Agradecemos Jim Haxby e colegas para fazer seus dados disponíveis para análises posteriores. Marc N. Coutanche foi financiado por uma bolsa de estudos do Instituto Médico Howard Hughes. Este trabalho foi financiado pelo NIH concede R0I-DC009209 e R01-EY02171701 atribuído a Sharon L. Thompson-Schill.

1. Preparar os dados fMRI Nota: Após a realização de um fMRI scan, pré-processar os dados coletados utilizando as ferramentas disponíveis na maioria dos pacotes de software de fMRI antes de iniciar este protocolo (embora suavização espacial deveria ser evitada ou minimizada para preservar os padrões de multi-voxel). Um exemplo de um conjunto de dados adequados é descrita no pedido anterior do método 7. <ol><li> Remover movimento e significa sinais de substância branca da série temporal de dados de fMRI pré-processados, criando um modelo de regressão com preditores para os parâmetros de movimento (roll, pitch, yaw, x, y, z) e sinal da substância branca dizer. Realizar as análises a seguir sobre os resíduos resultantes (ou seja, a variação restante). </li><li> Importe os resíduos gerados em um pacote de análise (por exemplo, MATLAB, Python). A fonte aberto Informativa Conectividade Toolbox (http://www.informationalconnectivity.org) pode importar dados de fMRI em MATLAB. </li><li> Eac Z-scoreséries temporais h do voxel. </li><li> Separe timepoints do conjunto de dados em conjuntos independentes (&#39;dobras&#39;), tais como corridas diferentes scanner. Nota: O uso do scanner é executado garante a independência entre as pregas, que podem ser difíceis de garantir (por exemplo, poderia ser criado dependências entre timepoints um prazo durante o pré-processamento). Executa poderia ser agrupados em conjunto para reduzir o número de dobras (por exemplo, é executado e ímpares 2), apesar de utilizar pistas individuais vai dar mais dados de formação. </li><li> Criar um registro dos rótulos condição associada a timepoints gerando um vetor de rótulos de condição que é N timepoints longo. </li><li> Desloca os rótulos condição para a frente em cada executado por um número de vezes-a-repetição (TRs), equivalente a 5 segundos, a fim de explicar o atraso de hemodinâmica entre os eventos e sinais de fMRI gravados. </li></ol> 2. Selecione e analisar uma região Semente <ol><li> Selecione uma região de sementes por isolar um anatômicaárea al, região funcionalmente localizada ou de alto desempenho &#39;mapeamento de informações de cérebros&#39; holofotes 10. Nota: Os passos 2,2-4,2 abaixo podem ser executados pelo open-source Conectividade Informativa MATLAB Toolbox ( <a href="http://www.informationalconnectivity.org">http://www.informationalconnectivity.org</a> ). </li><li> Compare o MVP de cada ponto de tempo a um MVP protótipo para cada condição (Nota: esta é a mesma abordagem usada no popular baseada em correlação mais próximo classificador vizinho 2). Figura 1 (superior) dá um exemplo a partir de dados reais coletados como participantes visto blocos de quatro tipos de objetos feitos pelo homem. <ol><li> Calcule a (média) MVP protótipo para cada condição pela média dos pontos temporais de cada condição em todo-mas-um só rebanho. Estes são os dados &quot;formação&quot; para cada dobra (por exemplo, por vezes 2 de 5, médios-MVPs são calculadas em pontos de tempo em dobras 1, 3, 4 e 5). </li><li> Correlacionar a cada ponto no tempo &quot;, S MVP com a média-MVP de cada condição a partir dos dados de treinamento. Isso vai dar a cada ponto no tempo um valor de correlação para cada condição (Nota: o estado com a maior correlação aqui seria a previsão da correlação popular baseado classificador MVPA 2) </li><li> Fisher-transformar os valores de R-TO escores z. </li></ol></li><li> Quantificar &#39;MVP discriminabilidade&#39; para cada ponto no tempo: Primeiro identificar a correlação de 2.2.3 que representa a relação entre o MVP da timepoint ea média-MVP da condição desse timepoint, em seguida, subtrair a maior das correlações restantes (ou seja, correlação &quot;com correta