Questo lavoro è stato sostenuto da Grant No. P50NS071675 (Morris K. Udall Centro di Eccellenza nella ricerca sulle malattie di Parkinson presso il Feinstein Institute for Medical Research) di DE presso l&#39;Istituto nazionale dei disordini neurologici e colpo. Il contenuto è di esclusiva responsabilità degli autori e non rappresentano necessariamente il punto di vista ufficiale del National Institute of Neurological Disorder and Stroke o il National Institutes of Health. Lo sponsor non ha giocato un ruolo nel disegno dello studio, la raccolta, l&#39;analisi e l&#39;interpretazione dei dati, la scrittura del report o nella decisione di presentare la carta per la pubblicazione.

1. Raccolta dati e pre-elaborazione <ol><li> Il metodo di SSM / PCA può essere applicata a immagini di volume singole ottenuti da varie fonti e modalità. In particolare, per la on-site di imaging PET del metabolismo, preparare un adeguato tracciante radionuclide ad esempio [18 F]-fluorodeossiglucosio (FDG) e somministrare a ciascun paziente. I pazienti sono di solito sottoposti a scansione a riposo con gli occhi aperti, a seguito di un digiuno di almeno 12 ore, fuori farmaci. </li><li> Scansione di ogni oggetto di valutazione individuale o di gruppo. Per il modello di derivazione, la scansione di un numero uguale di pazienti e controlli di genere e di pari età. </li><li> Trasferimento di dati ad una stazione di lavoro e convertire in un formato appropriato per l&#39;analisi in piattaforma. Il nostro PC basato su Windows software di analisi di MATLAB (scanvp, ssm_pca, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> ) richiede ANALIZZA o immagini in formato NIfTI (Mayo Clinic, Rochester, MN). Esso fornisce una conversione di routine to trasformata di GE Advance (Milwaukee, WI, USA) scanner e altre immagini in formato di analizzare formato. </li><li> Normalizzare l&#39;immagine di ogni soggetto ad uno spazio stereotassico comune (ad esempio Montreal Neurological Institute [MNI]) usando un pacchetto software standard di neuroimaging come la mappatura statistica parametrica (SPM) ( <a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a> ) in modo che vi sia uno-a-uno corrispondenza dei valori voxel tra soggetti (Figura 2). Mascherare di limitare l&#39;analisi alle aree di sostanza grigia (Figura 3) e la trasformazione log sono descritte nei passi successivi. </li></ol> 2. Eseguire SSM multivariata / PCA Operazioni per multivariata SSM / PCA (Figura 4) possono essere eseguite da un software esterno. I passi dettagliati seguito riflettono procedure svolte per lo più automaticamente dal nostro in-house routine (Figura 5) (scanvp / ssmpca, <a href="http://www.feinsteinneuroscience.org" target="_blank">www.feinsteinneuroscience.org</a> disponibile anche come SPM toolbox ssm_pca). <ol><li> Dati maschera utilizzando una immagine disponibile 0/1 da rimuovere aree non desiderate dello spazio voxel come sostanza bianca e ventricoli. Utilizzando la routine ssmpca, all&#39;utente viene data la possibilità di selezionare il predefinito o altra maschera esterna (figura 3) o di avere il programma crea automaticamente una maschera rimuovendo valori inferiori a una percentuale fissa selezionata di dati massimo di ogni soggetto. Soggetti maschere individuali sono quindi moltiplicati per determinare una maschera composito. Le aree all&#39;interno della maschera definiscono uno spazio comune voxel non-zero per l&#39;analisi. </li><li> Convertire mascherati immagini dati voxel 3D di ciascun soggetto ad una continua vettore riga aggiungendo linee di scansione sequenziale da aerei consecutivi (Figura 4a). Formare una matrice di dati gruppo (D) in modo che i dati di ogni soggetto corrisponde una specifica row della matrice. Ogni colonna rappresenta quindi un particolare voxel attraverso soggetti. Idealmente, per biomarker derivazione, la matrice sarà composta da un numero uguale di righe di dati soggetti normali di controllo e dati soggetti malattie. </li><li> Trasforma ogni voce di dati a forma logaritmica. </li><li> Centrare la matrice di dati sottraendo ogni media riga o soggetto significa dagli elementi di riga. La media di tutte le righe centrate rappresenta un gruppo caratteristico significa immagine di registro definito un profilo di media di gruppo (GMP, Figura 4a). Sottrarre i mezzi a colonna che sono gli elementi del GMP dai corrispondenti elementi a colonna della matrice. Ogni riga della doppia matrice centrata rappresenta un&#39;immagine &#39;residuale&#39; definito un profilo residuale soggetto (SRP) i cui elementi rappresentano deviazioni dalla sia il soggetto s e voxel V GRUPPO mezzi (figura 4b). SRP sv = logd sv - significherebbe s - GMP v </li><li> Costruire il subject-by-soggetto matrice di covarianza C della doppia matrice composita dati centrato calcolando la covarianza non normalizzata tra ogni coppia soggetto i, j di SRP righe di matrice valutata come prodotto di corrispondenti elementi voxel cumulativamente su tutti voxel v (Figura 4b) . C ij = Σ v (SRP iv x SRP jv) </li><li> Applicare PCA al soggetto-by-soggetto della matrice di covarianza C. I risultati saranno un insieme di soggetti punteggio autovettori con autovalori associati. Ponderare ciascun vettore moltiplicando per la radice quadrata della sua corrispondente autovalore. L&#39;insieme di autovettori punteggio è rappresentato dalle colonne della matrice risultante S in Figura 4c. </li><li> Autovettori voxel per lo stesso insieme di autovalori possono essere determinati