Summary

Generalisierte psychophysiologische (PPI) Interaktionsanalyse des Speichers im Zusammenhang mit Konnektivität bei Personen auf genetischen Risiko für die Alzheimer-Krankheit

Published: November 14, 2017
doi:

Summary

Dieses Manuskript beschreibt das Implementieren eines psychophysiologischen Interaktionsanalyse um Aufgabe-abhängige Änderungen in funktionelle Verknüpfung zwischen einem ausgewählten Samen Region und Voxel in anderen Regionen des Gehirns sichtbar zu machen. Psychophysiologische Interaktionsanalyse ist eine beliebte Methode zur Aufgabe Auswirkungen auf Gehirn-Konnektivität, unterscheidet sich von traditionellen Univariate Aktivierung Auswirkungen zu untersuchen.

Abstract

In Neuroimaging misst die funktionelle Magnetresonanztomographie (fMRT) die Blutspiegel Sauerstoffversorgung angewiesen (BOLD) Signal im Gehirn. Der Grad der Korrelation der BOLD-signal in räumlich unabhängige Regionen des Gehirns definiert die funktionelle Verknüpfung dieser Regionen. Während einer kognitiven fMRT-Aufgabe kann eine psychophysiologische Interaktionsanalyse (PPI) verwendet werden, Änderungen in die funktionelle Verknüpfung in spezifischen Kontexten, definiert durch die kognitive Aufgabe zu prüfen. Ein Beispiel für eine solche Aufgabe gehört, die engagiert sich das Speichersystem, Fragen der Teilnehmer lernen Paare von nicht verwandten Wörtern (Codierung) und erinnern an das zweite Wort in einem paar wenn präsentiert mit dem ersten Wort (Abruf). In der vorliegenden Studie haben wir diese Art des assoziativen Gedächtnisses Aufgabe und eine generalisierte PPI (gPPI) Analyse, um Änderungen im Hippokampus Konnektivität in den älteren Erwachsenen zu vergleichen, die Träger von der Alzheimer-Krankheit (AD) genetische Risikofaktor Apolipoprotein E Epsilon-4 ( APOEΕ4). Insbesondere zeigen wir, dass die funktionelle Verknüpfung der Subregionen der Hippocampus Änderungen während der Codierung und abrufen, die beiden aktiven Phasen des assoziativen Gedächtnisses Tasks. Kontext-abhängige Änderungen in funktionelle Verknüpfung des Hippocampus unterschieden sich signifikant in Träger des APOEε4 im Vergleich zu nicht-Fluggesellschaften. PPI-Analysen ermöglichen es, Änderungen in funktionelle Verknüpfung von Univariate Haupteffekte, zu untersuchen und diese Veränderungen über Gruppen zu vergleichen. So kann eine PPI-Analyse komplexe Aufgabe Effekte in bestimmte Kohorten anzuzeigen, die traditionelle Univariate Methoden nicht erfassen. PPI-Analysen können, nicht jedoch Direktionalität oder Kausalität zwischen funktionell verbundenen Regionen bestimmen. Dennoch liefern PPI Analysen mächtiges Mittel zur Erzeugung von spezifischen Hypothesen über funktionelle Zusammenhänge, die kausale Modelle getestet werden kann. Wie das Gehirn immer in Bezug auf die Konnektivität und Netzwerke beschrieben, ist PPI eine wichtige Methode zur Analyse von fMRI-Aufgabe-Daten, die im Einklang mit der aktuellen Konzeption des menschlichen Gehirns ist.

Introduction

Der Begriff “Connectome” wurde in 2005 markiert einen Paradigmenwechsel in den Neurowissenschaften, die bis heute1 andauertgeprägt. Das Gehirn ist im Hinblick auf die funktionelle Netzwerke, Verbindungen und Interaktionen zwischen und unter den Regionen in großem Maßstab zunehmend beschrieben. Die Abgrenzung der regionalen funktionale Spezialisierung und Zuordnungen zwischen fMRT gemessen Aktivität und Aufgabenanforderungen sind jedoch nach wie vor gültige und nützliche Ansätze. Im Hinblick auf das wachsende Interesse an Connectomics sind funktionelle Verknüpfung Ansätze zur Aufgabenanalyse fMRI wachsender Beliebtheit. Ein Ansatz zur Messung der funktionelle Verknüpfung Änderungen abhängig von Aufgabe verlangt, bedient sich des Konzepts der PPI. Ein PPI ist die Interaktion eines aktive Aufgabe Phase oder einer bestimmten Aufgabe Nachfrage (“Psycho”) mit der funktionelle Verknüpfung (“Physio”) einer Region von Interesse oder “Samen” im Gehirn. PPI unterscheidet sich von bivariate Korrelation basierende Analyse der funktionelle Verknüpfung, die in der Regel den Grad der Korrelation zwischen der Aktivität in zwei Regionen ohne Einschränkungen im Zusammenhang mit Aufgabenanforderungen misst.

