Analisi di interazione generalizzata psicofisiologica (PPI) di memoria relative connettività in individui a rischio genetico per la malattia di Alzheimer
Summary
Questo manoscritto descrive come implementare un’analisi psicofisiologica interazione per rivelare i cambiamenti di attività-dipendente in connettività funzionale tra una regione di sementi selezionate e voxel in altre regioni del cervello. Analisi delle interazioni psicofisiologica è un metodo popolare per esaminare gli effetti di attività sulla connettività del cervello, distinto dal tradizionale monovariante effetti di attivazione.
Abstract
In neuroimaging, la formazione immagine a risonanza magnetica funzionale (fMRI) misura il segnale (grassetto) dipendente dal livello di ossigenazione di sangue nel cervello. Il grado di correlazione del grassetto segnale nello spazio indipendente regioni del cervello definisce la connettività funzionale di quelle regioni. Durante un compito conoscitivo fMRI, un’analisi di interazione psicofisiologica (PPI) può essere utilizzata per esaminare i cambiamenti nella connettività funzionale durante contesti specifici definiti dall’attività cognitiva. Un esempio di tale attività è uno che coinvolge il sistema di memoria, chiedendo ai partecipanti di conoscere coppie di parole indipendenti (codifica) e ricordare la seconda parola in una coppia quando sono presentati con la prima parola (recupero). Nello studio presente, abbiamo usato questo tipo di compito di memoria associativa e un’analisi generalizzata di PPI (gPPI) per confrontare le modifiche nella connettività hippocampal in adulti più anziani che sono portatori del morbo di Alzheimer (annuncio) fattore di rischio genetico dell’apolipoproteina E epsilon-4 ( APOEΕ4). In particolare, ci mostrano che la connettività funzionale di sottoregioni dei cambiamenti ippocampo durante la codifica e recupero, due fasi attive dell’attività memoria associativa. Cambiamenti di contesto-dipendente nella connettività funzionale dell’ippocampo erano significativamente differenti nei portatori di APOEε4 rispetto ai non portatori. PPI analisi consentono di esaminare le modifiche in connettività funzionale, distinte dagli effetti principali monovariante e confrontare questi cambiamenti in gruppi. Così, un’analisi PPI può rivelare effetti compito complesso in specifiche coorti che non catturano monovariante tradizionali metodi. Analisi PPI non possono, tuttavia, determinare direzionalità, ovvero la causalità tra regioni funzionalmente connesse. Tuttavia, analisi PPI forniscono potenti mezzi per la generazione di ipotesi specifiche per quanto riguarda le relazioni funzionali, che possono essere testate utilizzando modelli causali. Come il cervello è sempre più descritto in termini di connettività e reti, PPI è un metodo importante per analizzare i dati di attività fMRI sono in linea con l’attuale concezione del cervello umano.
Introduction
Il termine “connettoma” fu coniato nel 2005, segnando un cambiamento di paradigma nell’ambito delle neuroscienze che continua a questo giorno1. Il cervello è sempre più descritto in termini di reti funzionali, connettività e interazioni tra e tra regioni su larga scala. Tuttavia, la delineazione di specializzazione funzionale regionali e associazioni tra attività fMRI-misurato e le attività richieste sono ancora validi e utili approcci. Alla luce del crescente interesse in connectomics, approcci di connettività funzionale all’attività fMRI analisi stanno crescendo in popolarità. Un approccio per misurare i cambiamenti di connettività funzionale dipende dal compito esige fa uso del concetto di PPI. Un PPI è l’interazione di un compito attivo fase o richiesta particolare attività (“psycho”) con la connettività funzionale (“physio”) di una regione di interesse o “seme” nel cervello. PPI si differenzia dall’analisi bivariata, basata sulla correlazione della connettività funzionale, che generalmente misura il grado di correlazione tra l’attività in due regioni senza costrizioni legate alle attività richieste.
Il concetto e il quadro di un’analisi PPI è stato originariamente descritto da Friston e colleghi nel 19972. Gli autori hanno affermato che il loro approccio era importante perché consentirebbe l’inchiesta di connettività per essere più funzionale specifico e consente di inferenze che attività in un seme distale potrebbe essere modulando l’attività risultante da una richiesta di attività. Nel 2012, McLaren e colleghi aggiunti a questo quadro originale e descritto un approccio gPPI in cui tutte le fasi di attività e loro interazioni sono inclusi in un unico modello3. Questo approccio porta a risultati che sono più sensibili e specifici per la fase di attività e interazione indagato. È questo l’approccio gPPI aggiornato che impieghiamo nel presente studio (Vedi punto 6.2.2 nel protocollo). L’approccio di gPPI ora è stata citata in oltre 200 studi. Per maggiore chiarezza, qui di seguito usiamo ‘PPI’ per descrivere caratteristiche comuni sia nella versione standard e generalizzata. verrà utilizzato ‘gPPI’ per discutere i progressi specifici associati con il framework più recente.
