Utilisation informationnel connectivité mesurer l'émergence synchrone de l'IRMf Multi-voxel information à travers les âges
1 juillet 2014
La connectivité informationnelle mesure la correspondance entre les cours temporels de l’information multi-voxel à travers différentes régions du cerveau. Des séries chronologiques de discriminabilité de motifs multi-voxels sont extraites des régions et comparées, révélant des réseaux qui ne sont pas identifiés dans une approche typique de connectivité fonctionnelle.
L’objectif général de cette procédure est de mesurer la connectivité entre les régions du cerveau en fonction des changements dans leurs modèles d’activité distribués au fil du temps. Pour ce faire, il faut d’abord sélectionner une région d’origine. Ensuite, la discriminabilité est calculée pour chaque point temporel de la région d’origine et pour chaque projecteur ou région d’intérêt.
La dernière étape consiste à corréler la série chronologique de discriminabilité de la région d’origine avec chaque projecteur. En fin de compte, la connectivité informationnelle est utilisée pour révéler la connectivité entre les régions dont l’information est contenue dans des modèles de voxels. Eh bien, le principal avantage de cette technique par rapport à d’autres comme la connectivité fonctionnelle est qu’elle peut détecter la connectivité à l’aide de conditions qui ne diffèrent pas dans la réponse immunitaire, mais qui ont une signature multivariée unique.
Eh bien, j’ai d’abord eu l’idée de cette méthode après avoir réalisé que de nombreuses techniques de connectivité ignorent les informations qui ne sont contenues que dans des modèles d’activité multi-voxels. Tout comme nous savons maintenant que les approches univariées sont complètement aveugles aux informations contenues dans les modèles d’activité multi-voxels Pour commencer cette procédure, supprimez les signaux de mouvement et de substance blanche moyenne de la série chronologique de données FMRI prétraitées en créant un modèle de régression avec des prédicteurs pour les paramètres de mouvement et le signal moyen de matière blanche. Effectuez ensuite l’analyse suivante sur les résidus résultants.
Importez les résidus générés dans un package d’analyse tel que MATLAB ou Python, en utilisant, par exemple, la boîte à outils MATLAB de connectivité informationnelle open source. Après cela, transformez chaque série chronologique de voxels en zco. Séparez les points temporels des jeux de données en ensembles indépendants, tels que différents cycles d’analyseur.
Créez ensuite un enregistrement des étiquettes de condition associées à des points temporels en générant un vecteur d’étiquettes de condition. C’est-à-dire que les points de fin de temps décalent longuement les étiquettes de condition vers l’avant dans chaque course d’un nombre de répétitions équivalent à cinq secondes afin de tenir compte du décalage hémodynamique entre les événements et les signaux FMRI enregistrés. Pour sélectionner une région d’origine, isolez une zone anatomique en sélectionnant des voxels dans votre logiciel préféré ou avec un atlas étiqueté localisant fonctionnellement une région ou en sélectionnant un projecteur de cartographie cérébrale d’information le plus performant.
Comparez ensuite le MVP de chaque fois. Indiquez un prototype de MVP pour chaque condition. Utilisation de la boîte à outils MATLAB de connectivité informationnelle open source.
Calculez un prototype de MVP pour chaque condition en faisant la moyenne des points temporels de chaque condition dans tous les plis sauf un. Ensuite, corrélez chaque MVP de points temporels avec le MVP moyen de chaque condition à partir des données d’entraînement. Cela donnera à chaque fois une valeur de corrélation de 0,1 pour chaque condition.
Notez que la condition avec la corrélation la plus élevée ici serait la prédiction du classificateur MVPA populaire basé sur la corrélation. Après. Quantifiez la DISCRIMINABILITÉ MVP pour chaque point temporel en identifiant d’abord la corrélation qui représente la condition de ce point temporel. Soustrayez ensuite la plus élevée des corrélations restantes.