condição &#39;menos&#39; correlação máxima com uma condição incorreta &#39;). O resultado é que o MVP discriminabilidade do ponto de tempo. Uma abordagem alternativa (e válida) seria para subtrair a correlação média das condições incorrectas. Nota: A abordagem sugerida tem a vanta intuitivoge que timepoints com valores Discriminabilidade positivos são classificados corretamente pelo classificador correlação com base, enquanto timepoints com valores negativos não são previu corretamente. Um exemplo dos valores resultantes são mostrados na Figura 1 (parte inferior). Os passos até esse ponto são capturadas nas fórmulas abaixo. <img alt="2.3 equações" fo:content-width="4.5in" src="/files/ftp_upload/51226/51226_2.3_equations.jpg" /> X é um vetor linha normalizada 1-por-m com valores de ativação m voxel na hora do ponto-n, y é um 1-a-m vetor linha normalizada do padrão médio para formação correta (c) ou (i) condições impróprias para tempo de ponto n. A função artanh aplica o Fisher z transformar. </li></ol> 3. Calcular uma série temporal de MVP Discriminabilidade para cada Searchlight <ol><li> Realizar uma análise holofote 10: Coloque um c tridimensionalbrilho em torno de cada voxel, por sua vez (um &#39;holofote&#39;). </li><li> Repita os passos 2.2 e 2.3 para cada holofote, para que cada holofote tem uma série temporal de valores Discriminabilidade MVP (um por timepoint). </li></ol> 4. Calcular Informativa conectividade entre a semente e Holofotes <ol><li> Correlacionar MVP discriminabilidade séries temporais da semente (de 2,3) com discriminabilidade séries temporais de cada holofote (de 3,2), utilizando classificação de correlação de Spearman. O valor resultante r s é o IC entre a semente eo holofote. </li><li> Atribuir valor IC de cada holofote para voxel central do holofote e escrever mapa cerebral do indivíduo resultante. </li></ol> 5. Calcular Grupo Estatístico Mapa <ol><li> IC Se os dados não estiverem no espaço padronizado (por exemplo, Talairach ou MNI), transformam dos participantes mapeia no mesmo espaço. </li><li> Opcionalmente suavizar as pessoas e# 39; mapas holofote. </li><li> Criar um mapa estatístico grupo usando uma t-teste de uma forma para se valor IC de cada holofote é significativamente maior do que zero. </li></ol> 6. Significado Teste Nota: Existem inúmeras abordagens para determinar a significância estatística dos mapas grupo fMRI. Como um teste de permutação pode determinar a significância com os pressupostos mínimos, enquanto representando o nível do conjunto de dados de suavização (como cada mapa grupo permutados sofre o mesmo processo), esta opção é descrita abaixo. <ol><li> Para cada um dos 1.000 permutações, embaralhar aleatoriamente valores MVP-Discriminabilidade da semente em toda a série histórica. Manter instantes adjacentes com autocorrelações temporais (tais como marcas de tempo dentro do mesmo bloco) em conjunto (por exemplo, por blocos, em vez de baralhar TRs adjacentes). </li><li> Calcule mapas IC dos indivíduos para cada permutação (passo 4 acima). </li><li> Gerar 1.000 mapas grupo permutadas: Randomly selecionar um permutado mapa IC de cada participante e realizar um teste de grupo sobre este conjunto aleatório (passo 5 acima). </li><li> Limite de cada mapa grupo permutados em um limite desejado (por exemplo, p &lt;0,001) e extrair o tamanho máximo do cluster do mapa. </li><li> Ordenar resultante 1.000 volumes máximo do cluster e identificar o tamanho do cluster no percentil 95 (por exemplo, a 50 ª maior em 1000 permutações). </li><li> Aplique o limiar usado em 6.4 (por exemplo, p &lt;0,001) eo tamanho mínimo aglomerado de 6,5 para o real (não-permutados) mapa grupo IC, a fim de torná-lo cluster de corrigida para p &lt;0,05. Porque cada mapa permutados baseia-se nos mesmos valores Discriminabilidade MVP (em uma ordem diferente), este mapa significado destaca as regiões com mais valores Discriminabilidade síncronos do que o esperado por acaso. </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.

