アルツハイマー病の遺伝的危険で個人の接続関連のメモリの一般化された精神生理学的相互作用 (PPI) 解析

この分析の全体的な目標は、海馬の領域と脳の他の部分との間の機能的接続性に対する記憶関連のコンテキスト依存的な変化を特定することです。この方法は、実験課題内の特定の認知要求に応じて機能的接続性がどのように変化するかなど、認知神経科学の分野における重要な質問に答えるのに役立ちます。この手法の主な利点は、研究者が認知課題中の主要な脳領域の機能的接続性に関する特定の仮説をテストできることです。

この実験には、アルツハイマー病のリスク対立遺伝子アポリポタンパク質Eイプシロンの遺伝子型が決定された認知機能低下の55歳以上の個人を含めます 実験の4前に、MRIの安全性について被験者をスクリーニングし、インフォームドコンセントを取得します。3テスラMRIシステムを使用して、全脳画像データを取得します。機能イメージングでは、無関係な単語連想記憶タスクを実行しながら、エコー平面イメージングシーケンスを使用して軸スライスを収集します。

機能イメージのレジストレーションを容易にするために、T2 重み付きコプレーナ構造イメージの軸スライスも取得します。高解像度の構造イメージングを行うには、3D T1強調シーケンスを使用して軸方向のスライスを収集します。すべての参加者のイメージングが完了したら、最初の参加者に対して、FSL FMRIエキスパート解析ツール(FEAT)を使用して、前処理ステップと第1レベルの一般線形モデルを設定します。

データタブで、4Dデータを選択をクリックし、モーション補正および頭脳抽出されたファイルに移動します。TR を機能シーケンスの TR と一致するように設定し、既定のハイパス フィルターを使用します。次に、[Pre-stats]タブで、[モーション補正]の下の[なし]をクリックし、[BETブレイン抽出]のチェックを外します。

空間スムージングの全幅の半最大値ガウス カーネルを設定するには、5 ミリメートルを入力します。次に、[フル モデル セットアップ] をクリックし、タスク フェーズの開始とオフセットを示すタスク タイミング ファイルを作成します。これらを GLM に追加するには、3 列形式を選択し、関連するテキスト ファイルに移動します。

タスクのエンコードフェーズに 1 つ、取得フェーズに 1 つを含めます。畳み込みの場合は、ダブルガンマ HRF オプションを選択します。次に、MCFLIRT ツールの出力を使用して、データセット内の各ボリュームで実行されるモーション補正を記述する 6 つの 1 列のテキスト ファイルを作成します。

[フル モデル設定] を選択し、パラメーターとその時間導関数を説明変数 (EV) として GLM に追加します。各モーション EV で、基本形状として [カスタム] を選択し、畳み込みと時間的塗りつぶしで [なし] を選択します。次に、ソフトウェアの[統計]タブに移動し、[交絡したEVを追加する]オプションの下にあるFSLモーション外れ値ツールの出力を選択します。

次に、[登録] タブで、[拡張機能イメージ] と [メイン構造イメージ] をオンにして 2 ステップ登録を行います。最初のステップとして、参加者の同一平面上の T2 強調構造スキャンを選択し、機能を構造データに登録します。2 番目のドロップダウン ボックスで 6 つの自由度を選択します。

次のステップでは、ドロップダウンボックスから境界ベースの登録を選択して、T2 ウェイト画像を高解像度の T1 ウェイト MP-RAGE に登録します。最後に、高解像度の構造データを標準の MNI 152 テンプレートに登録し、12 自由度と線形変換を選択します。心理生理学的相互作用モデルを設定する前に、まずFSL FEATソフトウェアで前処理データをロードします。

ノイズ除去された画像を入力ファイルとして選択します。Pre-statsタブで、モーション補正とブレイン抽出をNoneに設定します。時間フィルタリングや空間スムージングは実行しないでください。

次に、[統計] タブで [フル モデル設定] を選択し、[EV] タブで、モーション補正、FSL モーション外れ値からの交絡行列、タスク タイミングなど、第 1 レベルのモデリングのすべての変数を追加します。シードからの生理学的時間経過の EV を、関心のない共変量として含めます。次に、[基本形状] メニューの [交互作用] を選択して PPI 項を作成し、シード タイム コース EV と 1 つのタスク EV を選択します。[Make zero] オプションで、タスク変数に [Center] を選択し、シードタイムコース EV に [Mean] を選択します。次に、[コントラストと F 検定] タブで、対応する EV セルに 1 つを入力して、次の特定の効果をモデル化します。

エンコーディングタスクフェーズ、検索タスクフェーズ、シードタイムコース、シードとエンコーディングのPPI、シードと検索のPPI。最後に、負の 1 を入力して、各タスク フェーズの負の PPI をモデル化します。統計パラメトリックマッピングソフトウェアツールを使用して、グループレベルの比較を実行します。

まず、「第 2 水準を指定」を選択し、「設計」で「2 標本 T 検定」を選択します。グループ 1 のパラメーター推定イメージがあるディレクトリに移動し、それらを選択します。次に、グループ 2 の画像を追加し、[再生] ボタンをクリックしてこの比較を実行します。

次に、メインウィンドウに戻ります。[見積] を選択し、SPM に移動します。モデル推定を実行するために前の手順で作成した MAT ファイル。

次に、[結果] タブで [新しいコントラストの定義] を選択します。「T-コントラスト」を選択し、「コントラスト」ボックスに負の 1 つを入力して、APOE-4 キャリアが APOE-4 の非キャリアより大きい場合は、「OK」をクリックします。最後に、ここで示すように、グループ比較の対比を実行します。[マスキングの適用] で [なし] を選択し、AFNI の 3dClustSim ソフトウェアからの出力に従って、ボクセル レベルのしきい値とクラスター サイズの最小値を手動で設定します。

APOE-4 のキャリアより大きい APOE-4 の非キャリアの場合は、負の 1 対 1 を入力します。グループ内での一般化された心理生理学的相互作用分析により、課題条件と海馬のサブ領域の両方で、APOE-4キャリア(緑色)の機能的接続性が有意に低下していることが明らかになりました。APOE-4 noncarrierでは、機能的結合性の赤色の有意な減少が、符号化中に後部海馬でのみ観察されました。

回収中、APOE-4キャリアと非キャリアとの間に有意差が見られ、左辺縁上回(濃い青)、右辺縁上角接合部(オレンジ)、および右楔前部(紫)に有意差が見られました。各クラスターのピーク座標は、MNI 空間で報告されます。ここでは、各クラスターからのパラメーター推定値の対比がグループごとにプロットされます。

赤い線はゼロを示し、キャリアが取得中にこれらの領域の前海馬への機能的接続性が低下していることを強調しています。ボックス内のバンドは中央値を表し、ボックスの上端と下端はそれぞれ第 1 四分位数と第 3 四分位数を表します。その開発後、この技術は、機能的なニューロイメージャーが人間の動的なタスク関連の接続性を探求するための道を開きました。

これには、健康なコホートと患者のコホートの両方、およびここで説明するように疾患の遺伝的リスクが高い個人が含まれます。このビデオを見れば、PPI分析を使用して、関心のあるシード領域と脳の残りの部分との間のコンテキスト依存の機能的接続性の変化をテストする方法について十分に理解できるはずです。