JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
português

Automatically Generated
Neuroscience

Análise de interação psicofisiológicos generalizada (PPI) de memória relacionados com a conectividade em indivíduos em risco genético para a doença de Alzheimer

Published: November 14, 2017
doi:
10.3791/55394
, , , ,
1Psychiatry and Biobehavioral Sciences,University of California, Los Angeles, 2Biospective, Inc.

Summary

Este manuscrito descreve como implementar uma análise da interação psicofisiológicos para revelar alterações de tarefas dependentes em conectividade funcional entre uma região de sementes selecionadas e voxels em outras regiões do cérebro. Análise de interação psicofisiológica é um método popular para examinar os efeitos de tarefa na conectividade do cérebro, distinto do tradicional univariada efeitos de ativação.

Abstract

Em neuroimagem, ressonância magnética funcional (fMRI) mede o sinal de (BOLD) dependente nível de oxigenação do sangue no cérebro. O grau de correlação do BOLD sinal em espacialmente regiões independentes do cérebro define a conectividade funcional dessas regiões. Durante uma tarefa cognitiva fMRI, uma análise da interação psicofisiológicos (PPI) pode ser usada para examinar as alterações na conectividade do funcional durante a contextos específicos, definidos pela tarefa cognitiva. Um exemplo de tal tarefa é aquele que envolve o sistema de memória, pedindo aos participantes para aprender pares de palavras não relacionadas (codificação) e lembre-se a segunda palavra em um par quando apresentado com a primeira palavra (recuperação). No presente estudo, usamos este tipo de tarefa de memória associativa e uma análise generalizada do PPI (gPPI) para comparar as alterações na conectividade hippocampal em adultos mais velhos que são portadores da doença de Alzheimer (AD) fator de risco genético apolipoproteína-E Épsilon-4 ( APOEΕ4). Especificamente, mostramos que a conectividade funcional das sub-regiões das mudanças hipocampo durante a codificação e recuperação, as duas fases activas da tarefa memória associativa. Mudanças de contexto-dependente em conectividade funcional do hipocampo foram significativamente diferentes em portadores de APOEε4, em comparação com não-portadores. Análises PPI possibilitam examinar alterações na conectividade funcional, distinta dos efeitos principais univariada e comparar essas alterações através de grupos. Assim, uma análise PPI pode revelar efeitos de tarefa complexa em coortes específicas que métodos tradicionais univariada não capturar. Análises PPI não podem, no entanto, determinar direcionalidade ou causalidade entre regiões funcionalmente ligadas. No entanto, análises PPI fornecem meios poderosos para a geração de hipóteses específicas em matéria de relações funcionais, que podem ser testadas usando modelos causais. Como o cérebro é cada vez mais descrito em termos de conectividade e redes, o PPI é um importante método para analisar dados de tarefa de fMRI é alinhado com a atual concepção do cérebro humano.

Introduction

O termo “conectoma” foi criado em 2005, marcando uma mudança de paradigma em neurociência que continua a este dia1. O cérebro é cada vez mais descrito em termos funcionais redes, conectividade e interações entre e entre regiões em grande escala. No entanto, a delimitação da especialização funcional regional e associações entre atividade fMRI-medido e exigências de tarefa são abordagens ainda válidas e útil. Tendo em conta o crescente interesse em connectomics, abordagens de conectividade funcional para análise de fMRI tarefa estão crescendo em popularidade. Uma abordagem para avaliar alterações de conectividade funcional dependentes tarefa exige que faz uso do conceito de PPI. Um PPI é a interação de uma fase de tarefa ativa ou demanda determinada tarefa (“psico”) com a conectividade funcional (“fisio”) de uma região de interesse ou “semente” no cérebro. PPI difere da análise bivariada, baseada na correlação de conectividade funcional, que geralmente mede o grau de correlação entre a atividade em duas regiões, sem quaisquer restrições relacionadas às exigências da tarefa.

O conceito e a estrutura de uma análise do PPI foi originalmente descrita por Friston e colegas em 19972. Os autores afirmaram que a sua abordagem foi importante porque permitiria a investigação de conectividade para ser funcionalmente mais específico e permitir inferências que atividade em uma semente distal pode ser modulando a atividade resultante de uma demanda de tarefa. Em 2012, McLaren e colegas adicionado a este quadro original e descreveu uma abordagem gPPI em que todas as fases da tarefa e suas interações são incluídas em um único modelo3. Essa abordagem conduz a resultados que são mais sensíveis e específicas para a fase de tarefa e interação a ser investigado. É esta abordagem gPPI atualizada que empregamos no presente estudo (ver passo 6.2.2 no protocolo). A abordagem gPPI agora tem sido citada em mais de 200 estudos. Para maior clareza, daqui em diante usamos ‘PPI’ para descrever as características comuns da versão standard e generalizada. ‘gPPI’ será usado para discutir avanços específicos associados com o quadro mais recente.

