JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
자동 번역
Please note that all translations are automatically generated. Click here for the English version.
신경과학

Análisis de la interacción psicofisiológica generalizada (PPI) de la memoria relacionados con la conectividad en individuos con riesgo genético de la enfermedad de Alzheimer

Published: November 14, 2017
doi:
10.3791/55394
, , , ,
1Psychiatry and Biobehavioral Sciences,University of California, Los Angeles, 2Biospective, Inc.

Summary

Este manuscrito describe cómo implementar un análisis de interacción psicofisiológica para revelar cambios dependientes de la tarea en la conectividad funcional entre una región de semilla seleccionada y voxels en otras regiones del cerebro. Análisis de interacción psicofisiológica es un popular método para examinar los efectos de la tarea en la conectividad cerebral, distinta de los efectos de activación univariantes tradicionales.

Abstract

En Neuroimagen, la proyección de imagen de resonancia magnética funcional (fMRI) mide el nivel de oxigenación de la sangre dependiente (en negrilla) de señal en el cerebro. El grado de correlación de la negrita de la señal espacial regiones independientes del cerebro define la conectividad funcional de las regiones. Durante una tarea cognitiva fMRI, un análisis de interacción psicofisiológica (PPI) se puede utilizar para examinar los cambios en la conectividad funcional en contextos específicos definidos por la tarea cognitiva. Un ejemplo de una tarea es una que involucra el sistema de memoria, solicitando a los participantes aprender pares de palabras sin relación (codificación) y recordar la segunda palabra en un par cuando se presentó con la primera palabra (recuperación). En el presente estudio, hemos utilizado este tipo de tarea de la memoria asociativa y un análisis generalizado de PPI (gPPI) para comparar cambios en Conectividad del hipocampo en los adultos mayores que son portadores de la enfermedad de Alzheimer (EA) factor de riesgo genético apolipoproteína-E épsilon-4 ( APOEΕ4). En concreto, mostramos que la conectividad funcional de subregiones de los cambios del hipocampo durante la codificación y recuperación, las dos fases activas de la tarea de memoria asociativa. Dependiente del contexto de cambios en la conectividad funcional del hipocampo fueron significativamente diferentes en portadores de APOEε4 en comparación con los no portadores. Análisis PPI permiten examinar los cambios en la conectividad funcional, distinta de principales efectos univariados y comparar estos cambios a través de grupos. Así, un análisis PPI pueden revelar efectos compleja en cohortes específicas que los métodos univariantes tradicionales no captan. Análisis PPI no pueden, sin embargo, determinar direccionalidad o causalidad entre las regiones funcionalmente conectadas. Sin embargo, análisis PPI ofrecen poderosos medios para la generación de hipótesis específicas sobre relaciones funcionales, que pueden ser probadas usando modelos causales. Como el cerebro cada vez más se describe en términos de conectividad y redes, PPI es un importante método de análisis de datos de tarea de fMRI que está en consonancia con la concepción actual del cerebro humano.

Introduction

El término “conectoma” fue acuñado en 2005 marca un cambio de paradigma en la neurociencia que continúa a este día1. El cerebro es cada vez más descrito en términos de interacciones entre regiones a gran escala, la conectividad y redes funcionales. Sin embargo, la delineación de especialización funcional regional y asociaciones entre fMRI mide la actividad y las demandas de la tarea son enfoques todavía válidos y útiles. Teniendo en cuenta el creciente interés en connectomics, conectividad funcional enfoques de análisis de tarea fMRI están creciendo en popularidad. Un enfoque para medir cambios de conectividad funcional depende de la tarea exige hace uso del concepto de PPI. Un PPI es la interacción de una fase de tarea activa o demanda de tarea (“psycho”) con la conectividad funcional (“fisio”) de una región de interés o “semilla” en el cerebro. PPI se diferencia del análisis bivariado, basado en la correlación de la conectividad funcional, que generalmente mide el grado de correlación entre la actividad en dos regiones sin restricciones relacionadas con las demandas de la tarea.

El concepto y el marco de un análisis PPI fue descrito originalmente por Castellon y colaboradores en 19972. Los autores afirmaron que su enfoque es importante porque permitiría que la investigación de la conectividad para ser más funcionalmente específico y permitir inferencias que la actividad en una semilla distal podría modular actividad resultante de una demanda de la tarea. En 2012, McLaren y sus colegas ha añadido a este marco original y se describen un enfoque gPPI en que todas las fases de la tarea y sus interacciones están incluidos en un solo modelo3. Este enfoque conduce a resultados que son más sensibles y específicas para la fase de la tarea y la interacción investigada. Es este enfoque actualizado gPPI que empleamos en el presente estudio (ver paso 6.2.2 en Protocolo). El enfoque de gPPI ahora ha sido citado en más de 200 estudios. Para mayor claridad, en lo sucesivo utilizamos ‘Ppp’ para describir las características comunes de la versión estándar y generalizada. ‘gPPI’ se utilizará para discutir avances específicos relacionados con el marco más reciente.

