Функциональная интеграция (нейробиология) - Functional integration (neurobiology)

Функциональная интеграция это исследование того, как области мозга работают вместе, чтобы обрабатывать информацию и вызывать реакции. Хотя функциональная интеграция часто опирается на анатомические знания о связях между областями мозга, акцент делается на том, как большие кластеры нейронов, насчитывающие тысячи или миллионы, срабатывают вместе при различных стимулах. Большие наборы данных, необходимые для такого полномасштабного изображения функции мозга, послужили стимулом для разработки нескольких новых и общих методов статистического анализа взаимозависимостей, таких как динамическое причинно-следственное моделирование и статистическое линейно-параметрическое картирование. Эти наборы данных обычно собираются на людях неинвазивными методами, такими как ЭЭГ /МЭГ, фМРТ, или же ДОМАШНИЙ ПИТОМЕЦ. Результаты могут иметь клиническую ценность, помогая идентифицировать области, ответственные за психические расстройства, а также оценивать, как различные виды деятельности или образ жизни влияют на функционирование мозга.

Методы визуализации

Основная статья: Нейровизуализация

Выбор метода визуализации в исследовании зависит от желаемого пространственного и временного разрешения. ФМРТ и ПЭТ предлагают относительно высокое пространственное разрешение, с воксель размеры порядка нескольких миллиметров,[1] но их относительно низкая частота дискретизации затрудняет наблюдение быстрых и временных взаимодействий между удаленными областями мозга. Эти временные ограничения преодолеваются МЭГ, но за счет обнаружения сигналов только от гораздо более крупных кластеров нейронов.[2]

фМРТ

Основная статья: Функциональная магнитно-резонансная томография

Функциональная магнитно-резонансная томография (фМРТ) - это форма МРТ, которая наиболее часто используется, чтобы использовать разницу в магнетизме между окси- и дезоксигемоглобин для оценки кровотока в разных частях мозга. Типичная частота дискретизации для изображений фМРТ составляет десятые доли секунды.[3]

МЭГ

Основная статья: Магнитоэнцефалография

Магнитоэнцефалография (МЭГ) - это метод визуализации, в котором используются очень чувствительные магнитометры для измерения магнитных полей, возникающих из-за ионных токов, протекающих через нейроны мозга. Высококачественные аппараты МЭГ обеспечивают частоту дискретизации менее миллисекунды.[2]

ДОМАШНИЙ ПИТОМЕЦ

Основная статья: Позитронно-эмиссионная томография

ПЭТ работает путем введения радиоактивно меченной биологически активной молекулы. Выбор молекулы диктует, что визуализируется: например, используя радиоактивно меченный аналог глюкозы, можно получить изображение, распределение интенсивности которого указывает на метаболическую активность. Сканеры ПЭТ предлагают частоту дискретизации до десятых долей секунды.[4]

Мультимодальная визуализация

Основная статья: Мультимодальная визуализация

Мультимодальная визуализация часто состоит из сочетания электрофизиологических методов измерения, таких как ЭЭГ или МЭГ, с гемодинамическими методами, такими как фМРТ или ПЭТ. Хотя намерение состоит в том, чтобы использовать сильные стороны и ограничения каждого для дополнения друг друга, нынешние подходы страдают экспериментальными ограничениями.[5] Некоторая предыдущая работа была сосредоточена на попытке использовать высокое пространственное разрешение фМРТ для определения (пространственного) происхождения сигналов ЭЭГ / МЭГ, чтобы в будущих работах эту пространственную информацию можно было бы извлечь из унимодального сигнала ЭЭГ / МЭГ. Хотя в некоторых исследованиях был достигнут успех в сопоставлении источников сигнала между модальностями с точностью до нескольких миллиметров, результаты не были однозначно 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 затруднена из-за изменчивости от испытания к испытанию.[5]

Режимы анализа

В функциональной интеграции проводится различие между функциональный возможность подключения и эффективный возможность подключения. Говорят, что две области мозга функционально связаны, если существует высокая корреляция между моментами, когда они срабатывают, хотя это не подразумевает причинной связи. С другой стороны, эффективная связь - это описание причинной связи между различными областями мозга.[6]

Хотя статистическая оценка функциональной связности нескольких областей мозга нетривиальна, определение причинно-следственной связи, на которую влияют области мозга, на которые срабатывает, гораздо сложнее и требует решения некорректно поставленных задач оптимизации.[7]

