Genelleştirilmiş psikofizyolojik etkileşim (PPI) analiz bellek bağlantısı'nda bireyler, Alzheimer hastalığı genetik Risk ile ilgili

Özet

Bu el yazması görev bağımlı değişiklikleri seçili tohum bölge ve beynin diğer bölgelerdeki voxels arasındaki fonksiyonel bağlantı içinde ortaya çıkarmak için bir psikofizyolojik etkileşimi analiz uygulamak açıklar. Psikofizyolojik etkileşimi analiz görev etkileri beyin bağlantısı, geleneksel tekdeğişirli harekete geçirmek etkilerinden ayrı incelemek için popüler bir yöntemdir.

Özet

Beyin görüntüleme, fonksiyonel manyetik rezonans görüntüleme (fMRI) beyindeki kan oksijen düzey bağımlı (kalın) sinyal ölçer. Cesur korelasyon derecesi sinyal içinde dağınık şekilde bağımsız beyin bölgelerinde bu bölgeleri işlevsel bağlantı tanımlar. Bilişsel fMRI görev sırasında bir psikofizyolojik etkileşim (PPI) analiz sırasında bilişsel görev tarafından tanımlanan belirli bağlamlarda fonksiyonel bağlantısı'nda değişiklikleri incelemek için kullanılabilir. Böyle bir görev örneği ilgisiz kelimeleri (kodlama) çift öğrenmek ve ilk sözcüğü (alma) görüntülendiğinde bir çift ikinci kelime hatırlama katılımcılar soran bellek sistemi sapmaz biridir. Bu da çalışmanın, biz kullanılan ilişkisel hafıza görev ve genelleştirilmiş bir ÜFE (gPPI) analizi bu tür Alzheimer hastalığı (Ah) genetik risk faktörü apolipoprotein E epsilon-4 (uçak gemisi olan eski erişkinlerde Hipokampal bağlantı içinde değişiklikleri karşılaştırmak için APOEε4). Özellikle, biz bu Milletlere Hipokampus değişiklikler fonksiyonel bağlantı göstermek kodlama ve alma, ilişkisel hafıza görev iki etkin aşamaları sırasında. İçerik bağımlı değişiklikleri hipokampüs fonksiyonel bağlantı içinde önemli ölçüde APOEε4 sigara taşıyıcılara göre taşıyıcılarının farklıydı. ÜFE analizleri fonksiyonel bağlantı, tekdeğişirli ana etkileri, farklı içinde değişiklikleri incelemek ve bu değişiklikleri grupları arasında karşılaştırmak için mümkün kılar. Böylece, bir ÜFE analiz geleneksel tekdeğişirli yöntemleri yakalamak değil belirli tabur karmaşık görev etkileri ortaya çıkarabilir. Ancak, ÜFE analizleri yön veya işlevsel olarak bağlı bölgeler arasındaki nedensellik belirleyemiyor. Yine de, ÜFE analizleri nedensel modelleri kullanarak test işlevsel ilişkiler ile ilgili belirli hipotezler üretmek için güçlü araçları sağlar. Beyin bağlantısı ve ağları açısından giderek açıklandığı gibi ÜFE insan beyni geçerli anlayışı doğrultusunda fMRI görev verileri analiz etmek için önemli bir yöntemdir.

Giriş

"Connectome" terimi 2005 işaretleme günümüze¹devam ediyor nörolojik bir paradigma kayması içinde icat edildi. Beynin işlevsel ağlar, bağlantı ve etkileşim arasında ve büyük ölçüde bölgeleri arasında açısından giderek tanımlanır. Bununla birlikte, bölgesel işlevsel uzmanlaşma ve fMRI ölçülen aktivite ve görev talepleri arasındaki ilişkilendirmeleri tarif hala geçerli ve yararlı yaklaşım vardır. Connectomics artan ilgi ışığında, fonksiyonel bağlantı yaklaşımlar görev fMRI analizi için popülaritesi artmaktadır. Fonksiyonel bağlantısı değişikliklerini göreve bağımlı ölçme bir yaklaşım talep ediyor PPI kavramını kullanır. Bir ÜFE faiz veya "tohum" beyin bölgesinin fonksiyonel bağlantı ("Fizyo") bir etkin görev faz veya belirli görev talep ("psikopat") etkileşim olduğunu. ÜFE bivariate, korelasyon tabanlı analiz bir görev talepleri ile ilgili herhangi bir kısıtlama olmadan iki bölgelerde faaliyet arasında korelasyon derecesi genellikle ölçen fonksiyonel bağlantı farklıdır.

