Damos las gracias a Jim Haxby y sus colegas para tomar sus datos disponibles para otros análisis. Marc N. Coutanche fue financiado por una beca de investigación del Instituto Médico Howard Hughes. Este trabajo fue apoyado por subvenciones del NIH R0I-DC009209 y R01-EY02171701 otorgado a Sharon L. Thompson-Schill.

1. Prepare los datos fMRI Nota: Después de realizar una exploración de resonancia magnética funcional, pre-procesar los datos recopilados utilizando las herramientas disponibles en la mayoría de los paquetes de software de fMRI antes de iniciar este protocolo (aunque suavizado espacial debe evitar o reducir al mínimo para conservar patrones multi-voxel). Un ejemplo de un conjunto de datos adecuado se describe en una solicitud anterior del método 7. <ol><li> Retire el movimiento y la media de las señales de la materia blanca de la serie temporal de datos de la fMRI pre-procesados ​​mediante la creación de un modelo de regresión con los predictores de los parámetros de movimiento (balance, cabeceo, guiñada, x, y, z) y la media de la señal de la sustancia blanca. Llevar a cabo los análisis a continuación en los residuos resultantes (es decir, la varianza restante). </li><li> Importe los residuos generados en un paquete de análisis (por ejemplo, MATLAB, Python). El código abierto Informativo Conectividad Toolbox (http://www.informationalconnectivity.org) puede importar datos de la fMRI en MATLAB. </li><li> Eac Z-scoreseries de tiempo h del voxel. </li><li> Separar los puntos de tiempo del conjunto de datos en conjuntos independientes (&quot;pliegues&quot;), tales como diferentes carreras del escáner. Nota: El uso ejecuta el rastreador garantiza la independencia entre los pliegues, que de otra manera puede ser difícil garantizar (por ejemplo, se podrían crear dependencias entre los puntos de tiempo de un plazo durante el pre-procesamiento). Se ejecuta podrían agruparse para reducir el número de pliegues (por ejemplo, pares e impares carreras 2), aunque el uso de los análisis individuales dará más datos de entrenamiento. </li><li> Crear un registro de las etiquetas de condiciones asociadas a los puntos de tiempo mediante la generación de un vector de etiquetas de condición que es N puntos de tiempo largo. </li><li> Cambie las etiquetas de condiciones adelante en cada uno dirigido por un número de veces-a la repetición (TR) equivalente a 5 segundos, con el fin de tener en cuenta el retraso de hemodinámica entre los eventos y señales fMRI grabados. </li></ol> 2. Seleccionar y analizar una región de Semillas <ol><li> Seleccione una región de semillas mediante el aislamiento de un anatómicoal área, región funcionalmente localizada o superior rendimiento &quot;Asignación de información de cerebros» reflectores 10. Nota: Los pasos 2.2 hasta 4.2 a continuación se puede realizar mediante la conectividad Informativo de código abierto MATLAB Toolbox ( <a href="http://www.informationalconnectivity.org">http://www.informationalconnectivity.org</a> ). </li><li> Compare el MVP de cada punto de tiempo a un MVP prototípico para cada condición (Nota: este es el mismo enfoque que el utilizado en el popular clasificador del vecino más cercano basado en la correlación 2). Figura 1 (superior) da un ejemplo de datos reales recopilados como participantes veían bloques de cuatro tipos de objetos hechos por el hombre. <ol><li> Calcular una (media) MVP prototípico para cada condición promediando los puntos de tiempo de cada condición en todo-pero-un rebaño. Estos son los datos &quot;formación&quot; para cada pliegue (por ejemplo, para el doblez 2 de 5, significados MVPs se calculan a partir de momento en los pliegues 1, 3, 4, y 5). </li><li> Relacionar cada punto de tiempo &#39;; S MVP con la media-MVP de cada estado de los datos de entrenamiento. Esto le dará a cada punto de tiempo un valor de correlación para cada condición (Nota: el estado con la mayor correlación en este caso sería la predicción de la correlación populares clasificador basado AFMV 2) </li><li> Fisher-a transformar los valores r de las puntuaciones z. </li></ol></li><li> Cuantificar &#39;MVP discriminabilidad&#39; para cada punto de tiempo: En primer lugar identificar la correlación de 2.2.3 que representa la relación entre el MVP del punto de tiempo y la media-MVP de la condición de que punto de tiempo, y luego restar el más alto de las correlaciones restantes (es decir, la correlación &quot;con correcta condiciones &#39;menos&#39; máxima correlación con una condición incorrecta &#39;). El resultado es MVP discriminabilidad de que punto de tiempo. Un enfoque alternativo (y válida) sería la de restar la correlación promedio de las condiciones incorrectas. Nota: El enfoque propuesto tiene la Advanta intuitivage que los puntos de tiempo con valores de discriminabilidad positivas se clasifican correctamente por el clasificador correlación basada, mientras que los puntos de tiempo con valores negativos no se predicen correctamente. Un ejemplo de los valores resultantes se muestra en la Figura 1 (abajo). Los escalones para llegar a este punto se capturan en las siguientes fórmulas. <img alt="2.3 ecuaciones" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> X es un vector fila normalizado 1-por-m con valores de activación m voxel en punto de tiempo N, Y es un vector fila normalizado 1-por-m del patrón de entrenamiento media para el correcto (c) o (i) las condiciones incorrectas para punto de tiempo n. La función artanh aplica la transformada z de Fisher. </li></ol> 3. Calcular una serie de tiempo de MVP discriminabilidad para cada Searchlight <ol><li> Realizar un análisis de reflector 10: Coloque un c tridimensionalbrillo alrededor de cada voxel a su vez (a &#39;reflector&#39;). </li><li> Repita los pasos 2.2 y 2.3 para cada foco de búsqueda, de modo que cada reflector tiene una serie de tiempo de los valores de discriminabilidad MVP (uno por punto de tiempo). </li></ol> 4. Calcular Informativo de conectividad entre la semilla y reflectores <ol><li> Correlacionar MVP series temporales discriminabilidad de la semilla (de 2,3) con series de cada reflector discriminabilidad tiempo (de 3,2), utilizando de Spearman de correlación de rangos. El valor resultante r s es la IC entre la semilla y el reflector. </li><li> Asignar valor IC de cada reflector para voxel central del reflector y escribir mapa cerebral del individuo resultante. </li></ol> 5. Calcular Group Mapa de Estadística <ol><li> Mapas IC Si los datos no están ya en el espacio normalizado (por ejemplo, Talairach o MNI), transforman los participantes en el mismo espacio. </li><li> Opcionalmente suavizar los individuos y# 39; mapas reflector. </li><li> Crear un mapa estadístico de grupo mediante un t-test de una manera para que si el valor IC de cada reflector es significativamente mayor que cero. </li></ol> 6. Importancia Prueba Nota: Existen numerosos métodos para determinar la significación estadística de los mapas de grupos de fMRI. Como prueba de permutación se puede determinar la significación de las hipótesis mínimas, mientras que representan el nivel del conjunto de datos de suavizado (como cada mapa grupo permutado sufre el mismo proceso), esta opción se describe a continuación. <ol><li> Para cada uno de 1000 permutaciones, baraja al azar valores MVP-discriminabilidad de la semilla a través de la serie de tiempo. Mantenga los puntos de tiempo adyacentes con autocorrelaciones temporales (tales como puntos de tiempo dentro del mismo bloque) juntos (por ejemplo, por el intercambio de bloques en lugar de los TR adyacentes). </li><li> Calcular los mapas individuales de CI para cada permutación (paso 4). </li><li> Generar 1.000 mapas grupo permutados: randomly seleccione una mapa permutada IC de cada participante y llevar a cabo una prueba de grupo en este juego de azar (paso 5). </li><li> Umbral de cada mapa grupo permutado en un umbral deseado (por ejemplo, p &lt;0,001) y extraer el tamaño máximo de clúster desde el mapa. </li><li> Ordenar el resultado 1,000 volúmenes de máxima racimo e identificar el tamaño del clúster en el percentil 95 (por ejemplo, la 50 ª más grande de 1000 permutaciones). </li><li> Aplicar el umbral utilizado en 6.4 (por ejemplo, p &lt;0,001) y el tamaño mínimo del conglomerado de 6,5 a la (no-permutada) IC mapa de grupo real con el fin de que sea corregida clúster para p &lt;0,05. Debido a que cada mapa permutado se basa en los mismos valores de discriminabilidad MVP (en un orden diferente), este mapa importancia resalta las regiones con los valores más discriminabilidad síncronos lo esperado por azar. </li></ol>