Das Konzept und den Rahmen einer PPI-Analyse wurde ursprünglich von Friston und Kollegen in 19972beschrieben. Die Autoren behauptet, dass ihr Ansatz wichtig war, weil es erlauben würde, die Untersuchung der Konnektivität zu mehr funktionell spezifisch und ermöglichen Rückschlüsse, dass Aktivität in einem distalen Samen aus einer Aufgabe Nachfrage resultierenden Aktivitäten modulieren konnte. Im Jahr 2012 McLaren und Kollegen zu diesem ursprünglichen Rahmen hinzugefügt und beschrieb einen gPPI Ansatz in dem alle Aufgabe Phasen und ihre Interaktionen sind in einem einzigen Modell3enthalten. Dieser Ansatz führt zu Ergebnissen, die Sensitivität und Spezifität der Aufgabe und Interaktion untersucht. Diese aktualisierte gPPI Konzept, das wir in der Gegenwart beschäftigen (siehe Punkt 6.2.2 im Protokoll) zu studieren. GPPI Ansatz ist nun in mehr als 200 Studien zitiert worden. Aus Gründen der Übersichtlichkeit im folgenden verwenden wir “PPI” Gemeinsamkeiten der Standard- und generalisierte Version zu beschreiben. “gPPI” wird verwendet um bestimmte Fortschritte, verbunden mit dem neueren Rahmen zu diskutieren.

Das übergeordnete Ziel einer PPI-Analyse ist zu verstehen, wie die Anforderungen einer kognitiven Aufgabe beeinflussen oder modulieren die funktionelle Verknüpfung einer Samen-Region. Eine PPI-Analyse erfordert eine starke a-priori Hypothese. Tätigkeit im Bereich Saatgut muss durch die Aufgabe in Reihenfolge für die PPI Arbeitsweise effektiv4moduliert werden. Beispielsweise in der vorliegenden Studie basieren wir unser Saatgut-Auswahl auf die starke Hinweise, dass hippocampal Aktivität durch die kognitiven Anforderungen einer Speicher-Aufgabe moduliert wird. Mit PPI, Regionen, die deutlich mehr oder weniger funktional Hippocampus während bestimmte Aufgabe Phasen verbunden sind zu erkennen. Kurz gesagt, stellen wir die Frage, “Aktivität ist in welchen Regionen im Kontext A gegenüber Baseline mehr korreliert mit den Samen?” Wir können auch das logische Gegenteil bitten, (da es wichtig ist, den Unterschied zu verstehen): “in welchen Regionen Aktivität weniger korreliert mit dem Saatgut im Kontext A im Vergleich zum Ausgangswert ist?” Gruppenunterschiede in PPI Effekte zu interpretieren, ist es wichtig zu prüfen, die Daten und ob positive oder negative Änderung in funktionelle Verknüpfung, oder beides, treibt die Gruppenunterschiede.

Der PPI-Ansatz wurde verwendet, um dynamische Aufgabe Kontrolle Naben in gesunden Kontrollpersonen zu studieren wie Modulation der funktionelle Verknüpfung mit kognitiven Leistungen in Alzheimer-Krankheit (AD), Intelligenz bei Menschen mit Autismus, motor Netzwerkverbindung verbunden ist bei Patienten mit Parkinson-Krankheit, Gesicht, die Verarbeitung in den Einzelpersonen mit körperdysmorpher Störung und Magersucht, Emotionsregulation, Speicher und viele andere spezifische Fragen im Zusammenhang mit Konnektivität5,6,7 ,8,9,10,11. In der vorliegenden Studie vergleichen wir Änderungen in funktionelle Verknüpfung von Teilregionen des Hippocampus während Speicher Codierung und Abruf zwischen einer Gruppe von Personen mit erhöhtem genetischem Risiko für Anzeige ohne Risikofaktor12zu Gruppen. Im folgenden wird beschrieben, das wir erlauben uns zu testen, ob die Aufgabe löste Änderungen in funktionelle Verknüpfung unterscheiden sich in Bezug auf das Vorhandensein von APOEε4, ein genetischer Risikofaktor für AD Anwendung des Ansatzes gPPI verwendete, Protokoll.

Protocol

die vorliegende Studie wurde durchgeführt in Übereinstimmung mit der UCLA institutionelle Review Board (IRB) Protokolle und von der UCLA menschlichen Themen Schutz Ausschuss genehmigt. Alle Teilnehmer gaben schriftliche Einwilligungserklärung um in dieser Studie einzuschreiben. 1. Teilnehmer Auswahl IRB erhalten Genehmigung, die Studie durchzuführen. Bildschirm Personen im Alter von 55 und älter für die kognitiven Fähigkeiten mit einem standardisierten neuropsychol…

Representative Results

Mit zwei verschiedenen aktive Aufgabe Phasen (Codierung und abrufen) und zwei Samen Regionen (vordere und hintere Hippocampus) gibt es vier Bedingungen Ergebnisse für jede Gruppe. Die Aufgaben innerhalb der Gruppe Aktivierung Karten (hier nicht dargestellt, siehe Harrison Et Al., 201612) zeigen, dass Occipital Vorsprung, auditorischen Kortex, große Regionen der Scheitellappen, frontalen Sprachgebieten, überlegener zeitlicher Gyrus und caudatus (ausgepr?…

Discussion

Frühe aufgabenbasierte fMRI-Studien wurden entwickelt, um statistische Beziehungen zwischen bestimmten kognitiven Prozessen aufzudecken oder Anforderungen und Veränderungen in der kühn zu signalisieren, bezogen auf eine Basismessung. Dieser traditionelle Ansatz eignet sich für bestimmte Regionen im Gehirn, wo Aktivität durch eine experimentelle Aufgabe moduliert ist, zu identifizieren. Im Gegensatz dazu eine PPI-Analyse hauptsächlich befasst sich mit der Modulation der funktionelle Verknüpfung oder Synchronität d…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Diese Arbeit wurde durch das National Institute of Aging (Grant-Nummer R01AG013308, SYB, F31AG047041, TMH) unterstützt. Die Autoren verwendet numerische und Speicherdienste zugeordnete Hoffman2 Shared Cluster von UCLA Institut für Digital Research und Education Research Technology Group zur Verfügung gestellt.

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