Kavram ve ÜFE analiz çerçevesinde başlangıçta açıklanan Friston ve meslektaşları 1997². Yazarlar daha işlevsel olarak belirli ve distal tohum etkinliğinde bir görev talep sonuçlanan faaliyet oransal çıkarımlar için izin vermek için bağlantı incelenmesi sağlayacak çünkü yaklaşımları önemli olduğunu iddia. 2012 yılında, McLaren ve meslektaşları bu özgün çerçeve eklendi ve hangi gPPI yaklaşımda açıklanan tüm görev aşamaları ve ilişkileri tek model³' te dahil. Bu yaklaşım görev faz ve soruşturuluyor etkileşim için daha hassas ve belirli sonuçları yol açar. Biz şimdiki zamanda istihdam bu Güncellenme Zamanı gPPI yaklaşımdır (bkz. Adım 6.2.2 protokolündeki) çalışma. GPPI yaklaşım şimdi 200'ün üzerinde çalışmalarda atıf yapılmış. Anlaşılır olması için bundan sonra 'ÜFE' kullandığımız standart ve jeneralize sürüm ortak özellikleri açıklamak için. 'gPPI' yeni çerçevesiyle ilişkili belirli gelişmeler tartışmak için kullanılacak.

Nasıl bilişsel bir görev ihtiyaçlarını etkisi ya da bir tohum bölgenin fonksiyonel bağlantı modüle bir ÜFE analiz genel amacı anlamaktır. ÜFE analiz güçlü bir temanın bir hipotez gerektirir. Tohum bölgede faaliyet PPI yaklaşım etkili⁴çalışmak için sırada görev tarafından modüle gerekir. Örneğin, bu da çalışmanın, Hipokampal etkinliği bir bellek görev bilişsel talepleriyle modülasyonlu güçlü kanıtlar bizim tohum seçime göre. ÜFE kullanarak, önemli ölçüde daha az ya da işlevsel olarak hippocampus için belirli görev aşamalarında bağlı bölgeleri tespit edilebilir. Kısacası, "hangi bölgelerde etkinlik sırasında içerik A temel ile karşılaştırıldığında daha fazla tohum ile ilişkili mi?" soru sormak (Farkı anlamak önemlidir gibi) aynı zamanda mantıksal tersini sorabilir miyim: "hangi bölgelerde etkinlik sırasında içerik A temel ile karşılaştırıldığında daha az tohum ile ilişkili mi?" ÜFE etkileri grup farklılıkları yorumlarken, verileri ve olup fonksiyonel bağlantı olumlu ya da olumsuz değişiklik veya her ikisini de, grup farklılıklar yönlendirdiğini incelemek önemlidir.

ÜFE yaklaşım dinamik görev denetim hub sağlıklı denetimlerinde, eğitim için kullanılan modülasyon fonksiyonel bağlantı Alzheimer hastalığı (Ah), motor ağ bağlantısı otistik bireylerde zeka bilişsel performansı nasıl ilişkili olduğunu Parkinson hastalığı, bireylerin vücut dismorfik bozukluğu ve anoreksiya, duygu düzenlemesi, bellek ve bağlantı^5,-^{6,7 ile ilgili diğer pek çok özel soru ile işleme yüz olan bireylerin ,8,9,10,11}. Bu da çalışmanın, biz bellek kodlama ve reklam için risk faktörü¹²olmadan bir grup genetik riski bireylerin bir grup arasında alma sırasında hipokampüs Milletlere fonksiyonel bağlantısı'nda değişiklikleri karşılaştırmak. Biz, gPPI yaklaşım, uygulama bize görev elde edildi değişiklikler fonksiyonel bağlantı varlığı ile Derneği APOEε4, reklam için genetik bir risk faktörü olarak farklıysa test etmenize izin vermek için kullanılan iletişim kuralı aşağıdaki açıklar.

