알 츠 하이 머 질환과 경미한 인지 장애에 감독된 기능 연결의 그 랜 저 인과관계 분석의 응용 프로그램

우리 후부 대상 피 질과 Alzheimer의 질병 (광고) 환자, 가벼운 인지 장애 (MCI)와 건강 한 컨트롤 환자에서 뇌 간의 지시 기능 연결에서 변경 조사 휴식 상태 기능 자기 공명 영상 그레인저 인과 분석을 바탕으로.

장애인된 기능 연결에는 기본 모드 네트워크 (DMN) Alzheimer의 질병 (광고)의 진행에 관련 될 수 있습니다. 후부 대상 피 질 (PCC)은 광고의 진행을 모니터링 하기 위한 잠재적인 이미징 마커입니다. 이전 연구 PCC와 DMN, 외부 지역에서 노드 간의 기능 연결에 초점을 두지 않 하지만 우리의 연구는이 간과 기능 연결을 탐구 하는 노력. 데이터를 수집, 우리는 기능 자기 공명 영상 (fMRI)와 그 랜 저 인과관계 분석 (GCA) 사용. fMRI에는 서로 다른 뇌 영역 간의 동적 상호 작용을 공부 하는 비-침략 적 방법을 제공 합니다. GCA는 일회성 시리즈 다른 예측 하는 데 유용 여부를 확인 하기 위한 통계 가설 시험. 간단한 용어 있음, 그것은 "알려진 마지막 순간에,이 시간에 X의 확률 분포에 대 한 모든 정보"와 "알려진 Y,이 시간에 X의 확률 분포를 제외 하 고 마지막 순간에 대 한 모든 정보"를 비교 하 여 판단, Y와 X 사이의 인과 관계 인지 확인 합니다. 이 정의 완전 한 정보 소스 및 고정 시간 시퀀스를 기반으로 합니다. 이 분석의 주요 단계는 X를 사용 하 고 회귀 방정식을 설정 하 여 가상 테스트 하 여 인과 관계를 그릴 Y. GCA 인과 효과 측정할 수 있는, 이후 우리 기능 연결의 이방성을 조사 하 고 탐구는 PCC의 허브 기능을 그것을 사용. 여기, 우리 검사 MRI 스캔, 116 참가자 그리고 neuroimaging에서 얻은 데이터를 전처리, 후 우리는 각 노드에의 인과 관계를 파생 GCA를 사용. 마지막으로, 우리는 감독 연결이 상당히 가벼운 인지 장애 (MCI) 및 광고 그룹, 전체 두뇌에 PCC에서와 PCC에 전체 뇌에서 사이 다는 결론을 내렸다.

광고는 histopathology, 전기 생리학, 및 neuroimaging¹를 사용 하 여 진단 될 수 있다 중앙 신경의 퇴행 성 질환 이다. 메모리 관련 DMN, 광고와 관련 된 상호 작용 두뇌 영역의 중요 한 시스템 이며 비정상적인 기능 광고^2,3의 특징입니다. PCC는 휴식 상태에서 전통적인 기본 네트워크의 중요 한 지역 이며 에피소드 메모리, 공간 주의 자기 평가, 그리고 다른 인지 기능^4,5,,67에 중추적인 역할을 합니다. 또한, 광고 진행을 모니터링 하기 위한 이미징 마커 수 있습니다. GCA를 사용 하 여, 리아 외 는 PCC 여러 연결을 여러 cytoarchitectonics의 지역 이며, 기능적 뇌 구조⁸에 중요 한 역할을 발견 하 고. 종 외. 보도 PCC DMN³내 다른 지역의 대부분에서 상호 작용을 받은 컨버전스 센터 했다. 또한, 먀오족 외 DMN 허브 지역에는 PCC는 다른 노드⁹가장 큰 원인 효과 관계를 설명 했다. 함께,이 증거는 PCC의 감독된 연결 광고 연구에 귀중 한 고는 PCC 더 있이 필요가 나타냅니다 모든 공부는 DMN의 중요 한 영역으로 깊이.

이전 연구는 PCC와 DMN; 내 다른 지역 간의 연결에 국한 되었다 그러나, 외부 광고에 그들 영향 뿐만 아니라 DMN, PCC 및 뇌 영역 간의 감독된 기능 연결에 변경 내용을 아직 되지 않은 탐험된¹⁰. 우리의 연구는 더 정상적인 건강 한 컨트롤, MCI, 환자 및 환자와 광고에서이 미개척된 기능 연결을 조사 했다. PCC와 뇌 영역 사이의 직접된 연결을 관찰 하 여 우리 광고 진행에 관련 된 뇌의 기능 변화를 명료 하 게 하 고 그로 인하여 질병의 심각도 평가 하기 위한 새로운 객관적인 기초를 확립을 목적으로.

기능적인 연결 대뇌 혈액 산소 수준 의존 (BOLD) fMRI 신호에 동기 낮은 주파수 변동 (LFFs)에 의해 대표 될 수 있는 국제 상호 작용을 말합니다. 따라서,는 PCC 및 다른 두뇌 지구 사이 기능적인 연결을 관찰 하기 위해 우리는 fMRI GCA, PCC 관심 영역 (ROI)으로 함께 사용 하 여 여는 PCC와 뇌 네트워크 사이의 기능적 연결 분석. 이 기술은 직접 neuroimaging¹¹에서 가져온 데이터를 사용 하 여 각 노드의 기본 관계를 파생 합니다. 최근, GCA 뇌 파 (EEG)와 뇌 영역¹²간의 인과 효과 나타내기 위해 fMRI 연구에 적용 되었습니다. 이러한 모든 연구 표시 GCA 기술은 뇌의 각 노드에의 인과 관계를 탐지 하기 위한 최적의 수 있습니다.

