Aplicación del análisis de causalidad de Granger de la conexión funcional dirigida en la enfermedad de Alzheimer y deterioro cognitivo leve

Basado en estado reposo resonancia magnética funcional con análisis de causalidad de Granger, se investigaron las alteraciones en la conectividad funcional dirigida entre la corteza del cíngulo posterior y todo el cerebro en pacientes con enfermedad de Alzheimer (EA), pacientes con deterioro cognitivo leve (MCI) y controles sanos.

Deterioro funcional conectividad en la red de modo por defecto (DMN) se puede implicar en la progresión de la enfermedad de Alzheimer (EA). La corteza cingulada Posterior (PCC) es un potencial marcador imágenes para monitorear la progresión de la EA. Estudios previos no se centran en la conectividad funcional entre el PCC y nodos en regiones fuera de la DMN, pero nuestro estudio es un esfuerzo para descubrir estas conexiones funcionales se pasa por alto. Para la recolección de datos, se utilizan la proyección de imagen de resonancia magnética funcional (fMRI) y análisis de causalidad de Granger (GCA). fMRI ofrece un método no invasivo para el estudio de las interacciones dinámicas entre las regiones diferentes del cerebro. GCA es una prueba de hipótesis estadística para determinar si una serie es útil en el pronóstico de otro. En términos simples, se juzga comparando el "conoce toda la información en el último momento, la distribución de la probabilidad de X en este momento" y el "toda la información en el último momento excepto Y, la distribución de la probabilidad de X en este momento", para determinar si existe una relación causal entre Y y X. Esta definición se basa en la fuente de información completa y estacionario secuencia cronológica. El principal paso de este análisis es con X e Y para establecer la ecuación de regresión y dibujar una relación causal con una prueba hipotética. Desde GCA puede medir efectos causales, se utilizó para investigar la anisotropía de la conectividad funcional y explorar la función de núcleo del PCC. Aquí, defendimos a 116 participantes para la exploración de MRI, y después de preprocesar los datos obtenidos de neuroimaging, utilizamos GCA para derivar la relación causal de cada nodo. Finalmente, llegamos a la conclusión que la conexión dirigida es significativamente diferente entre los grupos de deterioro cognitivo leve (MCI) y AD tanto desde el PCC a todo el cerebro todo el cerebro para el PCC.

AD es una enfermedad degenerativa del sistema nervioso central que se puede diagnosticar mediante histopatología, electrofisiología y neuroimagen¹. La DMN relacionadas con la memoria es un sistema vital de las interacción regiones del cerebro asociadas con enfermedad de Alzheimer, y su función anormal es característica de AD^2,3. El PCC es una región importante de la red por defecto tradicional en el estado de reposo y juega un papel fundamental en la memoria episódica, atención espacial, autoevaluación y otras funciones cognitivas^4,5,6,7. Además, podría ser un marcador de imágenes para monitorear la progresión de la AD. Usando GCA, Liao et al encontraron que el PCC es una región de múltiples Citoarquitectura con múltiples conexiones y desempeña un papel importante en el cerebro funcional estructura⁸. Zhong et al informaron que el PCC era un centro de convergencia que las interacciones de la mayoría de las otras regiones dentro de la DMN³. Además, Miao et al demostraron que en las regiones del centro DMN, el PCC tiene la mayor relación de efecto causal con otros nodos⁹. Juntos, todo esta evidencia indica que la conexión directa del PCC es valiosa en la investigación de AD y el PCC debe ser más estudiado profunda como una región vital de la DMN.

Los estudios previos se limitaban a la conectividad entre el PCC y otras regiones en el DMN; sin embargo, los cambios en la conectividad funcional dirigido entre el PCC y el cerebro regiones fuera de la DMN, así como su influencia en el anuncio aún no han sido exploradas¹⁰. Nuestro estudio investigando esta conectividad funcional inexplorada en controles normales sanos, pacientes con MCI y pacientes con EA. Observando la conectividad directa entre las regiones de todo el cerebro y PCC, se intentó dilucidar los cambios funcionales en el cerebro relacionadas con la progresión de la AD y así establecer una nueva base objetiva para evaluar la severidad de la enfermedad.

