Analyse d’Interaction psychophysiologique généralisée (PPI) de mémoire qui connectivité chez les personnes à risque génétique pour la maladie d’Alzheimer
Summary
Cet article décrit comment implémenter une analyse de l’interaction psychophysiologique pour révéler des changements de tâche dépendante de la connectivité fonctionnelle entre une région de semences sélectionnées et les voxels dans d’autres régions du cerveau. Analyse de l’interaction psychophysiologique est une méthode populaire pour étudier les effets de tâche sur la connectivité de cerveau, distincte des effets d’activation univariée traditionnel.
Abstract
Neuro-imagerie, imagerie de résonance magnétique fonctionnelle (IRMf) mesure le signal (BOLD) dépendant de sang-oxygénation-niveau dans le cerveau. Le degré de corrélation entre le “BOLD” signal spatialement en régions indépendantes du cerveau définit la connectivité fonctionnelle de ces régions. Au cours d’une tâche cognitive IRMf, une analyse de l’interaction psychophysiologique (PPI) permet d’analyser les changements dans la connectivité fonctionnelle au cours de contextes spécifiques définis par la tâche cognitive. Un exemple d’une telle mission est celui qui engage le système de mémoire, demandant aux participants d’apprendre des paires de mots indépendants (codage) et rappeler le deuxième mot dans une paire quand présenté avec le premier mot (récupération). Dans la présente étude, nous avons utilisé ce type de tâche de mémoire associative et une analyse généralisée de PPI (gPPI) pour comparer les changements en matière de connectivité hippocampe chez les adultes âgés qui sont porteurs de la maladie d’Alzheimer (ma) facteur de risque génétique apolipoprotéine-E epsilon-4 ( APOEΕ4). Plus précisément, nous montrons que la connectivité fonctionnelle des sous-régions des changements hippocampe pendant l’encodage et de récupération, les deux phases actives de la tâche de mémoire associative. Dépendant du contexte variations connectivité fonctionnelle de l’hippocampe ont été significativement différentes chez les porteurs de APOEε4 par rapport aux non-porteurs. Analyses PPI permettent d’analyser les changements dans la connectivité fonctionnelle, distincte d’univariée effets principaux et de comparer ces changements entre groupes. Ainsi, une analyse PPI peut révéler des effets de tâche complexe en cohortes spécifiques que les méthodes traditionnelles univariée ne tiennent pas comprennent. Analyses PPI ne peut pas, cependant, déterminer directionnalité ou causalité entre régions fonctionnellement reliées. Néanmoins, analyses PPI fournissent des moyens puissants pour générer des hypothèses spécifiques au sujet des relations fonctionnelles, qui peuvent être testées à l’aide de modèles de causalité. Comme de plus en plus, le cerveau est décrite en termes de connectivité et réseaux, PPI est une importante méthode d’analyse des données de tâche IRMf qui s’inscrit dans la conception actuelle du cerveau humain.
Introduction
Le terme « connectome » a été inventé en 2005, marquant un changement de paradigme en neurosciences qui continue à ce jour1. Le cerveau est de plus en plus décrit en termes de réseaux fonctionnels, la connectivité et les interactions entre régions et entre elles sur une grande échelle. Néanmoins, la délimitation de la spécialisation fonctionnelle régionale et les associations entre l’activité mesurée de l’IRMf et les demandes de tâche sont des approches restent valables et utiles. Compte tenu de l’intérêt croissant pour les connectomics, connectivité fonctionnelle des approches d’analyse des tâches IRMf gagnent en popularité. Une approche pour mesurer les variations de la connectivité fonctionnelle dépendantes de la tâche exige fait usage du concept de PPI. Un IPP est l’interaction entre une tâche active phase ou de la demande de tâche particulière (« psycho ») et la connectivité fonctionnelle (« physio ») d’une région d’intérêt ou de la « graine » dans le cerveau. PPI diffère de l’analyse bivariée, axée sur la corrélation de la connectivité fonctionnelle, qui mesure généralement le degré de corrélation entre l’activité dans deux régions sans toutes les contraintes liées aux exigences de la tâche.