applicando PCA alla colonna di matrice di covarianza colonna o da questa alternativa computazionalmente meno esigente procedure raffigurato in (Fig. 4c). Sinistra moltiplicare la matrice vettore punteggio precedentemente derivata dalla SRP matrice trasposta di ricavare una matrice P di autovettori modello voxel in ordine di autovalori (Figura 4c, Figura 6, Figura 7a) decrescente. P = prezzo consigliato T x S Ciascun vettore colonna rappresenta una componente principale (PC) modello immagine dell&#39;analisi SSM / PCA attribuito ad una percentuale della varianza totale rappresentato (VAF) corrispondente alla dimensione relativa del suo autovalore. </li></ol> 3. Modello biomarcatori Derivazione <ol><li> Esaminare i risultati dell&#39;analisi precedente per determinare i modelli di PC che sono associati con elevati valori VAF. All&#39;interno la nostra routine, vettori modello voxel sono Z-trasformate in modo che i loro valori rappresentano deviazioni standard positivi e negativi della loro media. Vengono poi rimodellati in formato immagine prima di visualizzare (Figura 7a). </li><li&gt; In alcuni casi modelli con accertate deviazioni regionali associati alla malattia possono essere identificati visivamente. La formulazione matematica considera forme positive e negative dei PC derivati ​​come soluzioni equivalenti in questo caso entrambi i PC ed i loro punteggi associati possono essere moltiplicato per meno uno a conformarsi a un fisicamente corretta interpretazione. </li><li> I punteggi corrispondenti ad ogni modello di PC vengono visualizzati come grafici a barre e grafici a dispersione (Figura 7). Un ROC plot opzionale può essere generato (Figura 7d). Per identificare un modello specifico di malattia, notare la differenziazione dei soggetti punteggi tra pazienti e controlli riflesse dalle p-value dei corrispondenti su due campioni t-test e valori di AUC. Limitare l&#39;analisi a quei pc associati ad un&#39;elevata VAF ed elevata differenziazione per alcuni valori di taglio fissi (ad esempio, p &lt;0,05 e VAF&gt; 5%). In genere, solo uno o due PC soddisfano questo criterio per i dati PET. </li><li> Ci sono variOus altri modi per la selezione del PC che possono essere considerati 44. Il grafico decrescente degli autovalori sequenziali (Figura 6) può dare un valore di cutoff tagliente rappresentato da una curva della curva e di una forte riduzione della pendenza della curva in cui autovalori cominciano a degenerare. Un altro approccio è quello di includere tutti i PC che rappresentano il top 50% della varianza. Una procedura ampiamente accettato è quello di calcolare l&#39;informazione di Akaike (AIC) 45 per determinare quale combinazione di PC definire il modello con il valore più basso AIC in grado di distinguere tra pazienti e controlli. </li><li> Il PC selezionato (s) può essere vettore normalizzato e linearmente combinati per produrre un unico modello di relazione con la malattia. Il nostro software utilizza facoltativamente la funzione glmfit MATLAB per determinare i coefficienti basati su modelli di regressione logistica o altro applicati a soggetti punteggi. Anche se la differenziazione dei pazienti e gruppi di controllo migliora di solito con gli altri PC considerati nel degruppo rivation, i modelli risultanti sono una rappresentazione composita che non può corrispondere a una singola rete fisica o può incorporare deviazioni outlier (figure 7a e 7c). </li><li> E &#39;necessaria un&#39;ulteriore convalida per l&#39;affidabilità e potenziali significato. Ricampionamento bootstrap può essere eseguita come discusso sotto 8 per identificare i voxel più affidabili all&#39;interno dell&#39;insieme di dati originale derivazione associata alla deviazione standard nella ripetuta almeno derivazione pattern. Inoltra la convalida viene eseguita per verificare la sensibilità e la specificità della discriminazione gruppo indipendente derivando punteggi per i futuri gruppi di pazienti e controlli utilizzando il singolo soggetto metodo di valutazione punteggio (Figura 4d) descritto nel segmento successivo del protocollo. </li></ol> 4. Singolo soggetto Valutazione prospettica valutazione con un biomarcatore predeterminata <ol><li> Una volta che un significativo modello biomarcatore SSM-GISè stato identificato, un punteggio per la sua espressione in un soggetto prospettico può essere valutato da scansione quell&#39;individuo utilizzando un semplice calcolo del prodotto vettoriale interna del soggetto SRP vettoriale e il modello vettoriale GIS (Figura 4d, Figura 7d). PUNTEGGIO = SRP • Motivo </li><li> L&#39;operazione precedente è automatizzato dalla nostra routine di TPR. Tuttavia, per ricavare in modo indipendente il soggetto SRP vettore di utilizzare la maschera associata GIS intrinseca sui dati trasformati log e sottrarre sia il soggetto media ei corrispondenti valori voxel di riferimento prederived gruppo GMP come al punto 2.4. Ciò assicura che i punteggi possono essere paragonati al range di riferimento predeterminato. Punteggi per un nuovo gruppo possono essere valutati in modo simile come un insieme di potenziali punteggi singoli soggetti. Per uso con un gruppo di riferimento o di regolazione differente, GMP può essere ricalibrato mentre il modello è invariato. </li></ol>

Dr. Eidelberg è elencato come co-inventore di due brevetti degli Stati Uniti per l&#39;uso di marcatori di imaging per lo screening dei pazienti per la disfunzione del sistema nervoso (senza scopo di lucro). Non ci sono ulteriori rivelazioni.