Access restricted. Please log in or start a trial to view this content.

Protokol

da çalışmanın UCLA kurumsal inceleme Kurulu (IRB) protokolleri uygun olarak gerçekleştirilen ve UCLA insan denekler koruma Komitesi tarafından onaylanmış. Tüm katılımcılar bu çalışmada kayıt için yazılı onay verdi.

1. katılımcı seçimi

1. çalışma gerçekleştirmek için elde IRB onay.
2. Ekran bireyler 55 ve bilişsel gerileme standart nöropsikolojik pil kullanımı için büyük yaşlı. Genel istihbarat (sınamalarının WAIS-III) ¹³, akıcılık (meyve ve sebze) ¹⁴, dikkat (basamak ileri ve geri) ¹³, dil (Boston Test adlandırma sınamalar içerir ) ¹⁵, sözel bellek (Buschke-Fuld seçici hatırlatan görev) ¹⁶, WMS-III mantıksal bellek ve sözlü eşleştirilmiş ilişkilendirir öğrenme ¹³ ve görsel bellek (Rey-Osterrieth şekil testi) ¹⁷.
   1. var Hamilton depresyon ve anksiyete stoklar ^{18 , 19} yanı sıra Mini zihinsel devlet sınavı (gibi ruh anketleri tamamlamak katılımcılar MMSE) ²⁰.
3. 26 puan edinildi katılımcılar dahil veya yukarıdaki MMSE Tarih ve yaşlarına bilişsel test için iki standart sapma normalin altında daha iyi performans. Katılımcılar ile klinik anksiyete, depresyon ya da diğer herhangi bir nöropsikiyatrik veya nörolojik hastalık hariç. Kim MRI Emanet ölçütlere uymayan veya kim bir kan için izin değil hariç tutma katılımcı çizin.
   Not: Bu da çalışmanın, 93 katılımcılar bu kriterlerin yerine (yani yaş 67.4 yıl = 31M/49F).

2. Genotipleme

1. eğitimli bir phlebotomist ya da diğer tıbbi profesyonel çizmek kan her katılımcıdan.
2. İzole 200 µg genomik DNA örneği 10 mL'açıklanan ²¹.
3. Tek nükleotit polimorfizmi (SNP) Genotipleme iki loci, rs429358 ve rs7412 APOE allelleri ²² ayırımcılık için gerçek zamanlı PCR kullanarak taşımak.
   1. Birleştirmek muhabir rs429358 ve rs7412 için bir SNP Genotipleme tahlil içine boya. Her PCR güçlendirme döngüsü tamamlandıktan sonra floresan sinyallerini muhabir ve içki boyalar dağılımını gösteren bir grafikte çizmek. Deney sonuçları onaylamak için yinelenen içinde gerçekleştirmek.
4. ²³ gerçek zamanlı PCR yordam çıkış için geliştirilen bir yazılım paketi kullanarak SNP Genotipleme veri analiz.
   Not: mevcut çalışmada kullanılan program örnek ilgi gösteren, sırayla, bir APOE SNP diğer üzerinden iki gazeteci boyalar biri için hesaplar. Bu da çalışmanın, reklamın 34 taşıyıcıları alleli, APOE ε4 riske (heterozigoz ε3/ε4) ve 46 sigara-Taşıyıcılar (homozigoz ε3/ε3) 80 çalışmaya katılanların bir toplam için kayıtlı. Çünkü bu alleli ilan için ilgili koruyucu bir etkisi olabilir kanıt APOEε2 alleli taşıyıcılarının dışlamak