Le résultat est la discriminabilité MVP de chaque point temporel. Pour effectuer une analyse de projecteur, placez un cluster tridimensionnel autour de chaque vle. À son tour, répétez l’étape précédente pour chaque projecteur afin que chaque projecteur ait une série chronologique de valeurs de discriminabilité MVP.
Corrélez maintenant la série chronologique de discriminabilité MVP de la graine avec la série chronologique de discriminabilité de chaque projecteur. En utilisant la corrélation de rang de Spearman, la valeur RS résultante est le CI entre la graine et le projecteur. Attribuez ensuite la valeur IC de chaque projecteur au voxel central du projecteur et écrivez la carte cérébrale de l’individu résultant.
Si les données ne sont pas déjà dans un espace normalisé, transformez les cartes IC du participant dans le même espace. En option, lissez les cartes de projecteurs de l’individu. Cette figure montre les exemples de DISCRIMINABILITÉ MVP dans deux régions avec une discriminabilité MVP synchrone sans activation moyenne synchrone.
Ces points de données ont été collectés pendant que le sujet regardait des présentations visuelles d’objets fabriqués par l’homme, qui se distinguent par des motifs multi-voxels, mais pas par des réponses moyennes. Et voici un exemple des valeurs IC et FC entre une graine dans les vues gauches de la forme gyrus et des projecteurs à travers le cerveau. Les forces de connectivité informationnelle et fonctionnelle sont indiquées sur l’axe Z en ce qui concerne la réponse moyenne de chaque projecteur sur l’axe X et la précision de la classification des APMV sur l’axe Y, le coin supérieur gauche du graphique IC montre les phares de recherche connectés de manière informative avec des performances de classification élevées, mais des niveaux de réponse moyens faibles.
L’espace dans le coin supérieur gauche du graphique FC montre que ces projecteurs connectés ne sont pas détectés dans une approche FC typique. Voici un exemple de cartes de connectivité. Chaque ligne montre les régions qui sont significativement liées à une graine La signification est déterminée par un test de groupe T avec une taille de cluster minimale à partir d’un test de permutation.
Les résultats IC sont affichés ici à l’aide d’une acné sur des cartes de surface produites avec un surfeur libre suivant cette procédure. D’autres analyses, comme la connectivité fonctionnelle, peuvent être effectuées afin de poser des questions supplémentaires, par exemple si les conditions sont uniquement connectées par des motifs multi-voxels ou si elles sont également synchrones dans leurs réponses moyennes. Ainsi, après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la façon de mesurer la connectivité entre les régions en fonction de leurs modèles multiples.
Merci d’avoir regardé.
Aperçu
Cet article traite d'une méthode permettant de mesurer la connectivité informationnelle entre les régions cérébrales à partir de motifs d'activité multi-voxel au fil du temps. Il met en évidence les avantages de cette approche par rapport aux méthodes traditionnelles de connectivité fonctionnelle.
Composantes clés de l'étude
Domaine scientifique
- Neurosciences
- Connectivité cérébrale
- Analyse de l'IRMf
Contexte
- La connectivité informationnelle évalue la relation entre les séries temporelles d'informations multi-voxel provenant de différentes régions cérébrales.
- Les méthodes traditionnelles d'analyse de la connectivité fonctionnelle peuvent négliger des motifs significatifs d'activité multi-voxel.
- Cette méthode permet d'identifier une connectivité dans des conditions qui ne diffèrent pas par la réponse immunitaire mais qui présentent des signatures multivariées uniques.
- La compréhension de ces motifs de connectivité peut approfondir les connaissances sur le fonctionnement cérébral et les troubles neurologiques.
Objectif de l'étude
- Mesurer la connectivité entre les régions cérébrales à partir de changements dans les schémas d'activité distribuée.
- Démontrer l'efficacité de la connectivité informationnelle pour révéler des réseaux non identifiés par la connectivité fonctionnelle.
- Fournir une méthodologie détaillée permettant aux chercheurs d'appliquer cette technique dans leurs études.
