Protocol
Forsknings teknikkene som brukes i denne studien ble godkjent av de institusjonelle vurderingskomiteer (IRB) fra Duke University og University of North Carolina - Chapel Hill.
1. Imaging Task Design
- Generere en hendelsesbasert atferds oppgave som presenterer sjeldne målet stimuli (en sirkel) innen en sekvens av mer hyppige standard stimuli (egge bilder). En skjematisk av oppgaven er vist i figur 1. Presenter oppgaven ved hjelp av programvare Cigal 10.
Figur 1. Skjematisk av Task Design. Dette tallet har blitt forandret fra Hart et al. 20, med tillatelse. Klikk her for å se en større versjon av dette tallet.
- Velg sået av aversive stimuli og et sett med nøytrale stimuli fra den internasjonale Affective Picture System database (RSU). RSU bildene er vurdert på en skala fra 1-9 for å reflektere nivåer av opphisselse og valens 11. Høye tall gir høyere positiv valens og opphisselse. Velg et sett med bilder som er alderstilpasset til studiegruppen for eksempel bilder av slanger, edderkopper, eller andre dyr.
Merk: oppgave irrelevant aversive stimuli bilder som brukes for denne studien hadde en gjennomsnittlig valens rating på 3,38 (SD = 1,78) og en gjennomsnittlig opphisselse rating på 6.14 (SD = 2,08). De nøytrale stimuli bildene hadde en gjennomsnittlig valens 6.21 (SD = 0,26) og en gjennomsnittlig opphisselse rating på 3,72 (SD = 2.15). - Program oppgaven script slik at bildene blir presentert i en pseudo-randomisert rekkefølge for 1500 msek med en 500 msek mener inter-stimulus intervall. Presentere målet stimuli og oppgave irrelevant nøytrale bilder ikke oftere enn hver 15 sek og gjøre hver ca 4% av stimuli. Jitter hendelses utbruddet ganger for å gi bedre oppløsning av hemodynamiske respons funksjon.
- Lag 8 sett av bilder, ett for hver av 8 funksjonelle løyper slik at deltakerne blir presentert med totalt 40 mål og 40 oppgave irrelevant nøytrale bilder i løpet av alle 8 nedfarter.
2. Deltaker Setup og skanning
- Rekruttere barn og ungdom i alderen 9 og 18 år som enten er friske kontrollpersoner eller som er i familiær høy risiko for psykose.
- Sørg for at friske individer har no psykiatriske sykdommer eller noen førstegradsfamiliemedlemmer med en psykiatrisk sykdom. Sikre at familiære risiko deltakerne ha minst en første-graders slektning (foreldre eller søsken) med schizofreni. Ikke utelukke dem for tilstedeværelsen av andre psykiske lidelser i førstegradsslektninger.
- Alder og kjønn kamp friske deltakere med familiær risikogruppe deltakers.
- Erverve informert samtykke fra deltakerne i en alder av 18. For mindreårige, erverve informert samtykke fra foreldre / foresatte. I tillegg skaffe skriftlig samtykke fra mindreårige som deltar i studien.
- Plassere deltakerne i en mock MRI scanner for å gjøre dem kjent med miljøet. Spill et lydopptak av skannerstøy og ha dem fullføre en praksis kjøre av atferds oppgave for å sikre at de forstår oppgaven instruksjoner.
- Plasser deltaker i MR skanner og skaffe eventuelle nødvendige hjernen lokaliserings skanner og / eller anatomiske bilder.
- Ved hjelp av en MR-sikker inngang boksen, forteller deltakerne om å trykke på en knapp med sin pekefinger svar på alle satsings stimuli og en annen knapp med sin langfinger for alle andre stimuli.
- Etter fMRI skanning, samle subjektive vurderinger av opphisselse og valens for hvilke bilder som brukes i studien fra en undergruppe av deltakere. Current studie oppnådde karakterer fra 15 kontroller og 13 med familiær høy risiko.
