Nous remercions Jim Haxby et ses collègues pour rendre leurs données disponibles pour d&#39;autres analyses. Marc N. Coutanche a été financée par une bourse de l&#39;Institut médical Howard Hughes. Ce travail a été financé par des subventions du NIH R0I-DC009209 et R01-EY02171701 attribué à Sharon L. Thompson-Schill.

1. Préparer les données IRMf Remarque: Après avoir effectué un scanner IRMf, pré-traiter les données recueillies à l&#39;aide des outils disponibles dans la plupart des logiciels IRMf avant de commencer ce protocole (bien que le lissage spatial devrait être évité ou minimisé de préserver les modèles multi-voxels). Un exemple d&#39;un ensemble de données approprié est décrit dans une demande antérieure de la méthode 7. <ol><li> Retirez le mouvement et la moyenne des signaux de la substance blanche de la série temporelle des données IRMf pré-traitées par la création d&#39;un modèle de régression avec des prédicteurs de paramètres de mouvement (roulis, tangage, lacet, x, y, z) et signifie signal de la substance blanche. Effectuer les analyses ci-dessous sur les résidus résultant (c.-à-la variance résiduelle). </li><li> Importez les résidus générés dans un logiciel d&#39;analyse (par exemple, MATLAB, Python). L&#39;open source informationnelle connectivité Boîte à outils (http://www.informationalconnectivity.org) peut importer des données d&#39;IRMf dans MATLAB. </li><li> Z-score eacla série de temps h de voxel. </li><li> Séparer les points dans le temps de l&#39;ensemble de données en ensembles indépendants (les &quot;plis&quot;), tels que les différents passages du scanner. Remarque: L&#39;utilisation du scanner courses assure l&#39;indépendance entre les plis, qui peuvent autrement être difficiles à garantir (par exemple, les dépendances pourraient être créés entre les points dans le temps d&#39;une exécution au cours de pré-traitement). Fonctionne pourraient être regroupés afin de réduire le nombre de plis (par exemple, pairs et impairs essais 2), bien que l&#39;utilisation de seules courses donnera plus de données de formation. </li><li> Créer un registre des étiquettes de condition associée à timepoints en générant un vecteur de conditions étiquettes qui est N timepoints longtemps. </li><li> Déplacer les étiquettes d&#39;état en avant dans chaque géré par un certain nombre de fois-à répétition (TR) équivalant à 5 secondes, afin de tenir compte de l&#39;horaire hémodynamique entre les événements et les signaux IRMf enregistrés. </li></ol> 2. Sélectionner et analyser une région de semences <ol><li> Sélectionnez une région des semences par l&#39;isolement d&#39;un anatomiquela zone d&#39;al, région fonctionnellement localisée ou plus performants &#39;information cartographique des cerveaux »projecteurs 10. Remarque: les étapes 02.02 à 04.02 ci-dessous peut être effectuée par le open-source connectivité informationnelle MATLAB Toolbox ( <a href="http://www.informationalconnectivity.org">http://www.informationalconnectivity.org</a> ). </li><li> Comparer le MVP de chaque point dans le temps à un MVP prototype pour chaque condition (Note: cette approche est la même que celui utilisé dans la base de corrélation populaire le plus proche voisin classificateur 2). Figure 1 (en haut) donne un exemple de données réelles recueillies dans le participants ont vu des blocs de quatre types d&#39;objets artificiels. <ol><li> Calculer un (moyen) MVP prototype pour chaque condition par la moyenne des points de temps de chaque état dans tous-mais-un pli. Ce sont les données «de formation» pour chaque fois (par exemple, pour 2 fois 5, moyennes-MVP sont calculées à partir de points de temps en plis 1, 3, 4, et 5). </li><li> Corréler chaque point de temps &#39;; De MVP à la moyenne-MVP de chaque état à partir des données de formation. Cela donnera chaque point de temps une valeur de corrélation pour chaque condition (Remarque: l&#39;état avec la plus forte corrélation ici serait la prédiction de la corrélation populaire classificateur APMV base 2) </li><li> Fisher-transformer les valeurs r à z-scores. </li></ol></li><li> Quantifier &quot;MVP discriminabilité» pour chaque heure: d&#39;abord identifier la corrélation de 2.2.3 qui représente la relation entre MVP de la timepoint et la moyenne-MVP de l&#39;état de cette date jalon, puis soustraire le plus élevé des corrélations