Un metodo per indagare le differenze di età-correlate nella connettività funzionale delle reti di controllo cognitivo associato al cambiamento dimensionale Carta ordine di Performance

La possibilità di regolare il comportamento si sviluppa gradualmente durante l'infanzia e l'adolescenza (per una rassegna, vedi Diamante ^1). Nella Change Card compito ordine dimensionale, per esempio, i partecipanti passano da carte classificare in un modo, come forma, a cernita loro un modo diverso, ad esempio di colore ² (vedi figura 2). Commutazione esige un piccolo costo delle prestazioni, o il costo switch, in modo tale che le risposte sono in genere più lenti e più soggetto a errori sugli studi di switch in cui il cambiamento delle regole di ordinamento, rispetto a ripetere prove in cui la regola di ordinamento rimane la stessa ^3. L'entità di tali costi in genere diminuisce con figli crescono ^4, che illustra il fatto che la capacità di regolazione del comportamento subisce proseguito lo sviluppo presto nella vita.

Poiché le operazioni mentali complesse, come la commutazione, comportano rapidi interazioni tra molteplici regioni cerebrali ^5, vi è un crescente interesse in relazionng lo sviluppo di ordine superiore cognizione di cambiamenti nell'organizzazione funzionale di larga scala reti corticali ^6.

Un approccio per indagare cambiamento evolutivo in reti a larga scala è attraverso l'uso di analisi funzionale connettività ^6,7 basato seme. Il primo passo in questa tecnica è quello di consultare disponibile letteratura di ricerca e definire le regioni priori di interesse, o ROI, che sembrano essere rilevanti per il comportamento in questione. Questi ROI, o nodi, definiscono la struttura di base della rete. Successivamente, le fluttuazioni a bassa frequenza dell'attività (o T2 *-ponderazione intensità del segnale) in questi ROI sono misurati per 5 a 10 minuti, mentre i partecipanti sono a riposo in uno scanner MRI. Connettività funzionale tra due nodi della rete viene quindi quantificato come la correlazione dei rispettivi andamenti temporali. Nodi che sono fortemente collegati funzionalmente dovrebbero avere simili, e quindi altamente correlati, segnalecorsi a tempo. D'altra parte, i nodi che sono debolmente collegati funzionalmente dovrebbero avere dissimili e quindi poco correlato, segnalare l'andamento nel tempo. Per completare un modello di rete, i bordi (o link) sono disegnate tra nodi il cui andamento nel tempo correlare sopra di una soglia scelto. I test per differenze correlate all'età connettività funzionale all'interno di una rete possono essere effettuate su qualsiasi connessione singolo nodo a nodo, o sulla topologia di tutto l'insieme di nodi e archi. Queste differenze nella connettività funzionale possono quindi essere collegati a misure di performance cognitiva raccolti offline.

In questo lavoro, un approccio diverso è descritto che si basa sul gruppo di analisi delle componenti indipendenti basati su attività dati fMRI ^8. Indipendente analisi delle componenti (o ICA) è una procedura statistica per rivelare ciecamente fonti nascoste sottostanti una serie di osservazioni tali che le fonti rivelate sono massimamente indipendenti. Applicato alla analisi dei dati fMRI, la pROCEDURA presuppone che ogni volume è una miscela di un numero finito di fonti spazialmente indipendenti. Utilizzando uno di una varietà di diversi algoritmi, come l'algoritmo Infomax, ICA poi calcola una matrice unmixing, che, applicato ai dati originali produce un insieme di sorgenti massimo indipendenti o componenti. Ogni componente può essere pensato come una rete, in quanto comprende un insieme di voxel che condividono un corso temporale comune. Gruppo ICA è un particolare tipo di ICA in cui un insieme comune di componenti del gruppo viene prima stima di un intero set di dati, e quindi i set-specific partecipanti dei componenti del gruppo sono calcolati in un passo indietro-ricostruzione. Una volta che un intero set di dati viene scomposto in una serie di componenti, il passo successivo è quello di eliminare componenti artefatti che rappresentano sorgenti di rumore, e identificare i componenti teoricamente significative che corrispondono con le reti di interesse. Ciò può essere ottenuto sia con l'andamento nel tempo dei componenti di modellazione nel contesto di un GLM a identify reti che attivano in modo previsto, spazialmente correlando componenti con un modello di una rete di interesse, o entrambi. L'insieme dei componenti può essere sottoposto a un confronto di gruppo per verificare possibili differenze legate all'età connettività funzionale all'interno di reti teoricamente interessanti ^7,9,10.

Dati fMRI basata su attività Studiare i cambiamenti legati all'età nel connettività funzionale attraverso l'applicazione di gruppo ICA ha diversi vantaggi rispetto all'applicazione di tecniche basate seme di riposo statali dati fMRI. In primo luogo, le tecniche di base di seme, a differenza che si concentrano su un piccolo set di a priori definito ROI, l'approccio di gruppo ICA corrente utilizza tutti i voxel comprendenti una serie temporale volumetrico. Questo riduce le opportunità di pregiudizio che necessariamente sorgono quando un piccolo gruppo di semi sono selezionati a priori come regioni di interesse. In secondo luogo, l'applicazione di analisi funzionale connettività (ICA-based o altro) per task-piuttosto che riposa-stato i dati fMRI ha il vantaggio di consentire l'organizzazione della rete e funzione di rete di essere associati in modo più diretto. Se, per esempio, esaminando le implicazioni cognitive o comportamentali della connettività funzionale (come variazione delle prestazioni DCCS) è una priorità, è importante mostrare che la rete di interesse deriva dalle prestazioni compito. Con i protocolli di riposo statali, questo è molto difficile perché il ricercatore ha alcuna traccia di eventuali stati cognitivi, comportamentali, affettivi o sperimentato dal partecipante durante l'acquisizione dei dati. E 'quindi impossibile fornire la prova diretta che qualsiasi rete di interesse rilevante per le prestazioni compito. Per contro, quando l'analisi connettività funzionale, come ICA, viene applicato compito-dati, è possibile confermare che la rete di interesse è almeno associata alla esecuzione di un compito. Infine, ICA è meno soggetto all'influenza avversa di rumore. Fonti di rumore, come quelli associati spiritoh movimento del soggetto e il ritmo cardiaco, sono unici profili spazio-temporale. Pertanto, nel contesto di un gruppo ICA, queste fonti sono isolati e assegnati a componenti separati, lasciando rimanenti componenti relativamente priva di queste fonti sgraditi varianza. Poiché le analisi a base di semi-usano corsi tempo prima per la stima della connettività funzionale, e corsi a tempo sono, per definizione, miscele di segnale neurofisiologico e del rumore artefatta, le differenze di gruppo nelle stime di connettività funzionali possono riflettere differenze tra i gruppi veri in neurofisiologia sottostante, differenze di gruppo nella la struttura di rumore, o entrambi ^11.