Applicazione dell'analisi di causalità di Granger del diretto collegamento funzionale nella malattia di Alzheimer e Mild Cognitive Impairment

In base allo stato di riposo risonanza magnetica funzionale in con analisi di causalità di Granger, abbiamo studiato le alterazioni nella connettività funzionale diretta tra la corteccia del cingulate posteriore e l'intero cervello in pazienti con malattia di Alzheimer (AD), pazienti con danno conoscitivo delicato (MCI) e controlli sani.

Connettività funzionale alterata in Default modalità rete (DMN) possono essere coinvolti nella progressione della malattia di Alzheimer (AD). La corteccia del Cingulate posteriore (PCC) è un indicatore potenziale di imaging per monitorare la progressione dell'annuncio. Gli studi precedenti non concentrarsi sulla connettività funzionale tra i nodi nelle regioni di fuori del DMN e PCC, ma il nostro studio è un tentativo di esplorare questi collegamenti funzionali trascurati. Per la raccolta di dati, abbiamo usato la formazione immagine a risonanza magnetica funzionale (fMRI) e analisi di causalità di Granger (GCA). fMRI fornisce un metodo non invasivo per lo studio delle interazioni dinamiche tra le regioni differenti del cervello. GCA è un test di ipotesi statistiche per determinare se una tantum serie è utile nella previsione di un altro. In termini semplici, è giudicato confrontando il "conosciuto tutte le informazioni all'ultimo momento, la distribuzione della probabilità di X in questo momento" e il "noto tutte le informazioni all'ultimo momento tranne Y, la distribuzione della probabilità di X in questo momento", per determinare se esiste una relazione causale tra X e Y. Questa definizione si basa sull'origine di informazioni complete e la sequenza cronologica stazionario. Il passo principale di questa analisi è quello di utilizzare X e Y per stabilire l'equazione di regressione e disegnare una relazione causale di un ipotetico test. Poiché GCA possa misurare effetti causali, abbiamo usato per indagare l'anisotropia della connettività funzionale ed esplorare la funzione di hub del PCC. Qui, abbiamo proiettato 116 partecipanti per l'esame di MRI, e dopo i dati ottenuti dal neuroimaging di pre-elaborazione, abbiamo usato GCA per derivare il rapporto causale tra ogni nodo. Infine, abbiamo concluso che il collegamento diretto è significativamente differente fra i danno cognitivo lieve (MCI) e gruppi di annunci sia dal PCC al cervello intero intero cervello al PCC.

Annuncio è una malattia degenerativa del sistema nervoso centrale che può essere diagnosticata usando l'istopatologia, elettrofisiologia e neuroimaging¹. Il DMN legati alla memoria è un sistema vitale delle regioni del cervello interagiscono associati con l'annuncio, e la sua funzione anormale è caratteristica di annuncio^2,3. Il PCC è una regione importante della rete tradizionale predefinito in stato di riposo e gioca un ruolo fondamentale nella memoria episodica, attenzione spaziale, autovalutazione e altre funzioni cognitive^4,5,6,7. Inoltre, potrebbe essere un indicatore di imaging per monitorare la progressione di annuncio. Utilizzando GCA, Liao et al trovato che il PCC è una regione della citoarchitettura multipli con connessioni multiple e svolge un ruolo importante nel cervello funzionale struttura⁸. Zhong et al ha segnalato che il PCC era un centro di convergenza che ricevuto interazioni dalla maggior parte delle altre regioni all'interno della DMN³. Inoltre, Miao et al hanno dimostrato che nelle regioni DMN hub, il PCC ha il più grande rapporto di effetto causale con altri nodi⁹. Insieme, tutte queste prove indicano che il collegamento diretto del PCC è prezioso nella ricerca di annunci e il PCC ha bisogno di essere ulteriormente studiate in modo approfondito come una regione vitale del DMN.

Gli studi precedenti sono stati limitati per la connettività tra il PCC e altre regioni entro DMN; Tuttavia, i cambiamenti nella connettività funzionale diretto tra le regioni PCC e cervello fuori il DMN, come pure la loro influenza sull'annuncio non sono ancora stati esplorati¹⁰. Il nostro studio ha studiato ulteriormente questa inesplorato connettività funzionale in pazienti con l'annuncio normali controlli sani e pazienti con MCI. Osservando la connettività diretta tra PCC e regioni di tutto il cervello, abbiamo mirato a delucidare i cambiamenti funzionali del cervello legate alla progressione di annuncio e quindi stabilire una base oggettiva romanzo per valutare la gravità della malattia.

Connettività funzionale si riferisce ad un'interazione interregionale che può essere rappresentata dalle fluttuazioni di bassa frequenza sincrona (LFFs) il segnale di fMRI cerebrale sangue ossigeno livello Dependent (BOLD). Pertanto, al fine di osservare la connettività funzionale tra il PCC e altre regioni del cervello, abbiamo analizzato la connettività funzionale tra il PCC e la rete di tutto il cervello di fMRI con GCA, con il PCC come la regione di interesse (ROI). Questa tecnica deriva direttamente la relazione fondamentale di ogni nodo utilizzando i dati ottenuti dal neuroimaging¹¹. Recentemente, GCA è stata applicata all'elettroencefalogramma (EEG) e studi fMRI per rivelare gli effetti causali tra cervello regioni¹². Tutti questi studi hanno indicato che la tecnica di GCA potrebbe essere ottima per la rilevazione il rapporto causale tra ogni nodo nel cervello.