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

Динамическое причинно-следственное моделирование

Основная статья: Динамическое причинно-следственное моделирование

Динамическое причинно-следственное моделирование (DCM) - это байесовский метод определения структуры нервной системы на основе наблюдаемого гемодинамического (fMRI) или электрофизиологического (EEG / MEG) сигнала. Первый шаг - сделать прогноз относительно отношений между интересующими областями мозга и сформулировать систему обыкновенных дифференциальных уравнений, описывающих причинно-следственную связь между ними, хотя многие параметры (и отношения) будут изначально неизвестны. Используя предыдущие результаты о том, как нервная активность, как известно, преобразуется в сигналы фМРТ или ЭЭГ,[8] можно взять измеренный сигнал и определить вероятность того, что параметры модели имеют определенные значения. Выясненная модель затем может быть использована для прогнозирования отношений 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 отношения между областями мозга, что частично определяется временным разрешением используемый метод визуализации.[10]

Статистическое параметрическое отображение

Основная статья: Статистическое параметрическое отображение

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

Существует большая гибкость в выборе статистического теста (и, следовательно, вопросы, на которые может быть разработан эксперимент), и общие варианты включают Тест Стьюдента или же линейная регрессия. Однако при использовании SPM важно учитывать то, что большое количество сравнений требует, чтобы количество ложных срабатываний контролировалось с помощью более жесткого порога значимости. Это можно сделать либо путем изменения начального статистического теста, чтобы уменьшить значение α, чтобы для конкретного вокселя было сложнее показать значительную разницу (например, Коррекция Бонферрони ), или изменяя кластерный анализ на втором этапе, рассматривая активацию области мозга как значительную только в том случае, если она содержит определенное количество вокселей, которые демонстрируют статистическую разницу (см. теория случайного поля ).[11]

ФМРТ использовалась для определения влияния посттравматического стрессового расстройства на соотношение серого и белого вещества у женщин с пограничным расстройством личности.

Морфометрия на основе вокселей

Основная статья: Морфометрия на основе вокселей

Морфометрия на основе вокселей (VBM) - это метод, который позволяет измерять различия в составе ткани мозга между субъектами. Для этого необходимо сначала зарегистрировать все изображения в стандартной системе координат, сопоставив их с эталонным изображением. Это делается с помощью аффинного преобразования, которое минимизирует разницу интенсивностей в сумме квадратов между экспериментальным изображением и эталоном. Как только это будет сделано, пропорция серый или же белое вещество в вокселе можно определить по интенсивности. Это позволяет сравнивать состав тканей соответствующих областей мозга у разных субъектов.[12]

Приложения

Способность визуализировать деятельность всего мозга часто используется для сравнения функций мозга во время различных задач или тестов навыков, а также для сравнения структуры и функций мозга между разными группами людей.

Изменения в активации мозга в состоянии покоя

Многие предыдущие исследования с помощью фМРТ показали, что спонтанная активация функционально связанных областей мозга происходит в состоянии покоя, даже при отсутствии какой-либо стимуляции или активности. Субъекты-люди, которым представлена ​​задача визуального обучения, демонстрируют изменения функциональной связности в состоянии покоя на срок до 24 часов и динамическое функциональное соединение исследования даже показали изменения функциональной связи во время одного сканирования. Проведя фМРТ-сканирование субъектов до и после учебной задачи, а также на следующий день, было показано, что активность вызвала изменение состояния покоя у гиппокамп Мероприятия. Динамическое каузальное моделирование показало, что гиппокамп также продемонстрировал новый уровень эффективной связи с полосатое тело, хотя не было никаких связанных с обучением изменений ни в одной визуальной области.[13] Сочетание фМРТ с DCM у субъектов, выполняющих учебную задачу, позволяет определить, какие системы мозга участвуют в различных видах обучения, будь то явное или неявное, и долгое время документировать эти задачи, приводящие к изменениям в активации мозга в состоянии покоя.

Оценка IQ

Морфометрические измерения локализации серого вещества в головном мозге на основе вокселей могут использоваться для прогнозирования компонентов IQ. Набор из 35 подростков прошли тестирование на IQ и были просканированы фМРТ 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 набор данных используется как для определения интересующих областей мозга. и разработать прогностическую модель, которая приводит к перетренированности модели и отсутствию реальной предсказательной силы.[14]

Авторы исследования избежали двойного погружения, используя методологию «исключить по одному», которая включает построение прогнозной 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 в результате была получена модель, способная объяснить 53% изменения вербального IQ как функции плотности серого вещества в левой моторной коре. В исследовании также наблюдался ранее описанный феномен, согласно которому ранжирование молодых людей по IQ не остается постоянным с возрастом участников, что затрудняет любое измерение эффективности образовательных программ.[14]

Эти исследования могут быть перекрестно проверены, если попытаться найти и оценить пациентов с поражениями или другими повреждениями в идентифицированной области мозга, а также изучить, демонстрируют ли они функциональные нарушения по сравнению с популяцией. Однако этой методологии будет препятствовать отсутствие базового измерения «до».