<ol>
	<li>Norman, K. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Beyond+mind-reading:+multi-voxel+pattern+analysis+of+fMRI+data.">Beyond mind-reading: multi-voxel pattern analysis of fMRI data.</a> Trends Cogn Sci. 10 (9), 424-430 (2006).</li><li>Haxby, J. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Distributed+and+overlapping+representations+of+faces+and+objects+in+ventral+temporal+cortex.">Distributed and overlapping representations of faces and objects in ventral temporal cortex.</a> Science. 293 (5539), 2425-2430 (2001).</li><li>Tong, F., Pratte, M. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Decoding+patterns+of+human+brain+activity.">Decoding patterns of human brain activity.</a> Annu Rev Psychol. 63, 483-509 (2012).</li><li>Coutanche, M. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Distinguishing+multi-voxel+patterns+and+mean+activation:+Why,+how,+and+what+does+it+tell+us.">Distinguishing multi-voxel patterns and mean activation: Why, how, and what does it tell us.</a> Cogn Affect Behav Neurosci. 13 (3), (2013).</li><li>Biswal, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+connectivity+in+the+motor+cortex+of+resting+human+brain+using+echo-planar+mri.">Functional connectivity in the motor cortex of resting human brain using echo-planar mri.</a> Magn Res Med. 34 (4), 537-541 (1995).</li><li>Friston, K. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Psychophysiological+and+modulatory+interactions+in+neuroimaging.">Psychophysiological and modulatory interactions in neuroimaging.</a> Neuroimage. 6 (3), 218-229 (1997).</li><li>Coutanche, M. N., Thompson-Schill, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Informational+Connectivity:+Identifying+synchronized+discriminability+of+multi-voxel+patterns+across+the+brain.">Informational Connectivity: Identifying synchronized discriminability of multi-voxel patterns across the brain.</a> Front Hum Neurosci. 7 (15), 1-14 (2013).</li><li>Chiu, Y. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Tracking+cognitive+fluctuations+with+multivoxel+pattern+time+course+(MVPTC)+analysis.">Tracking cognitive fluctuations with multivoxel pattern time course (MVPTC) analysis.</a> Neuropsychologia. 50 (4), 479-486 (2012).</li><li>Nelissen, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Frontal+and+parietal+cortical+interactions+with+distributed+visual+representations+during+selective+attention+and+action+selection.">Frontal and parietal cortical interactions with distributed visual representations during selective attention and action selection.</a> J Neurosci. 33 (42), 16443-16458 (2013).</li><li>Kriegeskorte, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Information-based+functional+brain+mapping.">Information-based functional brain mapping.</a> Proc Natl Acad Sci U S A. 103 (10), 3863-3868 (2006).</li><li>Cox, R. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=AFNI:+software+for+analysis+and+visualization+of+functional+magnetic+resonance+neuroimages.">AFNI: software for analysis and visualization of functional magnetic resonance neuroimages.</a> Comput Biomed Res. 29 (3), 162-173 (1996).</li><li>Fischl, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cortical+surface-based+analysis.+II:+Inflation,+flattening,+and+a+surface-based+coordinate+system.">Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system.</a> Neuroimage. 9 (2), 195-207 (1999).</li><li>Jimura, K., Poldrack, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analyses+of+regional-average+activation+and+multivoxel+pattern+information+tell+complementary+stories.">Analyses of regional-average activation and multivoxel pattern information tell complementary stories.</a> Neuropsychologia. 50 (4), 544-552 (2012).</li><li>Coutanche, M. N., Thompson-Schill, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+advantage+of+brief+fMRI+acquisition+runs+for+multi-voxel+pattern+detection+across+runs.">The advantage of brief fMRI acquisition runs for multi-voxel pattern detection across runs.</a> Neuroimage. 61 (4), 1113-1119 (2012).</li><li>Coutanche, M. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multi-voxel+pattern+analysis+of+fMRI+data+predicts+clinical+symptom+severity.">Multi-voxel pattern analysis of fMRI data predicts clinical symptom severity.</a> Neuroimage. 57 (1), 113-123 (2011).</li></ol>

