stringtranslate.com

Функциональная интеграция (нейробиология)

Функциональная интеграция — это изучение того, как области мозга работают вместе для обработки информации и осуществления ответов. Хотя функциональная интеграция часто опирается на анатомические знания о связях между областями мозга, акцент делается на том, как большие кластеры нейронов — численностью в тысячи или миллионы — активизируются вместе при различных стимулах. Большие наборы данных, необходимые для такой масштабной картины функций мозга, побудили разработать несколько новых и общих методов статистического анализа взаимозависимости, таких как динамическое причинно-следственное моделирование и статистическое линейное параметрическое картирование. Эти наборы данных обычно собираются у людей неинвазивными методами, такими как ЭЭГ / МЭГ , фМРТ или ПЭТ . Результаты могут иметь клиническую ценность, помогая идентифицировать области, ответственные за психиатрические расстройства, а также оценивать, как различные виды деятельности или образ жизни влияют на функционирование мозга.

Методы визуализации

Выбор метода визуализации для исследования зависит от желаемого пространственного и временного разрешения. ФМРТ и ПЭТ предлагают относительно высокое пространственное разрешение с размерами вокселей порядка нескольких миллиметров, [1] но их относительно низкая частота дискретизации затрудняет наблюдение за быстрыми и кратковременными взаимодействиями между отдаленными областями мозга. Эти временные ограничения преодолеваются с помощью МЭГ, но ценой обнаружения только сигналов от гораздо более крупных кластеров нейронов. [2]

фМРТ

Функциональная магнитно-резонансная томография (фМРТ) — это форма МРТ, которая чаще всего используется для использования разницы в магнетизме между окси- и дезоксигемоглобином для оценки притока крови к различным частям мозга. Типичные частоты выборки для изображений фМРТ составляют десятые доли секунды. [3]

МЭГ

Магнитоэнцефалография (МЭГ) — это метод визуализации, который использует очень чувствительные магнитометры для измерения магнитных полей, возникающих в результате ионных токов, протекающих через нейроны в мозге. Высококачественные машины МЭГ позволяют проводить выборку с частотой менее миллисекунды. [2]

ДОМАШНИЙ ПИТОМЕЦ

ПЭТ работает путем введения радиоактивно меченой биологически активной молекулы. Выбор молекулы диктует, что визуализируется: например, используя радиоактивно меченый аналог глюкозы, можно получить изображение, распределение интенсивности которого указывает на метаболическую активность. ПЭТ-сканеры предлагают частоту выборки в десятые доли секунды. [4]

Мультимодальная визуализация

Мультимодальная визуализация часто состоит из соединения электрофизиологической измерительной техники, такой как ЭЭГ или МЭГ, с гемодинамической, такой как фМРТ или ПЭТ. Хотя намерение состоит в том, чтобы использовать сильные стороны и ограничения каждой из них для дополнения другой, текущие подходы страдают от экспериментальных ограничений. [5] Некоторые предыдущие работы были сосредоточены на попытках использовать высокое пространственное разрешение фМРТ для определения (пространственного) происхождения сигналов ЭЭГ/МЭГ, так что в будущей работе эта пространственная информация могла бы быть извлечена из унимодального сигнала ЭЭГ/МЭГ. Хотя некоторые исследования показали успех в корреляции происхождения сигнала между модальностями с точностью до нескольких миллиметров, результаты не были единообразно положительными. Другим текущим ограничением является фактическая экспериментальная установка: проведение измерений с использованием обеих модальностей одновременно дает худшие сигналы, но альтернатива измерения каждой модальности по отдельности осложняется изменчивостью от пробы к пробе. [5]

Режимы анализа

В функциональной интеграции проводится различие между функциональной связностью и эффективной связностью. Две области мозга считаются функционально связанными, если существует высокая корреляция между временем, когда они активируются, хотя это не подразумевает причинно-следственной связи. Эффективная связность, с другой стороны, является описанием причинно-следственной связи между различными областями мозга. [6]

В то время как статистическая оценка функциональной связанности нескольких областей мозга является нетривиальной задачей, определение причинно-следственной связи между тем, какие области мозга влияют на активацию каких из них, является гораздо более сложной задачей и требует решения некорректно поставленных задач оптимизации. [7]

Диаграмма, показывающая взаимосвязь между экспериментальной входной функцией u(t), нейронной активностью x(t) и наблюдаемым гемодинамическим или электрофизиологическим ответом y(t).