Conectividade Informativa tem a sensibilidade de MVPA à informação padrão distribuído, e dá uma capacidade de estudar entre a região interações através de uma abordagem de conectividade. MVPA e análises uni padrão podem cada revelar o envolvimento de regiões distintas, às vezes com pouca sobreposição entre seus resultados 1 3. Como esperado para um método que se baseia em tais abordagens de análise, IC e FC também dar resultados complementares 7. A decisão de se empregar IC vai depender das condições sob investigação e as questões teóricas sendo colocados. Considerações de design que o impacto se MVPA é conduzido em um conjunto de dados também afetará se IC é usado. Estudos projetados com IC explicitamente em mente vai querer seguir as recomendações para MVPA 1 4, além de garantir que os dados de nível de julgamento pode ser extraído de todo timecourse de verificação. Ao examinare relatar resultados de IC, é importante que os holofotes sobrepostas com as sementes são removidas, para evitar a circularidade. Além disso, quando se pretende comparar directamente os resultados de IC e FC, recomenda-se também comparar a análise FC com base na média de activação holofotes, em vez de apenas os voxels. Esta análise adicional pode garantir que quaisquer diferenças entre os resultados não são por causa de diferenças nos níveis de relação sinal-ruído em holofotes contra voxels. O procedimento descrito aqui se concentra principalmente em uma análise exploratória empregando holofotes. Vale a pena notar que, substituindo holofotes com regiões de interesse, IC também pode comparar as regiões que são selecionados a prévia i. O atual métrica discriminabilidade - comparando correlação de MVP para a condição de &quot;verdadeiro&quot; para a correlação para a condição de máximo alternativo - também são modificáveis. Muitos classificadores de aprendizado de máquina têm pesos de predição para diffaulas erent, o que poderia facilmente substituir as comparações de correlação realizados aqui (por exemplo, para acompanhar o &quot;confiança&quot; de um classificador ao longo do tempo). IC tem uma variedade de usos potenciais. Além de ser uma análise preliminar para investigar redes informacionais, IC pode ser uma análise de acompanhamento secundário a um holofote MVPA. Mapas holofote MVPA são valiosos para compreender que as regiões podem distinguir diferentes condições, mas não estão normalmente divididas em redes diferentes. A abordagem IC pode ajudar aqui, ao revelar que define de holofotes têm discriminabilidade síncrona. Finalmente, mapas IC de diferentes tarefas podem ser comparados a fim de compreender as redes de tarefas, e os pacientes podem ser comparados aos controles para entender melhor como as diferenças multi-voxel 1 5 se manifestam no nível de rede.

