Dynamics מיפוי קליפתיים באמצעות MEG סימולטאני / אומדני EEG ומוגבלים מבחינה אנטומית, מינימום-נורמה: דוגמא קשב שמיעתי
24 באוקטובר 2012
אנו משתמשים במגנטים וelectroencephalography (מג / EEG), בשילוב עם מידע האנטומי שנתפס על ידי הדמיית תהודה מגנטית (MRI), כדי למפות את הדינמיקה של רשת קליפת המוח הקשורה לתשומת לב שמיעתי.
המטרה הכללית של הליך זה היא למפות את הדינמיקה הקורטיקלית העומדת בבסיס מצבים קוגניטיביים שונים בבני אדם. מטרה זו מושגת תחילה על ידי לכידת נתוני מגנטו-ואלקטרואנצפלוגרפיה, או בקיצור MEG ו-EEG, בזמן שהנבדק מבצע מטלה התנהגותית. השלב השני הוא השגת נתונים אנטומיים באמצעות רצפי MRI רלוונטיים.
בשלב הבא מבוצע רישום משותף (co-registration) כדי לקבוע התאמה מרחבית בין מיקומי החיישנים של ה-MEG וה-EEG לבין מידע אנטומי. השלב הסופי הוא שימוש בגישת הדמיה הפוכה (inverse imaging) כדי למפות את הפעילות המוחית של הפרט על פני המרחב הקורטיקלי. לבסוף, נעשה שימוש בהסקה סטטיסטית המבוססת על מערכת קואורדינאטות משותפת מבוססת פני-שטח, כדי לזהות תבניות מרחביות-זמניות מובהקות המבדילות בין מצב קוגניטיבי אחד למשנהו.
מי שידגימו את הפרוצדורה יהיו אריק לוסון ורוס מאדוקס. עבור הפוסט-דוקטורנטים במעבדתי, התחילו פרוטוקול זה בהשגת תמונות MR מבניות של הנבדק. ראשית, בצעו סריקת MR מבנית באמצעות רצף echo מהיר עם הכנה של המגנטיזציה, או MP rage, או רצף דומה.
רצף זה עשוי להימשך בין חמש ל-10 דקות, בהתאם לרזולוציית הסריקה הספציפית ולפרוטוקול הדימות שבו נעשה שימוש, במידה ונתוני EEG ישמשו לניתוח דימות הפוך. בנוסף, יש לבצע שתי סריקות MRI מסוג fast low angle shot או flash. רצפי flash אלו מספקים ניגודיות רקמות שונה מזו של רצפי MP rage סטנדרטיים.
עם השלמת ההדמיה, השתמש בתוכנות MNE ו-FreeSurfer כדי לשחזר את השטחים החיצוניים של העור, הגולגולת החיצונית והגולגולת הפנימית מתוך תמונות ה-MP rage וה-flash. לאחר מכן, השתמש במשטחים אלו כדי ליצור מודל אלמנטים שפתיים (BEM) בעל שלוש שכבות לפני ניסוי ה-MEG. ראשית, בחן את השהיות השמיעתיות והחזותיות כדי להבטיח את תקינות התזמון.
השתמש במיקרופון וב-DDE לצילום המחוברים למסך, ולאחר מכן ודא שאין רעידה (jitter) נראית לעין. הדבר עשוי להצריך הגדרה של מקרן המצגת לרזולוציה הניטיבית שלו. לאחר מכן, הכן את הנבדק להקלטה, תוך התייחסות למאמר הווידאו הקודם של luital לקבלת פרטים על הכנת אלקטרודות הייחוס והאלקטרוגרמה, וכן על דיגיטציה של נקודות הייחוס (fiduciary landmarks) של הנבדק, סלילי מחוון מיקום הראש ואלקטרודות ה-EEG.
לאחר שהנבדק הושב בנוחות במצב הראש למדידת MEG, תוך שימוש במחוון מיקום הראש או בסלילי HPI, התחילו בהקלטה ובהצגת גירויים שמיעתיים וויזואליים. שימו לב שניתן לבצע מדידות HPI באופן רציף. על הנבדק להגיב לגירויים השמיעתיים והוויזואליים באמצעות קופסת לחצנים אופטית תוך ביצוע משימה התנהגותית אודיו-ויזואלית.
כאן הנבדק מדווח על השפיץ והספרה שמקורם בחצי השדה, כפי שהוכווו על ידי הרמז החזותי. לעיתים, הנבדקים מקבלים הנחיה חזותית להעביר את הקשב לחצי השדה הקונטרלטרלי במהלך הניסוי. כדי לחקור מעבר של קשב שמיעתי, קיימים פתרונות חומרה ותוכנה רבים לביצוע הצגת הגירויים.