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.

이 보고서는 감독된 기능 연결은 PCC에서 전체 두뇌에 및 전체 두뇌에서 광고, 사이 PCC 비교 하기 위한 과정을 선물 한다 MCI 및 제어 그룹. 또한,이 과정에서 중요 한 단계는 분류 및 실험 전에 샘플의 검사입니다. 따라서 분류 및 심사 기준은 중요 한 경우 잘못 된 결과의 정확도 영향을 받을 수 있기 때문에. 우리 식별 및 분류 MCI;의 2011 NINCDS ADRDA 진단 및 MMSE, 기준과 기준 프로토콜에 나열 된 사용 우리의 심사 기준은 위의 프로토콜에도 라고도 합니다. 우리는 재판에 적합 되었고, 정확 하 게 분류 나머지 환자는 후속 실험에 대 한 근본적인 그 환자 제외. 중요 한 GCA 분석에서에서 파생 되 감독된 기능 연결은 PCC 전체 두뇌 및 전체 두뇌에서 광고, MCI, 사이 PCC에 고에서 얻은 데이터를 사용 하 여 컨트롤 그룹 neuroimaging. 우리는이 프로토콜에서 GCA 분석의 세부 정보를 제시. 이 기술 감독된 연결, 그룹 간의 중요 한 차이점을 발견 하 고 기능 변경 및 광고 진행 간의 상관 관계를 잘 설명.

이 연구의 데이터 분석, 차이 (제외 나이, 성별, 교육 수준, 이들은 3 그룹 사이 유사 때문에 따라서, 그것은 결론의 객관적인 평가 하기 어려운) 하는 개인 간의 발생 했습니다. 이 문제를 해결, 우리는 그룹의 데이터 대신 개별 데이터 분석. 각 그룹에 변수 평균 및 SD, 그리고 숫자와 백분율, 카이 사각 시험을 사용 하 여 연속 변수로 표현 됩니다. 이 정량적 평가 통해 우리가 객관적으로 PCC 및 전체 두뇌 지역 사이 직접된 연결을 평가 하 고 두뇌에서 광고의 진행과 관련 된 기능적 변화를 명료 하 게 수 있습니다.

선형 상관 관계와 독립적인 구성 요소 분석 (ICA) 널리 사용 된 기능적인 연결을 공부,이 결과 아무 지향성 있습니다. GCA는 fMRI 시계열의 인과 효과 측정 뿐만 아니라 역학과 rs fMRI^14,15에서 얻은 대담한 신호의 방향 표시를 활용할 수 있습니다.

우리는 PCC와 ROI와 발견된의 차이 감독된 연결 광고, MCI, PCC와 GCA를 사용 하 여 전체 두뇌 네트워크 감독된 연결 분석 및 제어 그룹. 따라서, 우리는 PCC, DMN 뇌 영역의 중요 한 허브로 서는 상당한 영향을 미칠 광고 진행에는 결론을 내렸다. PCC 수 있습니다 뿐만 아니라 수신 정보에 이상이 보여주지만 또한 정보 전송 이상 표시. 또한,이 연구는 이러한 두뇌 지구에 있는 이상 때문에 일방적인 비정상적인 연결 모든 뇌 영역에서 정보를 전송 방향, 개별 노드 (왼쪽된 중간 정면 이랑 왼쪽된 precuneus)를 제외 하 고는 보여줍니다. 이 연구의 또 다른 흥미로운 발견 이러한 연결 예외 왼쪽된 반구에 주로 발생 하는 것입니다. 이 지배적인 반구 (왼쪽된 뇌)는 초기 대사 감소 및 위축¹⁶오른쪽 반구 보다 부상에 더 취약 있을 수 있습니다.

그럼에도 불구 하 고, 우리의 연구에서 몇 가지 제한이 있습니다. GCA 기술, 샘플링 속도 도달 하면 2 s, 다른 hemodynamic 지연¹⁷, 정확 하 게 얻기 어렵다 고 BOLD의 느린 역학 2 신호 s 일부 급속 한 인과 관계 손실¹⁸를 발생할 수 있습니다. 그 결과, 실험 데이터의 편차가이 제한 될 수 있습니다. 테스트 샘플 크기는 충분히 큰, 이후 추가 예제 결과 확인에 필수적입니다.

현재, 일부 연구 변수 GCA 기술을 여러 뇌 영역 간의 인과 관계를 설명 하기 위해 사용. 이론에서는, 복수 GCA은 두뇌; 방향 연결의 복잡성을 밝힐 수 있는 향상 된 기술 그러나, hemodynamic 지연 따라 지역¹²로 이항 GCA 보다 더 기술적도 전에 있다. 우리의 미래 목표 변수 GCA의 문제를 해결 하 고 더 나은 두뇌의 복잡 한 방향 연결을 설명 하기 위해 연구에 적용 하는.

저자는 그들이 하지 않아도 경쟁 금융 관심사 선언 합니다.

저자는 컴퓨터 소프트웨어 지원에 대 한 Gongjun 지 감사합니다. 이 연구는 국립 자연 과학 재단의 중국 (no. 81201156, 81271517); 부분적으로 지원 했다 절 강 지방 자연 과학 재단의 중국 (아니. LY16H180007, LY13H180016, 2013C33G1360236), 강성 (no. 2013RCA001, 201522257)의 건강 위원회에서 과학 재단.