Summary

Generaliserad vilken psykofysiologisk interaktion (PPI) analys av minne med anslutning i individer på genetiska risken för Alzheimers sjukdom

Published: November 14, 2017
doi:

Summary

Detta manuskript beskriver hur du implementerar en vilken psykofysiologisk interaktion analys för att avslöja uppgift beroende av förändringar i funktionella anslutningen mellan en vald utsäde region och voxlar i andra regioner i hjärnan. Vilken psykofysiologisk interaktion analys är en populär metod att undersöka uppgift effekter på hjärnan-anslutning, skiljer sig från traditionella univariat aktiveringen effekter.

Abstract

I neuroimaging mäter funktionell magnetresonanstomografi (fMRI) blod-syresättning-nivå beroende (fet) signalen i hjärnan. Graden av korrelation av fet signal i rumsligt oberoende regioner av hjärnan definierar funktionell anslutning av dessa regioner. Under en kognitiv fMRI uppgift, kan en vilken psykofysiologisk interaktion (PPI) analys användas för att undersöka förändringar i den funktionella connectivity under specifika sammanhang definieras av kognitiva uppgiften. Ett exempel på sådan uppgift är något som engagerar minnessystemet, be deltagarna att lära parar av orelaterade ord (kodning) och minns det andra ordet i ett par när du presenteras med det första ordet (retrieval). I den aktuella studien använde vi denna typ av associativa minne uppgift och en generaliserad PPI (gPPI)-analys för att jämföra ändringar i hippocampus anslutning hos äldre vuxna som är bärare av Alzheimers sjukdom (AD) genetiska riskfaktorn apolipoprotein-E epsilon-4 ( APOEΕ4). Specifikt, visar vi att funktionella anslutning av underregioner hippocampus ändringar under kodning och hämtning, de två aktiva faserna av associativa minne uppgiften. Innehållsberoende förändringarna funktionella anslutning av hippocampus var signifikant annorlunda hos bärare av APOEε4 jämfört med icke-bärare. PPI analyser gör det möjligt att undersöka förändringar i funktionella anslutningsmöjligheter, skild från univariat huvudsakliga effekter, och att jämföra dessa förändringar i grupper. Således kan en PPI analys avslöja komplex uppgift effekter i specifika kohorter som traditionella univariat metoder inte fångar. PPI analyser kan dock bestämma riktningen eller kausalitet mellan funktionellt anslutna regioner. PPI analyser ger dock kraftfullt medel för att skapa specifika hypoteser angående funktionella relationer, som kan testas med hjälp av kausala modeller. Som hjärnan är alltmer beskrivs när det gäller anslutningsmöjligheter och nätverk, är PPI en viktig metod för att analysera fMRI aktivitetsdata i linje med nuvarande befruktningen av den mänskliga hjärnan.

Introduction

Termen ”connectome” myntades 2005 märkning ett paradigmskifte i neurovetenskap som fortsätter än i dag1. Hjärnan är alltmer beskrivs vad gäller funktionella nätverk, anslutningar och interaktioner mellan och bland regionerna i stor skala. Avgränsningen av regionala funktionell specialisering och sammanslutningar mellan fMRI-mätt aktiviteten och aktiviteten krav finns dock fortfarande giltigt och användbart tillvägagångssätt. Mot bakgrund av det ökande intresset connectomics växer funktionella anslutningsmöjligheter förhållningssätt till uppgift fMRI analys i popularitet. Ett sätt att mäta funktionella anslutningsmöjligheter förändringar beroende på uppgift kräver använder sig av begreppet PPI. En PPI är samspelet mellan en aktiv arbetsuppgift fas eller viss aktivitet efterfrågan (”psycho”) med den funktionella connectivity (”physio”) i en region av intresse eller ”frö” i hjärnan. PPI skiljer sig från bivariate, korrelation-baserad analys av funktionella anslutningsmöjligheter, vilket generellt mäter graden av korrelation mellan aktiviteten i två regioner utan begränsningar relaterade till uppgift krav.

Begreppet och ramen för en PPI analys beskrevs ursprungligen av Friston och kollegor i 19972. Författarna menade att deras inställning var viktigt eftersom det skulle tillåta utredning av anslutning till vara mer funktionellt specifika och möjliggör slutsatser att aktiviteten i en distala utsäde kunde modulerande aktivitet som följd av en uppgift efterfrågan. I 2012, McLaren och kollegor läggs till denna ursprungliga ram och beskrev en gPPI metod där alla uppgift faser och deras interaktioner ingår i en enda modell3. Detta synsätt leder till resultat som är mer känsliga och specifika uppgift fas och interaktion som utreds. Det är denna uppdaterade gPPI strategi som vi använder i förevarande studie (se steg 6.2.2 i protokollet). Metoden gPPI har nu blivit citerad i över 200 studier. För tydlighetens skull nedan använder vi ‘PPI’ att beskriva gemensamma funktioner för både standard- och generaliserad version. ‘gPPI’ kommer att användas för att diskutera särskilda förskott associerade med nyare ramen.