O objetivo do método de análise descrito aqui é medir a conectividade entre as regiões do cérebro com base em flutuações na sua informação multi-voxel. Os avanços na ressonância magnética funcional (fMRI) técnicas de análise revelaram que uma grande quantidade de informação pode ser contido dentro de nível de sangue-oxigenação-dependentes (negrito) os padrões de atividade que são distribuídos através de múltiplos voxels 1-3. Um conjunto de técnicas que são sensíveis à informação multivariada - conhecida como análise de padrões multi-voxel (MVPA) - tem sido usada para mostrar que as condições podem ter MVPs distintas, apesar de ter respostas indistinguíveis univariadas 1,2,4. Análises Padrão, que comparam respostas univariadas, pode ser insensível a esta informação multi-voxel. Várias regiões do cérebro estão envolvidas quando os seres humanos processam estímulos e realizar operações cognitivas. Conectividade funcional (FC) é um método habitualmente empregue para investigarportão tais redes funcionais 5,6. Na sua forma mais básica, o FC quantifica co-ativação, ou sincronia, entre os diferentes voxels ou regiões. FC tem sido usado para identificar redes cerebrais funcionalmente conectados com muito sucesso. Para muitas regiões e condições, no entanto, as respostas univariadas não refletem todas as informações disponíveis dentro atividade BOLD. Técnicas de FC que acompanham alterar dinamicamente os níveis de resposta univariadas podem faltar sensibilidade a flutuações comuns na informação multi-voxel. O método de análise aqui apresentada, conectividade informacional (IC; descrita pela primeira vez em um artigo recente 7), preenche uma lacuna entre MVPA e FC, medindo a conectividade com uma métrica que é sensível à informação multi-voxel ao longo do tempo. Enquanto FC faixas alterar dinamicamente ativação univariada, IC faixas alterar dinamicamente MVP discriminabilidade - uma medida de quão bem verdadeira condição de um MVP pode ser distinguido de alternativas (incorretos). É importante ressaltar que em tele mesmo modo que as diferentes regiões pode mostrar níveis semelhantes de respostas uni a uma condição, apesar de executar cálculos distintos (por exemplo, processamento visual ou planejamento de ação quando uma pessoa vê o homem fez objetos), regiões distintas também podem ter níveis de MVP semelhantes (e sincronizados) discriminabilidade enquanto que condições do processo de maneira diferente. Um estudo recente demonstrou que a IC pode revelar conectividade inter-regional que não é detectável com uma abordagem FC padrão 7. Os investigadores podem, portanto, usar IC para investigar as interações entre as regiões do cérebro que os participantes respondem a condições ou estímulos que têm padrões distribuídos característicos. IC é distinto de várias aplicações de conectividade recentes que examinaram flutuações na ativação univariada em relação aos resultados da classificação 8, 9. Ao contrário dessas abordagens, IC detecta síncrono multi-voxel padrão discriminabilidade entre as regiões.

<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

Ele agora é apreciado que a informação relevante condição pode estar presente dentro dos padrões distribuídos de ressonância magnética funcional (fMRI) a atividade cerebral, mesmo para condições com níveis semelhantes de ativação univariada. Análise de padrões multi-voxel (MVP) foi usado para decodificar essas informações com grande sucesso. Investigadores fMRI também muitas vezes procuram entender como as regiões do cérebro interagem em redes interconectadas, e usar a conectividade funcional (CF) para identificar regiões que correlacionados respostas ao longo do tempo. Assim como análises uni pode ser insensível a informação em MVPs, FC pode não caracterizar plenamente as redes cerebrais que processam as condições com assinaturas MVP característicos. O método descrito aqui, a conectividade de informação (CI), pode identificar regiões com mudanças correlacionadas em MVP-discriminabilidade ao longo do tempo, revelando conectividade que não é acessível a FC. O método pode ser exploratória, utilizando holofotes para identificar semente-connáreas ected, ou planejado, entre as regiões de interesse pré-selecionados. Os resultados podem elucidar redes de regiões que processam condições relacionadas com o MVP, degradação podem mapas holofote MVPA em redes separadas, ou podem ser comparados entre tarefas e grupos de pacientes.