כאן נעשה שימוש ב-Tucker Davis Technologies RZ six להצגת גירויים שמיעתיים והחתמה של טריגרים (trigger stamping), וב-psych toolbox להצגת גירויים חזותיים, כאשר שניהם נשלטים על ידי matlab. כדי להתחיל בעיבוד הנתונים, בצעו רישום משותף (coregister) של נתוני ה-EEG ל-MR המבני באמצעות תוכנת MNE כפי שניתן לראות כאן; ראשית, טענו את נתוני הדיגיטייזר לתוך מודל הראש של ה-MRI המשוחזר של הנבדק. לאחר מכן, בחרו נקודות ייחוס (fiduciary landmarks) כדי להתחיל בתהליך הרישום המשותף, והמשיכו להשתמש בהליך היישור האוטומטי להשלמת התמרת הקואורדינטות.
לאחר מכן, יש לקשר בין המיקום של כל דיפול במרחב המקור לבין המיקום של כל חיישן. שלבו את נתוני מדדי מיקום הראש שהוקלטו כדי לחשב פתרון קדימה (forward solution) באמצעות מודל אלמנטים ששתיים של שלושה שכבות, על מנת להגביר עוד יותר את יחס אות לרעש של הנתונים. בצעו הסרה של ארטיפקטים במישור הזמן, כגון הסרת תקופות הכוללות אותים בעוצמה גבוהה באופן חריג עקב קפיצות של ערוץ.
יש להחיל גם הסרת ארטיפקטים במישור התדר, כגון סינון Notch ב-50 או 60 hertz של תדר השבקה; השתמשו בהטלה למרחב האות (signal space projection) או בטכניקות אחרות להפחתת רעשים, כגון הפרדה למרחב האות (signal space separation), כדי להטיל או להפריד דפוסי שדה מרחביים מזיהום של שדות סביבתיים או מאותות פיזיולוגיים לא רצויים אחרים, כגון אלו הקשורים למצמוצי עיניים ולארטיפקטים לבביים. כעת, צרו סרט מוח של אומד הדיפול המפוזר, המייצג את אומד הזרם בכל מיקום דיפול במרחב המקור לאורך זמן עבור כל תנאי ניסוי. בהתאם למאפיינים הזמניים של מערך הניסוי, ניתן לצמצם את הנתונים בזמן על ידי מיצוע אומדי הזרם באמצעות חלונות זמן שאינם חופפים כדי להמשיך בניתוח המורפי.
סרטי המוח שנוצרו קודם לכן עבור כל נסייני המחקר ממופים למרחב קורטקלי משותף, המבוסס על מערכת קואורדינטות של פני השטח המיישירה באופן אופטימלי את דפוסי החריצים הקורטקליים האישיים. דבר זה מאפשר השוואה או מיצוע של פעילויות קורטקליות בין נסיינים. כדי להשתמש בגישת אזורי עניין, ניתן להגדיר ROIs באופן אנטומי, למשל, באמצעות אלגוריתם חלוקה אוטומטי, ו/או באופן תפקודי על ידי הקלטה של משימה למיקום תפקודי, כגון משיבת go no-go, כדי לזהות את האזורים האוקולו-מוטוריים. ניתן להגביל את הניתוח עוד יותר לפרק זמן ספציפי הרלוונטי לפרדיגמה הניסויית שבה נעשה שימוש, לדוגמה, הגבלה לפרק זמן שמיד לפני ואחרי תחילת גירויי הקול.
ניתן להשתמש גם בהסקות סטטיסטיות אחרות הקשורות לניתוח סדרות עיתיות באמצעות הפרדיגמה ההתנהגותית שתוארה לעיל. כאן אנו רואים תוצאות מייצגות תוך שימוש בהליך התקבבות מרחבית-זמנית (spatiotemporal clustering) לא-פרמטרי. נמצא כי שדה העין הפרונטלי הימני הוא סיגניפיקנטי כאשר נבדק בודד מבצע משימת ארגון מחדש (reorientation) בהשוואה למשימה סטנדרטית.
באמצעות גישת ה-ROI, מוצג מהלך הזמן של שדה העין הפרונטלי הימני יחד עם פרק הזמן שבו שני התנאים הללו שונים באופן מובהק. לאחר צפייה בסרטון זה, אמורה להיות לכם תמונה ברורה לגבי האופן שבו ניתן להשתמש ב-M-E-G-E-E-G וב-MRI למיפוי דינמיקה קורטיקלית במשימות התנהגותיות שונות. על ידי שימוש בגישות סטטיסטיות מתאימות, תוכלו לגלות תבניות מרחביות-זמניות שונות המבדילות בין מצבים קוגניטיביים.
תודה שצפיתם ובהצלחה בניסויים.
צפו בתמליל המלא וקבלו גישה לאלפי סרטונים מדעיים
סקירה
מחקר זה משתמש במגנטו- ובאלקטרו אנצפלוגרפיה (MEG/EEG) לצד הדמיית תהודה מגנטית (MRI) כדי לחקור את הדינמיקה הקליפתית הקשורה לתשומת לב שמיעתית. שילוב של טכניקות אלו מאפשר מיפוי מקיף של פעילות מוחית במהלך משימות קוגניטיביות.