Conectividad funcional se refiere a una interacción interregional que puede ser representada por fluctuaciones de baja frecuencia síncrona (LFFs) en la señal de fMRI cerebral de sangre oxígeno nivel dependiente (en negrilla). Por lo tanto, para observar la conectividad funcional entre el PCC y otras regiones cerebrales, analizamos la conectividad funcional entre el PCC y la red de todo el cerebro por fMRI con GCA, el PCC como la región de interés (ROI). Esta técnica deriva directamente la relación fundamental de cada nodo con los datos obtenidos de neuroimagen¹¹. Recientemente, GCA se ha aplicado a estudios de fMRI para revelar los efectos causales entre cerebro las regiones¹²y electroencefalograma (EEG). Todos estos estudios indican que la técnica de GCA puede ser óptima para la detección de la relación causal de cada nodo en el cerebro.

This study was approved by the Ethics Committee of Zhejiang Provincial People's Hospital. Every enrolled subject signed a written informed consent.

1. Sample Classification and Screening

1. Diagnose and divide 116 patients into AD and MCI groups.
   NOTE: Use the 2011 National Institute of Neurological and Communicative Disorders and Stroke and the Alzheimer's Disease and Related Disorders Association (NINCDS-ADRDA) diagnostic criteria and the Mini-Mental State Examination (MMSE) criteria for identification and classification of MCI, which is described in detail in Yu et al.¹⁰
2. Select participants in the healthy control group.
   NOTE: The age, gender, and education level of the control group were matched with patients in the MCI and AD groups.
3. Assess all subjects by MMSE¹⁰.
4. Exclude the subjects who did not fulfill the inclusion criteria. For all subjects, the exclusion criteria are mentioned in Yu et al.¹⁰
5. Use MRI to scan subjects; exclude subjects with unusable data due to head movements.
   NOTE: Ultimately, we screened 26 patients with MCI, 32 patients with AD, and 58 controls.

2. Acquisition of Neuroimaging

1. Remove metal and magnetic objects before entering the 3.0 T MRI Laboratory.
2. Install an MRI receiving coil at the magnetic resonance scanning bed. The receiving coil is an 8 channel circularly polarized brain phased-array coil.
3. Instruct the participant to lie on the bed, and to remain supine with the head advanced and the long axis of the body along the long axis of the bed. Place the participant's head on the bracket of the coil, and make sure that the orbitomeatal line is perpendicular to bed.
4. Tell the participant to place the upper limbs to the sides of the body, keep eyes closed, not think of anything in particular, and move as little as possible during the scan. Place foam pads on the head in the bilateral temporal area to prevent head movement and provide headphones to reduce scanner noise for the participant.
   NOTE: Dimensions of the foam pad are: long diameter = 13 cm, short diameter = 10 cm, the thickest thickness = 7 cm, the thinnest thickness = 3 cm, average thickness = 5 cm.
5. Adjust the position of the head through the positioning light so that the sagittal positioning cursor is in the midline of the face, and the axis positioning cursor is parallel to the lateral canthus. Then move the bed to keep the axis positioning cursor on the eyebrows or 2 cm below it.
6. Move the head to the center of the magnet. Perform an fMRI brain scan, including gradient Echo-Planar Imaging (EPI-BOLD) and 3D-T1-MPRAGE imaging.
   NOTE: Use the following parameters:
   EPI-BOLD: TR/TE = 2,000/30 ms, layer thickness/layer pitch = 3.2/0.8 mm, 31 slices, matrix = 64 x 64, FOV = 220 x 220 mm, voxel size = 3 x 3 x 4 mm, flip angle = 90 °, scanning time of 484 s, and a total of 240 scanning images.
   3D-T1-MPRAGE imaging: TR/TE = 8.5/3.2 ms, flip angle = 15 °, field of view = 250 x 250 mm, matrix = 256 x 256, slice number = 176, slice thickness/gap = 1/0 mm, scanning time of 353 s, and a total of 192 scanning images.
7. Keep the patient safe when they are leaving the bed at the end of the scan.

3. Data Preprocessing

NOTE: Analyze the raw data for resting-state brain functions by using the Resting-State fMRI (rs-fMRI) Data Analysis Toolkit plus (RESTplus).