Фонологическая петля

В фонологическая петля это компонент рабочей памяти, в котором хранится небольшой набор слов, которые можно поддерживать бесконечно, если не отвлекаться. Эта концепция была предложена психологами Аланом Баддели и Грэмом Хитчем, чтобы объяснить, как фразы или предложения могут быть усвоены и использованы для направления действий. Паулеску и др. С помощью статистического параметрического картирования для оценки различий в мозговом кровотоке между участниками, выполняющими две разные задачи.[15] смогли идентифицировать хранение фонологической петли как в супрамаргинальные извилины. Люди сначала были разделены на контрольную и экспериментальную группы. Контрольной группе были представлены буквы на языке, который они не понимали, и нелингвистические визуальные диаграммы. Экспериментальной группе было поручено два задания: первое - запомнить строку букв и было предназначено для активации всех элементов фонологической петли. Во втором упражнении участников просили оценить, рифмованы ли данные фразы, и было ли оно предназначено только для активации определенных подсистем, участвующих в вокализации, но не для хранения фонологической информации.

Сравнивая первую экспериментальную задачу со второй, а также с контрольной группой, авторы исследования отметили, что областью мозга, наиболее активно активируемой задачей, требующей фонологического хранения, были надмаргинальные извилины. Этот результат был подтвержден предыдущими литературными наблюдениями за функциональными нарушениями у пациентов с повреждениями в этой области.

Хотя это исследование позволило точно локализовать определенную функцию анатомически, а методы функциональной интеграции и визуализации имеют большое значение для определения областей мозга, участвующих в определенных задачах обработки информации, нейронные схемы низкого уровня, которые вызывают эти явления, остаются загадочными. .

Психиатрические расстройства

Хотя исследования фМРТ шизофреник и биполярный пациенты получили некоторое представление об изменениях в эффективной связи, вызванных этими заболеваниями,[16] Всестороннее понимание происходящего функционального ремоделирования еще не достигнуто.

Montague et al.[17] отметим, что почти «неразумная эффективность психотропных препаратов» несколько затормозила прогресс в этой области, и выступаем за широкомасштабное «компьютерное фенотипирование» психиатрических пациентов. Нейровизуализационные исследования большого числа этих пациентов могут дать маркеры активации мозга для конкретных психических заболеваний, а также помочь в разработке терапевтических средств и моделей на животных. Хотя истинный базовый уровень функции мозга у психиатрических пациентов практически невозможно получить, справочные значения все же можно измерить, сравнивая изображения, полученные от пациентов до и после лечения.

