Ringraziamo Jim Haxby e colleghi per rendere i dati disponibili per ulteriori analisi. Marc N. Coutanche è stato finanziato da una borsa di studio del Howard Hughes Medical Institute. Questo lavoro è stato sostenuto da sovvenzioni NIH R0I-DC009209 e R01-EY02171701 assegnato a Sharon L. Thompson-Schill.

1. Preparare i dati fMRI Nota: Dopo aver effettuato la scansione di un fMRI, pre-elaborare i dati raccolti utilizzando gli strumenti disponibili nella maggior parte dei pacchetti software fMRI prima di iniziare questo protocollo (anche se smoothing spaziale dovrebbe essere evitata o minimizzata per preservare i modelli multi-voxel). Un esempio di un set di dati adatto è descritto in una precedente domanda del metodo 7. <ol><li> Rimuovere movimento e dire i segnali della sostanza bianca dalla serie storica dei dati fMRI pre-trattati con la creazione di un modello di regressione con predittori per i parametri di movimento (rollio, beccheggio, imbardata, x, y, z) e la media del segnale della sostanza bianca. Effettuare le analisi di seguito sui residui risultanti (ossia la varianza residua). </li><li> Importare i residui generati in un pacchetto di analisi (ad esempio, MATLAB, Python). L&#39;open source Informational Connectivity Toolbox (http://www.informationalconnectivity.org) può importare dati fMRI in MATLAB. </li><li> Z-score eacserie temporali h di voxel. </li><li> Separare timepoints del set di dati in insiemi indipendenti («pieghe»), come diverse esecuzioni dello scanner. Nota: l&#39;uso corre scanner assicura l&#39;indipendenza tra le pieghe, che possono comunque essere difficile garantire (per esempio, le dipendenze potrebbero essere creati tra timepoints di una pista in fase di pre-processing). Corre potrebbero essere raggruppati insieme per ridurre il numero di pieghe (ad esempio, pari e dispari piste 2), anche se con corse singole darà più dati di allenamento. </li><li> Creare un record delle etichette condizione associata con timepoints generando un vettore di condizione etichette che è N timepoints lungo. </li><li> Spostare le etichette condizione in avanti in ogni gestita da un certo numero di volte, a ripetizione (TR) equivalente a 5 secondi, al fine di spiegare il ritardo emodinamica tra eventi e segnali fMRI registrati. </li></ol> 2. Selezionare e analizzare una Regione Seed <ol><li> Selezionare una regione seme isolando un anatomicozona al, regione funzionalmente localizzata o top-performing &#39;mappatura informazioni cervelli&#39; Searchlights 10. Nota: i passaggi 2,2-4,2 sotto possono essere eseguite dalla open-source Connettività Informational MATLAB Toolbox ( <a href="http://www.informationalconnectivity.org">http://www.informationalconnectivity.org</a> ). </li><li> Confrontare l&#39;MVP di ogni time-point ad un MVP prototipo per ogni condizione (Nota: questo è lo stesso approccio utilizzato nel popolare a base di correlazione-nearest neighbor classificatore 2). Figura 1 (in alto) dà un esempio da dati reali raccolti i partecipanti hanno visto blocchi di quattro tipi di oggetti artificiali. <ol><li> Calcolare un prototipo (media) MVP per ogni condizione facendo la media dei tempi di valutazione di ciascuna condizione in all-ma-ovile. Questi sono i dati &quot;formazione&quot; per ogni piega (ad esempio, per la piega 2 su 5, medi-MVP sono calcolati dalle visite nei pieghe 1, 3, 4, e 5). </li><li> Correlare ogni visita &#39;; S MVP con la media-MVP di ogni condizione dai dati di addestramento. Questo darà ogni visita un valore di correlazione per ogni condizione (Nota: la condizione con la più alta correlazione qui sarebbe la previsione della correlazione popolare classificatore MVPA basato 2) </li><li> Fisher-trasformare le R-valori di z-score. </li></ol></li><li> Quantificare &#39;MVP discriminabilità&#39; per ogni timepoint: Prima di individuare la correlazione da 2.2.3 che rappresenta la relazione tra MVP del tempo di valutazione e la media-MVP di condizione che di tempo di valutazione, e quindi sottrarre il più alto dei rimanenti correlazioni (cioe &#39;la correlazione con la corretta stato &#39;minus&#39; massima correlazione con una condizione non corretta &#39;). Il risultato è MVP discriminabilità che di tempo di valutazione. Un approccio alternativo (e valido) sarebbe di sottrarre la correlazione media delle condizioni non corrette. Nota: L&#39;approccio proposto ha la Advanta intuitivoge che timepoints con i valori discriminabilità positivi sono classificati correttamente dal classificatore correlazione basata, mentre timepoints con valori negativi non sono previsti correttamente. Un esempio dei valori ottenuti è mostrato in figura 1 (in basso). I passaggi fino a questo punto vengono catturati nelle formule sottostanti. <img alt="2.3 equazioni" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> x è un vettore normalizzato 1-by-m riga con valori di attivazione m voxel al time-point n, Y è un normalizzata 1-by-m vettore riga del modello di formazione media per una corretta (c) o errate (i) le condizioni per time-point n. La funzione artanh applica la z Fisher trasformata. </li></ol> 3. Calcolare una serie temporale di MVP discriminabilità per ogni Searchlight <ol><li> Condurre un&#39;analisi faro 10: Inserire un c tridimensionalelustro attorno ad ogni voxel a turno (un &#39;faro&#39;). </li><li> Ripetere i passaggi 2.2 e 2.3 per ogni faro, in modo che ogni faro dispone di una serie storica dei valori discriminabilità MVP (uno per timepoint). </li></ol> 4. Calcolare Informational connettività tra il seme e Searchlights <ol><li> Correlare serie del seme MVP discriminabilità tempo (da 2.3) con la serie di ogni faro discriminabilità tempo (da 3,2) utilizzando di Spearman Classifica correlazione. Il valore risultante r s è l&#39;IC tra il seme e il faro. </li><li> Assegnare il valore IC di ogni faro per voxel centrale del faro e scrivere mappa del cervello del soggetto risultante. </li></ol> 5. Calcolare Group Mappa statistici <ol><li> IC Se i dati non sono già in uno spazio standard (ad esempio, Talairach o MNI), trasformano partecipanti mappe nello stesso spazio. </li><li> Opzionalmente lisciare gli individui e# 39; mappe faro. </li><li> Creare una mappa statistica gruppo utilizzando una t-test di sola andata per se il valore IC di ogni faro è significativamente maggiore di zero. </li></ol> 6. Importanza test Nota: Esistono numerosi metodi per determinare la significatività statistica delle mappe del gruppo fMRI. Come test di permutazione in grado di determinare il significato con le ipotesi minime, mentre rappresentano il livello del dataset di smoothing (come ogni mappa gruppo permutato subisce lo stesso trattamento), questa opzione è descritto di seguito. <ol><li> Per ciascuna di 1.000 permutazioni, mescolate in modo casuale i valori MVP-discriminabilità del seme attraverso la serie storica. Tenere timepoints adiacenti con autocorrelazioni temporali (come timepoints nello stesso blocco) insieme (ad esempio, da blocchi anziché TR adiacenti shuffling). </li><li> Calcola IC mappe individuali per ogni permutazione (punto 4). </li><li> Genera 1.000 mappe del gruppo permutati: randomly selezionare uno permutato IC mappa da ciascun partecipante e condurre un test di gruppo su questo insieme casuale (punto 5). </li><li> Soglia ogni mappa gruppo permutato alla soglia desiderata (ad esempio, p &lt;0.001) ed estrarre la dimensione massima del cluster dalla mappa. </li><li> Ordina la risultante di 1.000 volumi di massima del cluster e identificare la dimensione dei cluster al 95 ° percentile (ad esempio, il 50 ° più grande per 1.000 permutazioni). </li><li> Applicare la soglia utilizzata in 6.4 (ad esempio, p &lt;0.001) e la dimensione minima del cluster dal 6,5 al reale (non permutato) IC mappa gruppo per renderlo cluster corretta a p &lt;0,05. Poiché ogni mappa permutato si ispira agli stessi valori discriminabilità MVP (in un ordine diverso), questo significato cartina evidenzia le regioni con più valori discriminabilità sincroni del previsto per caso. </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.