1. Open RESTplus through MATLAB and left click on Pipeline.
2. Import the relevant files into RESTplus. Select the work directory and then the starting EPI and T1 directories.
3. Convert DICOM files to NIFTI. Check off the DICOM to NIFTI box in preprocessing and check off the EPI DICOM to NIFTU and the T1 DICOM to NIFTI parameters.
4. Remove the first 10 time points by checking off the Remove first n time points and setting the n parameter as 10.
5. Set the slice timing according to rs-fMRI parameters. Check off the Slice timing box. Set the slice number according to the rs-fMRI parameters of the study. Enter the slice order.
   NOTE: The acquisition of data of each layer in the brain scan is not at the same time point, and thus, it needs to be calibrated to the same time point.
6. Correct the time and head motion. Check off Realign.
   NOTE: The exclusion criterion for excessive head motion was >2.0 mm translation or >2.0 ° rotation in any direction. In the RESTplus this is a default parameter (left click on the option of 'Realign').
7. Perform spatial normalization by using T1 image unified segmentation and all heads standardized to the same space. Check off Normalize and leave the default parameters at the bottom. Select the Normalize by using T1 image unified segmentation and European parameters.
   NOTE: Resample the rs-fMRI images with voxels of 3 × 3 × 3 mm, and other parameters in the RESTplus are default, just left click on the option of 'Normalize by using T1 image unified segmentation'.
8. Perform spatial smoothing using an isotropic Gaussian kernel with a full-width at half maximum (FWHM) of 6 mm. Check off Smooth.
9. Remove the linear trend by checking off Detrend.
10. Regress out signals from nuisance regressors (WM, CSF, Global) to increase signal-to-noise ratio. Check off Nuisance covariates regression and the following parameters: 6 head motion parameters, global mean signal, white matter signal, and cerebrospinal fluid signal.
    NOTE: During this step, set the 'Polynomial trend' as 1 as default, and choose the '6 head motion parameters', the 'Nuisance regressors (WM, CSF, Global)' and the 'add mean back' as default.
11. Use band-pass filtering to retain signals between 0.01 - 0.08 Hz. Remove high-frequency physiological noise, and low-frequency drift. Check off Filter.

4. Directed Connectivity Analysis

NOTE: Perform GCA combined with the BOLD signals for each voxel in the whole brain after extracting the average BOLD signal intensity in the seed area.

1. Perform the voxel-wise GCA by using the REST-GCA in the REST toolbox. In the post-processing box, check off GCA.
2. Set the 'order' as 1 as default. Select the parameters in the input.
3. Define ROI and identify seed points of interest in the PCC. Select Define ROI and choose the Spherical ROI. Select Next. Set the center coordinates and radius of the seed ROI based on the known data and select OK.
   NOTE: An ROI for the DMN was placed at the PCC (centering at x = 0, y = -53, z = 26 with radius = 6 mm), as in a previous study¹³.
4. Select Run and OK to run the program.
5. Find folders named ZGCA and GCA after processing of relevant file data. Sort out the files of ZGCA and classify them into four subfolders, xx, xy, yx, yy accordingly.
   NOTE: Later, mainly use the xy and yx subfolders. The three sets of file data ('AD' 'MCI' 'NC') are all processed and sorted according to steps 3.1 - 4.5 above.
6. Open RESTplus through MATLAB and left click on Statistical Analysis. Left click on REST Two-Sample T-Test.
7. Name the output result as T1xy and set the output directory. Left click on Add Group Images to open the xy subfolder in the AD Results folder and the xy subfolder in the NC Results folder.
8. In the option of Mask File, left click to open the BrainMask_05_61*73*61 subfile in the 'mask' folder.
9. Select Compute to run the program.
10. Name the output result as T2xy and set the output directory. Left click on Add Group Images to open the xy subfolder in the AD Results folder and the xy subfolder in the MCI Results folder. Repeat steps 4.8 - 4.9.
11. Name the output result as T3xy and set the output directory. Left click on Add Group Images to open the xy subfolder in the MCI Results folder and the xy subfolder in the NC Results folder. Repeat steps 4.8 - 4.9.
12. Name the output result as T1yx and set the output directory. Left click on Add Group Images to open the yx subfolder in the AD Results folder and the yx subfolder in the NC Results folder. Repeat steps 4.8 - 4.9.
13. Name the output result as T2yx and set the output directory. Left click on Add Group Images to open the yx subfolder in the AD Results folder and the yx subfolder in the MCI Results folder. Repeat steps 4.8 - 4.9.
14. Name the output result as T3yx and set the output directory. Left click on Add Group Images to open the yx subfolder in the MCI Results folder and the yx subfolder in the NC Results folder. Repeat steps 4.8 - 4.9.
15. Finally, obtain the six result files by following steps 4.6 - 4.14 and left click on viewer of RESTplus to view the result. Import the template named ch2 in Underlay.
16. Find the six result files in the output directory and fill in the Overlay one by one. Obtain the final result graph, and the six result files that correspond to the six graphs.
17. Use Statistical Product and Service Solutions (SPSS) to process the data obtained from the previous step.
    1. Present Continuous variables as means and Standard Deviations (SD).
    2. Present categorical variables as numbers and percentages, then use the chi-square test.
       NOTE: All p-values of <0.05 were considered statistically significant.

