Динамическая функциональная связность ( DFC ) относится к наблюдаемому явлению, при котором функциональная связность изменяется в течение короткого времени. Динамическая функциональная связность — это недавнее расширение традиционного анализа функциональной связности, который обычно предполагает, что функциональные сети статичны во времени. DFC связана с различными неврологическими расстройствами и, как предполагается, является более точным представлением функциональных сетей мозга. Основным инструментом для анализа DFC является фМРТ , но DFC также наблюдалась с несколькими другими средами. DFC — это недавняя разработка в области функциональной нейровизуализации , открытие которой было мотивировано наблюдением за временной изменчивостью в растущей области исследований устойчивой связности.
Функциональная связность относится к функционально интегрированным отношениям между пространственно разделенными областями мозга. В отличие от структурной связности, которая ищет физические связи в мозге, функциональная связность связана с похожими паттернами активации в различных областях мозга независимо от кажущейся физической связанности областей. [1] Этот тип связности был обнаружен в середине 1990-х годов и был обнаружен в основном с помощью фМРТ и позитронно-эмиссионной томографии . [2] Функциональная связность обычно измеряется во время фМРТ в состоянии покоя и, как правило, анализируется с точки зрения корреляции, когерентности и пространственной группировки на основе временных сходств. [3] Эти методы использовались, чтобы показать, что функциональная связность связана с поведением в различных задачах и что она имеет нейронную основу. Эти методы предполагают, что функциональные связи в мозге остаются постоянными в течение короткого времени в течение задачи или периода сбора данных.
Исследования, которые показали, что изменения функциональной связности зависят от состояния мозга, были первыми индикаторами того, что временные изменения функциональной связности могут быть значительными. Несколько исследований в середине 2000-х годов изучали изменения в FC, которые были связаны с различными причинами, такими как умственные задачи, [4] сон, [5] и обучение. [6] Эти изменения часто происходят у одного и того же человека и явно имеют отношение к поведению. DFC в настоящее время изучается в различных контекстах с использованием многих инструментов анализа. Было показано, что он связан как с поведением, так и с нейронной активностью. Некоторые исследователи полагают, что он может быть тесно связан с мышлением или сознанием высокого уровня. [3]
Поскольку DFC является такой новой областью, большая часть исследований, связанных с ней, проводится для подтверждения значимости этих динамических изменений, а не для изучения их последствий; однако было сделано много важных открытий, которые помогают научному сообществу лучше понять мозг. Анализ динамической функциональной связности показал, что функциональные сети мозга, далекие от полной статичности, колеблются в масштабе от секунд до минут. Эти изменения обычно рассматриваются как движения из одного краткосрочного состояния в другое, а не как непрерывные сдвиги. [3] Многие исследования показали воспроизводимые модели сетевой активности, которые перемещаются по всему мозгу. Эти модели были замечены как у животных, так и у людей и присутствуют только в определенных точках во время сеанса сканирования. [7] Помимо демонстрации переходных состояний мозга, анализ DFC показал отчетливую иерархическую организацию сетей мозга. Связность между двусторонне-симметричными областями является наиболее стабильной формой связности в мозге, за которой следуют другие области с прямыми анатомическими связями. Существуют устойчивые сети функциональной связности, которые имеют физиологическую значимость , но имеют меньшую временную стабильность, чем анатомические сети. Наконец, некоторые функциональные сети достаточно мимолетны, чтобы их можно было увидеть только с помощью анализа DFC. Эти сети также обладают физиологической значимостью, но гораздо менее стабильны во времени, чем другие сети в мозге. [8]
Анализ скользящего окна является наиболее распространенным методом, используемым при анализе функциональной связности, впервые представленным Сакоглу и Кэлхоуном в 2009 году и примененным к шизофрении. [9] [10] [11] [12] Анализ скользящего окна выполняется путем проведения анализа на установленном количестве сканов в сеансе фМРТ. Количество сканов - это длина скользящего окна. Затем определенное окно перемещается на определенное количество сканов вперед во времени, и выполняется дополнительный анализ. Движение окна обычно ссылается на степень перекрытия между соседними окнами. Одним из основных преимуществ анализа скользящего окна является то, что почти любой анализ устойчивого состояния также может быть выполнен с использованием скользящего окна, если длина окна достаточно велика. Анализ скользящего окна также имеет то преимущество, что его легко понять и в некотором смысле легче интерпретировать. [3] Как наиболее распространенный метод анализа, анализ скользящего окна использовался многими различными способами для исследования различных характеристик и последствий ДФК. Для точной интерпретации данные анализа скользящего окна обычно необходимо сравнивать между двумя разными группами. Исследователи использовали этот тип анализа, чтобы показать различные характеристики DFC у больных и здоровых пациентов, у людей с высокими и низкими показателями при выполнении когнитивных задач, а также между крупномасштабными состояниями мозга.
