Un método fMRI de respiración libre para estudiar la función olfativa humana

Se entiende que el sistema olfativo humano es mucho más que un sistema sensorial porque el olfato también juega un papel importante en la regulación y las emociones homeostáticas. Clínicamente, se sabe que el sistema olfativo humano es vulnerable a los ataques de muchas enfermedades neurológicas prevalentes y trastornos psiquiátricos, como la enfermedad de Alzheimer, la enfermedad de Parkinson, el trastorno de estrés postraumático y la depresión ^{1 , 2 , 3 , 4 , 5} . En la actualidad, la resonancia magnética funcional (IRMf) con contraste de nivel de sangre-oxígeno (BOLD) es la técnica más valiosa para cartografiar las funciones del cerebro humano. Se ha adquirido una cantidad significativa de conocimiento sobre las funciones específicas de las estructuras olfativas centrales ( por ejemplo , la corteza piriforme, la corteza orbitofrontal, la amígdala y la corteza insular) con este tecIque ^{6 , 7 , 8 , 9 , 10} .

Sin embargo, la aplicación de la fMRI a estudios del sistema olfatorio central humano y enfermedades asociadas se ha visto obstaculizada por dos obstáculos importantes: la rápida habituación de la señal BOLD y la modulación variable por la respiración. En la vida cotidiana, cuando se expone a un olor por un período de tiempo, rápidamente nos habituamos al olor. De hecho, cuando se estudia usando fMRI olfativa, la señal fMRI inducida por el olor se atenúa rápidamente por la habituación, lo que plantea un reto en los diseños de paradigma de estimulación ^{8 , 10 , 11 , 12 , 13 , 14} . La señal significativa BOLD inicial en la corteza olfatoria primaria sólo persisteS durante varios segundos después del inicio del olor. Por lo tanto, los paradigmas olfatorios de fMRI deben evitar estímulos de olor prolongados o frecuentes en un corto período de tiempo. Para reducir el efecto de la habituación, algunos estudios han intentado presentar olores alternantes en un paradigma fMRI. Sin embargo, este enfoque puede complicar el análisis de los datos ya que cada odorante puede ser tratado como un evento de estimulación independiente.

Otra cuestión técnica surge con la variabilidad en los patrones de respiración de los sujetos; La inhalación no siempre se sincroniza con la administración de olor durante un paradigma de tiempo fijo. El inicio y la duración de la estimulación olfativa son modulados por la respiración de cada individuo, lo que confunde la calidad de los datos de la fMRI y su análisis. Algunos estudios han intentado mitigar este problema con señales visuales o auditivas para sincronizar la respiración y el inicio del olor, pero el cumplimiento de los sujetos es variable, especialmente en la población clínica. Las activaciones cerebrales asociadas wiEstas señales también podrían complicar el análisis de datos en ciertas aplicaciones. Por lo tanto, la sincronización de la inhalación con odorante entrega puede ser crucial para olfactory fMRI estudios [ ^15] .

Una consideración adicional vital para la fMRI olfativa, especialmente en el proceso de análisis de datos, es la selección de odorantes. Encontrar una concentración apropiada de odorante con respecto a la intensidad percibida es importante para la cuantificación y la comparación de los niveles de activación en el cerebro bajo diversas condiciones o enfermedades experimentales. La selección del olor debe tomar también en consideración la valencia del olor, o el agrado. Se sabe que esto causa perfiles temporales divergentes en el aprendizaje olfatorio ^{16 , 17} . El olor de lavanda fue elegido para esta demostración parcialmente por esta razón. Dependiendo del propósito de un estudio específico, los diferentes olores pueden ser mejores opciones. Además, la estimulación del trigémino debe reducirse al mínimo paraE la activación no está directamente relacionada con el olfato ¹⁸ .

En este informe, se demuestra una técnica fMRI para configurar y ejecutar un paradigma de respiración-desencadenado utilizando un olfatómetro en el entorno de resonancia magnética. También presentamos una herramienta de post-procesamiento que puede disminuir algunos errores de tiempo que pueden haber ocurrido durante la adquisición de datos en un intento de mejorar aún más el análisis de datos.