The authors declare that they have no competing financial interests.

Conectividad Informativo tiene una sensibilidad de moderada a vigorosa a la información distribuida patrón, y le da la capacidad para estudiar las interacciones entre regiones a través de un enfoque de la conectividad. MVPA y análisis univariados estándar pueden revelar cada uno la participación de regiones distintas, a veces con poca superposición entre los resultados 1 3. Como era de esperar de un método que se basa en estos enfoques de análisis, IC y FC también dan resultados complementarios 7. La decisión de si se debe emplear IC en última instancia, dependerá de las condiciones que se investigan y las cuestiones teóricas que se plantean. Las consideraciones de diseño que afectan ya sea MVPA se lleva a cabo en un conjunto de datos también afectarán si se utiliza IC. Los estudios diseñados con IC explícitamente en cuenta querrán seguir las recomendaciones para MVPA 1 4, al tiempo que garantiza que los datos a nivel de ensayo se pueden extraer de todo timecourse de la exploración. Al examinary informar de los resultados de IC, es importante que los reflectores se solapan con la semilla se retiran, para evitar la circularidad. Además, si la comparación directamente IC y FC resultados, se recomienda también para comparar un análisis FC basado en la activación media de reflectores, en lugar de sólo vóxeles. Este análisis adicional puede asegurar que cualquier diferencia entre los resultados no son debido a las diferencias en los niveles de señal-ruido en los reflectores frente voxels. El procedimiento descrito se centra principalmente en un análisis exploratorio empleando reflectores. Vale la pena señalar que mediante la sustitución de reflectores con regiones de intereses, IC también puede comparar regiones que se han seleccionado un prior i. La corriente métrica discriminabilidad - comparar la correlación de un MVP de la &quot;verdadera&quot; condición a la correlación para la condición de máxima alternativo - también es modificable. Muchos clasificadores aprendizaje automático tienen pesos de predicción para diffclases Erent, que podrían reemplazar fácilmente las comparaciones de correlación realizados aquí (por ejemplo, para rastrear la &quot;confianza&quot; de un clasificador con el tiempo). IC tiene una variedad de usos potenciales. Además de ser un análisis primario para investigar las redes de información, IC puede ser un análisis de seguimiento secundaria a un reflector AFMV. Mapas reflector MVPA son valiosas para la comprensión de que las regiones pueden distinguir diferentes condiciones, pero no se suelen dividir en diferentes redes. El enfoque de IC puede ayudar aquí, al revelar qué conjuntos de reflectores tienen discriminabilidad síncrona. Finalmente, mapas IC de diferentes tareas se pueden comparar con el fin de entender las redes de tareas, y los pacientes pueden ser comparados con los controles para entender mejor cómo las diferencias de múltiples voxel 1 5 se manifiestan a nivel de red.