Одним из первых методов, когда-либо использовавшихся для анализа DFC, был анализ паттернов изображений фМРТ, чтобы показать, что существуют паттерны активации в пространственно разделенных областях мозга, которые, как правило, имеют синхронную активность. Стало ясно, что в мозге существует пространственная и временная периодичность, которая, вероятно, отражает некоторые постоянные процессы мозга. Было высказано предположение, что повторяющиеся паттерны сетевой информации объясняют 25–50% дисперсии в данных фМРТ BOLD. [7] [13] Эти паттерны активности в первую очередь наблюдались у крыс как распространяющаяся волна синхронизированной активности вдоль коры. Было также показано, что эти волны связаны с базовой нейронной активностью и присутствуют как у людей, так и у крыс. [7]
Отходя от традиционных подходов, недавно был представлен эффективный метод анализа быстро меняющихся функциональных паттернов активации, который преобразует данные фМРТ BOLD в точечный процесс. [14] [15] Это достигается путем выбора для каждого воксела точек перегиба сигнала BOLD (т. е. пиков). Эти несколько точек содержат большую часть информации, касающейся функциональной связности, поскольку было продемонстрировано, что, несмотря на колоссальное сокращение размера данных (> 95%), они очень хорошо сопоставимы с выводами о функциональной связности [16] [17], полученными с помощью стандартных методов, которые используют полный сигнал.
Большое информационное содержание этих нескольких точек согласуется с результатами Петриду и др. [18], которые продемонстрировали вклад этих «спонтанных событий» в силу корреляции и спектры мощности медленных спонтанных колебаний путем деконволюции функции гемодинамического ответа задачи из данных покоя. Впоследствии, подобные принципы были успешно применены под названием коактивационных паттернов (CAP). [19] [20] [21]
Частотно-временной анализ был предложен как метод анализа, способный преодолеть многие проблемы, связанные со скользящими окнами. В отличие от анализа скользящих окон, частотно-временной анализ позволяет исследователю одновременно исследовать как частотную, так и амплитудную информацию. Вейвлет-преобразование использовалось для проведения анализа DFC, который подтвердил существование DFC, показав его значительные изменения во времени. Этот же метод недавно использовался для исследования некоторых динамических характеристик принятых сетей. Например, частотно-временной анализ показал, что антикорреляция между сетью режима по умолчанию и сетью с положительным заданием не является постоянной во времени, а скорее является временным состоянием. [22] Анализ независимых компонентов стал одним из наиболее распространенных методов генерации сетей в устойчивом состоянии функциональной связности. ICA делит сигнал фМРТ на несколько пространственных компонентов, которые имеют схожие временные закономерности. Совсем недавно ICA использовался для разделения данных фМРТ на различные временные компоненты. Это было названо временной ICA и использовалось для построения графика поведения сети, которое объясняет 25% изменчивости корреляции анатомических узлов в фМРТ. [23]
Несколько исследователей утверждали, что DFC может быть простым отражением анализа, сканера или физиологического шума. Шум в фМРТ может возникать из-за множества различных факторов, включая сердцебиение, изменения гематоэнцефалического барьера, характеристики получающего сканера или непреднамеренные эффекты анализа. Некоторые исследователи предположили, что изменчивость функциональной связности в исследованиях фМРТ согласуется с изменчивостью, которую можно было бы ожидать от простого анализа случайных данных. Эта жалоба на то, что DFC может отражать только шум, была недавно уменьшена наблюдением электрической основы данных fMRI DFC и поведенческой значимости характеристик DFC. [3]
В дополнение к жалобам на то, что DFC может быть продуктом шума сканера, наблюдаемый DFC может быть подвергнут критике на основе косвенной природы фМРТ, которая используется для его наблюдения. Данные фМРТ собираются путем быстрого получения последовательности изображений МРТ во времени с использованием эхопланарной визуализации. Контраст на этих изображениях в значительной степени зависит от соотношения оксигенированной и дезоксигенированной крови. Поскольку активным нейронам требуется больше энергии, чем покоящимся нейронам, изменения в этом контрасте традиционно интерпретируются как косвенная мера нейронной активности. Из-за своей косвенной природы данные фМРТ в исследованиях DFC могут быть подвергнуты критике как потенциальное отражение не нейронной информации. Эта проблема была недавно смягчена наблюдаемой корреляцией между фМРТ DFC и одновременно полученными данными электрофизиологии. [24] Батталья и коллеги попытались разрешить эти противоречия, связав динамическую функциональную связность с причинностью или эффективной связностью. Ученые действительно утверждают, что динамическая эффективная связность может возникать из переходов в коллективной организации когерентной нейронной активности. [25]
фМРТ является основным средством исследования ДФК. Это создает уникальные проблемы, поскольку фМРТ имеет довольно низкое временное разрешение, обычно 0,5 Гц, и является лишь косвенным измерением нейронной активности. Косвенная природа анализа фМРТ предполагает, что необходима валидация, чтобы показать, что результаты фМРТ действительно релевантны и отражают нейронную активность.