El objetivo general de un análisis PPI es entender cómo las demandas de una tarea cognitiva influyen o modulan la conectividad funcional de una región de semilla. Un análisis de PPP requiere una hipótesis a priori fuerte. Actividad en la región de semilla debe modulada por la tarea en orden para el enfoque PPI trabajar con eficacia4. Por ejemplo, en el presente estudio, basamos nuestra selección de semilla en la fuerte evidencia que la actividad hipocampal es modulado por las demandas cognitivas de una tarea de memoria. Utilizando el PPI, se pueden identificar regiones significativamente más o menos funcionalmente conectados el hipocampo durante las fases de la tarea específica. En definitiva, le pedimos a la pregunta, “en qué regiones es actividad más correlacionada con la semilla durante el contexto A con respecto a la línea de base?” También podemos preguntarle lo contrario de la lógica (como es importante entender la diferencia): “en qué regiones es actividad menos correlacionado con la semilla en contexto A con respecto a la línea de base?” Al interpretar las diferencias de grupo en efectos PPI, es importante examinar los datos y si cambio positivo o negativo en la conectividad funcional, o ambos, está conduciendo a las diferencias de grupo.

El enfoque de la PPI se ha utilizado para el estudio de centros de control de tarea dinámica en controles sanos, como modulación de la conectividad funcional se relaciona con rendimiento cognitivo en la enfermedad de Alzheimer (AD), inteligencia en los individuos con autismo, conectividad de red motor en individuos con enfermedad de Parkinson, cara de procesamiento en los individuos con trastorno dismórfico corporal, anorexia, regulación de la emoción, memoria y muchas otras preguntas específicas relacionadas con la conectividad5,6,7 ,8,9,10,11. En el presente estudio, se comparan cambios en la conectividad funcional de subregiones del hipocampo durante la codificación de la memoria y la recuperación entre un grupo de individuos con mayor riesgo genético para el anuncio a un grupo sin el factor de riesgo12. A continuación describe el protocolo que, aplicando el enfoque gPPI, nos permiten comprobar si la tarea produce cambios en la conectividad funcional se diferencian en asociación con la presencia de APOEε4, un factor de riesgo genético para la EA.

Protocol

el presente estudio fue realizado en cumplimiento de los protocolos de la Junta de revisión institucional (IRB) de UCLA y aprobado por el Comité de protección de sujetos humanos de UCLA. Todos los participantes dieron consentimiento informado para inscribirse en este estudio. 1. participante selección aprobación IRB obtener para realizar el estudio. Pantalla individuos de 55 y más viejo para el deterioro cognitivo mediante una batería neuropsicológica estandarizad…

Representative Results

Con dos fases diferentes tarea activa (codificación y recuperación) y semilla de dos regiones (hipocampo anterior y posterior) hay cuatro condiciones para reportar resultados para cada grupo. Los mapas de activación dentro del grupo de tarea (no se muestra aquí, véase Harrison et al., 201612) demuestran que el lóbulo occipital, la corteza auditiva, grandes regiones del lóbulo parietal, áreas del lenguaje frontal, circunvolución temporal superior y…

Discussion

Los primeros estudios de fMRI basado en tareas fueron diseñados para descubrir relaciones estadísticas entre procesos cognitivos específicos o demandas y cambios en la negrita de la señal en relación con una medición de línea de base. Este enfoque tradicional es útil para la identificación de regiones específicas del cerebro donde la actividad es modulada por una tarea experimental. En contraste, un análisis PPI se refiere principalmente a la modulación de la conectividad funcional o sincronía de la activida…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabajo fue financiado por el Instituto Nacional de envejecimiento (número de licencia R01AG013308 a SYB, F31AG047041 a TMH). Los autores utilizaron computacional y servicios de almacenamiento asociado con el clúster compartido de Hoffman2 previstas por UCLA Instituto grupo tecnología Digital Research y de la educación.

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
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. , (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, 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 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).

Tags

Alzheimer’s DiseaseFunctional ConnectivityHippocampusMemoryCognitive NeuroscienceGenetic RiskFMRIWords-associative Memory TaskPreprocessingGeneral Linear ModelFEATMotion CorrectionSpatial SmoothingTask Timing
check_url/kr/55394?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
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).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image