restantes (c&#39;est à dire «corrélation avec exactitude état de «moins» corrélation maximale avec un état incorrect »). Le résultat est le MVP discriminabilité de ce point de temps. Une approche alternative (et valide) serait de soustraire la corrélation moyenne des mauvaises conditions. Remarque: L&#39;approche proposée a l&#39;avan intuitivege que timepoints avec des valeurs de discriminabilité positifs sont correctement classé par la corrélation basée sur le classificateur, tandis que timepoints avec des valeurs négatives ne sont pas correctement prédit. Un exemple des valeurs résultant est représenté sur la figure 1 (bas). Les étapes jusqu&#39;à ce point sont capturés dans les formules ci-dessous. <img alt="2.3 équations" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> X est un vecteur ligne normalisée 1 par m avec des valeurs d&#39;activation m de voxel au point dans le temps n, y est un vecteur normalisé 1 par m ligne du modèle de formation de moyenne pour correct (c) ou (i) de mauvaises conditions pour point de temps n. La fonction de artanh s&#39;applique Fisher transformée en z. </li></ol> 3. Calculer une série chronologique de MVP discriminabilité pour chaque projecteur <ol><li> Procéder à une analyse de projecteur 10: Déposer une c tridimensionneléclat autour de chaque voxel à son tour (un «projecteur»). </li><li> Répétez les étapes 2.2 et 2.3 pour chaque projecteur, de sorte que chaque projecteur dispose d&#39;une série de valeurs de temps de discriminabilité MVP (de un par point de temps). </li></ol> 4. Calcul informationnel connectivité entre les semences et projecteurs <ol><li> Corréler MVP de la série de temps de discriminabilité de la semence (de 2,3) avec discriminabilité temps la série de chacun des projecteurs (de 3,2) en utilisant Rang de corrélation de Spearman. La valeur de la r résultant est le IC entre la semence et projecteur. </li><li> Affectez la valeur IC de chacun des projecteurs de voxel central du projecteur et d&#39;écrire cerveau la carte de l&#39;individu qui en résulte. </li></ol> 5. Calculer le Groupe Carte statistique <ol><li> IC Si les données ne sont pas déjà en standard l&#39;espace (par exemple, Talairach ou INM), transforment participants cartes dans le même espace. </li><li> Lisser éventuellement les individus et# 39; cartes de projecteurs. </li><li> Créer une carte statistique de groupe à l&#39;aide d&#39;un test t un moyen pour savoir si la valeur IC de chaque projecteur est nettement supérieure à zéro. </li></ol> 6. Importance d&#39;essai Remarque: De nombreuses approches existent pour déterminer la signification statistique des cartes de groupe IRMf. Comme un test de permutation peut déterminer l&#39;importance des hypothèses minimales, tout en tenant compte du niveau de lissage (comme chaque carte de groupe permuté subit le même traitement) de l&#39;ensemble de données, cette option est décrite ci-dessous. <ol><li> Pour chacun des 1000 permutations, mélangez au hasard les valeurs MVP-de discriminabilité de la semence dans la série chronologique. Conserver timepoints adjacentes avec autocorrélations temporelles (comme points de temps dans le même bloc) en même temps (par exemple, en mélangeant les blocs adjacents plutôt que TRs). </li><li> Calculer les cartes IC individuels pour chaque permutation (étape 4 ci-dessus). </li><li> Générer 1000 cartes de groupe permutés: Randomly sélectionner un plan permuté IC de chaque participant et effectuer un test de groupe sur cet ensemble aléatoire (étape 5 ci-dessus). </li><li> Seuil chaque carte de groupe permuté à un seuil souhaité (par exemple, p &lt;0,001) et extraire la taille de cluster maximale de la carte. </li><li> Trier le mille volumes maximale munitions résultant et identifier la taille de cluster au 95 e centile (par exemple, le 50 e plus grand pour 1000 permutations). </li><li> Appliquer le seuil utilisé dans 6.4 (par exemple, p &lt;0,001) et la taille de cluster minimum de 6,5 au réel (non permuté) IC carte de groupe afin de rendre cluster corrigée à p &lt;0,05. Parce que chaque carte permuté s&#39;appuie sur les mêmes valeurs de discriminabilité MVP (dans un ordre différent), cette carte de signification souligne régions avec plusieurs valeurs de discriminabilité synchrones que prévu par hasard. </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.