Méthodes utilisées
- Prétraitement des données IRMf pour éliminer les signaux liés aux mouvements et aux signaux moyens de la matière blanche.
- Calcul de la discriminabilité des patrons multivoxels pour les régions d'intérêt et les fenêtres mobiles.
- Corrélation des séries temporelles de discriminabilité entre les régions d'intérêt et les fenêtres mobiles.
- Utilisation de méthodes statistiques pour quantifier et visualiser les résultats de connectivité.
Résultats principaux
- Identification des régions cérébrales qui sont informationnellement connectées mais non détectées par les méthodes traditionnelles.
- Démonstration d'une performance élevée en classification pour l'identification des schémas de connectivité.
- Représentation visuelle des cartes de connectivité montrant des connexions significatives.
- Éclairages sur la relation entre les profils multivoxels et les réponses moyennes à travers différentes conditions.
Conclusions
- La connectivité informationnelle constitue un outil puissant pour comprendre les réseaux cérébraux.
- Cette méthode peut révéler des schémas complexes de connectivité que des méthodes traditionnelles pourraient omettre.
- De futures études pourront s'appuyer sur cette méthodologie afin d'explorer divers aspects de la connectivité cérébrale.
Questions fréquemment posées
Pertinence industrielle pour les cadres
La connectivité informationnelle (IC) comble une lacune critique dans la recherche en neurosciences en détectant les interactions au sein des réseaux cérébraux qui restent invisibles à la connectivité fonctionnelle traditionnelle (FC) lorsque les conditions ne présentent pas de différences univariées mais affichent des profils multivoxels distincts. Cette capacité améliore la validation des cibles en découverte de médicaments neuropsychiatriques en révélant des voies mécanistiques associées à des phénotypes cognitifs ou comportementaux à l'origine des manifestations de la maladie. En isolant la connectivité selon des dynamiques informationnelles distribuées plutôt que selon une activation moyenne, l'IC renforce la confiance prédictive dans l'engagement de la cible et la modulation des voies précoces en phase de découverte.
Applications stratégiques en R&D biopharmaceutique
Découverte précoce et validation de cibles
- Valeur scientifique : Permet d'interroger des hypothèses thérapeutiques en identifiant les régions cérébrales dont le traitement de l'information évolue de manière synchrone dans le temps, clarifiant ainsi l'engagement des voies neuronales.
- Valeur opérationnelle : Contribue à la dé-risquisation biologique en validant des cibles fonctionnelles à travers des profils de connectivité corrélés à des phénotypes cognitifs, indépendamment des niveaux moyens d'activation.
- Valeur prédictive : Renforce la confiance dans le choix des cibles en révélant des réseaux qui traitent des informations spécifiques à une condition, facilitant ainsi le tri des projets dans le portefeuille de thérapeutiques du système nerveux central.
Développement de tests et criblage
- Prêt de l'essai : Prépare des systèmes biologiques validés (par exemple, des lectures basées sur l'IRMf) pour des criblages ultérieurs en établissant des mesures reproductibles et quantitatives de la connectivité fondée sur l'information.
- Normalisation : Renforce la robustesse de l'essai grâce à un prétraitement normalisé (élimination des artefacts de mouvement et du signal de la matière blanche) et à la transformation en cotes z des séries temporelles des voxels, améliorant ainsi la fiabilité interlaboratoire.
- Extensibilité : Permet la réutilisation de la plateforme par des conceptions basées sur des fenêtres mobiles (« searchlight ») ou sur des régions d'intérêt (ROI), permettant un criblage évolutif des effets de composés sur les réseaux de traitement de l'information.
Recherche translationnelle et préclinique
- Continuité translationnelle : Relie les découvertes issues de la phase d'identification aux validations précliniques en associant des patrons d'information multi-voxels à des critères d'issue cognitifs ou comportementaux pertinents pour la maladie.