Корреляция между DFC и электрофизиологией привела некоторых ученых к предположению, что DFC может отражать гемодинамические результаты динамического сетевого поведения, которые наблюдались при анализе отдельных клеток популяций нейронов. Хотя гемодинамический ответ слишком медленный, чтобы отражать однозначное соответствие с динамикой нейронной сети, вполне вероятно, что DFC является отражением мощности некоторых частот электрофизиологических данных. [3]
Электроэнцефалография (ЭЭГ) также использовалась у людей для подтверждения и интерпретации наблюдений, сделанных в DFC. ЭЭГ имеет плохое пространственное разрешение, поскольку она способна получать данные только с поверхности кожи головы, но она отражает широкую электрическую активность многих нейронов. ЭЭГ использовалась одновременно с фМРТ для учета некоторой межскановой дисперсии в FC. ЭЭГ также использовалась для того, чтобы показать, что изменения в FC связаны с широкими состояниями мозга, наблюдаемыми в ЭЭГ. [26] [27] [28] [29]
Магнитоэнцефалография (МЭГ) может использоваться для измерения магнитных полей, создаваемых электрической активностью в мозге. МЭГ имеет высокое временное разрешение и, как правило, более высокое пространственное разрешение, чем ЭЭГ. Исследования состояния покоя с помощью МЭГ по-прежнему ограничены пространственным разрешением, но эта модальность была использована для того, чтобы показать, что сети состояния покоя проходят через периоды низких и высоких уровней корреляции. Это наблюдение согласуется с результатами, полученными в других исследованиях ДФК, таких как анализ паттерна активации ДФК. [3]
Для изучения степени, силы и пластичности функциональной связности между отдельными нейронами коры у кошек и обезьян использовались записи отдельных единиц. Такие исследования выявили коррелированную активность в различных временных масштабах. В самом быстром временном масштабе, 1–20 мс, коэффициенты корреляции обычно были < 0,05. [30] [31] Было обнаружено, что эти функциональные связи пластичны — изменение корреляции в течение периода обусловливания Ts (обычно несколько минут) посредством сенсорных стимуляций, запускаемых спайками, вызывало кратковременные (обычно < Ts) длительные изменения связей. Усиление функциональной связи до и после обусловливания обычно равнялось квадратному корню из ее усиления до и во время обусловливания. [32]
Динамическая функциональная связность, изучаемая с помощью фМРТ, может быть связана с явлением, ранее обнаруженным в префронтальной коре макак, называемым динамической сетевой связностью, при котором механизмы возбуждения быстро изменяют силу глутаматных синаптических связей на дендритных шипиках, открывая или закрывая калиевые каналы на шипиках, тем самым ослабляя или усиливая связность соответственно [33] [34] . Например, стимуляция дофаминового рецептора D1 и/или норадренергического рецептора бета-1 на шипиках может усилить сигнализацию цАМФ-ПКА-кальция для открытия каналов HCN, KCNQ2 и/или SK для быстрого ослабления связи, например, как это происходит во время стресса [35] .
Было показано, что DFC в значительной степени связана с производительностью человека, включая бдительность и аспекты внимания. Было предложено и поддержано, что поведение сети непосредственно перед началом выполнения задачи является сильным предиктором производительности при выполнении этой задачи. Традиционно исследования фМРТ были сосредоточены на величине активации в областях мозга как предиктора производительности, но недавние исследования показали, что корреляция между сетями, измеренная с помощью анализа скользящего окна, является еще более сильным предиктором производительности. [24] Было показано, что индивидуальные различия в изменчивости функциональной связности (FCV) в скользящих окнах в пределах сканирования фМРТ коррелируют с тенденцией уделять внимание боли. [36] Степень, в которой субъект отвлекается от сенсорного стимула, также была связана с FCV. [37]
Одной из основных мотиваций анализа DFC является лучшее понимание, обнаружение и лечение неврологических заболеваний. Было показано, что статическая функциональная связность в значительной степени связана с различными заболеваниями, такими как депрессия , шизофрения и болезнь Альцгеймера . Из-за новизны этой области DFC только недавно стала использоваться для исследования болезненных состояний, но с 2012 года было показано, что каждое из этих трех заболеваний коррелирует с динамическими временными характеристиками функциональной связности. Большинство этих различий связаны с количеством времени, которое проводится в различных переходных состояниях. У пациентов с шизофренией наблюдается менее частая смена состояний, чем у здоровых пациентов, и этот результат привел к предположению, что заболевание связано с тем, что пациенты застревают в определенных состояниях мозга, когда мозг не может быстро реагировать на различные очереди. [38] Кроме того, исследование зрительной сенсорной сети показало, что субъекты, страдающие шизофренией, проводили больше времени, чем здоровые субъекты, в состоянии, в котором связь между средней височной извилиной и другими областями зрительной сенсорной сети была крайне отрицательной. [39] Исследования болезни Альцгеймера показали, что у пациентов с этим недугом были изменены сетевые связи, а также изменено время, проведенное в имеющихся сетях. [40] Наблюдаемая корреляция между DFC и заболеванием не означает, что изменения в DFC являются причиной какого-либо из этих заболеваний, но информация из анализа DFC может быть использована для лучшего понимания последствий заболевания и для более быстрой и точной их диагностики.