3. Image Acquisition
- Plasser deltakere i en 3,0 Tesla MR skanner. Først erverve et sett av strukturelle bilder, inkludert en 3D koplanar anatomisk T1-kontrast bilde ved hjelp av en bortskjemt gradient-tilbakekalt oppkjøpet pulssekvens (TR: 5,16 msek, TE: 2,04 msek, FOV: 24 cm, bildematrise: 256 × 256; Flip Vinkel: 20; voxel størrelse: 0,94 mm × 0,94 mm × 1,9 mm, 68 aksiale snitt).
- Tilegne seg funksjonelle bildedata ved hjelp av en gradient ekko ekko-planar avbildning sekvens med full-hjerne-dekning (TR: 2000 ms, TE: 27 msek, FOV: 24 cm, bildematrise: 64 × 64, Flip Angle: 60; voxel størrelse: 3,75 mm × 3,75 mm × 3,8 mm, 34 aksiale snitt) slik at hjernens aktivitet kan måles under utførelsen av atferds oppgaven. Kjør denne bildesekvens for hver kjøring av atferds oppgaven. Hver kjøring bør bestå av 120 bilde tidspunkter.
- Presentere TAsk i 8 funksjonelle går, hver varer ca 4 min.
4. Analyser
- Bilde Forbehandling: Open fMRI Expert Analysis Tool (FEAT) i FSL 12. Velg først-nivå analyse og Pre-statistikk.
- På "Data" -fanen, velg antall inngangsbildene og angi banen til hver av MR-bilder du skal behandle. Still Output katalogen. Angi Totalt volum, antall kasserte oppkjøp, og TR.
- På "Pre-statistikk" -kategorien, satt bevegelse korreksjon til MCFLIRT, Spatial glatting FWHM til 5 mms, og "Slice timing korreksjon". Velg "BET hjernen utvinning" og "Highpass" temporal filtrering, men ikke velger B0 unwarping (uness du har en gradient felt kart) eller "Jeg ntensitiy normaization". 12,14.
- På "Registrering" fanen, velg "Hoved sliter mennctural image ". Oppgi stien til motivets skallen-strippet T1-vektet bilde. Bruk en lineær normal søk med minst 6 DOF. Velg Standard plass i boksen. Oppgi stien til MNI atlas bildet. Bruk vanlig, lineær søker med 12 DOF. Trykk på Fortsett.
- Ekskludere deltakere med større enn 3 mm hode bevegelse i X, Y eller Z.
- Nivå 1: Sammenlign data mellom oppgaveforhold innenfor en enkelt løp. Åpne FEAT. Velg "First-level analyse» og «Stats + Post-statistikken».
- I kategorien Data, angi antall innganger og angi banen til hver av MR-bilder. Angi en bane for "Output directory". Skriv inn "Totalt volum", antall kasserte oppkjøp, og TR.
- På "Stats" -kategorien, velger du "Bruk FILM prewhitening" boksen 16. Trykk på "Full modellen setup "-knappen. Still "Number of originale elbiler" til antall oppgave forhold. For hver tilstand, velg "Custom (3 kolonne format)" fra den grunnleggende formen drop-down menyen og "Double-Gama HRF fra" Convolution "drop-down menyen 17,18 og velg en tekstfil som inneholder oppgaven timing.
- Formater denne tekstfilen i 3 kolonner med en post for hver "hendelse" av den gitte typen. Den første kolonnen skal inneholde utbruddet tiden (i sekunder), bør den inneholde andre varighet (i sekunder), og det tredje bør inneholde arrangementet vekt. På Kontraster og F-tester fanen, opprette en kontrast for hver oppgave tilstand og en for hver sammenligning.
- På "Post-statistikk" fanen, velg "Cluster" på "Terskelverdier" drop-down menyen og sette "Z terskel" og Cluster P threshold til henholdsvis 2,3 og 0,05 8,19.
- På "Registrering" fanen, velg "Hoved strukturell image". Oppgi stien til motivets skallen-strippet T1-vektet bilde. Bruk en lineær normal søk med minst 6 DOF. Velg "Standard plass" boksen. Oppgi stien til MNI atlas bildet. Bruk vanlig, lineær søk med 12 DOF. Trykk "Go".