- Réduction du risque mécanistique : Met l'accent sur la valeur prédictive en isolant la connectivité induite par des patrons d'activité distribués, réduisant ainsi la dépendance à l'égard de biomarqueurs univariés susceptibles de manquer des éléments clés de la physiopathologie.
- Avancement ajusté au risque : Éclaire les décisions de poursuite ou d'abandon en démontrant si un composé module les réseaux de traitement de l'information d'une manière conforme à l'hypothèse thérapeutique.
Intégration du pipeline et du flux de travail
La connectivité informationnelle s'inscrit dans le continuum de découverte allant du test d'hypothèse à l'identification de candidats, en particulier dans le développement de médicaments pour le système nerveux central, où la compréhension du traitement neuronal distribué de l'information est essentielle pour la validation des cibles et l'acquisition de connaissances mécanistiques.
- Biologie de la découverte : Soutient la vérification d'hypothèses et la clarification des voies en mesurant comment l'information émerge de manière synchrone entre différentes régions cérébrales au fil du temps, révélant ainsi des réseaux fonctionnels associés à des conditions cognitives ou comportementales spécifiques.
- Triage : Améliore la préparation des tests en générant des métriques quantitatives et résolues dans le temps de discriminabilité, permettant de comparer les effets de composés sur la connectivité fondée sur l'information.
- Analyse : Fournit des résultats interprétables tels que la corrélation de rang de Spearman des séries temporelles de discriminabilité, permettant la comparaison statistique de l'intensité de connectivité entre différentes conditions ou groupes de traitement.
- Recherche translationnelle : S'articule avec les travaux précliniques en fournissant un indicateur biologique aligné (synchronie de l'information) qui peut être reproduit chez des modèles animaux à l'aide d'approches inspirées de la MVPA.
- Réutilisation en entreprise : Fonctionne comme une capacité de plateforme réutilisable plutôt que comme un test ponctuel, applicable à diverses tâches, groupes de patients et domaines thérapeutiques impliquant le traitement de l'information.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive en détectant des connexions fondées sur des motifs d'information multi-voxel, réduisant ainsi l'ambiguïté mécanistique dans la validation des cibles.
- Valeur opérationnelle : Favorise la standardisation et la reproductibilité grâce à des étapes de prétraitement fixes et à une implémentation dans une boîte à outils open source (par exemple, MATLAB/Python).
- Valeur stratégique : Améliore la prise de décision « aller/ne pas aller » en identifiant les cibles dont la modulation affecte les réseaux de traitement de l'information, réduisant ainsi les risques biologiques en phase avancée dans les programmes du SNC.
- Impact sur le portefeuille : Permet une priorisation ajustée au risque en mettant en évidence les cibles ayant des liens mécanistiques solides avec des phénotypes cognitifs via la modulation de réseaux fondée sur l'information.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en prétraitement d'IRMf, en analyse de motifs multi-voxels et en méthodes statistiques de corrélation.
- Dépend de l'accès à des environnements d'analyse d'imagerie neurologique tels que MATLAB ou Python, compatibles avec les boîtes à outils d'analyse MVPA et de connectivité informationnelle.
- Implique une standardisation entre équipes, notamment entre les équipes d'imagerie, computationnelles et biologiques, afin d'assurer une application cohérente de la sélection des régions d'intérêt (seeds), du décalage des étiquettes de condition et des calculs de discriminabilité.
- Suppose des adaptations lors de l'application de la connectivité informationnelle (IC) à différentes espèces, régions cérébrales ou tâches cognitives, en particulier pour la définition des étiquettes de condition appropriées et la correction du décalage hémodynamique.
- Les limitations pratiques incluent la nécessité d'une résolution temporelle et d'un nombre d'essais suffisants pour estimer de manière fiable les séries temporelles de discriminabilité, comme indiqué dans l'exigence de décaler les étiquettes de condition de cinq secondes afin de tenir compte du décalage hémodynamique.