Connectivité d&#39;information a la sensibilité de APMV à l&#39;information de modèle distribué, et donne une capacité à étudier les interactions entre-région à travers une approche de connectivité. APMV et analyses unidimensionnelles standard peuvent chaque révéler l&#39;implication des régions distinctes, parfois avec peu de chevauchement entre les résultats 1 3. Comme prévu pour une méthode qui s&#39;appuie sur ces approches d&#39;analyse, IC et le FC donnent également des résultats complémentaires 7. La décision de savoir s&#39;il faut employer IC dépendra en définitive les conditions visées par l&#39;enquête et les questions théoriques étant posées. Les considérations de conception qui ont un impact si APMV est effectuée sur un ensemble de données auront également une incidence si IC est utilisé. Études visant à IC explicitement à l&#39;esprit voudront suivre les recommandations pour APMV 1 4, tout en veillant à ce que les données au niveau des procès peuvent être extraits à travers la timecourse de l&#39;analyse. Lors de l&#39;examenet présenter les résultats d&#39;IC, il est important que les projecteurs se chevauchant avec la graine sont enlevées, afin d&#39;éviter la circularité. En outre, si l&#39;on compare directement IC et FC résultats, il est recommandé de comparer en outre une analyse de la FC sur la base de l&#39;activation du moyen de projecteurs, plutôt que simplement des voxels. Cette analyse supplémentaire peut faire en sorte que les différences entre les résultats ne sont pas à cause des différences dans les niveaux de signal-bruit dans les projecteurs par rapport voxels. La procédure décrite ici se concentre principalement sur une analyse exploratoire utilisant des projecteurs. Il est à noter que par le remplacement des projecteurs avec des régions d&#39;intérêt, IC peut également comparer les régions qui sont sélectionnés avant un i. La mesure de discriminabilité actuelle - comparer la corrélation de MVP pour la «vraie» état de la corrélation pour la condition maximale suppléant - est également modifiable. Beaucoup de classificateurs d&#39;apprentissage automatique ont des poids de prévision pour diffclasses de érents, ce qui pourrait facilement remplacer les comparaisons de corrélation effectuées ici (par exemple, pour suivre la «confiance» d&#39;un classificateur au fil du temps). IC a une variété d&#39;utilisations potentielles. En plus d&#39;être une analyse primaire d&#39;enquêter sur les réseaux d&#39;information, IC peut être une analyse de suivi secondaire à un projecteur APMV. Cartes de projecteurs MVPA sont précieux pour comprendre quelles régions peuvent distinguer des conditions différentes, mais ne sont généralement pas ventilées dans les différents réseaux. L&#39;approche IC peut aider ici, en révélant qui fixe des projecteurs ont discriminabilité synchrone. Enfin, les cartes IC de tâches différentes peuvent être comparés afin de comprendre les réseaux de tâches, et les patients peuvent être comparés à des contrôles afin de mieux comprendre comment plusieurs voxels des différences de 1 à 5 se manifestent au niveau du réseau.