- Nivå 2: Sammenlign data mellom kjøringer for hver oppgave tilstand. Åpne FEAT. Velg "Overordnet analyse" og "Stats + Post-statistikk" fra rullegardinmenyen.
- I kategorien data, velg "Innganger er lavere nivå FEAT kataloger". Angi antall innganger og angi banen til hver av MR-bilder. Angi en bane for "Output directory".
- På "Stats" -kategorien, endre "Mixed Effects: FLAME1" valgboksen til "Fixed Effekter ". Trykk på" modell setup wizard "-knappen. Velg" enkelt gruppe gjennomsnittlig "og klikk på" Process "-knappen.
- På "Post-statistikk" fanen, velg "Cluster" på "Terskelverdier" drop-down menyen og sette "Z terskel" og "Cluster P" terskelen til henholdsvis 2,3 og 0,05 8,19. Trykk "Go".
- Nivå 3: Sammenlign data mellom fag for hver oppgave tilstanden på tvers av alle løyper. Åpne FEAT. Velg "Overordnet analyse" og "Stats + Post-statistikk" fra rullegardinmenyen.
- I kategorien data, velg "Innganger er 3D takle bilder fra FEAT kataloger." Angi antall innganger og angi banen til hver av MR-bilder. Angi en bane for "Output directory".
- På "Stats" tab, Trykk på "Full modellen setup". Sett antall elbiler lik antall gruppe variabler og kovariater som diagnostisk gruppe, alder, kjønn, etc. Angi verdiene for hvert fag (Input 1 - Input n) for hver EV. Du kan bruke "Lim inn" vinduet for å kopiere et regneark med disse verdiene.
- På "Kontraster og F-tester" -kategorien, legge til en kontrast for hver test variabel og for hver kontrast (f.eks diagnosegruppe). For hver test variabel, angir kontrasten ved å velge verdien 1 i kolonnen under den aktuelle EV. For hver kontrast, setter den første verdien til 1 og den andre til -1. Velg "Ferdig".
- På "Post-statistikk" fanen, velg "Cluster" på "Terskelverdier" drop-down menyen og sette "Z terskel" og "Cluster P" terskelen til henholdsvis 2,3 og 0,05 8,19 "Go".
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Det var ingen forskjell mellom gruppene basert på demografiske kjennetegn 20. Atferdsdata indikerte at målet deteksjon oppgave er på et passende nivå vanskelighetsgrad for barn og ungdom i alderen 9-18. I denne studien, kontroller korrekt identifisert 82,36% av målene (SD = 0,14), og den familiære risikogruppe korrekt identifisert 76,8% av målene (SD = 0,17). Begge gruppene viste redusert nøyaktighet når identifisere emosjonelle bilder sammenlignet med nøytrale bilder (F (1,40) = 5,63, p = 0,03).
Imaging data indikerte at forsøksbetingelsene førte til betydelig aktivering i regionene forventes å bli rekruttert i løpet av utøvende og emosjonell prosessering. Aktivering ble sett i prefrontal, anterior caudatus, isolerte, og bakre parietal områder under målet forsøk og i den høyre amygdala, bilateral orbitofrontal cortex, fusiform cortex og visuell cortiske områder under aversjons forsøk i begge grupper. Tabell 1 viser områder med betydelig aktivering i kontroller for hver tilstand.
Dette paradigmet også utløst betydelige forskjeller i aktivering mellom kontroller og personer med familiær høy risiko for schizofreni. Den familiære høyrisikogruppen viste redusert aktivering i fronto-striate kretser i respons til målet stimuli. Controls, i motsetning, viste større aktivering i midten frontal gyrus og isolasjonsbelegg. Gruppe forskjeller mellom betingelsene er vist i tabell 2 og figur 2. Den familiær høyrisikogruppen viste også ulike mønstre av aldersrelatert aktivering sammenlignet med kontroller i respons til målet og ubehagelig stimuli (figur 3).