Os resultados IC agora podem ser exibidos usando o pacote de software de análise fMRI preferido do investigador. Figura 2 mostra os resultados de IC, calculados a partir de blocos de apresentadas visualmente o homem fez objetos (detalhes completos na publicação associada 7). A análise IC é particularmente valioso para as condições que se sabe terem associado MVPs: Condições com MVPs característicos, mas sem diferenças nas respostas univariadas, são mais propensos a ter distinções entre IC e FC (ilustrado com dados que foram registrados como participantes visto diferentes tipos de homem objetos feitos na Figura 3). Figura 4 mostra que holofotes com informações significativas multi-voxel pode ter alta IC, mas não são tão bem representados em resultados FC. <img alt="Figura 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = &quot;500&quot; /&gt; .. Figura 1 Exemplos de padrão discriminabilidade durante tempos: Os substratos. De MVP discriminabilidade calculado a partir de um sujeito em Haxby et al (2001) 2, tal como analisado em Coutanche &amp; Thompson-Schill (2013) 7. A linha azul mostra a correlação entre marcou-z &#39;MVPs ea média de tempo padrão de pontos da classe correta (&quot;treinamento&quot;). As linhas verdes representam correlações dos MVPs com três classes incorretas. Conclusão: Padrão discriminabilidade é a diferença entre as correlações para a classe correta e incorreta classe mais alta. Time-pontos com valores positivos padrão Discriminabilidade seriam corretamente classificados por um classificador baseado em correlação. Figura publicado originalmente em Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig1highres.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura</a>. <img alt="Figura 2" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig2highres.jpg" width="500" /> Exemplo mapas Figura 2. Conectividade. Cada linha mostra regiões significativamente ligados a uma semente (em azul). A significância é determinada por um grupo t-teste (p &lt;0,001) com o tamanho mínimo de aglomerado de testes de permutação. Os resultados são exibidos usando IC AFNI 1 1 em mapas de superfície produzidos com FreeSurfer 1 2. Figura é modificada a partir Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig2highres.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a> <img alt="Figura 3" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig3highres.jpg" width="500" /> Figura. 3 Synchronized MVP discriminabilidade comparado a significar ativação Exemplos de MVP discriminabilidade em duas regiões com discriminabilidade MVP síncrona (ou seja, a conectividade de informação) sem síncrona ativação média (ou seja, a conectividade funcional).; dados vêm de um assunto de Haxby et al. (2001) 2, conforme analisado em Coutanche &amp; Thompson-Schill (2013) 7. Esses pontos de dados foram coletados enquanto o assunto visto apresentações visuais de objetos feitos pelo homem, que se distinguem por padrões multi-voxel, mas não significam respostas. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig3highres.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a> <img alt="Figura 4" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig4highres.jpg" width="500" /> Figura 4. Exemplo IC e FC valores entre uma semente no lefgiro t fusiformes e holofotes em todo o cérebro. Informacional e pontos fortes de conectividade funcional (Z-eixos) são mostrados entre uma semente e holofotes, com relação a resposta média de cada holofote (eixo x) e precisão da classificação MVPA (eixo-y) a quatro tipos de homem feito objetos (possibilidade = 25%). Holofotes compartilhando voxels com a região da semente foram removidos. O gráfico IC inclui exemplos de holofotes com conectividade forte que têm alto desempenho da classificação, mas os baixos níveis médios de resposta, que não são apanhados em uma abordagem típica FC (visto pela lacuna na octant superior esquerdo do gráfico à direita). Figura publicado originalmente em Coutanche &amp; Thompson-Schill (2013) 7. <a href="https://www.jove.com/files/ftp_upload/51226/51226fig4highres.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>

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

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

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

Usando Informativa Conectividade medir o Emergence Synchronous de fMRI Multi-voxel Informações 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 visualizações.  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.

Vídeo: 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.

Combinando Estimulação Magnética Transcraniana e fMRI para o Exame da rede de modo padrão

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 ...

Neurociência

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.

Correlacionando as respostas comportamentais aos sinais de fMRI córtex pré-frontal humano: Examinando Processos Cognitivos Usando Análise de Tarefa

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-análise de estrutura e função cerebral usando ressonância magnética funcional e imagem ponderada em difusão

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.

Uma maneira simples para medir alterações na Recompensa comportamento de busca Usando<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.

Analisando dendríticas Morfologia em Colunas e Camadas

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.

Um protocolo para a administração do real-time fMRI treinamento de Neurofeedback

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

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

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

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

Ensaio para Medir o Transporte Nucleocitoplasmático em Tempo Real dentro de Células NSC-34 do tipo Motor-Neuron

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.

Imunossinção Quadruple da Lâmpada Olfativa para Visualização de Códigos de Identidade Molecular de Axon Sensorial Olfativo

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

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

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

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

Analisando a atividade Neural e conectividade usando dados de EEG intracraniano com 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.

Modelagem estatística da conectividade cortical usando eletroencefalogramas não invasivos

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