El objetivo del método de análisis descrito aquí es medir la conectividad entre las regiones del cerebro sobre la base de las fluctuaciones en la información multi-voxel. Los avances en las imágenes de resonancia magnética funcional (fMRI) técnicas de análisis han revelado que una gran cantidad de información puede estar contenida dentro de (BOLD) patrones de actividad a nivel de la sangre-oxigenación-dependientes que son distribuidos a través de varios voxels 1-3. Un conjunto de técnicas que son sensibles a la información multivariante - conocido como el análisis del patrón multi-voxel (MVPA) - se ha utilizado para demostrar que las condiciones pueden tener MVPs distinguibles a pesar de tener respuestas indistinguibles univariados 1,2,4. Análisis estándar, que comparan las respuestas univariantes, pueden ser insensibles a esta información multi-voxel. Múltiples regiones cerebrales participan en que los humanos procesan estímulos y realizar operaciones cognitivas. La conectividad funcional (FC) es un método empleado comúnmente para investigarcompuerta tales redes funcionales 5,6. En su forma más básica, el FC cuantifica co-activación, o la sincronía, entre los diferentes elementos de imagen volumétrica o regiones. FC ha sido utilizado para identificar las redes cerebrales funcionalmente conectados con mucho éxito. Para muchas regiones y las condiciones, sin embargo, las respuestas univariantes no reflejan toda la información disponible dentro de la actividad BOLD. Técnicas FC que siguen cambiando dinámicamente los niveles de respuesta univariados pueden carecer de la sensibilidad a las fluctuaciones habituales en la información multi-voxel. El método de análisis que aquí se presenta, la conectividad de información (IC; primero se describe en un artículo reciente 7), elimina la brecha entre MVPA y FC, mediante la medición de la conectividad con una métrica que es sensible a la información multi-voxel a través del tiempo. Mientras FC pistas que cambia dinámicamente la activación univariado, IC pistas que cambia dinámicamente MVP discriminabilidad - una medida de lo bien que la verdadera condición de un MVP se puede distinguir de las alternativas (incorrectos). Es importante destacar que, en tél mismo modo en que las diferentes regiones puede mostrar niveles similares de respuestas univariantes a una condición a pesar de realizar cálculos diferentes (por ejemplo, el procesamiento visual o de planificación de acciones cuando una persona ve los objetos hechos por el hombre), distintas regiones también pueden tener niveles similares (y sincronizados) de MVP discriminabilidad mientras que las condiciones del proceso de manera diferente. Una investigación reciente demostró que la CI puede revelar la conectividad inter-regional que no es detectable con un enfoque estándar FC 7. Por lo tanto, los investigadores pueden usar IC para investigar las interacciones entre las regiones del cerebro mientras los participantes responden a las condiciones o estímulos que tienen los patrones de distribución característicos. IC es distinta de varias aplicaciones de conectividad recientes que examinaron las fluctuaciones en la activación univariable en relación con los resultados de clasificación 8, 9. A diferencia de estos enfoques, IC detecta sincrónica multi-voxel patrón discriminabilidad entre regiones.

<table border="0" cellpadding="0" cellspacing="0" width="585">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">MATLAB software package</td>
			<td style="width:83px;">MathWorks</td>
			<td style="width:119px;"></td>
			<td style="width:167px;"></td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">AFNI software package</td>
			<td style="width:83px;">NIMH</td>
			<td style="width:119px;"></td>
			<td></td>
		</tr>
	</tbody>
</table>

using informational connectivity to measure the synchronous emergence of fmri multi-voxel information across time

En la actualidad se aprecia que la información relevante condición puede estar presente dentro de los patrones de distribución de imágenes de resonancia magnética funcional (fMRI) de la actividad cerebral, incluso para condiciones con niveles similares de activación univariado. Patrón multi-voxel (MVP) el análisis se ha utilizado para decodificar esta información con gran éxito. Investigadores FMRI también a menudo tratan de entender cómo las regiones del cerebro interactúan en las redes interconectadas, y el uso de la conectividad funcional (CF) para identificar las regiones que se han correlacionado las respuestas en el tiempo. Del mismo modo que los análisis univariados pueden ser insensibles a la información en los MVP, FC no podrá caracterizar completamente las redes cerebrales que procesan las condiciones con firmas MVP característicos. El método descrito aquí, la conectividad de información (IC), puede identificar las regiones con los cambios correlativos en el MVP-discriminabilidad a través del tiempo, revelando la conectividad que no es accesible para FC. El método puede ser exploratoria, utilizando reflectores para identificar las semillas-connáreas eja, o previstas, entre las regiones de intereses pre-seleccionados. Los resultados se pueden dilucidar las redes de regiones que procesan las condiciones relacionadas con el MVP, puede descomponerse mapas reflector MVPA en redes separadas, o se pueden comparar entre las tareas y los grupos de pacientes.