Il modello SSM / PCA originariamente presentato da Moeller et al. 4 è evoluta 1-3 in una tecnica semplice e robusto per l&#39;analisi dei dati di neuroimaging. Tuttavia, ci sono stati ambiguità nell&#39;applicazione di questa metodologia che abbiamo tentato di chiarire qui e in pubblicazioni precedenti 5-7,10. Alcuni di questi problemi sono stati affrontati nel testo, ma sono reemphasized qui per la loro importanza. Come specificato nell&#39;introduzione, SSM / PCA è soprattu...

Malattie neurodegenerative sono stati ampiamente studiati con tecniche che localizzano e quantificare le anomalie del metabolismo del cervello così come i metodi non-inferenziali che studiano le interazioni regionali 17. Data-driven strategie di analisi multivariata come l&#39;analisi delle componenti principali (PCA) 1,2,4,18 e analisi delle componenti indipendenti (ICA) 19,20, così come le tecniche di supervisione come quadrati parziali (PLS almeno) 21 e tendenze ordinali canoniche variates analisi (Ort / CVA) 22 può rivelare modelli caratteristici o &quot;reti&quot; di attività correlate. Le basi di procedure multivariate, in particolare il modello in scala sottoprofilo (SSM) 1,2,4-6,18 sono stati precedentemente descritti in JoVE 3. Questo approccio PCA-based è stato originariamente sviluppato per esaminare anormali rapporti covarianza funzionali tra le regioni del cervello in stato stazionario di singole immagini di volume di flusso sanguigno cerebrale e il metabolismo acquired nello stato di riposo di modalità come la PET e la SPECT che presentano caratteristiche di alto rapporto segnale-rumore. Modelli SSM malattie specifiche sono biomarcatori che riflettono differenze complessive nella topografia regionale nei pazienti rispetto ai soggetti normali 7,16 e può riflettere un singolo processo di rete o l&#39;assimilazione di diverse complesse funzioni anormali 23. Reti del cervello modello di covarianza metabolici sono associati a valori di espressione (soggetto punteggi) in grado di distinguere tra i gruppi normali e di malattia e di fornire misure di network-based che correlano con le valutazioni cliniche di gravità della malattia. In genere, soggetti punteggi per tali modelli aumentano con la progressione della malattia e possono anche essere espressi prima della comparsa dei sintomi 14,24. Anzi, correlati alla malattia biomarker rete sono state caratterizzate per patologie neurodegenerative come il morbo di Parkinson 10 (PD), la malattia di Huntington 25 (HD) e malattia di Alzheimer 8 </sup&gt; (AD). È importante sottolineare che le malattie legate topografie metabolici sono stati individuati per atipiche disturbi motori parkinsoniani, quali atrofia multisistemica (MSA) e la paralisi sopranucleare progressiva (PSP). Questi modelli sono stati utilizzati in concerto per la diagnosi differenziale di individui con sindromi clinicamente simili &quot;look-alike&quot; 12,13,26. Al contrario, i metodi univariati voxel-based fMRI tipici valutare la significatività delle differenze tra pazienti e controlli in ammassi cerebrali isolate. Più recentemente, sono stati sviluppati metodi per misurare connettività funzionale tra le regioni del cervello variamente definiti 27-29. Questa definizione di connettività funzionale è limitato a soggetto e regione interazioni e devia specifici dal concetto originale SSM / PCA che si riferisce alla interconnettività sezione trasversale di intrinseche spazialmente distribuiti cerebrali aree di rete 1,2,23,30. A loro vantaggio, piattaforme MRI unre facilmente installato, ampiamente disponibile, non invasivo e in genere richiedono tempi di scansione più breve di modalità di imaging radiotracciante tradizionali come il PET o SPECT con un conseguente aumento di potenziali metodologie descritte nella letteratura recente. Tuttavia, i segnali fMRI tempo-dipendenti risultanti forniscono misure indirette di attività neurale locale 31,32. Gli algoritmi analitici generalmente complessi impiegati sono stati limitati dalle grandi dimensioni di set di dati, il rumore fisiologico insito nei segnali fMRI, così come l&#39;elevata variabilità dell&#39;attività del cervello che esiste tra temi e regioni 19,23. Anche se le informazioni interessanti per quanto riguarda l&#39;organizzazione del cervello può essere dedotta dalle proprietà delle &quot;reti&quot; fMRI, non sono stati sufficientemente stabile per essere utilizzato come biomarker di malattia affidabili. Inoltre, le topografie risultanti rete non sono necessariamente equivalenti a quelli individuati utilizzando metodologie di imaging funzionale affermati come SSM / PCA. Per The la maggior parte, rigorosa convalida incrociata delle topografie risultanti fMRI è stata carente, con alcuni esempi di applicazione di successo avanti di modelli derivati ​​nei dati di scansione prospettici da casi singoli. Un vantaggio di covarianza analisi PCA consiste nella sua capacità di identificare le principali fonti di variazione dati nei primi componenti principali ma è inefficace se gli autovettori rappresentano importanti fattori di disturbo casuale anziché risposta effettiva rete intrinseca. Selezionando solo le prime autovettori e limitando a quelli che mostrano differenze significative nei punteggi di controllo dei pazienti contro il normale, abbiamo notevolmente ridurre l&#39;influenza di elementi di disturbo. Tuttavia, per l&#39;approccio di base qui descritto, tali misure possono non essere sufficienti a generare stimatori robusti in un tipico insieme di dati fMRI ad eccezione delle modalità descritte di seguito. Così, a causa della relazione diretta stabile di g regionalelucose metabolismo e l&#39;attività sinaptica 33, questa metodologia è stata applicata principalmente per l&#39;analisi dei dati dello stato FDG PET riposo. Tuttavia, dato che il flusso ematico cerebrale (CBF) è strettamente accoppiato ad attività metabolica in stato di riposo 10,11,34, SPECT 35,36 e più recentemente arteriosa spin labeling (ASL) metodi di imaging di perfusione MRI 37.38, sono stati utilizzati per valutare l&#39;attività metabolica anomala nei singoli casi. Detto questo, la derivazione di affidabili modelli di covarianza spaziale con fMRI stato di riposo (rsfMRI) è come in precedenza non rilevato semplice 31,32. Anche così, SSM / PCA analisi preliminare dei dati rsfMRI da PD pazienti e soggetti di controllo ha rivelato alcune omologie topografiche tra i modelli di relazione con la malattia identificati utilizzando le due modalità, PET e ampiezza delle oscillazioni a bassa frequenza (ALFF) di BOLD fMRI 39,40 . Infine, si segnala, inoltre, che questo approccio è stato applicato con successo in voxel base morfometria (VBM) dati MRI strutturali 41,42, rivelando particolari modelli di covarianza spaziale associati alla perdita di volume legata all&#39;età e in ulteriori confronti di VBM e modelli ASL nelle stesse materie 43. Il rapporto tra SSM / PCA topografie di covarianza spaziale e le reti cerebrali analoghe identificate utilizzando diversi approcci analitici e piattaforme di imaging è un argomento di indagine in corso.

