Функциональная интеграция (нейробиология)
Функциональная интеграция — это исследование того, как области мозга работают вместе, обрабатывая информацию и вызывая реакции. Хотя функциональная интеграция часто опирается на анатомические знания о связях между областями мозга, упор делается на то, как большие кластеры нейронов, насчитывающие тысячи или миллионы, срабатывают вместе под действием различных стимулов. Большие наборы данных, необходимые для такой полномасштабной картины функций мозга, побудили разработку нескольких новых и общих методов статистического анализа взаимозависимости, таких как динамическое причинно-следственное моделирование и статистическое линейное параметрическое картирование. Эти наборы данных обычно собираются у людей с помощью неинвазивных методов, таких как ЭЭГ / МЭГ , фМРТ или ПЭТ . Результаты могут иметь клиническое значение, помогая выявить регионы, ответственные за психические расстройства, а также оценить, как различные виды деятельности или образ жизни влияют на функционирование мозга.
Методы визуализации
[ редактировать ]Выбор метода визуализации в исследовании зависит от желаемого пространственного и временного разрешения. фМРТ и ПЭТ обеспечивают относительно высокое пространственное разрешение с размерами вокселей порядка нескольких миллиметров. [1] но их относительно низкая частота выборки препятствует наблюдению быстрых и временных взаимодействий между отдаленными областями мозга. Эти временные ограничения преодолеваются с помощью МЭГ, но за счет обнаружения сигналов только от гораздо более крупных кластеров нейронов. [2]
фМРТ
[ редактировать ]Функциональная магнитно-резонансная томография (фМРТ) — это форма МРТ, которая чаще всего используется для использования разницы в магнетизме между окси- и дезоксигемоглобином для оценки кровотока в различных частях мозга. Типичная частота дискретизации изображений фМРТ составляет десятые доли секунды. [3]
МНЕ
[ редактировать ]Магнитоэнцефалография (МЭГ) — это метод визуализации, в котором используются очень чувствительные магнитометры для измерения магнитных полей, возникающих в результате ионных токов, протекающих через нейроны головного мозга. Высококачественные MEG-машины обеспечивают частоту дискретизации менее миллисекунды. [2]
ДОМАШНИЙ ПИТОМЕЦ
[ редактировать ]ПЭТ работает путем введения радиоактивно меченной биологически активной молекулы. Выбор молекулы определяет, что визуализируется: например, используя радиоактивно меченный аналог глюкозы, можно получить изображение, распределение интенсивности которого указывает на метаболическую активность. ПЭТ-сканеры обеспечивают скорость выборки в десятые доли секунды. [4]
Мультимодальная визуализация
[ редактировать ]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 и слабые стороны каждого из них для дополнения другого, существующие подходы страдают от экспериментальных ограничений. [5] Некоторые предыдущие работы были сосредоточены на попытке использовать высокое пространственное разрешение фМРТ для определения (пространственного) происхождения сигналов ЭЭГ/МЭГ, чтобы в будущей работе эту пространственную информацию можно было извлечь из унимодального сигнала ЭЭГ/МЭГ. Хотя в некоторых исследованиях был достигнут успех в корреляции источников сигналов между модальностями с точностью до нескольких миллиметров, результаты не были однозначно положительными. Другим текущим ограничением является фактическая экспериментальная установка: измерения с использованием обоих модальностей одновременно дают худшие сигналы, но альтернатива измерению каждой модальности отдельно затрудняется вариабельностью от испытания к испытанию. [5]
Режимы анализа
[ редактировать ]В функциональной интеграции проводится различие между функциональной связностью и эффективной связностью. Говорят, что две области мозга функционально связаны, если существует высокая корреляция между временем их срабатывания, хотя это не подразумевает причинно-следственной связи. С другой стороны, эффективная связь — это описание причинно-следственных связей между различными областями мозга. [6]
Хотя статистическая оценка функциональной связи нескольких областей мозга нетривиальна, определение причинно-следственной связи того, какие области мозга влияют на то, какие активировать, гораздо сложнее и требует решения некорректных задач оптимизации. [7]
Динамическое причинно-следственное моделирование