Los resultados de IC ahora se pueden visualizar utilizando el paquete de software de análisis de fMRI preferido por el investigador. Figura 2 muestra los resultados de IC, calculados a partir de bloques de hombre presentado visualmente hechos los objetos (detalles en la publicación asociada 7). El análisis de IC es particularmente valioso para las condiciones que se sabe han asociado MVPs: Condiciones de MVPs característicos, pero sin diferencias en las respuestas univariantes, son más propensos a tener distinciones entre IC y FC (ilustrado con datos que se registraron como participantes visto diferentes tipos de hombre realizado objetos en la Figura 3). Figura 4 muestra que los reflectores con información significativa multi-voxel puede tener un alto CI, pero no están tan bien representados en los resultados de FC. <img alt="Figura 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = &quot;500&quot; /&gt; .. Figura 1 Ejemplos de patrón discriminabilidad lo largo del tiempo superior:. Los sustratos de MVP discriminabilidad calculado a partir de un sujeto en Haxby et al (2001) 2, como se analiza en Coutanche y Thompson-Schill (2013) 7. La línea azul muestra la correlación z-anotado entre &#39;MVPs y la media de duración puntos patrón de la clase correcta (&quot;formación&quot;). Las líneas verdes representan correlaciones los MVPs &#39;con tres clases incorrectos. Abajo: discriminabilidad Patrón es la diferencia entre las correlaciones para la clase correcta y la clase más alta correctos. Puntos de tiempo con valores patrón discriminabilidad positivos serían clasificadas correctamente por un clasificador basado en la correlación. Figura publicado originalmente en Coutanche y Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta cifra</a>. <img alt="Figura 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> Figura 2. Mapas conectividad Ejemplo. Cada fila muestra regiones conectadas de manera significativa a una semilla (que se muestra en azul). Importancia se determina por una prueba t (p &lt;0,001) del grupo con el tamaño mínimo del conglomerado a partir de pruebas de permutación. Los resultados de IC se muestran utilizando AFNI 1 1 en los mapas de superficie producidos con FreeSurfer 1 2. La figura es una modificación de Coutanche y Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a> <img alt="Figura 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> Figura. 3 Synchronized MVP discriminabilidad comparó a significar la activación Ejemplos de MVP discriminabilidad en dos regiones con discriminabilidad MVP síncrona (es decir, la conectividad de información) sin activación sincrónica media (es decir, la conectividad funcional).; datos proceden de una asignatura de Haxby et al. (2001) 2, como se analiza en Coutanche y Thompson-Schill (2013) 7. Se recogieron Estos puntos de datos, mientras que el sujeto considera presentaciones visuales de los objetos hechos por el hombre, que se distinguen por los patrones de multi-voxel, pero no significan respuestas. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">Por favor, haga clic aquí para ver una versión más grande de esta figura.</a> <img alt="Figura 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> Figura 4. Ejemplo IC y los valores de CF entre una semilla en la LEFcircunvolución t fusiformes y reflectores de todo el cerebro. Informativo y fortalezas conectividad funcional (Z-ejes) se muestran entre una semilla y reflectores, con respecto a la respuesta media de cada reflector (eje x) y AFMV precisión de la clasificación (eje y) a cuatro tipos de objetos hechos por el hombre (por azar = 25%). Se eliminaron los reflectores compartiendo voxels con la región de la semilla. El gráfico de IC incluye ejemplos de reflectores con conectividad fuerte que tienen un alto rendimiento de la clasificación, pero los bajos niveles de respuesta media, que no son recogidos en un enfoque FC típica (visto por el hueco en el octante superior izquierda del gráfico de la derecha). Figura publicado originalmente en Coutanche y Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>

Watch this Scientific Journal Video about Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time at JoVE.com

Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time

Informational connectivity measures the correspondence between time courses of multi-voxel information across different brain regions. Multi-voxel pattern discriminability time series are extracted from regions and compared, revealing networks that are not identified in a typical functional connectivity approach.

Usando Informativo Conectividad para Medir la Aparición síncrono de fMRI multi-voxel información a través del tiempo

It is now appreciated that condition-relevant information can be present within distributed patterns of functional magnetic resonance imaging (fMRI) brain ...

using-informational-connectivity-to-measure-synchronous-emergence

Research

JoVE Journal

Neuroscience

12.2K vistas.  University of Pennsylvania. Informational connectivity measures the correspondence between time courses of multi-voxel information across different brain regions. Multi-voxel pattern discriminability time series are extracted from regions and compared, revealing networks that are not identified in a typical functional connectivity approach.

Video: Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time

Combining Transcranial Magnetic Stimulation and fMRI to Examine the Default Mode Network

The default mode network is a group of brain regions that are active when an individual is not focused on the outside world and the brain is at "wakeful rest."1,2,3 It is thought the default mode network corresponds to self-referential or "internal mentation".2,3
It has been hypothesized that, in humans, activity within the default mode network is correlated with certain pathologies (for instance, hyper-activation has been linked to schizophrenia 4,5,6 and autism spectrum disorders 7 whilst hypo-activation of the network has been linked to Alzheimer's and other neurodegenerative diseases 8). As such, noninvasive modulation of this network may represent a potential therapeutic intervention for a number of neurological and psychiatric pathologies linked to abnormal network activation. One possible tool to effect this modulation is Transcranial Magnetic Stimulation: a non-invasive neurostimulatory and neuromodulatory technique that can transiently or lastingly modulate cortical excitability (either increasing or decreasing it) via the application of localized magnetic field pulses.9
In order to explore the default mode network's propensity towards and tolerance of modulation, we will be combining TMS (to the left inferior parietal lobe) with functional magnetic resonance imaging (fMRI). Through this article, we will examine the protocol and considerations necessary to successfully combine these two neuroscientific tools.

In this article, we examine the methodology and considerations relevant to the combination of TMS and fMRI to examine the effects of brain stimulation on the default network.

La combinación de Estimulación Magnética Transcraneal y fMRI para examinar la red en modo por defecto

The default mode network is a group of brain regions that are active when an individual is not focused on the outside world and the brain is at "wakeful ...