3. Fonksiyonel ve yapısal görüntüleme veri toplama

bütün beyin görüntüleme verileri elde etmek için

1. (3T) 3 Tesla Mr sistemi.
   1. Fonksiyonel görüntüleme için Aksiyel dilimleri bir yankı düzlemsel görüntüleme (EPI) sırası kullanılarak toplamak. Fonksiyonel görüntülerin kayıt kolaylaştırmak için T2 ağırlıklı, co-düzlemsel yapısal görüntülerin Aksiyel dilimleri elde etmek. Aksiyel dilimleri bir 3D T1 ağırlıklı sırasını kullanarak yüksek çözünürlüklü yapısal görüntüleme için toplamak.
      Not: Bu da çalışmanın, bir 3T mıknatıs ile 12 kanallı baş coil kullanıldı. Aşağıdaki parametreleri belirli tarayıcı ve bobin için dizayn edilmiştir. Malzemeler tablo daha fazla bilgi için bkz:.
      1. Edinme aşağıdaki sıra parametreleri kullanarak veri görüntüleme fonksiyonel: tekrarlama zamanı (TR) Zaman (TE) echo 2.500 ms = 21 ms, görüş alanı (FOV) = 200 mm x 200 mm, fiske vurmak açı = 75 ° = matris = 64 x 64, 33 dilimleri, dilim kalınlığı 3 mm, interslice boşluk = = 0 .75 mm, voxel boyutu = 3.125 x 3.125 x 3.75 mm.
      2. Fonksiyonel görüntüleme sırası üçüncü hacmi ile başlamak için ilgisiz kelimeleri ilişkisel hafıza görevi tetikler. Kararlı durum denge için hesap, ilk iki birimleri her işlevsel tarama analizleri tutmak.
         Not: ilişkisel hafıza görev olmuştur ilgisiz kelimeleri başka bir ^{12 , 24} bölümünde. Kısaca, kodlama ve alma blok blok-tasarım işlevsel görevle vardır. Katılımcılar ilgisiz kelimeleri çiftlerini öğrenmek için talimat verdi.
      3. Edinme T2 ağırlıklı, co-düzlemsel yapısal aşağıdaki sıra parametreleri kullanarak veri görüntüleme: TR 5000 ms, TE = 34 ms, FOV = 200 mm x 200 mm, fiske vurmak açı = 90 ° = matris = 128 x 128, 28 dilimleri, dilim kalınlığı = 3 mm, interslice boşluk = 1 mm ve Voksel boyutu = 1.56 x 1 .56 x 4 mm.
      4. Elde yüksek çözünürlüklü yapısal (anatomik) aşağıdaki mıknatıslanma hazırlanan hızlı degrade yankı (MPRAGE) sıra parametrelerini kullanarak görüntüleme: TR 1.900 ms, TE = 2.26 ms, TI = 900 ms, FOV = 250 mm x 218 mm, fiske vurmak açı = 9 ° = matris 256 x 215, = 176 dilimleri , dilim kalınlığı = 256 x 224 Voksel boyutunda kaynaklanan bir matris için sıfır dolu 1 mm = 1 x 0.976 x 0.976 mm.