Динамическое причинно-следственное моделирование

Динамическое причинно-следственное моделирование (DCM) — это байесовский метод для выведения структуры нервной системы на основе наблюдаемого гемодинамического (фМРТ) или электрофизиологического (ЭЭГ/МЭГ) сигнала. Первым шагом является прогнозирование взаимосвязей между интересующими областями мозга и формулирование системы обыкновенных дифференциальных уравнений, описывающих причинно-следственную связь между ними, хотя многие параметры (и взаимосвязи) будут изначально неизвестны. Используя предыдущие результаты о том, как нейронная активность, как известно, преобразуется в сигналы фМРТ или ЭЭГ, [8] можно взять измеренный сигнал и определить вероятность того, что параметры модели имеют определенные значения. Затем выясненную модель можно использовать для прогнозирования взаимосвязей между рассматриваемыми областями мозга в различных условиях. [9] Ключевым фактором, который следует учитывать при разработке экспериментов по нейровизуализации с использованием DCM, является взаимосвязь между временем выполнения задач или стимулов, предъявляемых субъекту, и способностью DCM определять основные взаимосвязи между областями мозга, что частично определяется временным разрешением используемой модальности визуализации. [10]

Статистическое параметрическое картирование

Статистическое параметрическое картирование (SPM) — это метод определения того, изменяется ли активация определенной области мозга между экспериментальными условиями, стимулами или с течением времени. Основная идея проста и состоит из двух основных шагов: во-первых, выполняется одномерный статистический тест для каждого отдельного воксела между каждым экспериментальным условием. [11] Во-вторых, анализируется кластеризация вокселей, которые показывают статистически значимые различия, и определяется, какие области мозга демонстрируют разные уровни активации в разных экспериментальных условиях.

Существует большая гибкость в выборе статистического теста (и, следовательно, вопросов, на которые может быть разработан эксперимент), и распространенные варианты включают t-тест Стьюдента или линейную регрессию . Однако важным соображением в отношении SPM является то, что большое количество сравнений требует контроля ложноположительного уровня с более строгим порогом значимости. Это можно сделать либо путем изменения начального статистического теста для уменьшения значения α, чтобы затруднить для конкретного вокселя проявление значимой разницы (например, поправка Бонферрони ), либо путем изменения кластерного анализа на втором этапе, рассматривая активацию области мозга как значимую, только если она содержит определенное количество вокселей, которые демонстрируют статистическую разницу (см. теорию случайного поля ). [11]

фМРТ использовалась для определения того, влияет ли посттравматическое стрессовое расстройство на соотношение серого и белого вещества у женщин с пограничным расстройством личности.

Морфометрия на основе вокселей

Воксельная морфометрия (VBM) — это метод, позволяющий измерять различия в составе мозговой ткани у разных субъектов. Для этого сначала необходимо зарегистрировать все изображения в стандартной системе координат, сопоставив их с эталонным изображением. Это делается с помощью аффинного преобразования, которое минимизирует разницу в сумме квадратов интенсивности между экспериментальным изображением и эталонным. После этого можно определить долю серого или белого вещества в вокселе по интенсивности. Это позволяет сравнивать состав ткани соответствующих областей мозга у разных субъектов. [12]

Приложения

Способность визуализировать активность всего мозга часто используется при сравнении функций мозга во время выполнения различных задач или тестов на навыки, а также при сравнении структуры и функций мозга у разных групп людей.

Изменения в активности мозга в состоянии покоя

Многие предыдущие исследования фМРТ показали, что спонтанная активация функционально связанных областей мозга происходит во время состояния покоя, даже при отсутствии какой-либо стимуляции или активности. У людей, которым была представлена ​​задача визуального обучения, наблюдаются изменения в функциональной связности в состоянии покоя в течение 24 часов, а исследования динамической функциональной связности даже показали изменения в функциональной связности во время одного сканирования. При проведении сканирования фМРТ у субъектов до и после задачи обучения, а также на следующий день было показано, что активность вызвала изменение состояния покоя в активности гиппокампа . Динамическое причинно-следственное моделирование показало, что гиппокамп также продемонстрировал новый уровень эффективной связности с полосатым телом , хотя не было никаких изменений, связанных с обучением, ни в одной визуальной области. [13] Сочетание фМРТ с ДКМ у субъектов, выполняющих задачу обучения, позволяет определить, какие системы мозга участвуют в различных видах обучения, как неявного, так и явного, и долго документировать, как эти задачи приводят к изменениям в активации мозга в состоянии покоя.