L&#39;objectif de la méthode d&#39;analyse décrite ici est de mesurer la connectivité entre les régions du cerveau basé sur les fluctuations de leurs informations multi-voxel. Les progrès de l&#39;imagerie par résonance magnétique fonctionnelle (IRMf) des techniques d&#39;analyse ont révélé qu&#39;une grande quantité d&#39;informations peut être contenue à l&#39;intérieur (en gras) motifs niveau sang-oxygénation dépendantes activité qui sont distribués sur plusieurs voxels 1-3. Un ensemble de techniques qui sont sensibles à l&#39;information multivariée - connus sous le nom d&#39;analyse de modèle multi-voxel (APMV) - a été utilisé pour montrer que les conditions peuvent avoir MVP distinctes malgré réponses distinguer une variable 1,2,4. Les analyses standard, qui comparent les réponses à une variable, peuvent être insensibles à cette information multi-voxel. Plusieurs régions du cerveau sont engagés quand les humains traitent les stimuli et effectuer des opérations cognitives. Connectivité fonctionnelle (FC) est une méthode couramment utilisée pour enquêterporte ces réseaux fonctionnels 5,6. Dans sa forme la plus basique, le FC quantifie co-activation ou la synchronisation entre différents voxels ou régions. FC a été utilisé pour identifier les réseaux du cerveau fonctionnellement connectés avec beaucoup de succès. Pour de nombreuses régions et les conditions, cependant, les réponses à une variable ne reflètent pas toutes les informations disponibles dans l&#39;activité BOLD. Techniques FC qui suivent l&#39;évolution dynamique des niveaux de réponse à une variable peuvent manquer de sensibilité aux fluctuations communes en matière d&#39;information multi-voxel. La méthode d&#39;analyse présentée ici, la connectivité d&#39;information (IC; d&#39;abord décrit dans un article récent 7), comble une lacune entre APMV et FC, en mesurant la connectivité avec une métrique qui est sensible à l&#39;information multi-voxel dans le temps. Tandis que le FC écoutes changeant dynamiquement activation univariée, IC suivi de l&#39;évolution dynamique MVP discriminabilité - une mesure de la façon dont la situation réelle d&#39;un MVP peut être distinguée de solutions de rechange (erronés). Fait important, dans til même manière que les différentes régions peut montrer des niveaux similaires de réponses à une variable à un état ​​malgré effectuer des calculs distincts (par exemple, traitement visuel ou de la planification de l&#39;action quand une personne regarde des objets artificiels), des régions distinctes peuvent également avoir des niveaux de MVP similaires (et synchronisés) discriminabilité alors qu&#39;ils traitent des conditions différemment. Une enquête récente a démontré que IC peut révéler la connectivité inter-régional qui n&#39;est pas détectable avec une approche standard FC 7. Les enquêteurs peuvent donc utiliser IC pour sonder les interactions entre les régions du cerveau que les participants répondent à des conditions ou à des stimuli qui ont des motifs répartis caractéristiques. IC est distincte de plusieurs applications de connectivité récentes qui ont examiné les fluctuations de l&#39;activation univariée par rapport aux résultats de classification 8, 9. Contrairement à ces approches, IC détecte synchrone multi-voxel modèle discriminabilité entre les régions.

<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

Il est maintenant apprécié que l&#39;information de l&#39;état-pertinente peut être présent dans les modèles distribués de l&#39;imagerie par résonance magnétique fonctionnelle (IRMf) l&#39;activité du cerveau, même pour les conditions avec des niveaux similaires d&#39;activation univariée. Modèle multi-voxel (MVP) analyse a été utilisée pour décoder cette information avec beaucoup de succès. Enquêteurs IRMf aussi cherchent souvent à comprendre comment les régions du cerveau interagissent en réseaux interconnectés, et utilisent la connectivité fonctionnelle (FC) pour identifier les régions qui ont une corrélation réponses au fil du temps. Tout comme analyse univariée peuvent être insensibles à l&#39;information dans les MVP, FC peut pas caractériser pleinement les réseaux cérébraux qui traitent des conditions avec des signatures MVP caractéristiques. La méthode décrite ici, la connectivité d&#39;information (IC), permet d&#39;identifier les régions et les variations corrélées à MVP-discriminabilité à travers le temps, révélant que la connectivité n&#39;est pas accessible aux FC. La méthode peut être exploratoire, en utilisant des projecteurs pour identifier les semences connzones ète, ou prévues, entre les régions d&#39;intérêt pré-sélectionnés. Les résultats peuvent élucider les réseaux de régions qui traitent des conditions MVP liées, panne peut cartes de projecteurs MVPA dans des réseaux distincts, ou peuvent être comparés entre les tâches et les groupes de patients.