4. fMRI veri kalın ön işleme

1. fonksiyonel MRI, beyin (FMRIB) yazılım kitaplığı (FSL) sürüm 6.0 (http://fsl.fmrib.ox.ac.ul) aşağıdaki gibi kullanarak işlev veri önişlem:
   1. Her katılımcı için ' s veri kümesi, Kaldır başını hareket hareket düzeltme FMRIB kullanarak veri yapıdan ' s doğrusal görüntü kayıt aracı (MCFLIRT) ²⁵.
   2. Beyin çekme alet (bahis) isteğe bağlı -F bayrağını ²⁶ ile kullanarak görüntüleri sigara beyin dokusu kaldırmak.
   3. Fonksiyonel verilerdeki herhangi bir birimi tanımlamak için FSL hareket Outliers aracı kullanmak aşırı hareket çerçeve öteleme birimleri arasında dayalı olduğu. Bayrak birimleri nereye hareket tarama diğerleri ile karşılaştırıldığında farklıdır bir aykırı (yukarıda 75 ^inci yüzdelik + 1,5 katı arası DÖRTTEBİRLİK aralığı) olarak ölçülür ve bu program için downweight çıkışını bu birimlerin analizleri içinde kullanın.
      Not: Grup karşılaştırmalar çalıştırmadan önce ortalama hareket, FSL hareket Outliers tarafından ölçülen iki grupları arasında farklı değildir olduğunu denetleyin. Bu bulgular grup ilgili farklar hareket tarafından tahrik değil sağlamaya yardımcı olur.
2. İçin ilk katılımcıyı FSL fMRI uzman analiz aracı (FEAT) için grafik kullanıcı arabirimi (GUI) kullanarak önişleme ve birinci düzey genel doğrusal model (GLM) ayarlayın.
   Not: her çalışma katılımcı için bu adımı yineleyin. Bir katılımcı, bir koşuya kurma sonra zaman kazanmak için kalan çalışma katılımcılar için ön işleme çalıştırmak için bir komut dosyası yazmak ' değiştirme veri " design.fsf " dosya (FSL FEAT çıktı) göre o katılımcıyı başvurmak her katılımcı için ' s belirli veri.
   1. Veri etiket, tıkırtı üstünde " 4 D veri eklemek " ve hareket-düzeltilir ve beyin çıkarılan dosyasına gidin. TR 2.5 için ayarla (edinsel fonksiyonel sıra TR için karşılık gelen) s. Varsayılan yüksek geçiş filtresi kullanın (100'e ayarlamak s).
      Not: Yüksek Geçiş filtresi frekans sinyalleri hiç ilgilendirmiyor kaldıracaktır.
   2. Öncesi istatistikleri sekmesini tıklatın " yok " altında " hareket düzeltme " (o zaten 4.1 adımda gerçekleştirilen gibi). Uncheck " bahis beyin çıkarma " (o zaten adım 4.1 tamamlandı gibi). Türü " 5 " set 5 mm tam genişlikli yarı-maksimum (FWHM) Gauss çekirdek kayma yumuşatma için sağdaki kutuda.
      Not: FWHM düzeltme çekirdek için genellikle, işlevsel tarama Voksel boyutu büyüklüğünde iki kez ayarlanmalıdır.
   3. Çıkış kullanın (6 sütunları, satır = TRs # tarama içinde) MCFLIRT hareket düzeltme açıklayan 6 tek sütunlu metin dosyaları oluşturmak için gerçekleştirilen veri kümesi içindeki her ses seviyesinde. Bu model için bir sonraki adımda regressors olarak eklenecektir.
      1. İstatistikleri sekmesinde altında " tam modeli Kur ", 6 hareket parametreleri ve zamansal türevleri regressors veya açıklayıcı değişkenler (EVs) GLM olarak ekleyin. Her hareketi EV seçeneğini belirleyin " özel " (birim başına 1 giriş) için temel şekli, " hiçbiri " evrişim ve onay için " zamansal filtreleme uygulamak. "
         Not: hareket parametreleri oldukları çünkü herhangi bir işlev tarafından convolved gerek yok yeniden düzenlenmesi fonksiyonel her ses seviyesinde hareket düzeltme sırasında gerçekleştirilen ve böylece ayarlanması gereken değil.
   4. Adım 4.1 altında FSL hareket Outliers çıkışını istatistikleri sekmesinde seçin " ek eklemek EVs yıkmak ".
      Not: Bu çıkış için aşırı hareket bayraklı ve confound dosyası eklediğinizde, içinde GLM deweighted her bir birim ifade eden bir matris olduğunu.
   5. İstatistikleri sekmesini tıklatın " tam modeli set-up ". Görev zamanlama metin dosyaları başlangıçlı ve ofset farklı görev aşamalarının ifade eden oluşturmak ve bu EVs olarak 1 sütun biçimini seçme ve ilgili metin dosyasına giderek GLM ekleyin (görev kodlama aşaması için diğeri için alma aşaması dahil). İçin " Konvolüsyon " seçim " çift-gama Rotasyonlarla " seçme hakkı--dan belgili tanımlık damla aşağı liste-her ikisi için de. Temel veya etkin olmayan bölümlerini GLM görevde modeli değil.
      Not: Rotasyonlarla hemodinamik yanıt işlevi için duruyor. Görev komuta tarafından EV convolving EV daha beyin beklenen görev kaynaklı kalın sinyal değişiklikleri ile tutarlı olacak şekilde görev zamanlama vardiya.
   6. Kayıt sekmesini denetleyin " genişletilmiş fonksiyonel görüntü " ve " ana yapısal görüntü " bir iki aşamalı kayıt için.
      1. Seçin katılımcı ' s co-düzlemsel T2 ağırlıklı yapısal inceden inceye gözden geçirmek için ilk adım, fonksiyonel veri co-düzlemsel yapısal veri için kayıtlı. 6 serbestlik derecesi (DOF) ikinci tıklayarak bu adımı için damla aşağı kutu altında bu adımı seçin ve seçimi " 6 DOF ".
      2. T2 ağırlıklı görüntü yüksek çözünürlüklü T1 ağırlıklı MPRAGE, kayıtlı bir sonraki adım için sınır dayalı kayıt (BBR) kutusunu ²⁷ açılır seçin.
         Not: BBR yoğunluk farkları beyaz madde ve gri madde arasındaki yapısal ve işlevsel taramalar gösteriyor için kullanır ve flört ve diğer alternatif yöntemler daha iyi performans için gösterilen.
      3. Yüksek çözünürlüklü yapısal verileri standart MNI152 şablon için kayıtlı son adım için 12 serbestlik ve doğrusal bir dönüştürme seçerek seçin " 12 DOF ".
         Not: Otelde 4 bölümündeki tüm adımları tam işlevsel veri Önişlenmiş ve hazır daha ayrıntılı bir çözümleme için.