[ редактировать ]Динамическое причинно-следственное моделирование (DCM) — это байесовский метод определения структуры нервной системы на основе наблюдаемого гемодинамического (фМРТ) или электрофизиологического (ЭЭГ/МЭГ) сигнала. Первый шаг — сделать прогноз относительно взаимоотношений между интересующими областями мозга и сформулировать систему обыкновенных дифференциальных уравнений, описывающих причинно-следственную связь между ними, хотя многие параметры (и связи) изначально будут неизвестны. Используя предыдущие результаты о том, как нейронная активность преобразуется в сигналы фМРТ или ЭЭГ, [8] можно взять измеренный сигнал и определить вероятность того, что параметры модели имеют определенные значения. Выясненую модель затем можно использовать для прогнозирования взаимоотношений между рассматриваемыми областями мозга в различных условиях. [9] Ключевым фактором, который следует учитывать при планировании экспериментов по нейровизуализации с участием DCM, является взаимосвязь между временем выполнения задач или стимулов, предъявляемых испытуемому, и способностью DCM определять основные взаимосвязи между областями мозга, что частично определяется временным разрешением используемый метод визуализации. [10]
Статистическое параметрическое картографирование
[ редактировать ]Статистическое параметрическое картирование (СПМ) — это метод определения того, меняется ли активация определенной области мозга в зависимости от экспериментальных условий, стимулов или с течением времени. Основная идея проста и состоит из двух основных этапов: во-первых, выполняется одномерный статистический тест для каждого отдельного воксела между каждым экспериментальным условием. [11] Во-вторых, анализируется кластеризация вокселей, которые показывают статистически значимые различия, и определяется, какие области мозга демонстрируют разные уровни активации в разных экспериментальных условиях.
Существует большая гибкость в выборе статистического теста (и, следовательно, вопросов, на которые можно ответить в эксперименте), и распространенный выбор включает t-критерий Стьюдента или линейную регрессию . Однако важным моментом при использовании SPM является то, что большое количество сравнений требует контроля уровня ложных срабатываний с помощью более строгого порога значимости. Это можно сделать либо изменив первоначальный статистический тест, чтобы уменьшить значение α, чтобы затруднить обнаружение значительной разницы для конкретного вокселя (например, поправка Бонферрони ), либо изменив анализ кластеризации на втором этапе только на считая активацию области мозга значимой, если она содержит определенное количество вокселов, которые демонстрируют статистическую разницу (см. Теорию случайных полей ). [11]
Морфометрия на основе вокселей
[ редактировать ]Морфометрия на основе вокселей (VBM) — это метод, который позволяет измерять различия в составе тканей головного 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 в интенсивности суммы квадратов между экспериментальным изображением и эталоном. Как только это будет сделано, пропорцию серого или белого вещества в вокселе можно будет определить по интенсивности. Это позволяет сравнивать состав тканей соответствующих областей мозга у разных субъектов. [12]
Приложения
[ редактировать ]Способность визуализировать активность всего мозга часто используется при сравнении функций мозга во время различных задач или тестов навыков, а также при сравнении структуры и функций мозга между различными группами людей.
Изменения в активации мозга в состоянии покоя
[ редактировать ]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. У людей, которым выполнялось задание на визуальное обучение, наблюдаются изменения функциональных связей в состоянии покоя на срок до 24 часов, а исследования динамических функциональных связей даже показали изменения функциональных связей во время одного сканирования. С помощью фМРТ-сканирования испытуемых до и после учебного задания, а также на следующий день было показано, что эта деятельность вызвала изменение активности гиппокампа в состоянии покоя . Динамическое причинно-следственное моделирование показало, что гиппокамп также продемонстрировал новый уровень эффективной связи с полосатым телом , хотя ни в одной зрительной области не произошло никаких изменений, связанных с обучением. [13] Сочетание фМРТ с DCM на субъектах, выполняющих учебную задачу, позволяет определить, какие системы мозга участвуют в различных видах обучения, будь то неявное или явное, и долго документировать, что эти задачи приводят к изменениям в активации мозга в состоянии покоя.
