkronisert med andre svar på oppgaven sammenhenger, for eksempel minne koding eller henting. Forskjeller mellom grupper, er derfor begrenset til endres funksjonelle tilkobling mellom frø og andre områder som er modulert av en bestemt aktivitet fase.

En grundig forståelse av GLM er avgjørende for å implementere en PPT-analyse. En komplett, gruppen sammenligning PPI studie har tre lineær modell: første nivå (forbehandling, oppgaven og bevegelse modellering), mid-Level PPI modellen (legge frø timecourse og oppgave samhandling EVs) og høyere nivå gruppe sammenligning modellen (gruppe kontraster av parameteren). På hvert trinn brukes en utgang for bilde som inndata for følgende trinn. GPPI tilnærmingen foreslått i 2012 og ansatt studien utnytter vise egenskaper av GLM å sikre at kontraster er spesifikke for interaksjon med den oppgave fasen av interesse3. I klassisk PPI, en modeller betingelser og en antagelsen er gjort at de to forholdene er på motsatt side av planlagte (hvis det er en opprinnelig tilstand). gPPI gjør det mulig å gjenspeile alle forhold og gjør ikke noen forutsetninger om hvordan betingelsene knyttet til den opprinnelige tilstanden. En kritisk komponent i enhver PPI analyse er riktig valg av en frø-regionen. Frø regioner kan velges basert på tidligere bevis i litteraturen, som studien som hippocampus ble brukt som frø område for en minne-aktivitet. En annen metode for seedet markering er å velge et område der aktivitet øker i en bestemt aktivitet fase. Med denne metoden regionen frø er definert ikke anatomisk men med en gruppe suprathreshold voxels i univariate aktivisering kart. Med denne tilnærmingen til seedet markering unngå PPI analyser sirkularitet fordi av aktiviteten er regnskapsføres og PPI avslører bare effekter som er atskilt fra (utover) av oppgaven.

Siden PPI først ble foreslått, har begrepet funksjonelt tilkoblet, romlig fjernt hjernen regioner blitt bredt akseptert. Ved hjelp av hvile tilstand fMRI, har det vært vist at hjernen har innebygd nettverk, eller angir regioner som er funksjonelt koblet på resten. Dermed undersøke hvile tilstand fMRI studier ofte funksjonelle tilkobling, det samme uttrykket brukes i PPI studier. Tolkningen av funksjonelle tilkobling, er imidlertid i hvile tilstand fMRI og PPT studier. PPI funnene er, per definisjon, forklarende virkningene av en interaksjon mellom aktivitet og frø regionen som ikke kan forklares av oppgaven design, frø-timecourse eller noen andre forvirrende variabel4. I hvile tilstand fMRI, kan forskjeller i nettverksaktivitet være forårsaket av endringer i tilkobling mellom regioner eller generelle endringer i nettverksaktivitet. Dermed, hvis målet for en studie sammenligne endringer i funksjonelle tilkobling mellom to grupper, en PPT tilnærming er bedre. Hvis målet for en studie forskjeller i indre tilkobling mellom to grupper, er hvile tilstand fMRI analyser bedre.

Ettall større begrensningen av originale PPT framework er mangelen på statistisk styrke ligger i tilnærming4. Fordi PPI begrepet (EV) er opprettet med to EVs også inkludert i modellen, er det sannsynlig å være forbundet til begge. I en GLM, er avviket som kan forklares med flere prediktor eller EV ikke tilordnet til en enkelt EV. Dermed PPI begrepet bare har makt til å påvise effekter som ikke kan forklares av oppgaven eller frø-timecourse, som begge er korrelert til PPT begrepet. Derfor er det sannsynlig at feilaktige negativer oppstår i PPI analyser. gPPI, men har vist seg å redusere antallet feilaktige negativer og er mer følsomme for liten effekt størrelse funn3,39.

PPI kan avdekke oppgave-avhengige endringer i funksjonelle tilkobling mellom to områder, men den kan ikke bestemme om aktiviteten i en region forårsaker en endring i aktivitet i den andre. Med andre ord, kan ikke en PPT-analyse brukes til å utforske kausalitet i funksjonelle tilkobling endres. Andre metoder, som dynamisk kausale modellering, er bedre egnet for analyser av kausalitet i funksjonelle data40. PPI analyser kan informere design av eksperimenter ved hjelp av disse teknikkene. I sum er PPT en nyttig metode for å undersøke oppgave-spesifikke endringer i funksjonelle tilkobling av en relevant frø region og sammenligne endringene mellom grupper. Resultater fra PPI studier kan føre til en bedre forståelse av dynamikken i funksjonelle tilkobling i helse, sykdom og risiko for sykdom.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

DGM er ansatt i Biospective, Inc. Biospective, Inc. ikke behandlet noen av dataene som presenteres.

Acknowledgements

Dette arbeidet ble støttet av det nasjonale Institutt for aldring (bevilgning nummer R01AG013308 til SYB, F31AG047041 til TMH). Forfatterne brukte beregningsorientert og lagringstjenester knyttet Hoffman2 delt klyngen levert av UCLA Institute for Digital forskning og utdannings 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