Det övergripande målet för en PPI analys är att förstå hur kraven på en kognitiv aktivitet påverka eller modulerar en frö-region funktionella anslutningsmöjligheter. En PPI analys kräver en stark förhand hypotes. Aktivitet i regionen utsäde måste anpassas för uppgiften för metoden PPI ska fungera effektivt4. Till exempel i den aktuella studien baserat vi vårt utsäde urval på starka bevis att Hippocampus aktivitet moduleras av en minne uppgift kognitiva krav. Använda PPI, kan regioner som är betydligt mer eller mindre funktionellt anslutna till hippocampus under viss aktivitet faser identifieras. Kort sagt, ställer vi frågan, ”i vilka regioner är aktivitet mer korrelerade med utsäde under ramen A jämfört med baslinjen”? Vi kan också be logiska motsatsen (eftersom det är viktigt att förstå skillnaden): ”i vilka regioner är aktivitet mindre korrelerade med utsäde under ramen A jämfört med baseline”? När tolkning gruppen skillnader i PPI effekter, är det viktigt att granska uppgifterna och om positiva eller negativa förändringar i funktionella anslutningsmöjligheter, eller båda, Driver gruppen skillnader.

Metoden med PPI har använts för att studera dynamiska uppgift kontroll hubbar i friska kontroller, hur modulering av funktionella anslutningsmöjligheter är relaterad till kognitiva prestanda i Alzheimers sjukdom (AD), intelligens hos individer med autism, motor nätverksanslutning hos personer med Parkinsons sjukdom, ansikte bearbetning hos individer med kropp dysmorphic sjukdom och anorexi, känslor förordning, minne och många andra specifika frågor angående anslutning5,6,7 ,8,9,10,11. I den aktuella studien jämför vi ändringar i funktionella anslutning av underregioner av hippocampus under minne kodning och hämtning mellan en grupp individer med ökad genetisk risk för annons till en grupp utan riskfaktor12. Följande beskriver de protokoll som vi använde, tillämpa det gPPI synsättet, för att tillåta oss att testa om uppgift-framkallade förändringar i funktionella anslutningar skiljer sig åt i samband med förekomsten av APOEε4, en genetisk riskfaktor för AD.

Protocol

den aktuella studien utfördes i enlighet med protokollen UCLA institutionella granskning Board (IRB) och godkänts av den UCLA-kommittén för skydd av mänskliga försökspersoner. Alla deltagare gav skriftligt informerat samtycke för att registrera i denna studie. 1. deltagaren val få IRB godkännande att utföra studien. Skärmen individer i åldern 55 och äldre för kognitiv försämring med hjälp av ett standardiserat neuropsykologiska batteri. Inkludera tester …

Representative Results

Med två olika aktiva uppgift faser (kodning och hämtning) och två utsäde regioner (främre och bakre hippocampus) finns det fyra villkor att rapportera resultat för varje grupp. Inom grupperna uppgift aktivering kartor (visas inte här, se Harrison et al., 201612) visar att nackloben, auditiva cortex, stora regioner i tinningloben, frontal språkområden, superior temporal gyrus, och caudatus (mer uttalad under hämtning) har betydande fet signal öka…

Discussion

Tidiga uppgiftsbaserade fMRI studier utformades för att avslöja statistiska relationer mellan särskilt kognitiva processer eller krav och förändringar i fet signal i förhållande till en baslinjemätning. Detta traditionella tillvägagångssätt är användbart för att identifiera specifika regioner i hjärnan där aktivitet moduleras av en experimentell uppgift. Däremot angå en PPI analys främst med moduleringen av funktionella anslutningsmöjligheter eller synchrony verksamhet, som resulterar från en uppgift…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Detta arbete stöds av det nationella institutet för åldrande (licensnummer R01AG013308 till SYB, F31AG047041 till TMH). Författarna använde computational och lagringstjänster associeras med Hoffman2 delade klustret från UCLA Institute for Digital forskning och utbildnings forskning Technology Group.

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

  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).
check_url/kr/55394?article_type=t

Play Video

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).

View Video