оценка IQ
[ редактировать ]Морфометрические измерения локализации серого вещества в мозге на основе вокселей можно использовать для прогнозирования компонентов IQ. Группа из 35 подростков была протестирована на IQ и прошла фМРТ-сканирование в течение 3,5 лет, а их IQ был предсказан по уровню локализации серого вещества. Это исследование было проведено хорошо, но исследования такого рода часто страдают от «двойного погружения», когда один набор данных используется как для идентификации интересующих областей мозга , так и для разработки прогнозирующей модели, что приводит к переобучению модели и отсутствие реальной предсказательной силы. [14]
Авторы исследования избежали двойного погружения, используя методологию «исключения одного», которая предполагает построение прогностической модели для каждого из n членов выборки на основе данных от других n-1 членов. Это гарантирует независимость модели от субъекта, чей IQ прогнозируется, и в результате получается модель, способная объяснить 53% изменений вербального IQ в зависимости от плотности серого вещества в левой моторной коре. В исследовании также наблюдалось ранее сообщенное явление, заключающееся в том, что рейтинг молодых испытуемых по IQ не остается постоянным с возрастом испытуемых, что затрудняет любые измерения эффективности образовательных программ. [14]
Эти исследования могут быть перекрестно проверены путем попытки найти и оценить пациентов с поражениями или другими повреждениями в выявленной области мозга, а также изучить, проявляют ли они функциональные дефициты по сравнению с популяцией. Однако применение этой методологии будет затруднено из-за отсутствия базового измерения «до».
Фонологическая петля
[ редактировать ]Фонологическая петля — это компонент рабочей памяти, в котором хранится небольшой набор слов, который можно сохранять бесконечно, если не отвлекаться. Эта концепция была предложена психологами Аланом Бэддели и Грэмом Хитчем, чтобы объяснить, как фразы или предложения могут быть усвоены и использованы для направления действий.Используя статистическое параметрическое картирование для оценки различий в мозговом кровотоке между участниками, выполняющими две разные задачи, Паулеску и др. [15] смогли определить наличие фонологической петли, как в супрамаргинальных извилинах . Человеческие субъекты 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 выполнить два задания: первое задание заключалось в запоминании строки букв и было направлено на активацию всех элементов фонологической петли. Во втором задании участникам предлагалось оценить, рифмуются ли данные фразы, и оно было направлено только на активацию определенных подсистем, участвующих в вокализации, но не на фонологической памяти.
Сравнивая первую экспериментальную задачу со второй, а также с контрольной группой, авторы исследования заметили, что областью мозга, наиболее активируемой задачей, требующей фонологического хранения, были супрамаргинальные извилины. Этот результат был подтвержден предыдущими литературными наблюдениями функциональных нарушений у пациентов с повреждением в этой области.
Хотя это исследование позволило точно локализовать определенную анатомическую функцию, а методы функциональной интеграции и визуализации имеют большое значение для определения областей мозга, участвующих в определенных задачах обработки информации, нейронные цепи низкого уровня, которые вызывают эти явления, остаются загадочными. .
Психические расстройства
[ редактировать ]Хотя фМРТ-исследования людей с шизофренией и биполярным расстройством дали некоторое представление об изменениях в эффективной связи, вызванных этими заболеваниями, [16] всестороннее понимание происходящего функционального ремоделирования еще не достигнуто.
Монтегю и др. [17] отметим, что почти «неоправданная эффективность психотропных препаратов» несколько заблокировала прогресс в этой области, и выступаем за крупномасштабное «вычислительное фенотипирование» психиатрических пациентов. Нейровизуализационные исследования большого количества 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 получить практически невозможно, референсные значения все же можно измерить путем сравнения изображений, полученных от пациентов до и после лечения.