Connettività Informativo ha una sensibilità di MVPA all&#39;informazione modello distribuito, e offre la possibilità di studiare le interazioni tra regione attraverso un approccio di connettività. MVPA e le analisi univariata standard possono ogni rivelare il coinvolgimento di regioni distinte, a volte con poca sovrapposizione tra i loro risultati 1 3. Come prevedibile per un metodo che si basa su questi approcci di analisi, IC e FC anche dare risultati complementari 7. La decisione se impiegare IC dipende in ultima analisi alle condizioni oggetto di indagine e le questioni teoriche di essere poste. Considerazioni sulla progettazione di tale impatto se MVPA è condotta su un dataset influirà anche se viene utilizzato IC. Studi progettato con IC esplicitamente in mente vorranno seguire le raccomandazioni per MVPA 1 4, garantendo al contempo che i dati a livello di processo possono essere estratti da tutto timecourse della scansione. Nell&#39;esaminaree riportare i risultati IC, è importante che i proiettori sovrapposti con il seme vengono rimosse, per evitare circolarità. Inoltre, se si confrontano direttamente IC e risultati FC, è consigliabile confronta anche un&#39;analisi FC basata sull&#39;attivazione medio di proiettori, piuttosto che voxel. Questa ulteriore analisi può garantire che le eventuali differenze tra i risultati non sono a causa delle differenze nei livelli di segnale-rumore in proiettori rispetto voxel. La procedura qui descritta si concentra principalmente su un&#39;analisi esplorativa impiega proiettori. Vale la pena notare che sostituendo proiettori con le regioni di interessi, IC può anche confrontare regioni selezionate una precedente i. L&#39;attuale metrica discriminabilità - confrontando la correlazione di un MVP per il &#39;vero&#39; condizione alla correlazione per la condizione di massima alternativo - è anche modificabile. Molti classificatori machine learning hanno pesi pronostico per diffclassi erenti, che potrebbero sostituire facilmente i confronti di correlazione svolte qui (ad esempio, per monitorare la &#39;fiducia&#39; di un classificatore nel tempo). IC ha una varietà di usi possibili. Oltre ad essere un analisi primaria per indagare reti informative, IC può essere un&#39;analisi follow secondaria a un faro MVPA. Le mappe faro MVPA sono preziose per capire quali regioni possono distinguere diverse condizioni, ma non sono in genere suddivisi in reti diverse. L&#39;approccio IC può aiutare qui, rivelando che imposta di proiettori hanno discriminabilità sincrono. Infine, le mappe IC di compiti diversi può essere paragonato al fine di comprendere le reti di attività, ed i pazienti possono essere paragonati a controlli per capire meglio come le differenze multi-voxel 1 5 si manifestano a livello di rete.