Demographic information

Table 1 presents the characteristics of the subjects. All the subjects had an education level of junior school or above. Age, gender, and education level were similar between the three groups (P >0.05), while the MMSE scores were significantly different (p <0.01).

Directed brain functional connectivity

The active nodes in the whole brain were first identified. Using the GCA technology, the directed functional connectivity from the PCC to the whole brain and from the whole brain to the PCC in the AD, MCI, and control groups were determined (Figure 1, Figure 2; Tables 2, 3).

The directed connectivity from the whole brain to the PCC was enhanced in the AD group as compared to the normal control group, and primarily focused in the bilateral cerebellar region outside the DMN. The directed connectivity from the PCC to the whole brain was significantly reduced in the AD group as compared to the controls, with the main regions, such as the right precuneus and left middle frontal gyrus, belonging to the DMN.

The directed functional connectivity from the PCC to the whole brain in the bilateral precuneus and postcentral gyrus regions showed a significantly enhanced causal effect in the MCI group as compared to the controls. The directed functional connectivity from the whole brain to the PCC was not significantly enhanced in the MCI group compared to the controls; however, it was significantly reduced in the regions outside the DMN including the caudate nucleus, putamen, and parietal lobule.

The directed connections were significantly different between the MCI and AD groups, both from the PCC to the whole brain and from the whole brain to the PCC. Furthermore, these differences were predominantly observed in the left hemisphere (Tables 2, 3), probably indicating asymmetry. The abnormally directed connectivity in the left hemisphere was primarily located in the DMN. With regard to the differences in the directed connections between the MCI and AD groups, more left hemisphere regions (with a significant causal effect) were involved in the connectivity from the PCC to the whole brain than the regions involved in the connectivity from the whole brain to the PCC.

Table 1: Characteristics of the MCI, AD, and Control Groups.
The characteristics of the subjects: age, gender, and education level were similar between the 3 groups, while the MMSE scores were significantly different.

Table 2: PCC to the Whole Brain.
(a) The directed connection from the PCC to the whole brain: the directed connections were significantly different between the MCI and AD groups, from the PCC to the whole brain. (b) These differences were predominantly observed in the left hemisphere, possibly indicating asymmetry.

Table 3: Whole Brain to the PCC.
(a) The directed connection from PCC to the whole brain: the directed connections were significantly different between the MCI and AD groups, from the whole brain to the PCC. (b) These differences were predominantly observed in the left hemisphere, possibly indicating asymmetry.

Figure 1: PCC to the Whole Brain.
The directed connection from the PCC to the whole brain. The active nodes in the whole brain were first identified, and the directed functional connectivity from the PCC to the whole brain in AD, MCI, and control groups was determined. Please click here to view a larger version of this figure.

Figure 2: Whole Brain to the PCC.
The directed connection from whole brain to the PCC. The active nodes in the whole brain were first identified, and the directed functional connectivity from the whole brain to the PCC in AD, MCI, and control groups was determined. Please click here to view a larger version of this figure.