Le concept et le cadre d’une analyse PPI a été initialement décrite par Friston et ses collègues en 19972. Les auteurs ont affirmé que leur approche était importante, car elle permettrait à l’enquête de la connectivité d’être plus fonctionnelle spécifique et permettre des inférences qu’activité dans une graine distale pourrait être modulant l’activité résultant d’une demande de tâche. En 2012, McLaren et ses collaborateurs a ajouté à ce cadre original et décrit une approche gPPI dans lequel toutes les phases de travail et leurs interactions sont incluses dans un seul modèle3. Cette approche conduit à des résultats qui sont plus sensibles et plus spécifiques à la phase opérationnelle et l’interaction étudiée. C’est cette approche gPPI actualisé que nous employons dans la présente étude (Voir l’étape 6.2.2 de protocole). L’approche gPPI a maintenant été citée dans plus de 200 études. Pour plus de clarté, ci-après, nous utilisons « PPI » pour décrire les caractéristiques communes de la version standard et généralisée. « gPPI » serviront pour discuter des progrès spécifiques associés au cadre plus récent.
L’objectif global d’une analyse PPI est de comprendre comment les exigences d’une tâche cognitive influencent ou modulent la connectivité fonctionnelle d’une région de semences. Une analyse PPI nécessite une hypothèse fort a priori . Activité dans la région de semences doit être modulée par la tâche afin que l’approche PPI à travailler efficacement4. Par exemple, dans la présente étude, nous avons fondé notre sélection de semences sur les éléments de preuve solide que hippocampe activité est modulée par les exigences cognitives d’une tâche de mémoire. À l’aide de PPI, régions qui sont significativement plus ou moins fonctionnellement reliées à l’hippocampe au cours des phases de tâche spécifique peuvent être identifiées. En bref, nous posons la question, « dans quelles régions est l’activité plus corrélé avec la semence pendant contexte un par rapport à la base ? » Nous pouvons également demander le contraire logique (tel qu’il est important de comprendre la différence) : « dans quelles régions est activité moins corrélées avec la semence pendant contexte un par rapport à la base ? » Lors de l’interprétation des différences de groupe des effets de PPI, il est important d’examiner les données et savoir si un changement positif ou négatif dans la connectivité fonctionnelle, ou les deux, est le moteur de différences entre les groupes.
L’approche PPI a été utilisée pour étudier les centres de contrôle de tâche dynamique à témoins sains, comment la modulation de la connectivité fonctionnelle est liée à des performances cognitives dans la maladie d’Alzheimer (ma), intelligence chez les individus atteints d’autisme, connectivité réseau moteur chez les personnes atteintes de la maladie de Parkinson, visage de traitement chez les personnes souffrant de dysmorphophobie et anorexie, règlement de l’émotion, la mémoire et bien d’autres questions spécifiques liées à la connectivité5,6,7 ,8,9,10,11. Dans la présente étude, nous comparer les changements dans la connectivité fonctionnelle des sous-régions de l’hippocampe au cours de la mémoire d’encodage et de récupération entre un groupe de personnes à risque génétique pour annonce un groupe sans le facteur de risque12. Ce qui suit décrit le protocole que nous avons utilisé, conformément à la méthode gPPI, pour nous permettre de vérifier si les variations induites à la tâche connectivité fonctionnelle diffèrent en liaison avec la présence de APOEε4, un facteur de risque génétique pour AD.
Protocol
Representative Results
Discussion
Les premières études d’IRMf basée sur les tâches ont été conçus afin de découvrir les relations statistiques entre les processus cognitifs particulières ou exigences et les changements dans le “BOLD” du signal par rapport à une mesure de base. Cette approche traditionnelle est utile pour identifier des régions spécifiques du cerveau dont l’activité est modulée par une tâche expérimentale. En revanche, une analyse PPI est principalement préoccupée avec la modulation de la connectivité fonctionnelle,…
Declarações
The authors have nothing to disclose.
Acknowledgements
Ce travail a été soutenu par le National Institute of Aging (numéro de licence R01AG013308 à SYB, F31AG047041 à TMH). Les auteurs ont utilisé computationnelle et services de stockage associé de Cluster partagé Hoffman2 prévues par UCLA Institute Research Technology Group Digital Research et de l’éducation.
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 |
Referências
- 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).
