Een methode voor het onderzoeken van leeftijdsgebonden veranderingen in de functionele connectiviteit van cognitieve controle Networks Associated met Dimensional Change Card Sort Prestatie

De mogelijkheid om gedrag te reguleren ontwikkelt zich geleidelijk in de kindertijd en adolescentie (voor een overzicht, zie Diamond ^1). In de Dimensional Card Change Sorteren taak, bijvoorbeeld deelnemers schakelen van het sorteren kaarten op een manier, zoals vorm, om ze te sorteren op een andere manier, zoals kleur ² (zie figuur 2). Schakelen eist een kleine voorstelling kosten, of switch kosten, zoals dat de reacties zijn meestal trager en foutgevoelige op switch trials waarin de sortering regels te veranderen ten opzichte van studies waarin de sortering regel blijft hetzelfde ³ herhalen. De omvang van deze kosten meestal kleiner als kinderen ouder worden ⁴ illustreert het feit dat de capaciteit voor gedragregulatie jonge leeftijd ondergaat verdere ontwikkeling.

Omdat complexe mentale operaties, zoals schakelen, betrekken snelle interacties tussen verschillende hersengebieden ^5, is er groeiende belangstelling voor relating ontwikkeling van hogere orde cognitieve veranderingen in de functionele organisatie van massale corticale netwerken ^6.

Een benadering voor het onderzoeken ontwikkelingsverandering in massale netwerken door het gebruik van zaad gebaseerde functionele analyses van ^6,7. De eerste stap in deze techniek is om te overleggen met de beschikbare onderzoeksliteratuur en definieer a priori regio's van belang, of ROI, die lijken op het gedrag in kwestie relevant zijn. Deze ROI of knooppunten, bepalen de basisskelet van het netwerk. Vervolgens laagfrequente fluctuaties in de activiteit (of T2 *-gewogen signaal intensiteit) in deze ROI's worden gemeten gedurende 5 tot 10 minuten, terwijl deelnemers zijn in rust in een MRI-scanner. Functionele connectiviteit tussen twee knooppunten van het netwerk wordt vervolgens gekwantificeerd als de correlatie van hun respectieve tijdsverloop. Knooppunten die sterk functioneel zijn aangesloten moeten vergelijkbaar zijn, en dus sterk gecorreleerd, signaaltijdsverloop. Aan de andere kant moet knooppunten die zwak functioneel verbonden zijn verschillend en dus zwak gecorreleerd zijn, signaleren tijd cursussen. Om een ​​model van het netwerk te voltooien, worden randen (of koppelingen) gemaakt tussen knooppunten waarvan de tijd cursussen correleren boven een gekozen drempel. Tests voor leeftijdsgebonden verschillen in functionele connectiviteit binnen een netwerk kan worden uitgevoerd op een enkel knooppunt naar knooppunt aansluiting, of op de topologie van de gehele set van knopen en randen. Deze verschillen in functionele connectiviteit kan dan worden gerelateerd aan maatregelen van cognitieve prestaties offline verzameld.

In dit artikel wordt een andere aanpak beschreven die gebaseerd is op groep onafhankelijke component analyse van taakgericht fMRI data ^8. Onafhankelijke componenten analyse (of ICA) is een statistische procedure voor het blindelings die verborgen bronnen grondslag liggen aan een reeks van waarnemingen, zodanig dat de geopenbaarde bronnen zijn maximaal onafhankelijk. Toegepast op de analyse van fMRI data, de pROCEDURE neemt aan dat elk deel is een mengsel van een eindig aantal ruimtelijk-onafhankelijke bronnen. Door een van een verscheidenheid van verschillende algoritmen, zoals Infomax algoritme ICA schat dan een ontmenging matrix, dat bij aanbrenging op de oorspronkelijke gegevens levert een reeks van maximaal onafhankelijke bronnen of onderdelen. Elke component kan worden beschouwd als een netwerk, voor zover het bestaat uit een verzameling voxels die een gemeenschappelijke tijdsverloop delen. Groep ICA is een bepaald type van ICA, waarbij een gemeenschappelijke set van groep componenten wordt eerst geschat op basis van een hele reeks gegevens, en vervolgens deelnemer specifieke sets van de groep componenten worden berekend in een back-reconstructie stap. Zodra een gehele dataset wordt ontleed in een set van componenten, de volgende stap is om artefactuele componenten die geluidsbronnen vertegenwoordigen weggooien, en identificeren theoretisch zinvolle onderdelen die overeenkomen met de netwerken van belang. Dit kan worden bereikt door het modelleren component time opleidingen in het kader van een GLM naar IDEntify netwerken activeren een voorspelde wijze ruimtelijk correleren componenten met een sjabloon van een netwerk van belang, of beide. De resulterende set van componenten kan vervolgens aan een groep vergelijking worden voorgelegd om te testen op mogelijke leeftijdsgebonden verschillen in functionele connectiviteit binnen theoretisch interessante netwerken ^7,9,10.

Studeren leeftijd-gerelateerde veranderingen in functionele connectiviteit door de toepassing van groep ICA aan taak-gebaseerde fMRI data heeft een aantal voordelen boven de toepassing van-zaad gebaseerde technieken om rust-state fMRI data. Eerste, in tegenstelling tot-zaad gebaseerde technieken die zich richten op een kleine set van a priori gedefinieerde ROI, de huidige groep ICA aanpak maakt gebruik van alle voxels die een volumetrische tijdreeks. Dit vermindert de mogelijkheden voor vertekening die noodzakelijkerwijs ontstaan ​​wanneer een kleine groep van zaden worden geselecteerd a priori als regio's van belang. Ten tweede, het toepassen van functionele connectiviteit analyse (ICA-gebaseerde of anderszins) aan taak-plaats resting state fMRI data heeft het voordeel dat netwerkorganisatie en netwerkfunctie meer rechtstreeks worden verbonden. Indien bijvoorbeeld het onderzoeken van de cognitieve of gedragsmatige gevolgen functionele connectiviteit (bijvoorbeeld variatie in DCCS prestaties) is een prioriteit, is het belangrijk aan te tonen dat het netwerk van belang wordt geassocieerd met taken. Met rust-state protocollen, dit is erg moeilijk, omdat de onderzoeker geen verslag van een cognitieve, gedragsmatige of affectieve toestanden ervaren door de deelnemer tijdens data-acquisitie. Het is daarom onmogelijk om directe bewijs dat een netwerk van belang die relevant zijn voor de taakuitvoering is voorzien. Wanneer daarentegen functionele analyses van, zoals ICA, wordt toegepast op taak-data, is het mogelijk te bevestigen dat het netwerk plaats minimaal is aan de uitvoering van een taak. Tenslotte ICA is minder onderhevig aan de negatieve invloed van ruis. Geluidsbronnen, zoals die geassocieerd with beweging van het onderwerp en het hartritme, hebben unieke tijdruimtelijke profielen. Daarom is in de context van een groep ICA, deze bronnen worden geïsoleerd en toegewezen aan afzonderlijke componenten, waardoor overblijvende componenten relatief vrij van deze ongewenste variantiebronnen. Omdat-zaad gebaseerde analyses gebruiken ruwe time opleidingen in de schatting van functionele connectiviteit, en de tijd cursussen zijn per definitie mengsels van neurofysiologische signaal en kunstmatig lawaai, groep verschillen in functionele connectiviteit inschattingen kunnen echte groep verschillen in onderliggende neurofysiologie, groep verschillen in weerspiegelen de structuur van geluid of beide ^11.