Aplicação da análise de causalidade de Granger da Conexão funcional direcionado na doença de Alzheimer e transtorno cognitivo leve
7 de agosto de 2017
Com base no estado de repouso ressonância magnética funcional com análise de causalidade de Granger, investigamos as alterações na conectividade funcional do dirigido entre o córtex cingulado posterior e todo o cérebro em pacientes com doença de Alzheimer (AD), pacientes com comprometimento cognitivo leve (MCI) e controles saudáveis.
O objetivo geral desta Análise de Causalidade de Granger é estudar a conectividade funcional direcionada no cérebro relacionada à progressão da doença de Alzheimer, estabelecendo assim uma nova base objetiva para avaliar a gravidade da doença. Este método pode ajudar a responder a questões-chave no campo da doença de Alzheimer, como a conectividade direcionada entre o PCC e as regiões inteiras do cérebro. A principal vantagem dessa técnica é que ela mede os efeitos causais das séries temporais da FMRI e mostra a dinâmica e as direções do sinal ruim.
A implicação dessa técnica se estende ao diagnóstico da progressão da doença de Alzheimer, pois compara a conectividade funcional direcionada entre DA, CCL e os grupos controle. Por meio desse método, pode fornecer informações sobre a escala da conectividade funcional direcionada da doença de Alzheimer, também pode ser aplicado a outros sistemas, como estudos de eletrocardiograma. Geralmente, as pessoas que são novas nesse método terão dificuldades se não estiverem familiarizadas com a operação do software.
Primeiro adicionamos aqui para o semestre e, em seguida, classificamos as literaturas anteriores sobre a Análise de Causalidade de Granger. Embora tenha uma demonstração real desse método, é fundamental porque há múltiplos a serem observados além do que pode ser escrito no texto. Comece abrindo o RESTplus através do software e clique com o botão esquerdo em Pipeline.
Importe os arquivos relevantes para o RESTplus. Selecione o diretório de trabalho e, em seguida, os diretórios EPI e T1 iniciais. Em seguida, para converter arquivos Dicom para Nifti, marque a caixa DicomToNifti em Pré-processamento.
E marque os parâmetros EPI Dicom para Nifiti e T1 para Nifiti. Remova os primeiros 10 pontos de tempo marcando o RemoveFirstTimePoints e definindo o parâmetro final como 10. Em seguida, marque a caixa Tempo de fatia.
Defina o número da fatia de acordo com os parâmetros RS FMRI do estudo e insira a ordem das fatias. Marque Realinhar para corrigir o tempo e o movimento da cabeça. Em seguida, execute a normalização espacial marcando Normalizar e deixe os parâmetros padrão na parte inferior.
Use a segmentação unificada da imagem T1 e todas as cabeças padronizadas para o mesmo espaço, selecionando os parâmetros. Normalize usando a segmentação unificada de imagem T1 e a europeia. Em seguida, selecione suave para realizar a suavização espacial usando um kernal gaussiano isotrópico com uma largura total na metade do máximo de 6 mm.
Remova a tendência linear marcando Detrend. Selecione a regressão de covariáveis incômodas a seguir, seis parâmetros de movimento da cabeça, sinal médio global, sinal da substância branca e sinal do líquido cefalorraquidiano para aumentar a relação sinal-ruído. Por fim, selecione o filtro para reter sinais entre 0,01 e 0,08 hertz.
Remova o ruído fisiológico de alta frequência, bem como remova o desvio de baixa frequência. Comece executando a Análise de Causalidade de Granger, ou GCA, usando o REST GCA na caixa de ferramentas REST. Na caixa Pós-processamento, marque GCA.
Defina a ordem como uma no padrão. Selecione Definir ROI e escolha o ROI esférico para definir a região de interesse. Selecione Avançar.
Identifique os pontos de interesse da semente no córtex singular posterior, ou PCC, definindo as coordenadas centrais e o raio do ROI da semente com base nos dados conhecidos e selecione OK. Em seguida, selecione Executar e OK para executar o programa. Em seguida, encontre pastas chamadas ZGCA e GCA após o processamento de dados de arquivos relevantes. Classifique os arquivos do ZGCA e classifique-os em quatro subpastas, XX, XY, YX, YY de acordo.
Dentro do software, abra o RESTplus e clique com o botão esquerdo em Análise Estatística. Clique com o botão esquerdo em Teste T REST de duas amostras. Nomeie o resultado de saída como T1XY e defina o diretório de saída.
Clique com o botão esquerdo em Adicionar imagens de grupo para abrir a subpasta XY na pasta Resultados do AD e a subpasta XY na pasta Resultados NC. Em seguida, clique com o botão esquerdo para abrir o subarquivo BrainMask na pasta de máscaras. Em seguida, selecione Compute para executar o programa.