מרכיבי מחקר מרכזיים
תחום המדע
- נוירומדע
- אלקטרופיזיולוגיה
- טכניקות הדמיה
רקע
- הבנת מצבים קוגניטיביים היא קריטית למחקר בנוירומדע.
- MEG ו-EEG מספקים תובנות לפעילות מוחית ברזולוציה טמפורלית גבוהה.
- MRI מציע הקשר אנטומי מפורט למיפוי המוח.
- רישום משותף של נתונים משפר את הדיוק של ניתוח מרחבי.
מטרת המחקר
- למפות את הדינמיקה הקליפתית הקשורה לתשומת לב שמיעתית.
- להבדיל בין מצבים קוגניטיביים שונים באמצעות דפוסי פעילות מוחית.
- להשתמש בטכניקות הדמיה מתקדמות להבנה טובה יותר של תפקוד המוח.
שיטות ששימשו
- איסוף נתוני MEG ו-EEG במהלך משימות התנהגותיות.
- רכישת נתוני MRI אנטומיים באמצעות רצפים רלוונטיים.
- רישום משותף של מיקומי חיישני MEG/EEG עם נתוני MRI.
- יישום טכניקות הדמיה הפוכות למיפוי פעילות מוחית.
תוצאות עיקריות
- זיהוי של דפוסים מרחביים-זמניים משמעותיים בפעילות מוחית.
- הבחנה במצבים קוגניטיביים על סמך דינמיקה קליפתית ממופה.
- הבנה משופרת של מנגנוני תשומת לב שמיעתית.
- קביעת מערכת קואורדינטות משותפת מבוססת משטח לניתוח.
מסקנות
- שילוב של MEG/EEG ו-MRI יעיל למיפוי מצבים קוגניטיביים.
- הסקה סטטיסטית חושפת דפוסים חשובים בפעילות מוחית.
- גישה זו יכולה לקדם את הבנתנו של תשומת לב שמיעתית.
שאלות נפוצות
Executive Industry Relevance
Mapping cortical dynamics with MEG/EEG and MRI enables high-temporal-resolution investigation of cognitive states relevant to neuropsychiatric target validation. This approach supports mechanistic de-risking by linking distributed neural activity to behavioral phenotypes in disease-relevant systems. It provides predictive confidence for target engagement assays by identifying spatiotemporal biomarkers of cognitive dysfunction.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by mapping cortical network dynamics during attention tasks.
- Operational Value: Enables biological de-risking through distributed source localization of cognitive phenotypes.
- Predictive Value: Supports portfolio triage by identifying cortical biomarkers predictive of attentional deficits.
Screening & Assay Development
- Assay Readiness: Prepares validated neurophysiological systems for compound screening using time-locked and sustained responses.
- Quantitative Outputs: Generates reproducible cortical dipole activation time-series for dose-response modeling.
- Platform Scalability: Supports high-throughput evaluation via automated source modeling and group-level statistics.
Translational & Preclinical Research
- Disease Relevance: Maps cortical dynamics in auditory attention paradigms translatable to ADHD, schizophrenia, and autism models.
- Translational Continuity: Bridges discovery to preclinical validation through common surface-based coordinate systems.
- Risk-Adjusted Advancement: Informs go/no-go decisions by quantifying target engagement effects on network-level cognition.
Pipeline & Workflow Integration
The method integrates into discovery biology through hypothesis testing of cortical networks, advances to screening via reproducible neurophysiological readouts, and supports translational research via group-level statistical inference in a common cortical space.
- Discovery Biology: Tests mechanistic hypotheses by isolating cortical dynamics underlying specific cognitive states like auditory attention.
- Screening: Delivers assay-ready, standardized cortical activation maps for evaluating compound effects on neural networks.
- Analytics: Provides spatiotemporal cortical time-series and group-level statistics for comparing conditions across subjects.
- Translational Research: Connects to preclinical work through anatomically constrained source models and ROI-based analysis of cognitive networks.
- Enterprise Reuse: Establishes a reusable pipeline for mapping cognitive states across therapeutic areas using standardized MNE and FreeSurfer workflows.
Operational & Enterprise Impact
- Scientific Value: Reduces mechanistic ambiguity by linking MEG/EEG signals to cortical sources during cognitive tasks.
- Operational Value: Ensures reproducibility through standardized co-registration, artifact removal, and inverse imaging steps.
- Strategic Value: Improves go/no-go decisions by providing objective, network-level biomarkers of target engagement.
- Portfolio Impact: Enables risk-adjusted prioritization of compounds based on effects on distributed cortical networks.
Implementation Considerations
- Requires expertise in neuroimaging, MRI acquisition, and MNE/FreeSurfer source modeling.
- Dependent on MEG/EEG systems, MRI scanners, and computational infrastructure for forward/inverse solutions.
- Necessitates cross-team standardization of head positioning, artifact correction, and ROI definition.
- Adaptation across models requires validation of anatomical boundaries and source space alignment.
- Practical limitations include sensitivity to environmental noise and need for artifact rejection protocols.