<table border="1">
 <tbody>
 <tr>
 <td>Name of Equipment</td>
 <td>Company</td>
 <td>Catalog Number</td>
 <td>Comments</td>
 </tr>
 <tr>
 <td></td>
 <td></td>
 <td></td>
 <td>Image Acquisition </td>
 </tr>
 <tr>
 <td>PET Scanner</td>
 <td>GE Medical Systems</td>
 <td>GE Advance</td>
 <td>Any PET, PET/CT and PET/MRI Scanners from GE, Siemens and Philips </td>
 </tr>
 <tr>
 <td>PC Workstations</td>
 <td>Lenovo</td>
 <td>Any</td>
 <td><a href="http://www.lenovo.com/us/en/" target="_blank">http://www.lenovo.com/us/en/</a></td>
 </tr>
 <tr>
 <td></td>
 <td></td>
 <td></td>
 <td>Radiopharmaceuticals </td>
 </tr>
 <tr>
 <td>[18F]-fluorodeoxyglucose</td>
 <td>Feinstein Institute for Medical Research</td>
 <td>Routine Production</td>
 <td>Also distributed by Cardinal Health <a href="http://www.cardinal.com/" target="_blank">http://www.cardinal.com/</a> </td>
 </tr>
 <tr>
 <td></td>
 <td></td>
 <td></td>
 <td>Software </td>
 </tr>
 <tr>
 <td>ScanVP</td>
 <td>Feinstein Institute for Medical Research</td>
 <td>Version 5.9.1, Version 6.2, To be released</td>
 <td><a href="http://www.feinsteinneuroscience.org/" target="_blank">www.feinsteinneuroscience.org</a></td>
 </tr>
 <tr>
 <td>SPM</td>
 <td>The UCL Institute of Neurology</td>
 <td>spm99-spm8</td>
 <td><a href="http://www.fil.ion.ucl.ac.uk/spm" target="_blank">http://www.fil.ion.ucl.ac.uk/spm</a></td>
 </tr>
 <tr>
 <td>Windows</td>
 <td>Microsoft</td>
 <td>Any</td>
 <td></td>
 </tr>
 <tr>
 <td>Matlab</td>
 <td>Mathworks</td>
 <td>Matlab Version 7.0, 7.3</td>
 <td><a href="http://www.mathworks.com/" target="_blank">http://www.mathworks.com/</a></td>
 </tr>
 <tr>
 <td>JMP</td>
 <td>SAS</td>
 <td>Version 5</td>
 <td><a href="http://www.jmp.com/" target="_blank">http://www.jmp.com/</a></td>
 </tr>
 </tbody>
</table>

identification of disease-related spatial covariance patterns using neuroimaging data