Рекомендации

  1. ^ Лука, М .; Beckmann, CF; Де Стефано, N; Мэтьюз, PM; Смит, С.М. (2006). «Сети состояния покоя фМРТ определяют различные режимы взаимодействия на большом расстоянии в человеческом мозге». NeuroImage. 29 (4): 1359–67. Дои:10.1016 / j.neuroimage.2005.08.035. PMID  16260155.
  2. ^ а б Hamalainen, M .; Хари, Риитта; Ilmoniemi, Risto J .; Кнуутила, Юкка; Лунасмаа, Олли В. (1993). "Магнитоэнцефалография-теория, приборы и приложения для неинвазивных исследований работающего мозга человека" (PDF). Ред. Мод. Phys. 65 (2): 413–97. Bibcode:1993РвМП ... 65..413Н. Дои:10.1103 / RevModPhys.65.413.
  3. ^ Логотетис, Н.К. (2008). «Что мы можем и чего нельзя делать с помощью фМРТ» (PDF). Природа. 453 (7197): 869–78. Bibcode:2008Натура.453..869L. Дои:10.1038 / природа06976. PMID  18548064.
  4. ^ Бейли, DL (2005). Позитронно-эмиссионная томография: фундаментальные науки. Эльзевир. Дои:10.1007 / b136169. ISBN  978-1-84628-007-8. OCLC  209853466.
  5. ^ а б Роза, MJ; Daunizeau, J; Фристон, KJ (2010). «Интеграция EEG-fMRI: критический обзор подходов к биофизическому моделированию и анализу данных». Журнал интегративной неврологии. 9 (4): 453–76. Дои:10.1142 / S0219635210002512. PMID  21213414.
  6. ^ Фристон, К. (2002). «Функциональная интеграция и логический вывод в мозгу». Прогресс в нейробиологии. 68 (2): 113–43. CiteSeerX  10.1.1.318.4536. Дои:10.1016 / s0301-0082 (02) 00076-х. PMID  12450490.
  7. ^ Friston, K .; Харрисон, L; Пенни, W (2003). «Динамическое причинно-следственное моделирование». NeuroImage. 19 (4): 1273–302. Дои:10.1016 / S1053-8119 (03) 00202-7. PMID  12948688.
  8. ^ Бакстон, РБ; Вонг, ЕС; Франк, LR (1998). «Динамика изменения кровотока и оксигенации при активации мозга: баллонная модель». Магнитный резонанс в медицине. 39 (6): 855–64. Дои:10.1002 / mrm.1910390602. PMID  9621908.
  9. ^ Стефан, KE; Пенни, WD; Moran, RJ; Den Ouden, HE; Daunizeau, J; Фристон, KJ (2010). «Десять простых правил динамического каузального моделирования». NeuroImage. 49 (4): 3099–109. Дои:10.1016 / j.neuroimage.2009.11.015. ЧВК  2825373. PMID  19914382.
  10. ^ Daunizeau, J .; Preuschoff, K; Фристон, К; Стефан, К. (2011). Sporns, Олаф (ред.). «Оптимизация экспериментального дизайна для сравнения моделей функции мозга». PLOS вычислительная биология. 7 (11): e1002280. Bibcode:2011PLSCB ... 7E2280D. Дои:10.1371 / journal.pcbi.1002280. ЧВК  3219623. PMID  22125485.
  11. ^ а б Friston, K .; Holmes, A. P .; Уорсли, К. Дж .; Poline, J.-P .; Frith, C.D .; Фраковяк, Р. С. Дж. (1995). «Статистические параметрические карты в функциональной визуализации: общий линейный подход» (PDF). Картирование человеческого мозга. 2 (4): 189–210. Дои:10.1002 / hbm.460020402.
  12. ^ Ashburner, J .; Фристон, KJ (2000). "Воксельная морфометрия - методы". NeuroImage. 11 (6): 805–21. CiteSeerX  10.1.1.114.9512. Дои:10.1006 / nimg.2000.0582. PMID  10860804.
  13. ^ Урнер, М .; Schwarzkopf, DS; Фристон, К; Рис, Г. (2013). «Раннее визуальное обучение вызывает долгосрочные изменения связности во время отдыха в человеческом мозгу». NeuroImage. 77 (100): 148–56. Дои:10.1016 / j.neuroimage.2013.03.050. ЧВК  3682182. PMID  23558105.
  14. ^ а б Прайс, CJ; Рамсден, S; Надежда, TM; Friston, KJ; Сегиер, ML (2013). «Прогнозирование изменения IQ на основе структуры мозга: исследование с перекрестной проверкой». Когнитивная неврология развития. 5 (100): 172–84. Дои:10.1016 / j.dcn.2013.03.001. ЧВК  3682176. PMID  23567505.
  15. ^ Paulesu E, Frith CD, Frackowiak RS (март 1993). «Нейронные корреляты вербального компонента рабочей памяти». Природа. 362 (6418): 342–5. Bibcode:1993Натура.362..342П. Дои:10.1038 / 362342a0. PMID  8455719.
  16. ^ Calhoun, V .; Sui, J; Kiehl, K; Тернер, Дж; Аллен, Э; Перлсон, Г. (2011). «Изучение функционального коннектома психоза: аберрантные внутренние сети при шизофрении и биполярном расстройстве». Границы в психиатрии. 2 (75): 75. Дои:10.3389 / fpsyt.2011.00075. ЧВК  3254121. PMID  22291663.
  17. ^ Montague, P .; Dolan, RJ; Friston, KJ; Даян, П (2012). «Вычислительная психиатрия». Тенденции в когнитивных науках. 16 (1): 72–80. Дои:10.1016 / j.tics.2011.11.018. ЧВК  3556822. PMID  22177032.

дальнейшее чтение

  • Бюхель, К. (2003). Вирджиния Нг; Гарет Дж. Баркер; Тальма Хендлер (ред.). Важность связи для работы мозга. Психиатрическая нейровизуализация. Материалы семинара НАТО по перспективным исследованиям психиатрической нейровизуализации, 29 сентября - 1 октября 2002 г., Кьявари, Италия - Т. оборотная сторона. Амстердам; Вашингтон, округ Колумбия: IOS Press. С. 55–59. ISBN  9781586033446. OCLC  52820961.
  • Фристон, Карл Дж. (2004). Кеннет Хугдал; Ричард Дж. Дэвидсон (ред.). Характеристика функциональной асимметрии с помощью картирования мозга. Асимметричный мозг. Серия книг Брэдфорда. Кембридж, Массачусетс: MIT Press. С. 161–186. ISBN  9780262083096. OCLC  645171270.
  • Фристон, К. Дж. (Карл Дж.) (2007). Статистическое параметрическое картирование: анализ функционального изображения мозга. Амстердам; Бостон: Elsevier / Academic Press. ISBN  978-0-12-372560-8. OCLC  254457654.

внешняя ссылка