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.

Questo rapporto presenta un processo per confrontare il diretta connettività funzionale da PCC da tutto il cervello e il cervello al PCC tra D.C., gruppi di controllo e di MCI. Inoltre, un passo fondamentale in questo processo è la classificazione e la selezione del campione prima dell'esperimento. Così, la classificazione e criteri di selezione sono cruciali perché la precisione dei risultati possa essere influenzata se sono errate. Come elencati nel protocollo, abbiamo usato i criteri diagnostici di NINCDS-ADRDA 2011 e MMSE e i criteri per l'identificazione e classificazione del MCI; i nostri criteri di selezione definiti anche nel protocollo di cui sopra. Abbiamo escluso quei pazienti che non erano adatti per il processo e quindi, accuratamente classificati pazienti rimanenti, che è fondamentale per esperimenti successivi. L'analisi critica di GCA deriva la connettività funzionale diretta da PCC da tutto il cervello e il cervello al PCC tra l'annuncio, MCI, e gruppi di controllo utilizzando i dati ottenuti dal neuroimaging. Abbiamo presentato i dettagli dell'analisi GCA in questo protocollo. Questa tecnologia ha trovato differenze significative tra i gruppi nella connettività diretta e ha spiegato bene la correlazione fra i cambiamenti funzionali e la progressione AD.

Nella nostra analisi di dati di questo studio, le differenze si è verificato tra gli individui (non inclusi età, sesso e livello di istruzione, poiché questi sono simili tra i 3 gruppi, e quindi, è difficile fare una valutazione oggettiva delle conclusioni). Per risolvere questo problema, analizziamo i dati dei gruppi, piuttosto che i singoli dati. Le variabili in ogni gruppo sono rappresentate come la media e SD e le variabili continue come numeri e percentuali, usando il test del chi-quadrato. Attraverso questa valutazione quantitativa, possiamo oggettivamente valutare la connettività diretta tra il PCC e la regione di intero cervello e delucidare i cambiamenti funzionali associati con la progressione dell'annuncio nel cervello.

Anche se la correlazione lineare e Independent Component Analysis (ICA) sono stati ampiamente usati per studiare la connettività funzionale, questi risultati non hanno alcun direttività. GCA può essere utilizzato non solo per misurare gli effetti causali di fMRI serie temporali, ma anche per mostrare la dinamica e la direzione del segnale BOLD ottenuto da rs-fMRI^14,15.

Abbiamo analizzato la connettività diretta tra il PCC e la rete di intero cervello utilizzando GCA con PCC come ROI e trovato differenze nella connettività diretta tra l'annuncio, MCI e gruppi di controllo. Quindi, abbiamo concluso che PCC, un importante centro della regione del cervello DMN, ha un impatto significativo sulla progressione di annuncio. PCC può non solo mostrare le anomalie nella ricezione di informazioni ma anche mostrare le anomalie nella trasmissione delle informazioni. Inoltre, questo studio indica che la trasmissione di informazioni in tutte le regioni del cervello con i collegamenti anormali è direzionale, ad eccezione dei singoli nodi (giro frontale medio sinistro e precuneo sinistro), poiché le anomalie in queste regioni del cervello sono unilaterali. Un'altra scoperta interessante di questo studio è che queste anomalie di connessione sembrano verificarsi principalmente nell'emisfero sinistro. Questo può essere perché l'emisfero dominante (emisfero sinistro) è più suscettibile al danno che l'emisfero destro, che porta al declino metabolico iniziale e atrofia¹⁶.

Tuttavia, esistono alcune limitazioni nel nostro studio. Per la tecnologia di GCA, quando raggiunge la frequenza di campionamento 2 s, diversi ritardi emodinamici sono difficili da ottenere con precisione¹⁷, e la dinamica lenta del grassetto del segnale a 2 s può causare qualche relazione causale rapida perdita¹⁸. Di conseguenza, questa limitazione può causare la deviazione dei dati sperimentali. Poiché la dimensione del campione di prova non era sufficientemente grande abbastanza, campioni supplementari sono essenziali per verificare i risultati.

Attualmente, alcuni studi hanno utilizzato tecniche multivariate di GCA per descrivere le relazioni causali tra regioni multiple del cervello. In teoria, GCA multivariata è una tecnica migliore che può rivelare la complessità della connettività direzionale nel cervello; Tuttavia, ha sfide più tecniche di GCA bivariata come emodinamico ritardo varia con la regione¹². Il nostro obiettivo futuro è quello di affrontare le sfide del GCA multivariata e applicarlo alla ricerca per illustrare meglio il complessa direzionale connettività del cervello.

Gli autori dichiarano che non hanno alcun interesse finanziari concorrenti.

Gli autori ringraziano Gongjun JI per il supporto di software di computer. Questa ricerca è stato parzialmente sostenuta da National Natural Science Foundation of China (No. 81201156, 81271517); il Zhejiang Provincial Natural Science Foundation della Cina (no. LY16H180007, LY13H180016, 2013C33G1360236) e la Fondazione di scienza della Commissione Sanità della provincia di Zhejiang (n. 2013RCA001, 201522257).