Este informe presenta un proceso para comparar la dirigida conectividad funcional de la PCC a todo el cerebro y de todo el cerebro para el PCC entre AD, MCI y el grupo control. Además, un paso clave en este proceso es la clasificación y selección de la muestra antes del experimento. Así, la clasificación y criterios de revisión son cruciales porque la exactitud de los resultados puede verse afectada si son erróneas. Como se indica en el protocolo, utilizamos los criterios de NINCDS-ADRDA diagnóstico 2011 y MMSE y los criterios para identificación y clasificación de MCI; nuestros criterios de selección se conocen también en el protocolo anterior. Se excluyeron a aquellos pacientes que no eran convenientes para el juicio y entonces, con precisión clasificaron a los pacientes, que es fundamental para posteriores experimentos. El análisis crítico de la GCA deriva la conectividad funcional dirigida el PCC a todo el cerebro y de todo el cerebro para el PCC entre los AD, MCI, y grupos de control con los datos obtienen de neuroimagen. Se presenta el información de los análisis de GCA en el presente Protocolo. Esta tecnología encontraron diferencias significativas entre los grupos de conectividad dirigido y había explicado bien la correlación entre los cambios funcionales y la progresión de la AD.

En nuestro análisis de los datos de este estudio, las diferencias se produjeron entre individuos (no incluyendo edad, sexo y niveles educativos, ya que son similares entre los grupos de 3, y por lo tanto, es difícil hacer una evaluación objetiva de las conclusiones). Para resolver este problema, se analizan los datos de los grupos, en lugar de los datos individuales. Las variables en cada grupo se representan como la media y SD y las variables continuas como números y porcentajes, utilizando la prueba chi-cuadrado. A través de esta evaluación cuantitativa, objetivamente podemos evaluar la conectividad directa entre el PCC y la región del cerebro entero y dilucidar los cambios funcionales asociados con la progresión de la EA en el cerebro.

Aunque correlación lineal y Análisis componente independiente (ICA) han sido ampliamente utilizados para el estudio de la conectividad funcional, estos resultados no son de directividad. GCA puede utilizarse no sólo para medir los efectos causales fMRI de series de tiempo sino también la dinámica y la dirección de la señal atrevida de fMRI rs^14,15.

Analizamos la conectividad directa entre el PCC y la red de todo el cerebro con GCA PCC como el ROI y encontradas diferencias en conectividad dirigido el anuncio, MCI y grupos de control. Así, concluimos que PCC, como un centro importante de la región del cerebro DMN, tiene un impacto significativo en la progresión de la AD. PCC puede no sólo mostrar anomalías en recibir información sino también muestran anormalidades en la transmisión de información. Además, este estudio demuestra que la transmisión de información en todas las regiones del cerebro con conexiones anormales es direccional, excepto los nodos individuales (convolución del cerebro frontal media izquierda e izquierda precuneus), ya que las anormalidades en estas regiones del cerebro son unilaterales. Otro hallazgo interesante de este estudio es que estas anomalías de conexión parecen ocurrir principalmente en el hemisferio izquierdo. Esto puede ser debido a que el hemisferio dominante (hemisferio izquierdo) es más susceptible a lesiones que el hemisferio derecho, llevando a disminución metabólica temprana y atrofia¹⁶.

Sin embargo, existen algunas limitaciones en nuestro estudio. Tecnología de GCA, cuando llega a la velocidad de muestreo 2, diferentes retrasos hemodinámicas son difíciles de obtener con precisión¹⁷, y la lenta dinámica de la negrita de la señal en 2 s puede causar alguna pérdida rápida relación causal del¹⁸. Como resultado, esta limitación puede conducir a la desviación de los datos experimentales. Puesto que el tamaño de la muestra de prueba no era suficientemente grande, muestras adicionales son esenciales para verificar los resultados.

Actualmente, algunos estudios han utilizado técnicas multivariantes de GCA para describir las relaciones de causalidad entre múltiples regiones del cerebro. En teoría, GCA multivariado es una técnica mejorada que puede revelar la complejidad de la direccional conectividad en el cerebro; sin embargo, tiene desafíos más técnicos que GCA bivariado como retraso hemodinámica varía con la región¹². Nuestro objetivo futuro es enfrentar los retos de ACG multivariante y aplicarlo a la investigación para demostrar mejor la compleja conectividad direccional del cerebro.

Los autores declaran que no tienen sus intereses financieros que compiten.

Los autores agradecen a JI Gongjun de soporte de software informático. Esta investigación fue parcialmente financiada por la Fundación Nacional de Ciencias naturales de China (no. 81201156, 81271517); el Zhejiang Provincial Ciencias naturales Fundación de China (no. LY16H180007, LY13H180016, 2013C33G1360236) y la Fundación de Ciencias de la Comisión de salud de la provincia de Zhejiang (n º 2013RCA001, 201522257).