Investigación

Neurociencias

Correlating Behavioral Responses to fMRI Signals from Human Prefrontal Cortex: Examining Cognitive Processes Using Task Analysis

The aim of this methods paper is to describe how to implement a neuroimaging technique to examine complementary brain processes engaged by two similar tasks. Participants' behavior during task performance in an fMRI scanner can then be correlated to the brain activity using the blood-oxygen-level-dependent signal. We measure behavior to be able to sort correct trials, where the subject performed the task correctly and then be able to examine the brain signals related to correct performance. Conversely, if subjects do not perform the task correctly, and these trials are included in the same analysis with the correct trials we would introduce trials that were not only for correct performance. Thus, in many cases these errors can be used themselves to then correlate brain activity to them. We describe two complementary tasks that are used in our lab to examine the brain during suppression of an automatic responses: the stroop1 and anti-saccade tasks. The emotional stroop paradigm instructs participants to either report the superimposed emotional 'word' across the affective faces or the facial 'expressions' of the face stimuli1,2. When the word and the facial expression refer to different emotions, a conflict between what must be said and what is automatically read occurs. The participant has to resolve the conflict between two simultaneously competing processes of word reading and facial expression. Our urge to read out a word leads to strong 'stimulus-response (SR)' associations; hence inhibiting these strong SR's is difficult and participants are prone to making errors. Overcoming this conflict and directing attention away from the face or the word requires the subject to inhibit bottom up processes which typically directs attention to the more salient stimulus. Similarly, in the anti-saccade task3,4,5,6, where an instruction cue is used to direct only attention to a peripheral stimulus location but then the eye movement is made to the mirror opposite position. Yet again we measure behavior by recording the eye movements of participants which allows for the sorting of the behavioral responses into correct and error trials7 which then can be correlated to brain activity. Neuroimaging now allows researchers to measure different behaviors of correct and error trials that are indicative of different cognitive processes and pinpoint the different neural networks involved.

The goal of our research is to correlate behavior to brain activity. Accurate behavioral measures and imaging techniques allow us to elucidate brain-behavior relationships.

La correlación entre las respuestas de comportamiento a las señales de fMRI de la corteza prefrontal humana: estudio de determinados procesos cognitivos Uso del análisis de tareas

The aim of this methods paper is to describe how to implement a neuroimaging technique to examine complementary brain processes engaged by two similar ...

Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging

The study of complex computational systems is facilitated by network maps, such as circuit diagrams. Such mapping is particularly informative when studying the brain, as the functional role that a brain area fulfills may be largely defined by its connections to other brain areas. In this report, we describe a novel, non-invasive approach for relating brain structure and function using magnetic resonance imaging (MRI). This approach, a combination of structural imaging of long-range fiber connections and functional imaging data, is illustrated in two distinct cognitive domains, visual attention and face perception. Structural imaging is performed with diffusion-weighted imaging (DWI) and fiber tractography, which track the diffusion of water molecules along white-matter fiber tracts in the brain (Figure 1). By visualizing these fiber tracts, we are able to investigate the long-range connective architecture of the brain. The results compare favorably with one of the most widely-used techniques in DWI, diffusion tensor imaging (DTI). DTI is unable to resolve complex configurations of fiber tracts, limiting its utility for constructing detailed, anatomically-informed models of brain function. In contrast, our analyses reproduce known neuroanatomy with precision and accuracy. This advantage is partly due to data acquisition procedures: while many DTI protocols measure diffusion in a small number of directions (e.g., 6 or 12), we employ a diffusion spectrum imaging (DSI)1, 2 protocol which assesses diffusion in 257 directions and at a range of magnetic gradient strengths. Moreover, DSI data allow us to use more sophisticated methods for reconstructing acquired data. In two experiments (visual attention and face perception), tractography reveals that co-active areas of the human brain are anatomically connected, supporting extant hypotheses that they form functional networks. DWI allows us to create a "circuit diagram" and reproduce it on an individual-subject basis, for the purpose of monitoring task-relevant brain activity in networks of interest.

We describe a novel approach for simultaneous analysis of brain function and structure using magnetic resonance imaging (MRI). We assess brain structure with high-resolution diffusion-weighted imaging and white-matter fiber tractography. Unlike standard structural MRI, these techniques allow us to directly relate anatomical connectivity to functional properties of brain networks.

Co-análisis de la estructura y función cerebral mediante resonancia magnética funcional y la difusión de imágenes ponderado

The study of complex computational systems is facilitated by network maps, such as circuit diagrams. Such mapping is particularly informative when ...

A Simple Way to Measure Alterations in Reward-seeking Behavior Using Drosophila melanogaster

We describe a protocol for measuring ethanol self-administration in fruit flies (Drosophila melanogaster) as a proxy for changes in reward states. We demonstrate a simple way to tap into the fly reward system, modify experiences related to natural reward, and use voluntary ethanol consumption as a measure for changes in reward states. The approach serves as a relevant tool to study the neurons and genes that play a role in experience-mediated changes of internal state. The protocol is composed of two discrete parts: exposing the flies to rewarding and nonrewarding experiences, and assaying voluntary ethanol consumption as a measure of the motivation to obtain a drug reward. The two parts can be used independently to induce the modulation of experience as an initial step for further downstream assays or as an independent two-choice feeding assay, respectively. The protocol does not require a complicated setup and can therefore be applied in any laboratory with basic fly culture tools.

A Simple Way to Measure Alterations in Reward-seeking Behavior Using Drosophila melanogaster

We describe a protocol for inducing rewarding and nonrewarding experiences in fruit flies (Drosophila melanogaster) using voluntary ethanol consumption as a measure for changes in reward states.

Una manera sencilla de medir alteraciones en el comportamiento de búsqueda de recompensa Uso<em&gt; Drosophila melanogaster</em

We describe a protocol for measuring ethanol self-administration in fruit flies (Drosophila melanogaster) as a proxy for changes in reward states. We ...