5. Hipokampal tohumları

1. Generate maskesi her katılımcı sol Hipokampus, ' kullanarak FSL s yüksek çözünürlüklü yapısal alanı ' s FMRIB entegre kayıt ve bölümleme aracı (ilk) bölümleme algoritması ²⁸ .
   Not: doğru Hipokampus, dahil olmak üzere diğer bölgeler, ilginç olurdu ve geçerli çekirdek daha fazla analizler.
2. İstatistiksel yazılım platformu kullanarak, kod yapısı ²⁹ anterior ve posteiror üçte uzunluğunu hesaplamak için yazmak. Özellikle, bu uçak anterior ve posteiror üçte demarking yerini sayılarıtoplayarak bulabiliriz ön-arka düzlemde hacimsel Hipokampal maskesi uzunluğunu kullanır.
   Not: hippocampus boyuna ekseni boyunca segmentlere kısa bir süre önce yöntemi bir alternatif tohum oluşturma yaklaşım ³⁰ olabilir.
3. Göre bu koordinatları, anterior ve posteiror Hipokampal maskesi görüntüleri oluşturun. Anterior ve posteiror Hipokampal maskeleri yerel işlev alanı kullanarak içine kayıt " example_func2highres " matris FEAT çıkış kayıt dizini.
   Not: anterior ve posteiror üçte kullanarak kayıt işlevsel alan için sonra iki Hipokampal tohumlar arasında sinyal bulanıklık engelledi. Hippocampus ^{31 , 32 , 33 , 34} boyuna ekseni boyunca işlevsel uzmanlık kanıt. Ön bölge giriş bölgeleri ve posterior Hipokampus bellek alma ve Konsolidasyon ^{35 , 36} ile ^, ilişkili bir çıkış bölgesi ise kodlama ile ilişkili ³⁷. böylece, bu bölgeleri kullanarak fonksiyonel ön bellek görev alma aşamaları karşı kodlamada posterior Hipokampus karşı katılımı değerlendirmesini sağlar.
4. Kullanım FSL denoised ortalama timeseries anterior ve posteiror Hipokampal gelen tohumlar ( şekil 1) ayıklamak için timeseries (fslmeants) demek. Program yönergeleri izleyin ve her iki anterior veya posterior Hipokampal tohumu maskesi ve denoised, Önişlenmiş işlevsel veri ana resmi farkl─▒ kullan.

Resim 1 : Hipokampal tohumlar. Yerel alan, tek bir katılımcı ' s ön Hipokampus tohum sarıyla gösterilir. Posterior Hipokampus tohum aynı katılımcı için pembe renkte gösterilir. Tohum her katılımcı olarak tanımlanan ' s eşsiz yapısal görüntü ve onların işlevsel tarama için kayıtlı. Tohum Hipokampal ayrılmasını doğruluğunu artıran hiç bir standart, alanındadır. Bu rakam izni ¹² ile yeniden basıldı. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