O objetivo geral de uma análise PPI é entender como as exigências de uma tarefa cognitiva influenciam ou modulam a conectividade funcional de uma região de semente. Uma análise PPI requer uma hipótese forte apriorísticas . Atividade na região da semente deve ser modulada pela tarefa em ordem para a abordagem do PPI trabalhar eficazmente4. Por exemplo, no presente estudo, baseamos a nossa seleção de sementes nas provas fortes que hippocampal atividade é modulada pelas demandas cognitivas de uma tarefa de memória. Usando o PPI, regiões que são significativamente mais ou menos funcionalmente ligadas ao hipocampo durante as fases de tarefa específica podem ser identificadas. Em suma, nós fazemos a pergunta, “em que regiões é atividade mais correlacionados com a semente durante o contexto A comparação com a linha de base?” Podemos também pedir o oposto lógico (como é importante compreender a diferença): “em que regiões é atividade menos correlacionada com a semente durante o contexto A em comparação com a linha de base?” Ao interpretar as diferenças de grupo em efeitos PPI, é importante examinar os dados e se mudança positiva ou negativa em conectividade funcional, ou ambos, é conduzir as diferenças de grupo.

A abordagem PPI tem sido usada para estudar os hubs de controle dinâmico de tarefa em controles saudáveis, como modulação de conectividade funcional está relacionada com o desempenho cognitivo na doença de Alzheimer (AD), inteligência em indivíduos com autismo, conectividade de rede de motor em indivíduos com doença de Parkinson, rosto de processamento em indivíduos com transtorno dismórfico corporal e anorexia, regulamento de emoção, memória e muitas outras perguntas específicas relacionadas à conectividade5,6,7 ,8,9,10,11. No presente estudo, comparamos mudanças na conectividade funcional das sub-regiões do hipocampo durante a recuperação entre um grupo de indivíduos em risco genético aumentado para anúncio para um grupo sem o fator de risco12e codificação de memória. A seguir descreve o protocolo que usamos, aplicando a abordagem gPPI, para permitir-nos testar se a tarefa-provocou mudanças na conectividade funcional diferem em associação com a presença de APOEε4, um fator de risco genético para AD.

Protocol

o presente estudo foi realizado em conformidade com os protocolos de UCLA institucional Review Board (IRB) e aprovado pelo Comité humano de proteção temas de UCLA. Todos os participantes deram consentimento escrito para inscrever-se neste estudo. 1. seleção do participante aprovação de obter IRB para realizar o estudo. Indivíduos de tela com idades entre 55 e mais velhos para o declínio cognitivo, usando uma bateria neuropsicológica padronizada. Incluir testes d…

Representative Results

Com duas fases diferentes tarefa ativa (codificação e recuperação) e sementes de duas regiões (hipocampo anterior e posterior), há quatro condições para relatar resultados para cada grupo. Os mapas de ativação dentro de grupo-tarefa (não mostrado aqui, ver Harrison et al, 201612) mostram que o lobo occipital, córtex auditivo, grandes regiões do lobo parietal, áreas de linguagem frontal, giro temporal superior e caudado (mais pronunciado duran…

Discussion

Estudos de fMRI baseado em tarefas iniciais foram projetados para descobrir relações estatísticas entre processos cognitivos específicos ou demandas e mudanças em negrito o sinal em relação a uma medida de referência. Esta abordagem tradicional é útil para identificar regiões específicas do cérebro onde a atividade é modulada por uma tarefa experimental. Em contraste, uma análise PPI principalmente está preocupada com a modulação da conectividade funcional, ou sincronia de atividade, que resulta de um p…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabalho foi apoiado pelo Instituto Nacional do envelhecimento (número de concessão R01AG013308 para SYB, F31AG047041 a AMT). Os autores utilizaram computacionais e serviços de armazenamento associado com o Cluster compartilhado Hoffman2 fornecidos pelo Instituto de UCLA da Digital Research e a educação grupo de tecnologia de pesquisa.

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
DOWNLOAD MATERIALS LIST

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).

Tags

Alzheimer’s DiseaseFunctional ConnectivityHippocampusMemoryCognitive NeuroscienceGenetic RiskFMRIWords-associative Memory TaskPreprocessingGeneral Linear ModelFEATMotion CorrectionSpatial SmoothingTask Timing

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
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).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image