Analyzing Dendritic Morphology in Columns and Layers

In many regions of the central nervous systems, such as the fly optic lobes and the vertebrate cortex, synaptic circuits are organized in layers and columns to facilitate brain wiring during development and information processing in developed animals. Postsynaptic neurons elaborate dendrites in type-specific patterns in specific layers to synapse with appropriate presynaptic terminals. The fly medulla neuropil is composed of 10 layers and about 750 columns; each column is innervated by dendrites of over 38 types of medulla neurons, which match with the axonal terminals of some 7 types of afferents in a type-specific fashion. This report details the procedures to image and analyze dendrites of medulla neurons. The workflow includes three sections: (i) the dual-view imaging section combines two confocal image stacks collected at orthogonal orientations into a high-resolution 3D image of dendrites; (ii) the dendrite tracing and registration section traces dendritic arbors in 3D and registers dendritic traces to the reference column array; (iii) the dendritic analysis section analyzes dendritic patterns with respect to columns and layers, including layer-specific termination and planar projection direction of dendritic arbors, and derives estimates of dendritic branching and termination frequencies. The protocols utilize custom plugins built on the open-source MIPAV (Medical Imaging Processing, Analysis, and Visualization) platform and custom toolboxes in the matrix laboratory language. Together, these protocols provide a complete workflow to analyze the dendritic routing of Drosophila medulla neurons in layers and columns, to identify cell types, and to determine defects in mutants.

Here, we show how to analyze dendritic routing of Drosophila medulla neurons in columns and layers. The workflow includes a dual-view imaging technique to improve the image quality and computational tools for tracing, registering dendritic arbors to the reference column array and for analyzing the dendritic structures in 3D space.

Analizando dendríticas morfología en las columnas y capas

In many regions of the central nervous systems, such as the fly optic lobes and the vertebrate cortex, synaptic circuits are organized in layers and ...

A Protocol for the Administration of Real-Time fMRI Neurofeedback Training

Neurologic disorders are characterized by abnormal cellular-, molecular-, and circuit-level functions in the brain. New methods to induce and control neuroplastic processes and correct abnormal function, or even shift functions from damaged tissue to physiologically healthy brain regions, hold the potential to dramatically improve overall health. Of the current neuroplastic interventions in development, neurofeedback training (NFT) from functional Magnetic Resonance Imaging (fMRI) has the advantages of being completely non-invasive, non-pharmacologic, and spatially localized to target brain regions, as well as having no known side effects. Furthermore, NFT techniques, initially developed using fMRI, can often be translated to exercises that can be performed outside of the scanner without the aid of medical professionals or sophisticated medical equipment. In fMRI NFT, the fMRI signal is measured from specific regions of the brain, processed, and presented to the participant in real-time. Through training, self-directed mental processing techniques, that regulate this signal and its underlying neurophysiologic correlates, are developed. FMRI NFT has been used to train volitional control over a wide range of brain regions with implications for several different cognitive, behavioral, and motor systems. Additionally, fMRI NFT has shown promise in a broad range of applications such as the treatment of neurologic disorders and the augmentation of baseline human performance. In this article, we present an fMRI NFT protocol developed at our institution for modulation of both healthy and abnormal brain function, as well as examples of using the method to target both cognitive and auditory regions of the brain.

The ability to induce and/or control neural plasticity may be critical in future treatments for neurologic disorders and the recovery from brain injury. In this paper, we present a protocol on the use of neurofeedback training with functional magnetic resonance imaging to modulate human brain function.

Un protocolo para la administración de Real-Time fMRI entrenamiento de Neurofeedback

Neurologic disorders are characterized by abnormal cellular-, molecular-, and circuit-level functions in the brain. New methods to induce and control ...

Assay to Measure Nucleocytoplasmic Transport in Real Time within Motor Neuron-like NSC-34 Cells

Nucleocytoplasmic transport refers to the import and export of large molecules from the cell nucleus. Recently, a number of studies have shown a connection between amyotrophic lateral sclerosis (ALS) and impairments in the nucleocytoplasmic pathway. ALS is a neurodegenerative disease affecting the motor neurons and resulting in paralysis and ultimately in death, within 2-5 years on average. Most cases of ALS are sporadic, lacking any apparent genetic linkage, but 10% are inherited in a dominant manner. Recently, hexanucleotide repeat expansions (HREs) in the chromosome 9 open reading frame 72 (C9orf72) gene were identified as a genetic cause of ALS and frontotemporal dementia (FTD). Importantly, different groups have recently proposed that these mutants affect nucleocytoplasmic transport. These studies have mostly shown the final outcome and manifestations caused by HREs on nucleocytoplasmic transport, but they do not demonstrate nuclear transport dysfunction in real time. As a result, only severe nucleocytoplasmic transport deficiency can be determined, mostly due to high overexpression or exogenous protein insertion. 
This protocol describes a new and very sensitive assay to evaluate and quantify nucleocytoplasmic transport dysfunction in real time. The rate of import of a NLS-NES-GFP protein (shuttle-GFP) can be quantified in real time using fluorescent microscopy. This is performed by using an exportin inhibitor, thus allowing the shuttle GFP only to enter the nucleus. To validate the assay, the C9orf72 HRE translated dipeptide repeats, poly(GR) and poly(PR), which have been previously shown to disrupt nucleocytoplasmic transport, were used. Using the described assay, a 50% decrease in the nuclear import rate was observed compared to the control. Using this system, minute changes in nucleocytoplasmic transport can be examined and the ability of different factors to rescue (even partially) a nucleocytoplasmic transport defect can be determined.