Nomeie os resultados de saída como T2XY e defina o diretório de saída. Clique com o botão esquerdo em Adicionar imagens de grupo para abrir a subpasta XY na pasta Resultados do AD. E a subpasta XY na pasta Resultados do MCI.
Repita a computação do arquivo de máscara cerebral para obter saídas para T3XY, T1YX, T2YX e T3YX para um total de seis arquivos. Clique com o botão esquerdo em Visualizador do RESTplus para visualizar os arquivos resultantes. Importe o modelo chamado Ch2 na subjacência.
Por fim, encontre os seis arquivos resultantes no diretório de saída e preencha a sobreposição um por um. Crie o gráfico final usando os seis arquivos de saída. Depois que os nódulos ativos em todo o cérebro foram identificados pela primeira vez, a tecnologia GCA foi usada para determinar a conectividade funcional direcionada do PCC para todo o cérebro.
E de todo o cérebro para o PCC nos grupos AD, MCI e controle. A conectividade direcionada de todo o cérebro para o PCC foi aprimorada no grupo DA em comparação com o grupo controle normal e focada principalmente na região cerebelar bilateral fora do DMN. A conectividade direcionada do PCC para todo o cérebro foi significativamente reduzida no grupo DA em comparação com os controles com as regiões principais, como o precuneus direito e o giro metafrontal esquerdo pertencentes ao DMN.
Enquanto mestres, essa técnica pode ser feita em 14 horas se for executada corretamente. Ao tentar este procedimento, é importante lembrar que todos os nomes de arquivos e fotos devem estar em inglês e não podem ter espaços. Após seu desenvolvimento, essa técnica abriu caminho para pesquisadores no campo da FMRI explorarem a conectividade faccional direcionada na progressão da doença de Alzheimer.
Depois de assistir a este vídeo, você deve ter uma boa compreensão de como iniciá-lo a conectividade faccional direcionada no cérebro relacionada à progressão da DA. Assim, estabeleça uma base objetiva estreita para avaliar a gravidade da doença.
Veja a transcrição completa e aceda a milhares de vídeos científicos
Visão Geral
Este estudo investiga a conectividade funcional direcionada no cérebro relacionada à progressão da doença de Alzheimer (AD) utilizando ressonância magnética funcional (fMRI) e análise de causalidade de Granger (GCA). O foco está no córtex cingulado posterior (PCC) e sua conectividade com regiões da Rede em Modo Padrão (DMN) e fora dessa rede. A abordagem fornece uma base objetiva para avaliar a gravidade da DA e oferece insights sobre as interações dinâmicas e direcionais entre regiões cerebrais nos grupos com DA, comprometimento cognitivo leve (MCI) e grupo controle.
Componentes Principais do Estudo
Área da Ciência
- Neurociência
- Neuroimagem
- Pesquisa sobre a doença de Alzheimer
Contexto
- A conectividade funcional prejudicada na DMN está implicada na progressão da DA.
- O CPC é um marcador de imagem-chave para o monitoramento da DA.
- Estudos anteriores não exploraram completamente a conectividade do CPC com regiões fora da DMN.
- A AGC permite a avaliação de relações causais e direcionais entre regiões cerebrais utilizando dados de fRMI.
Objetivo do Estudo
- Explorar a conectividade funcional direcionada entre o CPC e todo o cérebro nos grupos com DA, CIM e controles.
- Estabelecer uma base objetiva para avaliar a gravidade da DA utilizando neuroimagem.
- Identificar diferenças nos padrões de conectividade que possam servir como biomarcadores para a progressão da doença.
Métodos Utilizados
- Selecionamos 116 participantes para a realização de ressonância magnética.
- Pré-processamos os dados de fRMI utilizando o software RESTplus (incluindo conversão de DICOM para NIfTI, correção de temporização por fatia, realinhamento, normalização, suavização, remoção de tendências, regressão de ruídos e filtragem).
- Definimos regiões de interesse (ROI) no CPG e realizamos GCA voxel a voxel para avaliar a conectividade direcionada.
- Análise estatística utilizando testes t para duas amostras para comparar os grupos de DA, DMC e controle.
Resultados Principais
- A conectividade direcionada de todo o cérebro para o CPC foi aumentada no grupo com DA em comparação com os controles, especialmente em regiões cerebelares bilaterais fora da DMN.
- A conectividade direcionada do CPC para todo o cérebro foi significativamente reduzida no grupo com DA, particularmente em regiões da DMN, como o precúneo direito e o giro frontal medial esquerdo.
