Aplicação da análise de causalidade de Granger da Conexão funcional direcionado na doença de Alzheimer e transtorno cognitivo leve

Com base no estado de repouso ressonância magnética funcional com análise de causalidade de Granger, investigamos as alterações na conectividade funcional do dirigido entre o córtex cingulado posterior e todo o cérebro em pacientes com doença de Alzheimer (AD), pacientes com comprometimento cognitivo leve (MCI) e controles saudáveis.

Conectividade funcional prejudicada em rede de modo padrão (DMN) pode estar envolvida na progressão da doença de Alzheimer (AD). O córtex cingulado Posterior (PCC) é um potencial marcador de imagem para monitorar a progressão da AD. Estudos anteriores não se concentrar sobre a conectividade funcional entre o PCC e nós em regiões fora do DMN, mas nosso estudo é um esforço para explorar estas conexões funcionais negligenciados. Para a coleta de dados, usamos a ressonância magnética funcional (fMRI) e análise de causalidade de Granger (GCA). ressonância magnética fornece um método não-invasivo para estudar as interações dinâmicas entre as regiões diferentes do cérebro. GCA é um teste de hipótese estatística para determinar se a série One-Time é útil na previsão de outro. Em termos simples, for julgado comparando-se a todas as informações sobre o último momento, a distribuição de probabilidade de X neste momento "conhecido" e o "conhecido de todas as informações sobre o último momento exceto Y, a distribuição de probabilidade de X neste momento", para determinar se existe uma relação causal entre Y e X. Esta definição baseia-se na fonte de informação completa e estacionária sequência cronológica. O passo principal desta análise é a utilização de X e Y para estabelecer a equação de regressão e desenhar uma relação causal por um teste hipotético. Desde que o GCA pode medir efeitos causais, usamos para investigar a anisotropia da conectividade funcional e explorar a função de cubo do PCC. Aqui, nós selecionados 116 participantes para fazer a varredura de MRI, e depois do processamento dos dados obtidos de neuroimagem, costumávamos GCA para derivar a relação causal de cada nó. Finalmente, concluiu-se que a conexão dirigida é significativamente diferente entre os grupos Impairment Cognitive suave (MCI) e AD, partir do PCC para o cérebro e do cérebro inteiro para o PCC.

AD é uma doença degenerativa do sistema nervoso central que pode ser diagnosticada usando histopatologia, eletrofisiologia e neuroimagem¹. O DMN relacionados à memória é um sistema vital das regiões do cérebro interagindo associado com AD, e sua função anormal é característica da AD^2,3. O PCC é uma importante região da rede padrão tradicional no estado de repouso e tem um papel crucial na memória episódica, atenção espacial, auto-avaliação e outras funções cognitivas^4,5,6,7. Além disso, pode ser um marcador de imagem para monitorar a progressão do AD. Usando o GCA, Liao et al encontrou que o PCC é uma região de vários Citoarquitetura com várias conexões e desempenha um papel importante no cérebro funcional estrutura⁸. Zhong et al relataram que o PCC era um centro de convergência que recebeu as interações da maioria das outras regiões dentro do DMN³. Além disso, Miao et al demonstraram que, nas regiões de cubo DMN, o PCC tem a maior relação de relação causal com outros nós⁹. Juntos, tudo esta evidência indica que a conexão dirigido do PCC é valioso na pesquisa de AD e o PCC precisa ser mais estudado em profundidade como uma região vital do DMN.

Os estudos anteriores foram confinados para a conectividade entre o PCC e outras regiões dentro do DMN; no entanto, as alterações na conectividade funcional direcionada entre os PCC e cérebro regiões fora do DMN, bem como sua influência na AD ainda não foram explorados¹⁰. Nosso estudo investigou mais este inexplorado conectividade funcional em controles saudáveis normais, pacientes com MCI e pacientes com AD. Ao observar a conectividade dirigida entre o PCC e regiões de todo o cérebro, objetivo elucidar as alterações funcionais do cérebro relacionadas à progressão de AD e, assim, estabelecer uma nova base objectiva para avaliar a gravidade da doença.

Conectividade funcional refere-se a uma interação inter-regional que pode ser representada por flutuações de baixa frequência síncrona (LFFs) no sinal de ressonância magnética cerebral do sangue oxigênio nível dependente (BOLD). Portanto, a fim de observar a conectividade funcional entre o PCC e outras regiões do cérebro, analisamos a conectividade funcional entre o PCC e a rede de todo o cérebro por ressonância magnética usando GCA, com o PCC, como a região de interesse (ROI). Essa técnica deriva diretamente a relação fundamental de cada nó usando dados obtidos de neuroimagem¹¹. Recentemente, GCA foi aplicada ao eletroencefalograma (EEG) e estudos de fMRI para revelar os efeitos causais entre cérebro regiões¹². Todos estes estudos indicaram que a técnica de GCA pode ser ideal para detectar a relação causal de cada nó no cérebro.