L&#39;obiettivo del metodo di analisi qui descritta è misurare la connettività tra le regioni del cervello basato su variabilità dei dati multi-voxel. I progressi nella risonanza magnetica funzionale (fMRI), tecniche di analisi hanno rivelato che una grande quantità di informazioni può essere contenuto entro livelli nel sangue-ossigenazione-dipendente (BOLD), modelli di attività che vengono distribuiti su più voxel 1-3. Un insieme di tecniche che sono sensibili alle informazioni multivariata - noto come modello multi-voxel analisi (MVPA) - è stato utilizzato per dimostrare che le condizioni possono avere MVP distinguibili pur avendo risposte indistinguibili univariati 1,2,4. Analisi standard, che confrontano le risposte univariata, può essere insensibile a queste informazioni multi-voxel. Regioni cerebrali multiple sono impegnati quando gli esseri umani elaborano gli stimoli ed eseguire operazioni cognitive. Connettività funzionale (FC) è un metodo comunemente impiegato per indaginecancello tali reti funzionali 5,6. Nella sua forma più elementare, FC quantifica co-attivazione, o la sincronia tra i vari voxel o regioni. FC è stato usato per identificare le reti del cervello funzionalmente collegati con molto successo. Per molte regioni e delle condizioni, però, le risposte univariate non riflettono tutte le informazioni disponibili nell&#39;ambito dell&#39;attività BOLD. Tecniche di FC che tengono traccia che cambiano dinamicamente i livelli di risposta univariata possono mancare sensibilità alle fluttuazioni comuni nelle informazioni multi-voxel. Il metodo di analisi qui presentata, connettività informativo (IC; prima descritto in un recente articolo 7), colma un divario tra MVPA e FC, misurando la connettività con una metrica che è sensibile a informazioni multi-voxel nel tempo. Mentre FC ascolti cambiano dinamicamente l&#39;attivazione univariata, IC brani che cambiano dinamicamente MVP discriminabilità - una misura di quanto bene vera condizione di un MVP si distingue dalle alternative (errati). Importante, in tegli stesso modo in cui le diverse regioni può mostrare livelli simili di risposte univariata a una condizione, nonostante l&#39;esecuzione di calcoli distinti (ad esempio, l&#39;elaborazione visiva o di pianificazione azione quando una persona osserva degli oggetti artificiali), distinte regioni possono anche avere livelli simili (e sincronizzati) di MVP discriminabilità mentre si elaborano le condizioni in modo diverso. Una recente indagine ha dimostrato che IC può rivelare la connettività inter-regionale che non è rilevabile con un approccio standard FC 7. Gli investigatori possono quindi utilizzare IC per sondare le interazioni tra le regioni del cervello come partecipanti rispondono alle condizioni o stimoli che hanno caratteristici modelli distribuiti. IC è distinta da diverse recenti applicazioni di connettività che hanno esaminato le fluttuazioni dei attivazione univariata in relazione ai risultati della classificazione 8, 9. A differenza di questi approcci, IC rileva sincrono modello discriminabilità multi-voxel tra le regioni.

<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

E &#39;ormai apprezzato tale condizione rilevanti informazioni possono essere presenti all&#39;interno di modelli distribuiti di risonanza magnetica funzionale (fMRI) l&#39;attività cerebrale, anche per le condizioni con livelli simili di attivazione univariata. Modello multi-voxel (MVP) analisi è stata utilizzata per decodificare queste informazioni con grande successo. Investigatori FMRI spesso cercano di capire come le regioni del cervello interagiscono in reti interconnesse, e utilizzare la connettività funzionale (FC) per identificare le regioni che si sono correlate le risposte nel corso del tempo. Proprio come le analisi univariata può essere insensibile alle informazioni in MVP, FC non può caratterizzare completamente le reti del cervello che elaborano le condizioni con caratteristici firme MVP. Il metodo qui descritto, connettività informativo (IC), in grado di identificare le regioni con variazioni correlate a MVP-discriminabilità attraverso il tempo, rivelando la connettività che non è accessibile a FC. Il metodo può essere esplorativa, con proiettori per identificare semi connaree ette, o previste, tra le regioni di interessi pre-selezionati. I risultati possono spiegare reti di regioni che elaborano le condizioni MVP-correlate, di degradazione possono mappe faro MVPA in reti separate, oppure possono essere confrontati attraverso attività e gruppi di pazienti.