6. PPI Model

1. Kullanım GUI için FSL Önişlenmiş fonksiyonel verileri yüklemek FEAT.
   1. Veri sekmesini seçin " filtered_func_data " denoised görüntü (Bölüm 4 tamamlandı adımları çıktısı) giriş dosyası olarak. Hareket düzeltme ve beyin çıkarma öncesi istatistikleri sekmesinde ayarlayın " yok. " zamansal filtreleme ve kayma düzeltmeyi gerçekleştirmek için kutuları Unclick.
2. PPI Model kurulum (Tablo 1).
   1. İstatistikleri sekmesinde seçin " tam modeli set-up ". EVs sekmesinde tüm EVs ilk düzey modelinden eklemek: 6 düzeltme EVs hareket, EV matris FSL hareket Outliers yıkmak ve zamanlama EVs görev. EVs eklemek için yukarı oku tıklatın. Bu modele bir EV (metin dosyası çıktısını fslmeants adım 5,4) tohumdan fizyolojik timecourse için hiçbir ilgisi bir covariate yukarı oku tıklatarak dahil.
   2. PPI koşulları oluşturun.
      1. Seç " etkileşim " görev belgili tanımlık temel Şekil menüsü ve seçme tohum timecourse EV ve bir EV. İçin " sıfır yapmak " seçeneği, seçim " demek " tohum timecourse EV için ve " Merkezi " görev EV için. Bu yordamı evrelerini diğer görev için yineleyin. Her tohum bölge için ayrı bir modeli çalıştır.
         Not: Bu yeni EVs görev Seçili (psiko) ve tohum (Fizyo) aşaması için PPI terimlerdir. Bu da çalışmanın, kodlama aşaması için bir ÜFE terim ve ikinci bir ÜFE dönem alma aşaması için her PPI modelinde dahil edildi. " Merkezi " seçeneği sağlar " üzerinde " ve " kapalı " blok tasarım görev aşamalarını eşit kabul edilir. " Demek " seçeneği her zaman tohum timecourse uygulanır ve sonuçlar anlamına bu regresör düşülen içinde.
   3. Kontrastlı ve F-testleri sekmesi, aşağıdaki özel efektler girerek model " 1 " karşılık gelen EV hücre: psych_enc (kodlama görev faz), psych_ret (alma görevi faz), Fizik (tohum timecourse), PPI_enc (PPI tohum ve kodlama), PPI_ret (tohum ve alma PPI). Son olarak, girin bir " -1 " her görev aşama için negatif PPIs modellemek için.

Tablo 1: gPPI modeli set-up.