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 relatório apresenta um processo de comparação entre a dirigido funcional conectividade do PCC para o cérebro e do cérebro inteiro para o PCC entre AD, MCI e controle de grupos. Além disso, um passo fundamental neste processo é a classificação e a seleção da amostra antes do experimento. Assim, a classificação e critérios de triagem são cruciais como a precisão dos resultados pode ser afectada se eles estão errados. Constantes do protocolo, usamos critérios diagnósticos do NINCDS-ADRDA 2011 e meem e os critérios para identificação e classificação dos MCI; nossos critérios de selecção são também referidos no protocolo acima. Nós excluídos aqueles pacientes que não foram adequados para o julgamento e então, com precisão classificados os pacientes restantes, que é fundamental para os experimentos subsequentes. A análise crítica do GCA deriva a conectividade funcional direcionada do PCC para o cérebro e do cérebro inteiro para o PCC entre o anúncio, MCI, e grupos de controle usando os dados obtidos de neuroimagem. Apresentamos os detalhes da análise GCA neste protocolo. Esta tecnologia encontrou diferenças significativas entre os grupos em conectividade dirigido e explicou bem a correlação entre as alterações funcionais e progressão de AD.

Na nossa análise de dados deste estudo, diferenças ocorreram entre indivíduos (não incluindo idade, sexo e níveis de ensino, desde que estes são semelhantes entre os 3 grupos, e, portanto, é difícil fazer uma avaliação objetiva das conclusões). Para resolver esse problema, analisamos os dados dos grupos, em vez dos dados individuais. As variáveis em cada grupo são representadas como a média e SD e as variáveis contínuas como números e percentagens, usando o teste de qui-quadrado. Através desta avaliação quantitativa, podemos objetivamente avaliar a conectividade dirigida entre o PCC e a região do cérebro inteiro e elucidar as alterações funcionais associadas com a progressão da AD no cérebro.

Embora a correlação linear e análise de componentes independentes (ICA) têm sido amplamente utilizados para estudar a conectividade funcional, estes resultados têm não diretividade. GCA pode ser utilizada não só para medir os efeitos causais de séries temporais de fMRI, mas também para mostrar a dinâmica e a direção do sinal bold (realce) obtido a partir de^14,rs-fMRI¹⁵.

Analisamos a conectividade dirigida entre o PCC e a rede de cérebro inteiro usando GCA com PCC, como o ROI e diferenças encontradas em conectividade dirigida entre o anúncio, MCI e grupos de controle. Assim, concluímos que o PCC, como um importante polo de região do cérebro DMN, tem um impacto significativo na progressão do AD. PCC pode não só mostrar anormalidades na recepção de informações, mas também mostram anormalidades na transmissão de informações. Além disso, este estudo mostra que a transmissão de informações em todas as regiões do cérebro com conexões anormais é direcional, exceto nós individuais (giro frontal médio esquerdo e precuneus esquerdo), uma vez que as anomalias nestas regiões do cérebro são unilaterais. Outra constatação interessante deste estudo é que estas anomalias conexão parecem ocorrer principalmente no hemisfério esquerdo. Isto pode ser porque o hemisfério dominante (hemisfério esquerdo) é mais suscetível a lesões do que o hemisfério direito, levando ao declínio metabólico precoce e atrofia¹⁶.

No entanto, existem algumas limitações em nosso estudo. Para a tecnologia de GCA, quando a taxa de amostragem atinge 2 s, diferentes atrasos hemodinâmicos são difíceis de obter, com precisão,¹⁷, e a dinâmica lenta do BOLD de sinal em 2 s pode causar um pouco de perda rápida relação causal¹⁸. Como resultado, esta limitação pode levar para o desvio dos dados experimentais. Desde que o tamanho da amostra de teste não foi suficientemente grande o suficiente, as amostras adicionais são essenciais para verificar os resultados.

Atualmente, alguns estudos têm utilizado técnicas multivariadas GCA para descrever as relações causais entre várias regiões do cérebro. Em teoria, GCA multivariada é uma técnica melhorada que pode revelar a complexidade de conectividade direcional no cérebro; no entanto, tem desafios mais técnicos do que GCA bivariada como hemodinâmico atraso varia de acordo com a região de¹². Nosso objetivo futuro é para enfrentar os desafios da GCA multivariada e aplicá-lo à pesquisa para melhor demonstrar a conectividade direcional complexa do cérebro.

Os autores declaram que não têm quaisquer interesses financeiros concorrentes.

Os autores agradecer Gongjun JI para suporte de software de computador. Esta pesquisa foi parcialmente apoiada pela Fundação Nacional de ciências naturais da China (n. º 81201156, 81271517); o Zhejiang Provincial Natural Science Foundation da China (n. LY16H180007, LY13H180016, 2013C33G1360236) e a Fundação de ciência, da Comissão de saúde da província de Zhejiang (n. º 2013RCA001, 201522257).