Оценка IQ

Морфометрические измерения на основе вокселей локализации серого вещества в мозге могут быть использованы для прогнозирования компонентов IQ. Группа из 35 подростков была протестирована на IQ и прошла фМРТ-сканирование в течение 3,5 лет, и их IQ был предсказан по уровню локализации серого вещества. Это исследование было хорошо проведено, но исследования такого рода часто страдают от «двойного погружения», когда один и тот же набор данных используется как для определения интересующих областей мозга, так и для разработки предсказательной модели, что приводит к переобучению модели и отсутствию реальной предсказательной силы. [14]

Авторы исследования избежали двойного погружения, используя методологию «исключения одного», которая подразумевает построение прогностической модели для каждого из n членов выборки на основе данных от других n-1 членов. Это гарантирует, что модель не зависит от субъекта, чей IQ прогнозируется, и привело к модели, способной объяснить 53% изменения вербального IQ как функции плотности серого вещества в левой двигательной коре. Исследование также наблюдало ранее описанный феномен, когда ранжирование молодых субъектов по IQ не остается постоянным по мере старения субъектов, что затрудняет любое измерение эффективности образовательных программ. [14]

Эти исследования можно перепроверить, попытавшись найти и оценить пациентов с поражениями или другими повреждениями в идентифицированной области мозга, и изучить, проявляют ли они функциональные дефициты относительно популяции. Однако эта методология будет затруднена отсутствием базового измерения «до».

Фонетическая петля

Фонетическая петля — это компонент рабочей памяти, который хранит небольшой набор слов, который может поддерживаться неопределенно долго, если не отвлекаться. Эта концепция была предложена психологами Аланом Бэддели и Грэмом Хитчем, чтобы объяснить, как фразы или предложения могут быть усвоены и использованы для управления действием. Используя статистическое параметрическое картирование для оценки различий в мозговом кровотоке между участниками, выполняющими два разных задания, Паулеску и др. [15] смогли определить хранилище фонологической петли, как в надкраевых извилинах . Сначала испытуемых разделили на контрольную и экспериментальную группы. Контрольной группе были представлены буквы на языке, которого они не понимали, и нелингвистические визуальные диаграммы. Экспериментальной группе было поручено два задания: первое задание заключалось в том, чтобы запомнить строку букв, и оно было предназначено для активации всех элементов фонологической петли. Второе задание предлагало участникам оценить, рифмуются ли заданные фразы, и было предназначено только для активации определенных подсистем, участвующих в вокализации, но конкретно не фонологического хранилища.

Сравнивая первую экспериментальную задачу со второй, а также с контрольной группой, авторы исследования отметили, что область мозга, наиболее сильно активируемая задачей, требующей фонологического хранения, была надкраевой извилиной. Этот результат был подкреплен предыдущими литературными наблюдениями функциональных дефицитов у пациентов с повреждением в этой области.

Хотя это исследование позволило точно локализовать конкретную функцию анатомически, а методы функциональной интеграции и визуализации имеют большое значение для определения областей мозга, участвующих в определенных задачах обработки информации, низкоуровневые нейронные цепи, которые порождают эти явления, остаются загадкой.

Психические расстройства

Хотя исследования с помощью фМРТ у людей с шизофренией и биполярным расстройством дали некоторое представление об изменениях в эффективных связях, вызванных этими заболеваниями [16], всестороннего понимания происходящего функционального ремоделирования пока не достигнуто.

Монтегю и др. [17] отмечают, что почти «необоснованная эффективность психотропных препаратов» несколько затормозила прогресс в этой области, и выступают за широкомасштабное «вычислительное фенотипирование» психиатрических пациентов. Нейровизуализационные исследования большого количества этих пациентов могли бы дать маркеры активации мозга для конкретных психиатрических заболеваний, а также помочь в разработке терапевтических средств и моделей на животных. Хотя истинный базовый уровень функции мозга у психиатрических пациентов получить практически невозможно, контрольные значения все еще можно измерить, сравнивая изображения, полученные у пациентов до и после лечения.