7. grup karşılaştırmalar

1. seçin " üst düzey analiz " FSL her görev-tohum birleşimi için taşıyıcılar taşıyıcılara APOEε4 karşılaştırarak bir basit grup model çalıştırmak için feat.
   Not: Bu karşılaştırmalar ilgili Grup 4 D kalanlar görüntüler oluşturmak için çalıştırın (" res4d ") veri kümesi düzgünlüğünü tahmin etmek için gerekli. Bu grup karşılaştırıldığında istatistiksel olarak anlamlı sonuçlar geçerli olmakla birlikte, en az üzerinde Monte Carlo simülasyonları göre önemli bir küme kurmak için AFNI ve SPM8 kullanarak başka bir eşik yaklaşımı aşağıdaki adımları açıklanmıştır.
2. Kullanım analiz, fonksiyonel beyin görüntüleme (AFNI)
   1. Kullanım AFNI ' s 3dFWHMx (Aralık 2015 sonra herhangi bir sürümü) grubu 4 D kalanlar düzgünlüğünü tahmin etmek için komut satırında görüntüleri oluşturulan FSL kullanarak.
      Not: Bir hata AFNI keşfedilmiştir ' s 3dClustSim ve Mayıs 2015 yılında düzeltildi. Aralık 2015 yılında, AFNI ' s 3dFWHMx daha doğru model otomatik-korelasyon için güncelleme. Böylece, bu araçların sürümleri Aralık 2015 yılında yayımlanan veya daha sonra kullanılmalıdır.
   2. Kullanım AFNI ' s 3dClustSim (Aralık 2015 sonra herhangi bir sürümü) küme ölçüde minimum önemi farklı Voksel düzeyi eşikler, ulaşan belirlemek için. Önceki adımdaki pürüzsüzlük tahminleri 3dClustSim komut satırı çağırma dahil. 3dClustSim tarafından oluşturulan tablosundan beklenen etkileri ile ilgili çalışma hipotezler dayalı ' yükseklik ve ölçüde, seçin bir Voksel düzeyi eşik ve karşılık gelen küme en az boyutu.
      Not: genel olarak, daha büyük kümeler yanlış mutlak en aza indirgemek.
3. Kullanım istatistik parametrik eşleme (SPM8)
   1. SPM8 GUI kullanarak seçin " 2 ^nd belirtin-düzeyi ". Toplu iş Düzenleyicisi açılır. Seçin " iki örnek t-Testi " tasarım altında. Grup 1 (APOEε4 taşıyıcıları) için parametre tahmini görüntüler ile dizinine gidin ve tıklatarak seçin. Daha sonra Grup 2 (APOEε4 sigara-taşıyıcıları) görüntüleri ekleyin. Bu karşılaştırma Yeşil play butonuna basarak çalıştırın.
   2. Dönmek SPM GUI seçin " tahmin " ve modeli tahmin işlemi çalıştırmak için önceki adımda oluşturduğunuz SPM.mat dosyasına gidin.
   3. Select " sonuçları " ve grup karşılaştırma tezat çalıştırın: APOEε4 taşıyıcıları > APOEε4 sigara-taşıyıcılar, APOEε4 sigara-taşıyıcılar > APOEε4 taşıyıcıları.
      1. Tıklayın üzerinde " yeni bir kontrast tanımlamak ", seçim " T-kontrast " altında " türü " ve girin " 1 -1 " içinde " kontrast " kutusunu APOEε4 taşıyıcıları için > APOEε4 sigara-taşıyıcılar. ' I tıklatın " yapılan ". Seçin " yok " uygulamak maskeleme ve el ile küme Voksel düzey eşik ve küme boyutu en az adım 7.2.2.Enter yapılan belirlenmesi göre "-1 1 " APOEε4 sigara-taşıyıcıları için > APOEε4 taşıyıcıları.
         Not: yapılan çalışmanın, p voxelwise eşiğinde < 0,005 kullanıldı ve alpha adlı thresholded kümeleri < 0,05.

Access restricted. Please log in or start a trial to view this content.

Sonuçlar

İki farklı etkin görev aşamada (kodlama ve alma) ve iki tohum bölgeler (anterior ve posteiror Hipokampus) ile her grup için rapor sonuçlarını için dört koşullar vardır. Grup içinde görev aktivasyon haritalar (burada gösterilmeyen, Harrison vd., 2016¹²bakınız) oksipital lob, işitsel korteks, LOB parietal, frontal dil alanlarında, üstün zamansal gyrus, büyük bölgeler gösterin ve kaudat (daha belirgin Alım sırasında) önemli kalı...

Access restricted. Please log in or start a trial to view this content.

Tartışmalar

Erken görevlere fMRI çalışmaları belirli Bilişsel süreçler arasındaki istatistiksel ilişkileri ortaya çıkarmak için tasarlanmış veya talep ve kalın değişiklikler temel ölçüm göreli sinyal. Bu geleneksel yaklaşım belirli bölgelerde faaliyet deneysel bir görev tarafından nerede modülasyonlu beyin belirlemek için kullanışlıdır. Buna ek olarak, bir ÜFE analizi esas fonksiyonel bağlantı modülasyon veya görev kaynaklı bir bilişsel işlemden sonuç faaliyet, senkronizasyonu ile ilgilidir....

Access restricted. Please log in or start a trial to view this content.

Malzemeler

Name	Company	Catalog Number	Comments
3T manetic resonance imaging scanner	Siemens Medical Solutions	MAGNETOM Trio, A Tim System	3T MRI Scanner
FSL (FMRIB Software Library)	Oxford University	Version 6.0	Functional Imaging Processing Software
AFNI (Analysis of Functional Neuroimaging)	National Institute of Mental Health, National Institutes of Health	Any version after May 2015	Functional Imaging Processing Software
SPM8 (Statistical Parametric Mapping)	University College of London	SPM8	Functional Imaging Processing Software
Matlab Software	The Mathworks, Inc	Version R2012a	Computing Software
SDS Software	Applied Biosystems, Inc	7900HT Fast Real-Time PCR System	Real Time PCR
Taqman Assays	ThermoFisher Scientific	Specific to SNP	SNP Genotyping