Ссылки
[ редактировать ]- ^ Лука, М.; Бекманн, CF; Де Стефано, Н.; Мэтьюз, премьер-министр; Смит, С.М. (2006). «Сети состояний покоя фМРТ определяют различные режимы взаимодействия на расстоянии в человеческом мозге». НейроИмидж . 29 (4): 1359–67. doi : 10.1016/j.neuroimage.2005.08.035 . ПМИД 16260155 . S2CID 16193549 .
- ^ Jump up to: а б Хамалайнен, М.; Хари, Риитта; Ильмоньеми, Ристо Дж.; Кнуутила, Юкка; Лоунасмаа, Олли В. (1993). «Магнитоэнцефалография - теория, приборы и приложения к неинвазивным исследованиям работающего человеческого мозга» (PDF) . Преподобный Мод. Физ . 65 (2): 413–97. Бибкод : 1993RvMP...65..413H . дои : 10.1103/RevModPhys.65.413 .
- ^ Логотетис, НК (2008). «Что мы можем и чего не можем делать с помощью фМРТ» (PDF) . Природа . 453 (7197): 869–78. Бибкод : 2008Natur.453..869L . дои : 10.1038/nature06976 . ПМИД 18548064 . S2CID 4403097 . Архивировано из оригинала (PDF) 12 августа 2017 г. Проверено 27 ноября 2013 г.
- ^ Бейли, Д.Л. (2005). Бейли, Дейл Л.; Таунсенд, Дэвид В.; Валк, Питер Э; Мэйси, Майкл Н. (ред.). Позитронно-эмиссионная томография: фундаментальные науки . Эльзевир. дои : 10.1007/b136169 . ISBN 978-1-84628-007-8 . OCLC 209853466 .
- ^ Jump up to: а б Роза, MJ; Донизо, Дж; Фристон, Кей Джей (2010). «Интеграция ЭЭГ-фМРТ: критический обзор подходов к биофизическому моделированию и анализу данных». Журнал интегративной нейронауки . 9 (4): 453–76. дои : 10.1142/S0219635210002512 . ПМИД 21213414 .
- ^ Фристон, К. (2002). «Функциональная интеграция и вывод в мозге». Прогресс нейробиологии . 68 (2): 113–43. CiteSeerX 10.1.1.318.4536 . дои : 10.1016/s0301-0082(02)00076-x . ПМИД 12450490 . S2CID 7203119 .
- ^ Фристон, К.; Харрисон, Л; Пенни, В. (2003). «Динамическое причинно-следственное моделирование». НейроИмидж . 19 (4): 1273–302. дои : 10.1016/S1053-8119(03)00202-7 . ПМИД 12948688 . S2CID 2176588 .
- ^ Бакстон, РБ; Вонг, ЕС; Фрэнк, ЛР (1998). «Динамика кровотока и изменений оксигенации во время активации мозга: модель воздушного шара». Магнитный резонанс в медицине . 39 (6): 855–64. дои : 10.1002/mrm.1910390602 . ПМИД 9621908 . S2CID 2002497 .
- ^ Стефан, К.Э.; Пенни, штат Вашингтон; Моран, Р.Дж.; Ден Оуден, HE; Донизо, Дж; Фристон, Кей Джей (2010). «Десять простых правил динамического причинно-следственного моделирования» . НейроИмидж . 49 (4): 3099–109. doi : 10.1016/j.neuroimage.2009.11.015 . ПМЦ 2825373 . ПМИД 19914382 .
- ^ Донизо, Ж.; Преушофф, К; Фристон, К; Стефан, К. (2011). Спорнс, Олаф (ред.). «Оптимизация экспериментальной схемы для сравнения моделей функций мозга» . PLOS Вычислительная биология . 7 (11): е1002280. Бибкод : 2011PLSCB...7E2280D . дои : 10.1371/journal.pcbi.1002280 . ПМК 3219623 . ПМИД 22125485 .