Ссылки

  1. ^ Лука, М.; Бекманн, КФ; Де Стефано, Н; Мэтьюз, ПМ; Смит, СМ (2006). «Сети состояния покоя фМРТ определяют различные режимы дальних взаимодействий в мозге человека». NeuroImage . 29 (4): 1359–67. doi :10.1016/j.neuroimage.2005.08.035. PMID  16260155. S2CID  16193549.
  2. ^ Аб Хамалайнен, М.; Хари, Риитта; Ильмониеми, Ристо Дж.; Кнуутила, Юкка; Лоунасмаа, Олли В. (1993). «Магнитоэнцефалография - теория, приборы и приложения к неинвазивным исследованиям работающего человеческого мозга» (PDF) . Преподобный Мод. Физ . 65 (2): 413–97. Бибкод : 1993RvMP...65..413H. doi : 10.1103/RevModPhys.65.413.
  3. ^ Логотетис, NK (2008). «Что мы можем сделать и чего мы не можем сделать с помощью фМРТ» (PDF) . Nature . 453 (7197): 869–78. Bibcode :2008Natur.453..869L. doi :10.1038/nature06976. PMID  18548064. S2CID  4403097. Архивировано из оригинала (PDF) 2017-08-12 . Получено 2013-11-27 .
  4. ^ Бейли, DL (2005). Бейли, Дейл Л.; Таунсенд, Дэвид В.; Валк, Питер Э.; Мейси, Майкл Н. (ред.). Позитронно-эмиссионная томография: основные науки . Elsevier. doi :10.1007/b136169. ISBN 978-1-84628-007-8. OCLC  209853466.
  5. ^ ab Rosa, MJ; Daunizeau, J; Friston, KJ (2010). «Интеграция ЭЭГ-фМРТ: критический обзор подходов к биофизическому моделированию и анализу данных». Журнал интегративной нейронауки . 9 (4): 453–76. doi :10.1142/S0219635210002512. PMID  21213414.
  6. ^ Фристон, К. (2002). «Функциональная интеграция и вывод в мозге». Прогресс в нейробиологии . 68 (2): 113–43. CiteSeerX 10.1.1.318.4536 . doi :10.1016/s0301-0082(02)00076-x. PMID  12450490. S2CID  7203119. 
  7. ^ Фристон, К.; Харрисон, Л.; Пенни, В. (2003). «Динамическое причинное моделирование». NeuroImage . 19 (4): 1273–302. doi :10.1016/S1053-8119(03)00202-7. PMID  12948688. S2CID  2176588.
  8. ^ Бакстон, Р. Б.; Вонг, Э. К.; Франк, Л. Р. (1998). «Динамика изменений кровотока и оксигенации во время активации мозга: модель баллона». Магнитный резонанс в медицине . 39 (6): 855–64. doi :10.1002/mrm.1910390602. PMID  9621908. S2CID  2002497.
  9. ^ Стефан, KE; Пенни, WD; Моран, RJ; Ден Оуден, HE; ​​Донизо, J; Фристон, KJ (2010). «Десять простых правил динамического причинного моделирования». NeuroImage . 49 (4): 3099–109. doi :10.1016/j.neuroimage.2009.11.015. PMC 2825373 . PMID  19914382. 
  10. ^ Daunizeau, J.; Preuschoff, K; Friston, K; Stephan, K (2011). Sporns, Olaf (ред.). «Оптимизация экспериментального дизайна для сравнения моделей функций мозга». PLOS Computational Biology . 7 (11): e1002280. Bibcode : 2011PLSCB...7E2280D. doi : 10.1371/journal.pcbi.1002280 . PMC 3219623. PMID  22125485 . 
  11. ^ ab Фристон, К.; Холмс, AP; Уорсли, KJ; Полин, J.-P.; Фрит, CD; Фраковяк, RSJ (1995). "Статистические параметрические карты в функциональной визуализации: общий линейный подход" (PDF) . Картирование человеческого мозга . 2 (4): 189–210. doi :10.1002/hbm.460020402. S2CID  9898609.
  12. ^ Эшбёрнер, Дж.; Фристон, К.Дж. (2000). «Воксельная морфометрия — методы». NeuroImage . 11 (6): 805–21. CiteSeerX 10.1.1.114.9512 . doi :10.1006/nimg.2000.0582. PMID  10860804. S2CID  16777465. 
  13. ^ Урнер, М.; Шварцкопф, Д.С.; Фристон, К.; Риз, Г. (2013). «Раннее визуальное обучение вызывает долгосрочные изменения связей во время отдыха в мозге человека». NeuroImage . 77 (100): 148–56. doi :10.1016/j.neuroimage.2013.03.050. PMC 3682182 . PMID  23558105. 
  14. ^ ab Price, CJ; Ramsden, S; Hope, TM; Friston, KJ; Seghier, ML (2013). «Прогнозирование изменения IQ по структуре мозга: исследование перекрестной проверки». Developmental Cognitive Neuroscience . 5 (100): 172–84. doi :10.1016/j.dcn.2013.03.001. PMC 3682176 . PMID  23567505. 
  15. ^ Paulesu E, Frith CD, Frackowiak RS (март 1993). «Нейронные корреляты вербального компонента рабочей памяти». Nature . 362 (6418): 342–5. Bibcode :1993Natur.362..342P. doi :10.1038/362342a0. PMID  8455719. S2CID  4347206.
  16. ^ Calhoun, V.; Sui, J; Kiehl, K; Turner, J; Allen, E; Pearlson, G (2011). «Изучение функционального коннектома психоза: аберрантные внутренние сети при шизофрении и биполярном расстройстве». Frontiers in Psychiatry . 2 (75): 75. doi : 10.3389/fpsyt.2011.00075 . PMC 3254121. PMID  22291663 . 
  17. ^ Монтегю, П.; Долан, Р. Дж.; Фристон, К. Дж.; Даян, П. (2012). «Вычислительная психиатрия». Тенденции в когнитивных науках . 16 (1): 72–80. doi :10.1016/j.tics.2011.11.018. PMC 3556822. PMID  22177032 . 

Дальнейшее чтение

Внешние ссылки