Figur 2. Aktiverings Maps på mellom-Group Differences. (A) Områder hvor den familiære høyrisikogruppen (n = 21) viste større aktivering enn kontrollgruppen (n = 21) under target behandling. CAUD = caudatus; IFG = Inferior frontal gyrus; ITG = mindreverdig timelige gyrus. (B) Områder hvor kontrollene viste større aktivering enn familiær høyrisikogruppen under målet behandling. INS = Insula; MFG = Middle frontal gyrus; MTG = Middle time gyrus. (C) Områder hvor familiær høyrisikogruppen aktivert mer enn kontrollene under Ubehage> Nøytral kontrast. COC = Central opercular cortex. (D) Områder hvor kontrollene aktivert mer enn familiær høyrisikogruppen under Ubehage> Neutral kontrast. ACC = Anterior cingulate cortex; PC = precuneus. Dette tallet har blitt forandret fra Hart et al. 20, med tillatelse. Klikk her for å se en større versjon av denne figur.
Figur 3. Aktivisering Maps for aldersrelatert gruppeforskjeller. (A) Områder med en større positiv korrelasjon med alder i den familiære høyrisikogruppen enn i kontrollene under målet behandling. ACC = Anterior cingulate cortex; INS = Insula; OFC = orbitofrontal cortex; TH = Thalamus. (B) Områder med en større positiv korrelasjon med alder i kontroller enn i familiære høyrisikogruppen under Ubehage> Nøytral kontrast. IFG = Inferior frontal gyrus; PostCG = Postcentral gyrus; PreCG = Precentral gyrus. Dette tallet har blitt forandret fra Hart et al. 20, med tillatelse. Klikk her for å se en større versjon av dette tallet.
ST1. Innen-Group Activation Foci i Controls (n = 21) | ||||||
MNI koordinater | ||||||
Region | Halvkule | x | y | z | Max Z-verdi | Max p-verdi 1 |
Target aktivering (p <0,05, falsk funnrate korrigert) | ||||||
Middle frontal gyrus / Frontal pol | B | -30 | -2 | 50 | 5,57 | <0.0000001 |
Mindreverdig frontal gyrus | B | 46 | 12 | 32 | 5,41 | <0.0000001 |
Insula | B | -32 | 24 | 05.4 | <0.0000001 | |
Precentral gyrus | B | -40 | -22 | 48 | 5,53 | <0.0000001 |
Thalamus | B | -12 | -16 | 12 | 5.03 | <0.0000001 |
Caudatus | B | -12 | 12 | 4 | 4,07 | 0.000003 |
Putamen | B | 18 | 8 | 2 | 4.27 | 0,00009 |
Anterior cingulate / Paracingulate gyrus | B | 0 | 12 | 46 | 5.6 | <0.0000001 |
Posterior cingulate gyrus | B | 8 | -16 | 28 | 5.2 | <0.0000001 |
Superior / Middle temporal gyrus | <td> B48 | -46 | 10 | 5,88 | <0.0000001 | |
Fusiform / dårligere temp gyrus | B | -30 | -50 | -12 | 5.64 | <0.0000001 |
Superior parietal lobule / Supramarginal gyrus / Postcentral gyrus | B | 30 | -44 | 44 | 6 | <0.0000001 |
Lateral occipital cortex | B | 48 | -62 | 12 | 6.12 | <0.0000001 |
Motvilje> Nøytral aktivering (p <0,05, falsk funnrate korrigert) | ||||||
Mindreverdig frontal gyrus | L | -44 | 14 | 143.16 | 0,0004 | |
Frontal pole / Medial frontal cortex | B | -2 | 64 | 0 | 3,42 | 0,0005 |
Postcentral gyrus | L | -62 | -22 | 34 | 3.12 | 0,0004 |
Anterior cingulate cortex | B | -4 | 34 | 8 | 3,27 | 0,0002 |
