Summary

Обобщенные психофизиологического взаимодействия (PPI) анализ памяти связанных подключения в отдельных лиц на генетического риска для болезни Альцгеймера

Published: November 14, 2017
doi:

Summary

Эта рукопись описывает способы реализации психофизиологического взаимодействия анализ, чтобы выявить задачи зависимые изменения в функциональной связи между выбранным семян региона и вокселей в других регионах мозга. Анализ психофизиологического взаимодействия является популярным методом для изучения задач воздействие на мозг подключения, отличается от традиционных одномерных активации эффектов.

Abstract

В нейровизуализации функциональная магнитно-резонансная томография (МРТ) измеряет уровень оксигенации крови зависимых (BOLD) сигнал в мозг. Степень корреляции смелый сигнал в пространственно независимых регионов мозга определяет функциональную связь этих регионов. Во время задачи когнитивной МР-томографию психофизиологического взаимодействия (PPI) анализ может использоваться для изучения изменений в функциональные связи в конкретных контекстах, определяется познавательных задач. Примером такой задачи является одной, которая занимается памяти системы, попросив участников узнать пар несвязанных слов (кодирование) и вспомнить второе слово в паре, когда представлены с первого слова (извлечения). В настоящем исследовании мы использовали этот тип ассоциативная память задачи и обобщенный анализ PPI (gPPI) для сравнения изменений в гиппокампе подключения в более старых взрослых, которые являются носителями (Эпсилон-4 аполипопротеин E генетический фактор риска болезни Альцгеймера (AD) APOEΕ4). В частности мы показывают, что функциональные связи субрегионов гиппокампа изменений во время кодирования и извлечения, два активных фаз ассоциативной памяти задачи. Контекстно зависимые изменения в функциональную связь гиппокампа существенно отличались в перевозчиков APOEε4, по сравнению с не носителями. PPI анализы позволяют изучить изменения в функциональной подключения, отличные от одномерных основные эффекты и сравнить эти изменения в группах. Таким образом PPI анализ может выявить сложные задачи эффекты в конкретных когорты, которые традиционные одномерные методы не учитывают. PPI анализы не может однако, определить направленность или Причинность между функционально связанных областей. Тем не менее анализ PPI предоставляют мощные средства для создания конкретных гипотез относительно функциональные отношения, которые могут быть проверены с помощью причинно-следственной модели. Как мозг все описано с точки зрения подключения и сети, PPI является важным методом для анализа данных задачи МР-томографию, что соответствует нынешней концепции человеческого мозга.

Introduction

Термин «коннектом» был придуман в 2005 году маркировки парадигмы в неврологии, которая продолжается по сей день1. Мозг все более описана с точки зрения функциональных сетей, связи и взаимодействия между регионами в крупных масштабах. Тем не менее разграничения региональных функциональной специализации и ассоциации между МР-томографию измеряется активность и требования задачи являются все еще действительны и полезных подходов. В свете растущего интереса к connectomics функциональные связи подходы к анализу задач МР-томографию растут в популярности. Один из подходов к измерению изменения функциональных подключения зависит от задачи требует делает использование концепции PPI. PPI является взаимодействие активной задачи этапа или конкретной задачи спроса («психо») с функциональной связности («врач») региона интерес или «семян» в головном мозге. PPI отличается от двумерных, корреляции на основе анализа функциональных связей, который как правило измеряет степень корреляции между деятельностью в двух регионах без каких-либо ограничений, связанных с задачей требования.

Концепции и рамок анализа PPI первоначально был описан Friston и коллеги в 1997 году2. Авторы утверждали, что их подход имеет важное значение, поскольку это позволило бы расследование подключения чтобы быть функционально более конкретными и выводы, что активность в дистальной семян может модулирует вытекающими из задач спроса. В 2012 году McLaren и коллеги добавил к этой оригинальной рамки и описал gPPI подход, при котором все этапы задачи и их взаимодействия, включены в одной модели3. Этот подход приводит к результатам, которые являются более чувствительными и конкретных задач этапа и взаимодействие ведется расследование. Именно этот обновленный gPPI подход, который мы используем в настоящее время исследования (см. шаг 6.2.2 в протоколе). GPPI подход теперь был процитирован в более чем 200 исследований. Для ясности, далее мы используем «PPI» для описания общих характеристик стандартных и обобщенной версии. «gPPI» будет использоваться для обсуждения конкретных достижений, связанных с новыми рамками.

Общая цель PPI анализа заключается в том, чтобы понять как требования когнитивных задач влияют или модулировать функциональной связности семян региона. PPI анализ требует сильного априори гипотезы. Деятельность в регионе семян необходимо модулированные задачей для PPI подход к эффективной работы4. Например в настоящем исследовании, мы базировали наш выбор семян на убедительные доказательства, что гиппокампа действие модулируется когнитивных требований памяти задачи. С помощью PPI, могут быть определены регионы, которые значительно более или менее функционально связаны с гиппокампе этапах конкретных задач. Короче говоря мы задаем вопрос, «в каких регионах деятельности более коррелированных с семенами в контексте A по сравнению с базовой?» Мы также можем спросить логическую противоположность (как это важно понять разницу): «в каких регионах деятельности менее связанный с семенами в контексте A по сравнению с базовой?» При интерпретации групповых различий в ИЦП эффекты, важно для изучения данных и ли положительные или отрицательные изменения в функциональную связь, или оба, является движущей групповых различий.

PPI подход был использован для изучения динамических задач управления концентраторы в здоровых элементов управления, как модуляция функционального взаимодействия связано с когнитивных функций при болезни Альцгеймера (AD), разведки в лица с аутизмом, мотор сетевое подключение у людей с болезнью Паркинсона, лицо, обработка лица с Дисморфофобия и анорексия, регулирование эмоций, памяти и многие другие конкретные вопросы, связанные с подключением5,6,7 ,8,9,10,11. В настоящем исследовании мы сравнить изменения в функциональной связности субрегионов гиппокампа во время кодирования памяти и поиска между группой лиц на увеличение генетического риска для объявлений в группу без фактором риска12. Ниже описывается протокол, который мы использовали, применяя подход, gPPI, чтобы позволить нам для проверки, если задача вызвало изменения в функциональной связи отличаются в связи с присутствием APOEε4, генетический фактор риска для объявления.

Protocol

настоящее исследование было соответствии с UCLA институционального обзора (КИБ) протоколы и утвержденных Комитетом защиты человека предметов UCLA. Все участники дали письменного информированного согласия для того, чтобы записаться в этом исследовании,. 1. участник выбор <…

Representative Results

С две фазы различных активных задач (кодирование и поиска) и два семени регионов (передняя и задняя гиппокампа) существует четыре условия результаты отчета для каждой группы. В рамках группы задач активации карты (не показано здесь, увидеть Харрисон et al., 2016<sup class="xre…

Discussion

Ранние исследования на основе задач МР-томографию были призваны раскрыть статистические взаимосвязи между конкретной когнитивных процессов или требования и изменения в смелый сигнал относительно базового измерения. Этот традиционный подход полезен для выявления конкретных областе…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Эта работа была поддержана национального института по проблемам старения (Грант номер R01AG013308 НСБ, F31AG047041 до «Трансмашхолдинга»). Авторы использовали вычислительной и услуги хранения, связанные с совместно кластера Hoffman2, предоставляемые UCLA института для цифровых исследований и образования исследования технологий группы.

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).

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