Il modello in scala sottoprofilo (SSM) 1-4 è un algoritmo basato multivariata PCA che identifica le principali fonti di variazione paziente e gruppo di controllo dati immagine cerebrali e respingendo componenti minori (Figura 1). Applicato direttamente ai dati di covarianza voxel-by-voxel di immagini multimodali di stato stazionario, un intero set di immagini di gruppo può essere ridotto a un paio di significativi modelli di covarianza linearmente indipendenti e corrispondenti punteggi soggetto. Ogni modello, definito un gruppo sottoprofilo invariante (GIS), è un componente principale ortogonale che rappresenta una rete spazialmente distribuito di regioni cerebrali correlate funzionalmente. Grandi effetti globali scalari medi che possono oscurare più piccoli di rete specifici contributi vengono rimossi dalla conversione logaritmica intrinseca e significano centratura dei dati 2,5,6. Soggetti esprimono ciascuno di questi modelli in misura variabile rappresentata da un semplice punteggio scalare che può correlare con clin indipendentedescrittori di iCal o psicometrica 7,8. Utilizzando l&#39;analisi di regressione logistica dei punteggi soggetti (ossia i valori di espressione del modello), coefficienti lineari possono essere derivate per combinare più componenti principali in singole malattie legate modelli di covarianza spaziale, cioè le reti composite con una migliore discriminazione dei pazienti provenienti da soggetti sani di controllo 5,6. Convalida incrociata all&#39;interno del set di derivazione può essere eseguita utilizzando tecniche di ricampionamento bootstrap 9. Convalida in avanti è facilmente confermata dalla valutazione diretta punteggio dei modelli derivati ​​a potenziali dataset 10. Una volta convalidati, modelli correlati alla malattia possono essere utilizzati per segnare singoli pazienti rispetto ad un campione di riferimento fisso, spesso l&#39;insieme di soggetti sani che è stato utilizzato (con il gruppo malattia) nel modello originale derivazione 11. Questi valori standardizzati possono a loro volta essere usati per aiutare nella diagnosi differenziale 12,13 e per valutare la malattiaprogressione e il trattamento degli effetti a livello di rete 7,14-16. Vi presentiamo un esempio di applicazione di questa metodologia di FDG PET dati dei pazienti con malattia di Parkinson e dei controlli normali utilizzando il nostro software in-house per ricavare una caratteristica covarianza modello biomarker di malattia.

Una semplice applicazione di analisi multivariata SSM / PCA per derivare un modello biomarcatore neuroimaging per PD di seguito è illustrato. PET FDG immagini di dieci clinicamente diagnosticati pazienti PD (6M/4F, 59y 7y ± sd) di durata variabile malato (9 anni ± 5A sd) e dieci età e sesso abbinati controlli normali (6M/4F, 58y 7y ± sd) sono stati analizzati utilizzando nostra routine ssmpca. I venti corrispondenti spazialmente immagini pre-normalizzati sono stati inizialmente selezionati nelle categorie ...

Watch this Scientific Journal Video about Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data at JoVE.com

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Tecniche multivariate tra cui l&#39;analisi delle componenti principali (PCA) sono stati utilizzati per identificare i modelli delle firme di cambiamento regionale in immagini funzionali del cervello. Abbiamo sviluppato un algoritmo per identificare i biomarcatori di rete riproducibili per la diagnosi di patologie neurodegenerative, la valutazione della progressione della malattia, e la valutazione obiettiva degli effetti del trattamento in popolazioni di pazienti.

Identificazione delle malattie legate Patterns covarianza spaziale utilizzando i dati Neuroimmagine

The scaled subprofile model (SSM)1-4 is a multivariate PCA-based algorithm that identifies major sources of variation in patient and control group brain ...

identification-disease-related-spatial-covariance-patterns-using

Research

JoVE Journal

Medicine

15.5K Views.  The Feinstein Institute for Medical Research. Tecniche multivariate tra cui l'analisi delle componenti principali (PCA) sono stati utilizzati per identificare i modelli delle firme di cambiamento regionale in immagini funzionali del cervello. Abbiamo sviluppato un algoritmo per identificare i biomarcatori di rete riproducibili per la diagnosi di patologie neurodegenerative, la valutazione della progressione della malattia, e la valutazione obiettiva degli effetti del trattamento in popolazioni di pazienti.

Video: Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Identification of Sleeping Beauty Transposon Insertions in Solid Tumors using Linker-mediated PCR

Genomic, proteomic, transcriptomic, and epigenomic analyses of human tumors indicate that there are thousands of anomalies within each cancer genome compared to matched normal tissue. Based on these analyses it is evident that there are many undiscovered genetic drivers of cancer1. Unfortunately these drivers are hidden within a much larger number of passenger anomalies in the genome that do not directly contribute to tumor formation. Another aspect of the cancer genome is that there is considerable genetic heterogeneity within similar tumor types. Each tumor can harbor different mutations that provide a selective advantage for tumor formation2. Performing an unbiased forward genetic screen in mice provides the tools to generate tumors and analyze their genetic composition, while reducing the background of passenger mutations. The Sleeping Beauty (SB) transposon system is one such method3. The SB system utilizes mobile vectors (transposons) that can be inserted throughout the genome by the transposase enzyme. Mutations are limited to a specific cell type through the use of a conditional transposase allele that is activated by Cre Recombinase. Many mouse lines exist that express Cre Recombinase in specific tissues. By crossing one of these lines to the conditional transposase allele (e.g. Lox-stop-Lox-SB11), the SB system is activated only in cells that express Cre Recombinase. The Cre Recombinase will excise a stop cassette that blocks expression of the transposase allele, thereby activating transposon mutagenesis within the designated cell type. An SB screen is initiated by breeding three strains of transgenic mice so that the experimental mice carry a conditional transposase allele, a concatamer of transposons, and a tissue-specific Cre Recombinase allele. These mice are allowed to age until tumors form and they become moribund. The mice are then necropsied and genomic DNA is isolated from the tumors. Next, the genomic DNA is subjected to linker-mediated-PCR (LM-PCR) that results in amplification of genomic loci containing an SB transposon. LM-PCR performed on a single tumor will result in hundreds of distinct amplicons representing the hundreds of genomic loci containing transposon insertions in a single tumor4. The transposon insertions in all tumors are analyzed and common insertion sites (CISs) are identified using an appropriate statistical method5. Genes within the CIS are highly likely to be oncogenes or tumor suppressor genes, and are considered candidate cancer genes. The advantages of using the SB system to identify candidate cancer genes are: 1) the transposon can easily be located in the genome because its sequence is known, 2) transposition can be directed to almost any cell type and 3) the transposon is capable of introducing both gain- and loss-of-function mutations6. The following protocol describes how to devise and execute a forward genetic screen using the SB transposon system to identify candidate cancer genes (Figure 1).