- Foram observadas diferenças significativas nos padrões de conectividade direcionada entre os grupos com CIM e DA.
- O método fornece uma abordagem escalável para avaliar a conectividade funcional direcionada em doenças neurodegenerativas.
Conclusões
- A ACG de dados de fMRI revela alterações distintas na conectividade funcional direcionada envolvendo o CPC na progressão da DA.
- Essas alterações na conectividade podem servir como biomarcadores de imagem objetivos para a gravidade da DA.
- A abordagem pode ser estendida a outras modalidades de neuroimagem e distúrbios neurológicos.
Perguntas Frequentes
Relevância Executiva para a Indústria
A análise de causalidade de Granger (GCA) de dados de fMRI permite uma avaliação objetiva e quantitativa das alterações na conectividade funcional direcionada na doença de Alzheimer (AD) e no comprometimento cognitivo leve (MCI). Essa abordagem auxilia na redução de riscos mecanicistas e na validação de alvos ao revelar interrupções direcionais na rede neural relevantes para a progressão da doença. A integração da GCA em fluxos de trabalho de neuroimagem aumenta a confiança preditiva para o desenvolvimento de biomarcadores e triagem de portfólios na pesquisa de doenças neurodegenerativas.
Aplicações Estratégicas em P&D de Biotecnologia Farmacêutica
Descoberta Inicial e Validação de Alvo
- Permite a investigação orientada por hipóteses das interrupções na rede cerebral na DA e no CIM.
- Apoia a validação funcional de alvos mediante a quantificação de alterações na conectividade direcional envolvendo o CPC.
- Facilita a redução de riscos mecanicistas por meio da medição objetiva da anisotropia da rede.
- Melhora a confiança preditiva para a priorização de alvos em doenças neurodegenerativas.
Desenvolvimento de Triagem e Ensaio
- Prepara conjuntos de dados de neuroimagem validados para triagem de biomarcadores subsequente.
- Padroniza saídas quantitativas para comparação reprodutível entre estágios da doença.
- Permite análise escalonável de conectividade direcionada para prontidão em triagem de alto rendimento.
- Apoia a avaliação confiável de biomarcadores de imagem candidatos.
Pesquisa Translacional e Pré-clínica
- Alinha os resultados de imagem com biomarcadores funcionais relevantes para a doença, garantindo continuidade translacional.
- Permite decisões de avanço ajustadas ao risco com base em métricas objetivas de rede.
- Fornece insights mecanicistas para orientar a seleção e validação de modelos pré-clínicos.
- Apoia a continuidade desde a descoberta até estudos de neuroimagem pré-clínicos.
Integração de Pipeline e Fluxo de Trabalho
A análise de fMRI baseada em GCA insere-se no continuum de descobertas em neuroimagem, conectando estudos mecanicistas iniciais e o desenvolvimento translacional de biomarcadores para portfólios de doenças neurodegenerativas.
- Biologia da Descoberta: Quantifica interrupções direcionais em redes para esclarecer mecanismos de doenças e validar alvos de imagem.
- Triagem: Fornece métricas quantitativas e reprodutíveis de conectividade para avaliação de biomarcadores candidatos.
- Análises: Oferece saídas estatísticas que permitem comparações robustas entre grupos e insights específicos por condição.
- Pesquisa Translacional: Alinha os resultados de imagem com a progressão da doença para garantir continuidade entre estudos pré-clínicos e clínicos.
- Reutilização Empresarial: Estabelece um fluxo de trabalho escalável e reutilizável para análise de conectividade direcionada em indicações neurodegenerativas.
Impacto Operacional e Empresarial
- Valor Científico: Aumenta a confiança preditiva e reduz a ambiguidade mecanicista na pesquisa de doenças neurodegenerativas.
- Valor Operacional: Padroniza a análise de neuroimagem para reprodutibilidade e escalabilidade entre estudos.
- Valor Estratégico: Orienta decisões de avançar/não avançar e melhora a eficiência de capital ao permitir a priorização objetiva de biomarcadores.
- Impacto no Portfólio: Apoia o avanço ajustado ao risco e a comparabilidade entre programas em portfólios de neuroimagem.
Considerações sobre a Implementação
- Requer experiência em pré-processamento de neuroimagem e análise estatística.
- Depende do acesso a instrumentação de fMRI e software especializado (por exemplo, RESTplus).
- Exige padronização rigorosa entre equipes quanto aos formatos de dados e convenções de nomenclatura.
- A adaptação entre modelos de doenças pode exigir otimização e validação de parâmetros.
- As limitações práticas incluem a curva de aprendizado do software e a complexidade do pré-processamento.