Posterior cingulate gyrus | B | 0 | -44 | 28 | 3,26 | 0,0002 |
Mindreverdig temp / gyrus fusiformis | B | -44 | -44 | -14 | 3,03 | 0,0006 |
Vinkel gyrus | B | 46 | -64 | 8 | 3,42 | 0,0001 |
Supramarginal gyrus | L | -40 | -56 | 20 | 3,59 | 0,00005 |
Motvilje aktivering (p <0,05, falsk funnrate korrigert) | ||||||
Amygdala | R | 22 | -4 | -18 | 2,86 | 0,001 |
Orbitofrontal cortex / Insula | B | 36 | 22 | -4 | 4.93 | <0.0000001 |
Middle frontal gyrus | B | 32 | 4 | 40 | 4.7 | <0.0000001 |
Frontal pol | B | -38 | 36 | 10 | 4.95 | <0.0000001 |
Anterior cingulate /paracingulate gyrus | B | 6 | 16 | 50 | 4.85 | <0.0000001 |
Posterior cingulate gyrus | B | 2 | -28 | 24 | 5,88 | <0.0000001 |
Thalamus | B | 18 | -26 | 2 | 5,44 | <0.0000001 |
Precentral gyrus | B | -44 | 8 | 34 | 4,54 | <0.0000001 |
Superior parietal lobule | B | -20 | -56 | 54 | 6,05 | <0.0000001 |
Lateral occipital cortex | B | -36 | -82 | 4 | 6,05 | <0.0000001 |
Occipital pol | B | -16 | -90 | 18 | 5,18 | <0.0000001|
B, Bilateral | ||||||
1 Rapporterte p-verdier er ukorrigerte, signifikante på FDR-korrigert verdi på <0,05 |
Tabell 1. Innen-Group Activation Foci i Controls (n = 21). Denne tabellen har blitt forandret fra Hart et al. 20, med tillatelse.
Tabell 2. Mellom-konsernet Forskjeller i Activation | ||||||
MNI koordinater | Halvkule | x | y | z | Max Z-verdi | Max p-verdi 1 |
Targets | ||||||
Familiær Høy risiko> Controls (p <0,05, falsk funnrate korrigert) | ||||||
Frontal pol | B | 16 | 76 | 6 | 3,52 | 0,00007 |
Mindreverdig frontal gyrus | L | -58 | 16 | 18 | 3.37 | 0,0001 |
Caudatus | B | -14 | 20 | 10 | 3.2 | 0,0003 |
Inferior temporal gyrus | L | -52 | -44 | -20 | 2.94 | 0,0009 |
Kontroller> Familiær High Risk (p <0,05, falsk funnrate korrigert) | ||||||
Middle frontal gyrus / Precentral gyrus | R | 48 | 8 | 34 | 3 | 0,0007 |
Frontal operculum cortex | L | -46 | 16 | -4 | 2.94 | 0,0009 |
Supplerende motor område | R | 18 | -16 | 40 | 3.02 | 0,0007 |
Insula | L | -34 | -18 | 4 | 2.94 | 0,0009 |
Precentral gyrus | B | 10 | -26 | 60 | 3.290,0002 | |
Postcentral gyrus | B | 14 | -38 | 54 | 3,57 | 0,0001 |
Superior temporal gyrus | R | 54 | -6 | -4 | 3.18 | 0,0003 |
Middle temporal gyrus | R | 48 | -46 | 8 | 3,65 | 0,00004 |
Precuneus | R | 2 | -40 | 46 | 2,89 | 0,001 |
Lateral occipital cortex | B | -20 | -74 | 36 | 3,36 | 0,0002 |
Motvilje - Nøytral | ||||||
Central opercular cortex | R | 50 | -2 | 6 | 3.01 | 0,0007 |
Kontroller> Familiær High Risk (p <0,05, falsk funnrate korrigert) | ||||||
Anterior cingulate cortex | L | -6 | 38 | 8 | 2.68 | 0,002 |
Precuneus | L | -10 | -54 | 36 | 2.7 | 0,002 |
B, Bilateral | ||||||
1 Rapporterte p-verdier er ukorrigerte, signifikante på FDR-korrigert verdi på <0,05 |
Tabell 2. Mellom-gruppeforskjeller i Activation Foci. Denne tabellen har blitt forandret fra Hart et al. 20, med tillatelse.