I risultati IC possono ora essere visualizzati utilizzando preferito pacchetto software di analisi del ricercatore fMRI. Figura 2 mostra i risultati IC, calcolati dai blocchi di presentare visivamente uomo fatto di oggetti (le informazioni complete nella pubblicazione associata 7). L&#39;analisi IC è particolarmente preziosa per le condizioni noti per essere associati MVP: Condizioni di MVP caratteristici, ma senza differenze nelle risposte univariata, sono più probabilità di avere distinzioni tra IC e FC (illustrato con dati che sono stati registrati come partecipanti hanno visto diversi tipi di uomo realizzato oggetti in Figura 3). figura 4 mostra che i proiettori con un significativo informazioni multi-voxel può avere alta IC, ma sono meno ben rappresentate nei risultati FC. <img alt="Figura 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = &quot;500&quot; /&gt; .. Figura 1 Esempi di modello discriminabilità nel tempo Top:. I substrati di MVP discriminabilità calcolata da un soggetto in Haxby et al (2001) 2, come analizzato in Coutanche &amp; Thompson-Schill (2013) 7. La linea blu indica la correlazione z-gol tra «MVP e la media punti temporali (&#39;training&#39;) modello della classe corretta. Le linee verdi rappresentano le correlazioni MVP &quot;con tre classi errati. In basso: Reticolo discriminabilità è la differenza tra le correlazioni per la classe corretta e più alta classe errato. Time-punti con valori modello discriminabilità positivi sarebbero classificate correttamente da un classificatore basato correlazione. Figura originariamente pubblicato nel Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">Cliccare qui per vedere una versione più grande di questa figura</a>. <img alt="Figura 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> Figura 2. Mappe connettività Esempio. Ogni riga mostra zone significativamente collegati ad un seme (in blu). Importanza è determinato da un gruppo t-test (p &lt;0,001) con dimensione minima cluster da test permutazione. I risultati IC vengono visualizzati utilizzando AFNI 1 1 sulle mappe superficiali prodotti con FreeSurfer 1 2. La figura viene modificato da Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">Cliccare qui per vedere una versione più grande di questa figura.</a> <img alt="Figura 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> Figura. 3 Synchronized MVP discriminabilità rispetto a significare l&#39;attivazione Esempi di MVP discriminabilità in due regioni con discriminabilità MVP sincrono (cioè connettività informativo) senza sincrono di attivazione medio (cioè connettività funzionale).; dati provengono da un soggetto da Haxby et al. (2001) 2, come analizzato in Coutanche &amp; Thompson-Schill (2013) 7. Questi punti di dati sono stati raccolti mentre il soggetto visti presentazioni visive di oggetti artificiali, che sono distinguibili da modelli multi-voxel, ma non significa risposte. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">Cliccare qui per vedere una versione più grande di questa figura.</a> <img alt="Figura 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> Figura 4. Esempio IC e FC valori tra un seme nel lefgiro t fusiforme e proiettori in tutto il cervello. informativo e punti di forza di connettività funzionale (z-assi) sono mostrati tra un seme e proiettori, per quanto riguarda la risposta medio di ciascun faro (asse x) e la precisione di classificazione MVPA (asse y) a quattro tipi di oggetti artificiali (probabilità = 25%). Proiettori condividono voxel con la regione seme sono stati rimossi. Il grafico IC include esempi di proiettori con una forte connettività che offrono prestazioni di alta classifica, ma bassi livelli di risposta media, che non vengono raccolti in un approccio tipico FC (visto dal divario nella ottante in alto a sinistra del grafico a destra). Figura originariamente pubblicato nel Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">Cliccare qui per vedere una versione più grande di questa figura.</a>

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

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

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

Utilizzando Informativo Connettività a misurare l&#39;emergere sincrono di fMRI Multi-voxel Informazioni Across Time

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

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

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

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

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

La combinazione di stimolazione magnetica transcranica e fMRI per esaminare il modo predefinito della rete

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 ...

Ricerca

Neuroscienze

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.

Correlare risposte comportamentali alla segnali fMRI di Human corteccia prefrontale: Esame Processi Cognitivi Utilizzando 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 ...

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-analisi della struttura e delle funzioni cerebrali con fMRI e Diffusion-weighted imaging

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 modo semplice per misurare alterazioni in ricompensa il comportamento di ricerca Utilizzando<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.

Analizzando dendritiche Morfologia in colonne e strati

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 protocollo per l'amministrazione di 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 ...

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.

Analisi per misurare il trasporto nucleocitoplasmatico in tempo reale all&#39;interno di motori neuronici come le cellule NSC-34

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.

Quadrupla Immunostaining della lampadina olfattiva per la visualizzazione di codici di identificazione molecolare Axon sensoriale olfattiva

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.

Analizzando l'attività neurale e connettività utilizzando dati EEG intracranico con SPM Software

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.

Modellazione statistica della connettività corticale mediante elettroencefalogrammi non invasivi

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