Identification of Sleeping Beauty Transposon Insertions in Solid Tumors using Linker-mediated PCR

A method of identifying unknown drivers of carcinogenesis using an unbiased approach is described. The method uses the Sleeping Beauty transposon as a random mutagen directed to specific tissues. Genomic mapping of transposon insertions that drive tumor formation identifies novel oncogenes and tumor suppressor genes

Identificazione dei<em&gt; Bella Addormentata</em&gt; Inserimenti trasposone nei tumori solidi utilizzando Linker-mediata PCR

Genomic, proteomic, transcriptomic, and epigenomic analyses of human tumors indicate that there are thousands of anomalies within each cancer genome ...

Ricerca

Medicina

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

We demonstrate methods for the detection of architectural distortion in prior mammograms of interval-cancer cases based on analysis of the orientation of breast tissue patterns in mammograms. We hypothesize that architectural distortion modifies the normal orientation of breast tissue patterns in mammographic images before the formation of masses or tumors. In the initial steps of our methods, the oriented structures in a given mammogram are analyzed using Gabor filters and phase portraits to detect node-like sites of radiating or intersecting tissue patterns. Each detected site is then characterized using the node value, fractal dimension, and a measure of angular dispersion specifically designed to represent spiculating patterns associated with architectural distortion.
Our methods were tested with a database of 106 prior mammograms of 56 interval-cancer cases and 52 mammograms of 13 normal cases using the features developed for the characterization of architectural distortion, pattern classification via quadratic discriminant analysis, and validation with the leave-one-patient out procedure. According to the results of free-response receiver operating characteristic analysis, our methods have demonstrated the capability to detect architectural distortion in prior mammograms, taken 15 months (on the average) before clinical diagnosis of breast cancer, with a sensitivity of 80% at about five false positives per patient.

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

We demonstrate methods for the detection of architectural distortion in prior mammograms. Oriented structures are analyzed using Gabor filters and phase portraits to detect sites of radiating tissue patterns. Each site is characterized and classified using measures to represent spiculating patterns. The methods should assist in the detection of breast cancer.

Rilevamento di distorsione architettonica in mammografia precedenti<em&gt; Via</em&gt; Analisi dei modelli Oriented

We demonstrate methods for the detection of architectural distortion in prior mammograms of interval-cancer cases based on analysis of the orientation of ...

Using Continuous Data Tracking Technology to Study Exercise Adherence in Pulmonary Rehabilitation

Pulmonary rehabilitation (PR) is an important component in the management of respiratory diseases. The effectiveness of PR is dependent upon adherence to exercise training recommendations. The study of exercise adherence is thus a key step towards the optimization of PR programs. To date, mostly indirect measures, such as rates of participation, completion, and attendance, have been used to determine adherence to PR. The purpose of the present protocol is to describe how continuous data tracking technology can be used to measure adherence to a prescribed aerobic training intensity on a second-by-second basis.
In our investigations, adherence has been defined as the percent time spent within a specified target heart rate range. As such, using a combination of hardware and software, heart rate is measured, tracked, and recorded during cycling second-by-second for each participant, for each exercise session. Using statistical software, the data is subsequently extracted and analyzed. The same protocol can be applied to determine adherence to other measures of exercise intensity, such as time spent at a specified wattage, level, or speed on the cycle ergometer. Furthermore, the hardware and software is also available to measure adherence to other modes of training, such as the treadmill, elliptical, stepper, and arm ergometer. The present protocol, therefore, has a vast applicability to directly measure adherence to aerobic exercise.

Pulmonary rehabilitation is widely recognized in the management of respiratory diseases. A key component to successful pulmonary rehabilitation is adherence to the recommended exercise training. The purpose of the present protocol is to describe how continuous data tracking technology can be used to precisely measure adherence to a prescribed aerobic training intensity.

Utilizzando tecnologia di monitoraggio continuo dei dati per studiare Esercizio aderenza in Riabilitazione Polmonare

Pulmonary rehabilitation (PR) is an important component in the management of respiratory diseases. The effectiveness of PR is dependent upon adherence to ...

Microarray-based Identification of Individual HERV Loci Expression: Application to Biomarker Discovery in Prostate Cancer

The prostate-specific antigen (PSA) is the main diagnostic biomarker for prostate cancer in clinical use, but it lacks specificity and sensitivity, particularly in low dosage values1&#8203;&#8203;. &#8216;How to use PSA&#39; remains a current issue, either for diagnosis as a gray zone corresponding to a concentration in serum of 2.5-10 ng/ml which does not allow a clear differentiation to be made between cancer and noncancer2 or for patient follow-up as analysis of post-operative PSA kinetic parameters can pose considerable challenges for their practical application3,4. Alternatively, noncoding RNAs (ncRNAs) are emerging as key molecules in human cancer, with the potential to serve as novel markers of disease, e.g. PCA3 in prostate cancer5,6 and to reveal uncharacterized aspects of tumor biology. Moreover, data from the ENCODE project published in 2012 showed that different RNA types cover about 62% of the genome. It also appears that the amount of transcriptional regulatory motifs is at least 4.5x higher than the one corresponding to protein-coding exons. Thus, long terminal repeats (LTRs) of human endogenous retroviruses (HERVs) constitute a wide range of putative/candidate transcriptional regulatory sequences, as it is their primary function in infectious retroviruses. HERVs, which are spread throughout the human genome, originate from ancestral and independent infections within the germ line, followed by copy-paste propagation processes and leading to multicopy families occupying 8% of the human genome (note that exons span 2% of our genome). Some HERV loci still express proteins that have been associated with several pathologies including cancer7-10. We have designed a high-density microarray, in Affymetrix format, aiming to optimally characterize individual HERV loci expression, in order to better understand whether they can be active, if they drive ncRNA transcription or modulate coding gene expression. This tool has been applied in the prostate cancer field (Figure 1).