This protocol describes a method to sensitively measure the nucleocytoplasmic transport rate within motor neuron-like NSC-34 cells by quantifying the real-time change in the nuclear import of a NLS-NES-GFP protein.

Ensayo para medir el transporte nucleocitoplasmático en tiempo real dentro de las células NSC-34 similares a neuronas motoras

Nucleocytoplasmic transport refers to the import and export of large molecules from the cell nucleus. Recently, a number of studies have shown a ...

Quadruple Immunostaining of the Olfactory Bulb for Visualization of Olfactory Sensory Axon Molecular Identity Codes

The mouse olfactory system is often used to study mechanisms of neural circuit formation&#12288;because of its simple anatomical structure. An Olfactory Sensory Neuron (OSN) is a bipolar cell with a single dendrite and a single unbranched axon. An OSN expresses only one Olfactory Receptor (OR) gene, OSNs expressing a given type of OR converge their axons to a few sets of invariant glomeruli in the Olfactory Bulb (OB). A remarkable feature of OSN projection is that the expressed ORs play instructive roles in axonal projection. ORs regulate the expression of multiple axon-sorting molecules and generate the combinatorial molecular code of axon-sorting molecules at the OSN axon termini. Thus, to understand the molecular mechanisms of OR-specific axon guidance mechanisms, it is vital to characterize their expression profiles at the OSN axon termini within the same glomerulus. The aim of this article was to introduce methods for collecting as many glomeruli as possible on a single OB section and for performing immunostaining using multiple antibodies. This would allow the comparison and analysis of the expression patterns of axon-sorting molecules without staining variation between OB sections.

Olfactory sensory neurons express a wide variety of axon-sorting molecules to establish proper neural circuitry. This protocol describes an immunohistochemical staining method to visualize combinatorial expressions of axon-sorting molecules at the axon termini of olfactory sensory neurons.

Imunocoloración Cuádruple del Bulbo Olfativo para la Visualización de Códigos de Identidad Molecular del Axón Sensorial Olfativo

The mouse olfactory system is often used to study mechanisms of neural circuit formation&#12288;because of its simple anatomical structure. An Olfactory ...

Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software

Measuring neural activity and connectivity associated with cognitive functions at high spatial and temporal resolutions is an important goal in cognitive neuroscience. Intracranial electroencephalography (EEG) can directly record electrical neural activity and has the unique potential to accomplish this goal. Traditionally, averaging analysis has been applied to analyze intracranial EEG data; however, several new techniques are available for depicting neural activity and intra- and inter-regional connectivity. Here, we introduce two analytical protocols we recently applied to analyze intracranial EEG data using the Statistical Parametric Mapping (SPM) software: time-frequency SPM analysis for neural activity and dynamic causal modeling of induced responses for intra- and inter-regional connectivity. We report our analysis of intracranial EEG data during the observation of faces as representative results. The results revealed that the inferior occipital gyrus (IOG) showed gamma-band activity at very early stages (110 ms) in response to faces, and both the IOG and amygdala showed rapid intra- and inter-regional connectivity using various types of oscillations. These analytical protocols have the potential to identify the neural mechanisms underlying cognitive functions with high spatial and temporal profiles.

We present two analytical protocols that can be used to analyze intracranial electroencephalography data using the Statistical Parametric Mapping (SPM) software: time-frequency statistical parametric mapping analysis for neural activity, and dynamic causal modeling of induced responses for intra- and inter-regional connectivity.

Análisis de actividad de los nervios y conectividad mediante datos EEG intracraneal con Software SPM

Measuring neural activity and connectivity associated with cognitive functions at high spatial and temporal resolutions is an important goal in cognitive ...

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Non-invasive electrophysiological recordings are useful for the evaluation of nervous system function. These techniques are inexpensive, fast, replicable, and less resource-intensive than imaging. Further, the functional data produced have excellent temporal resolution, which is not achievable with structural imaging.
Current applications of electroencephalograms (EEG) are limited by data processing methods. Standard analysis techniques using raw time series data at individual channels are very limited methods of interrogating nervous system activity. More detailed information about cortical function can be achieved by examining relationships between channels and deriving statistical models of how areas are interacting, allowing visualization of connectivity between networks.
This manuscript describes a method for deriving statistical models of cortical network activity by recording EEG in a standard manner, then examining the interelectrode coherence measures to assess relationships between the recorded areas. Higher order interactions can be further examined by assessing the covariance between the coherence pairs, producing high-dimensional &#34;maps&#34; of network interactions. These data constructs can be examined to assess cortical network function and its relationship to pathology in ways not achievable with traditional techniques.
This approach offers greater sensitivity to network level interactions than is achievable with raw time series analysis. It is, however, limited by the complexity of drawing specific mechanistic conclusions about the underlying neural populations and the high volumes of data generated, requiring more advanced statistical techniques for evaluation, including dimensionality reduction and classifier-based approaches.

Standard EEG analysis techniques offer limited insight into nervous system function. Deriving statistical models of cortical connectivity offers far greater ability to investigate underlying network dynamics. Improved functional assessment opens new possibilities for diagnosis, prognostication, and outcome prediction in nervous system diseases.

Modelado estadístico de la conectividad cortical mediante electroencefalogramas no invasivos

Non-invasive electrophysiological recordings are useful for the evaluation of nervous system function. These techniques are inexpensive, fast, replicable, ...