Les résultats IC peuvent maintenant être affichées en utilisant préféré IRMf analyse progiciel de l&#39;enquêteur. Figure 2 montre les résultats d&#39;IC, calculées à partir des blocs de l&#39;homme présenté visuellement fabriquaient des objets (tous les détails dans la publication associée 7). L&#39;analyse IC est particulièrement utile pour des conditions connues pour avoir associé MVP: Conditions de MVP caractéristiques, mais sans différences dans les réponses à une variable, sont plus susceptibles d&#39;avoir des distinctions entre les IC et FC (illustré avec des données qui a été enregistré en tant que participants vu différents types de l&#39;homme fait des objets à la figure 3). Figure 4 montre que les projecteurs de l&#39;information importante multi-voxel peut avoir une grande IC, mais sont moins bien représentés dans les résultats FC. <img alt="Figure 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = &quot;500&quot; /&gt; .. Figure 1 Exemples de modèle discriminabilité au fil du temps Haut:. Les substrats de MVP discriminabilité calculé à partir d&#39;un sujet dans Haxby et al (2001) 2, comme analysé dans Coutanche &amp; Thompson-Schill (2013) 7. La ligne bleue montre la corrélation de z-marqué entre les MVP et de la moyenne temps-points («formation») motif de la bonne classe. Les lignes vertes représentent les corrélations des MVP avec trois classes incorrectes. En bas: Modèle discriminabilité est la différence entre corrélations pour la classe correcte et classe la plus élevée incorrects. Points dans le temps avec des valeurs motif de discriminabilité positifs seraient correctement classés par un classificateur à base de corrélation. Figure initialement publié en Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">S&#39;il vous plaît cliquer ici pour voir une version plus grande de cette figure</a>. <img alt="Figure 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> Figure 2. Connectivité cartes Exemple. Chaque ligne montre régions connectées de manière significative à une graine (en bleu). Elle est déterminée par un test t (p &lt;0,001) avec le groupe de taille minimum de la grappe de test de permutation. Les résultats sont affichés à l&#39;aide de circuits intégrés AFNI 1 1 sur les cartes de surface produits par FreeSurfer 1 2. Figure est modifié à partir Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">S&#39;il vous plaît cliquer ici pour voir une version plus grande de cette figure.</a> <img alt="Figure 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> Figure. 3 synchronisée MVP discriminabilité rapport à signifier activation exemples de MVP discriminabilité dans deux régions avec discriminabilité de MVP synchrone (ie connectivité information) sans activation synchrone moyenne (c&#39;est à dire de la connectivité fonctionnelle).; données proviennent d&#39;un sujet de Haxby et al. (2001) 2, comme analysé dans Coutanche &amp; Thompson-Schill (2013) 7. Ces points de données ont été recueillies alors que le sujet considéré présentations visuelles de l&#39;homme a fait des objets, qui se distinguent par des motifs multi-voxels, mais pas dire des réponses. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">S&#39;il vous plaît cliquer ici pour voir une version plus grande de cette figure.</a> <img alt="Figure 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> Figure 4. Exemple IC et les valeurs FC entre une graine dans la FAgyrus t fusiforme et projecteurs à travers le cerveau. informationnel et forces de connectivité fonctionnelle (z-axes) sont présentés entre une graine et les projecteurs, à l&#39;égard de la réponse moyenne de chacun des projecteurs (axe des x) et la précision de la classification APMV (axe des y) à quatre types de l&#39;homme a fait des objets (la chance = 25%). Searchlights partageant voxels avec la région de germes ont été enlevés. Le graphique IC comprend des exemples de projecteurs avec une connectivité solide ayant les meilleures performances de classification élevé, mais les taux de réponse moyen à faible, qui ne sont pas ramassés dans une approche typique de FC (vu par l&#39;écart dans l&#39;octant en haut à gauche de la figure de droite). Figure initialement publié en Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">S&#39;il vous plaît cliquer ici pour voir une version plus grande de cette figure.</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.

Utilisation informationnel connectivité mesurer l&#39;émergence synchrone de l&#39;IRMf Multi-voxel information à travers les âges

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 vues.  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.

Vidéo: 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.

Alliant la stimulation magnétique transcrânienne et l&#39;IRMf pour examiner le réseau en mode par défaut

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 ...

Recherche

Neurosciences

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.

Corrélation entre réponses comportementales aux signaux IRMf de cortex préfrontal humain: l&#39;examen des processus cognitifs en utilisant l&#39;analyse des tâches

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-analyse de la structure du cerveau et son fonctionnement en utilisant l&#39;IRMf et imagerie de diffusion

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.

Un moyen simple pour mesurer Transformations en récompense le comportement de recherche Utilisation<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.

Analyse dendritique Morphologie dans les colonnes et les couches

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 protocole pour l’Administration de la Real-Time IRMf formation 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.

Essai pour mesurer le transport des nucléocytoplasmes en temps réel dans les cellules NSC-34 de type Neuron moteur

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.

Immunomarquage quadruple de l&#39;ampoule olfactive pour la visualisation des codes d&#39;identité moléculaire des axes sensoriels olfactifs

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.

Analyser l’activité neurale et la connectivité à l’aide des données EEG intracrânienne avec logiciel 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.

Modélisation statistique de la connectivité corticale à l'aide d'électroencéphalogrammes non invasifs

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