Human endogenous retroviruses (HERV), which occupy 8% of the human genome, retain scarce coding capacities but a hundred thousand long terminal repeats (LTRs). A custom Affymetrix microarray was designed to identify individual HERV locus expression and was used on prostate cancer tissues as a proof of concept for future clinical studies.

Microarray identificazione dei singoli HERV Loci Expression: Domanda di Biomarker Discovery in Cancro alla prostata

The prostate-specific antigen (PSA) is the main diagnostic biomarker for prostate cancer in clinical use, but it lacks specificity and sensitivity, ...

In Vivo Tracking of Edema Development and Microvascular Pathology in a Model of Experimental Cerebral Malaria Using Magnetic Resonance Imaging

Cerebral malaria is a sign of severe malarial disease and is often a harbinger of death. While aggressive management can be life-saving, the detection of cerebral malaria can be difficult. We present an experimental mouse model of cerebral malaria that shares multiple features of the human disease, including edema and microvascular pathology. Using magnetic resonance imaging (MRI), we can detect and track the blood-brain barrier disruption, edema development, and subsequent brain swelling. We describe multiple MRI techniques that can visualize these pertinent pathological changes. Thus, we show that MRI represents a valuable tool to visualize and track pathological changes, such as edema, brain swelling, and microvascular pathology, in vivo.

In Vivo Tracking of Edema Development and Microvascular Pathology in a Model of Experimental Cerebral Malaria Using Magnetic Resonance Imaging

We describe a mouse model of experimental cerebral malaria and show how inflammatory and microvascular pathology can be tracked in vivo using magnetic resonance imaging.

Tracciamento in vivo di sviluppo dell&#39;edema e patologia microvascolare in un modello di malaria cerebrale sperimentale mediante l&#39;utilizzo di immagini a risonanza magnetica

Cerebral malaria is a sign of severe malarial disease and is often a harbinger of death. While aggressive management can be life-saving, the detection of ...

High-Throughput Analysis of Optical Mapping Data Using ElectroMap

Optical mapping is an established technique for high spatio-temporal resolution study of cardiac electrophysiology in multi-cellular preparations. Here we present, in a step-by-step guide, the use of ElectroMap for analysis, quantification, and mapping of high-resolution voltage and calcium datasets acquired by optical mapping. ElectroMap analysis options cover a wide variety of key electrophysiological parameters, and the graphical user interface allows straightforward modification of pre-processing and parameter definitions, making ElectroMap applicable to a wide range of experimental models. We show how built-in pacing frequency detection and signal segmentation allows high-throughput analysis of entire experimental recordings, acute responses, and single beat-to-beat variability. Additionally, ElectroMap incorporates automated multi-beat averaging to improve signal quality of noisy datasets, and here we demonstrate how this feature can help elucidate electrophysiological changes that might otherwise go undetected when using single beat analysis. Custom modules are included within the software for detailed investigation of conduction, single file analysis, and alternans, as demonstrated here. This software platform can be used to enable and accelerate the processing, analysis, and mapping of complex cardiac electrophysiology.

This protocol describes the setup and use of ElectroMap, a MATLAB-based open-source software platform for analysis of cardiac optical mapping data. ElectroMap provides a versatile high-throughput tool for analysis of optical mapping voltage and calcium datasets across a wide range of cardiac experimental models.

Analisi ad alta velocità effettiva dei dati di mappatura ottica tramite ElectroMapHigh-Throughput Analysis of Optical Mapping Data Using ElectroMap

Optical mapping is an established technique for high spatio-temporal resolution study of cardiac electrophysiology in multi-cellular preparations. Here we ...

Virtual Reality Tools for Assessing Unilateral Spatial Neglect: A Novel Opportunity for Data Collection

Unilateral spatial neglect (USN) is a syndrome characterized by inattention to or inaction in one side of space and affects between 23-46% of acute stroke survivors. The diagnosis and characterization of these symptoms in individual patients can be challenging and often requires skilled clinical staff. Virtual reality (VR) presents an opportunity to develop novel assessment tools for patients with USN.
We aimed to design and build a VR tool to detect and characterize subtle USN symptoms, and to test the tool on subjects treated with inhibitory repetitive transcranial magnetic stimulation (TMS) of cortical regions associated with USN.
We created three experimental conditions by applying TMS to two distinct regions of cortex associated with visuospatial processing- the superior temporal gyrus (STG) and the supramarginal gyrus (SMG) - and applied sham TMS as a control. We then placed subjects in a virtual reality environment in which they were asked to identify the flowers with lateral asymmetries of flowers distributed across bushes in both hemispaces, with dynamic difficulty adjustment based on each subject's performance. 
We found significant differences in average head yaw between subjects stimulated at the STG and those stimulated at the SMG and marginally significant effects in the average visual axis.
VR technology is becoming more accessible, affordable, and robust, presenting an exciting opportunity to create useful and novel game-like tools. In conjunction with TMS, these tools could be used to study specific, isolated, artificial neurological deficits in healthy subjects, informing the creation of VR-based diagnostic tools for patients with deficits due to acquired brain injury. This study is the first to our knowledge in which artificially generated USN symptoms have been evaluated with a VR task.