- ^ Jump up to: а б Фристон, К.; Холмс, АП; Уорсли, К.Дж.; Полин, Ж.-П.; Фрит, компакт-диск; Фраковяк, RSJ (1995). «Статистические параметрические карты в функциональной визуализации: общий линейный подход» (PDF) . Картирование человеческого мозга . 2 (4): 189–210. дои : 10.1002/hbm.460020402 . S2CID 9898609 .
- ^ Эшбернер, Дж.; Фристон, К.Дж. (2000). «Воксельная морфометрия. Методы». НейроИмидж . 11 (6): 805–21. CiteSeerX 10.1.1.114.9512 . дои : 10.1006/нимг.2000.0582 . ПМИД 10860804 . S2CID 16777465 .
- ^ Урнер, М.; Шварцкопф, Д.С.; Фристон, К; Рис, Дж. (2013). «Раннее визуальное обучение вызывает долговременные изменения в связях человеческого мозга во время отдыха» . НейроИмидж . 77 (100): 148–56. doi : 10.1016/j.neuroimage.2013.03.050 . ПМЦ 3682182 . ПМИД 23558105 .
- ^ Jump up to: а б Прайс, СиДжей; Рамсден, С; Надежда, ТМ; Фристон, Кей Джей; Сегир, ML (2013). «Прогнозирование изменения IQ по структуре мозга: исследование перекрестной проверки» . Когнитивная нейробиология развития . 5 (100): 172–84. дои : 10.1016/j.dcn.2013.03.001 . ПМЦ 3682176 . ПМИД 23567505 .
- ^ Паулесу Э., Фрит К.Д., Фраковяк Р.С. (март 1993 г.). «Нейронные корреляты вербального компонента рабочей памяти». Природа . 362 (6418): 342–5. Бибкод : 1993Natur.362..342P . дои : 10.1038/362342a0 . ПМИД 8455719 . S2CID 4347206 .
- ^ Калхун, В.; Суй, Дж; Киль, К; Тернер, Дж; Аллен, Э; Перлсон, Дж. (2011). «Изучение функционального коннектома психоза: аберрантные внутренние сети при шизофрении и биполярном расстройстве» . Границы в психиатрии . 2 (75): 75. doi : 10.3389/fpsyt.2011.00075 . ПМЦ 3254121 . ПМИД 22291663 .
- ^ Монтегю, П.; Долан, Р.Дж.; Фристон, Кей Джей; Даян, П. (2012). «Вычислительная психиатрия» . Тенденции в когнитивных науках . 16 (1): 72–80. дои : 10.1016/j.tics.2011.11.018 . ПМЦ 3556822 . ПМИД 22177032 .
Дальнейшее чтение
[ редактировать ]- Бюхель, К. (2003). Вирджиния Нг; Гарет Дж. Баркер; Тальма Хендлер (ред.). Важность связи для работы мозга . Материалы семинара НАТО по перспективным исследованиям в области психиатрической нейровизуализации, 29 сентября – 1 октября 2002 г., Кьявари, Италия – на оборотной стороне. Амстердам; Вашингтон, округ Колумбия: IOS Press. стр. 55–59. ISBN 9781586033446 . OCLC 52820961 .
{{cite book}}:|work=игнорируется ( помогите ) - Фристон, Карл Дж. (2004). Кеннет Хугдаль; Ричард Дж. Дэвидсон (ред.). Характеристика функциональной асимметрии с помощью картирования мозга . Серия книг Брэдфорда. Кембридж, Массачусетс: MIT Press. стр. 161–186. ISBN 9780262083096 . OCLC 645171270 .
{{cite book}}:|work=игнорируется ( помогите ) - Фристон, К.Дж. (Карл Дж.) (2007). Статистическое параметрическое картирование: анализ функционального образа мозга . Амстердам; Бостон: Эльзевир/Академическая пресса. ISBN 978-0-12-372560-8 . OCLC 254457654 .