Subscription Required. Please recommend JoVE to your librarian.
Materials
Name | Company | Catalog Number | Comments |
3T MRI scanner | GE | BIAC 3T scanner (replaced) |
References
- Kety, S. S., Rosenthal, D., Wender, P. H., Schulsinger, F. Mental illness in the biological and adoptive families of adpoted schizophrenics. Am J Psyc. 128, 302-306 (1971).
- Weinberger, D. R. Implications of normal brain development for the pathogenesis of schizophrenia. Arch Gen Psychia. 44, 660-669 (1987).
- Nuechterlein, K. H., Dawson, M. E. Information processing and attentional functioning in the developmental course of schizophrenic disorders. Schizophr Bul. 10, 160-203 (1984).
- Nuechterlein, K. H. The vulnerability/stress model of schizophrenic relapse: a longitudinal study. Acta Psychiatr Scand, Supp. 382, 58-64 Forthcoming.
- Keshavan, M. S. Premorbid cognitive deficits in young relatives of schizophrenia patients. Front Hum Neurosc. 3 (62), (2010).
- Kiehl, K. A., Liddle, P. F. An event-related functional magnetic resonance imaging study of an auditory oddball task in schizophrenia. Schizophr Re. 48, 159-171 (2001).
- Bramon, E. Is the P300 wave an endophenotype for schizophrenia? A meta-analysis and a family study. Neuroimag. 27, 960-968 (2005).
- Dichter, G. S., Bellion, C., Casp, M., Belger, A. Impaired modulation of attention and emotion in schizophrenia. Schizophr Bul. 36, 595-606 (2010).
- Fichtenholtz, H. M. Emotion-attention network interactions during a visual oddball task. Brain Res Cogn Brain Re. 20, 67-80 (2004).
- Voyvodic, J. T. Real-time fMRI paradigm control, physiology, and behavior combined with near real-time statistical analysis. Neuroimag. 10, 91-106 (1999).
- International affective picture system (IAPS): Digitized photographs, instruction manual and affective ratings. Technical Report A-6. , The Center for Research in Psychophysiology, University of Florida. (2005).
- Smith, S. M. Advances in functional and structural MR image analysis and implementation as FSL. Neuroimag. 23, 208-219 (2004).
- Smith, S. M.
Fast robust automated brain extraction. Hum Brain Map. 17, 143-155 (2002). - Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimag. 17, 825-841 (2002).
- Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Med Image Ana. 5, 143-156 (2001).
- Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. Temporal autocorrelation in univariate linear modeling of FMRI data. Neuroimag. 14, 1370-1386 (2001).
- Beckmann, C. F., Jenkinson, M., Smith, S. M. General multilevel linear modeling for group analysis in FMRI. Neuroimag. 20, 1052-1063 (2003).
- Woolrich, M. W., Behrens, T. E., Beckmann, C. F., Jenkinson, M., Smith, S. M. Multilevel linear modelling for FMRI group analysis using Bayesian inference. Neuroimag. 21, 1732-1747 (2004).
- Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. Neuroimag. 15, 870-878 (2002).
- Hart, S. J. Altered fronto-limbic activity in children and adolescents with familial high risk for schizophrenia. Psychiatry Re. 212, 19-27 (2013).
- Hariri, A. R., Bookheimer, S. Y., Mazziotta, J. C. Modulating emotional responses: effects of a neocortical network on the limbic system. Neurorepor. 11, 43-48 (2000).
- Gottesman, I. I., Gould, T. D. The endophenotype concept in psychiatry: etymology and strategic intentions. Am J Psyc. 160, 636-645 (2003).
- Glahn, D. C., Thompson, P. M., Blangero, J. Neuroimaging endophenotypes: strategies for finding genes influencing brain structure and function. Hum Brain Map. 28, 488-501 (2007).