L’obiettivo generale di un’analisi PPI è capire come le esigenze di un’attività cognitiva influenzano o modulano la connettività funzionale di una regione di seme. Un’analisi PPI richiede un’ipotesi forte a priori . Attività nella regione del seme deve essere modulata dall’attività in ordine per l’approccio PPI lavorare efficacemente4. Ad esempio, nello studio presente, abbiamo basato la nostra selezione di sementi sull’evidenza forte che attività hippocampal è modulata dalle esigenze conoscitive di un compito di memoria. Utilizzo di PPI, regioni che sono significativamente più o meno funzionalmente collegate all’ippocampo durante le fasi di attività specifica possono essere identificate. In breve, ci poniamo la domanda, “in quali regioni è attività più correlata con il seme durante il contesto A rispetto al basale?” Possiamo anche chiedere l’opposto logico (come è importante capire la differenza): “in quali regioni è attività meno correlato con il seme durante il contesto A rispetto al basale?” Quando si interpretano le differenze del gruppo in effetti PPI, è importante esaminare i dati e se il cambiamento positivo o negativo di connettività funzionale, o entrambi, sta guidando le differenze del gruppo.
L’approccio PPI è stato utilizzato per studiare gli hub di controllo attività dinamiche nei comandi sani, come la modulazione della connettività funzionale è legato alla prestazione conoscitiva nel morbo di Alzheimer (AD), intelligenza in individui con autismo, connettività di rete motore in individui con malattia di Parkinson, faccia l’elaborazione in individui con disordine dismorfico del corpo e anoressia, regolazione delle emozioni, memoria e molte altre domande specifiche relazionate a connettività5,6,7 ,8,9,10,11. Nello studio presente, mettiamo a confronto le modifiche in connettività funzionale di sottoregioni dell’ippocampo durante la codifica di memoria e il recupero tra un gruppo di individui a rischio genetico per l’annuncio a un gruppo senza il fattore di rischio12. Di seguito viene descritto il protocollo che abbiamo usato, l’applicazione dell’approccio di gPPI, per permetterci di verificare se le modifiche di attività-suscitata in connettività funzionale differiscono in associazione con la presenza di APOEε4, un fattore di rischio genetico per l’annuncio.
Protocol
Representative Results
Discussion
Gli studi fMRI basato su attività iniziali sono stati progettati per scoprire relazioni statistiche tra processi cognitivi particolari o richieste e i cambiamenti in grassetto del segnale rispetto a una misurazione di base. Questo approccio tradizionale è utile per l’identificazione di regioni specifiche del cervello dove l’attività è modulata da un’attività sperimentale. Al contrario, un’analisi PPI è riguardata principalmente con la modulazione della connettività funzionale o sincronia di attività, che deriva d…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Questo lavoro è stato supportato dal National Institute of Aging (concessione numero R01AG013308 di SYB, F31AG047041 a TMH). Gli autori hanno usato computazionale e servizi di archiviazione associato al Cluster di ha condiviso la foto di Hoffman2 fornito dall’istituto UCLA per gruppo di tecnologia di ricerca Digital Research e di formazione.
Materials
| 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 |
References
- Sporns, O., Tononi, G., Kötter, R. The Human Connectome: A Structural Description of the Human Brain. PLoS Comput Biol. 1 (4), 42 (2005).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Wechsler, D. . Wecshler Adult Intelligence Scale, 3rd Edition. , (1997).
- Cauthen, N. R. Verbal fluency: normative data. J Clin Psychol. 34 (1), 126-129 (1978).
- Goodglass, H. P., Kaplan, E. P. . Boston Naming Test, 3rd Edition. , (2001).
- Buschke, H., Fuld, P. A. Evaluating storage, retention, and retrieval in disordered memory and learning. Neurol. 24 (11), 1019-1025 (1974).
- 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).
- Hamilton, M. The assessment of anxiey states by rating. Br J Med Psychol. 32, 50-55 (1959).
- Hamilton, M. A rating scale for depression. J Neurol Neurosurg Psychiatry. 23, 56-62 (1960).
- Folstein, M. F., Robins, L. N., Helzer, J. E. The Mini-Mental State Examination. Arch Gen Psychiatry. 40 (7), 812 (1983).
- 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).
- 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).
- . TaqMan® SNP Genotyping Assays User Guide Available from: https://tools.thermofisher.com/content/sfs/manuals/TaqMan_SNP_Genotyping_Assays_man.pdf (2014)
- 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).
- 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).
- Smith, S. M. Fast robust automated brain extraction. Hum Brain Mapp. 17 (3), 143-155 (2002).
- Greve, D. N., Fischl, B. Accurate and robust brain image alignment using boundary-based registration. NeuroImage. 48 (1), 63-72 (2009).
- 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).
- . Learn MATLAB Basics Available from: https://www.mathworks.com/support/learn-with-matlab-tutorials.html?s_tid=hp_ff_I_tutorials (2017)
- 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).
- 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).
- 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).
- Strange, B., Dolan, R. Functional segregation within the human hippocampus. Mol Psychiatry. 4 (6), 508-511 (1999).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. NeuroImage. 19 (4), 1273-1302 (2003).