The goal was to design, build, and pilot a novel virtual reality task to detect and characterize unilateral spatial neglect, a syndrome affecting 23-46% of acute stroke survivors, expanding the role of virtual reality in the study and management of neurologic disease.

Strumenti di realtà virtuale per valutare l'abbandono spaziale unilaterale: una nuova opportunità per la raccolta dei dati

Unilateral spatial neglect (USN) is a syndrome characterized by inattention to or inaction in one side of space and affects between 23-46% of acute stroke ...

Detection and Removal of Tooth-Colored Composite Resin Using the Fluorescence-Aided Identification Technique

The detection and removal of tooth-colored filling materials is a major challenge for every dentist. The Fluorescence-aided Identification Technique (FIT) is a noninvasive tool to facilitate the distinction of composite resin material from sound tooth substance. Compared to conventional illumination, FIT is a very accurate, reliable, and fast diagnostic method. When composite resin is illuminated with a wavelength of approximately 398 &plusmn; 5 nm, certain fluorescent components make the composite resin appear brighter than the tooth structure. Any fluorescence-inducing light source with the appropriate wavelength can be used for this method. Optimally, this technique is used without additional natural or artificial lighting. The application of FIT can be used for diagnostic purposes, for example, dental charts, and additionally for the complete and minimally invasive removal of composite resin restorations, bracket debonding, and trauma splint removal. The assessment of volumetric changes after composite removal can be provided by overlapping pre- and postoperative scans and subsequent calculation using suitable software.

The Fluorescence-aided Identification Technique is a practicable, fast, and reliable approach for the differentiation of composite resin restorations from tooth substance, and facilitates the minimally invasive and complete removal of composite resin restorations and composite bonded trauma splints.

Rilevamento e rimozione della resina composita colorata dei denti utilizzando la tecnica di identificazione assistita da fluorescenza

The detection and removal of tooth-colored filling materials is a major challenge for every dentist. The Fluorescence-aided Identification Technique (FIT) ...

Visualization of Metabolites Identified in the Spatial Metabolome of Traditional Chinese Medicine Using DESI-MSI

The medicinal use of traditional Chinese medicine is mainly due to its secondary metabolites. Visualization of the distribution of these metabolites has become a crucial topic in plant science. Mass spectrometry imaging can extract huge volumes of data and provide spatial distribution information about these by analyzing tissue slices. With the advantage of high throughput and higher accuracy, desorption electrospray ionization mass spectrometry imaging (DESI-MSI) is often used in biological research and in the study of traditional Chinese medicine. However, the procedures used in this research are complicated and not affordable. In this study, we optimized sectioning and DESI imaging procedures and developed a more cost-effective method to identify the distribution of metabolites and categorize these compounds in plant tissues, with a special focus on traditional Chinese medicines. The study will promote the utilization of DESI in metabolite analysis and standardization of traditional Chinese medicine/ethnic medicine for research-related technologies.

In this study, a series of methods are presented to prepare DESI-MSI samples from plants, and a procedure of DESI assembly installation, MSI data acquisition, and processing is described in detail. This protocol can be applied in several conditions for acquiring spatial metabolome information in plants.

Visualizzazione dei metaboliti identificati nel metaboloma spaziale della medicina tradizionale cinese utilizzando DESI-MSI

The medicinal use of traditional Chinese medicine is mainly due to its secondary metabolites. Visualization of the distribution of these metabolites has ...

Un modello completo di distribuzione della funzione adiposa epatica 3D utilizzando la risonanza magnetica Dixon

A 3D Quantification Technique for Liver Fat Fraction Distribution Analysis Using Dixon Magnetic Resonance Imaging

This study presents a 3D quantification methodology for the distribution of liver fat fraction (LFF) through the utilization of Dixon MRI image analysis. The central aim is to offer a highly accurate and non-invasive means of evaluating liver fat content. The process involves the acquisition of In-phase and Water-phase images from a Dixon sequence. LFF maps are then meticulously computed voxel by voxel by dividing the Lipid Phase images by the In-phase images. Simultaneously, 3D liver contours are extracted from the In-phase images. These crucial components are seamlessly integrated to construct a comprehensive 3D-LFF distribution model. This technique is not limited to healthy livers but extends to those afflicted by hepatic steatosis. The results obtained demonstrate the remarkable effectiveness of this approach in both visualizing and quantifying liver fat content. It distinctly discerns patterns that differentiate between normal and steatotic livers. By harnessing Dixon MRI to extract the 3D structure of the liver, this method offers precise LFF assessments spanning the entirety of the organ, thereby holding great promise for the diagnosis of hepatic steatosis with remarkable effectiveness.

Autore in primo piano: uno strumento non invasivo per valutare e differenziare i modelli di grasso nel fegato utilizzando la risonanza magnetica 3D Dixon 

This study introduces a unique 3D quantification method for liver fat fraction (LFF) distribution using Dixon Magnetic Resonance Imaging (Dixon MRI). LFF maps, derived from in-phase and water-phase images, are integrated with 3D liver contours to differentiate LFF patterns between normal and steatotic livers, enabling precise assessment of liver fat content.

Una tecnica di quantificazione 3D per l'analisi della distribuzione della frazione di grasso epatico utilizzando la risonanza magnetica Dixon

This study presents a 3D quantification methodology for the distribution of liver fat fraction (LFF) through the utilization of Dixon MRI image analysis. ...