Dynamiczna łączność funkcjonalna
Dynamiczna łączność funkcjonalna ( DFC ) odnosi się do obserwowanego zjawiska polegającego na tym, że łączność funkcjonalna zmienia się w krótkim czasie. Dynamiczna łączność funkcjonalna to niedawne rozszerzenie tradycyjnej analizy łączności funkcjonalnej, która zazwyczaj zakłada, że sieci funkcjonalne są statyczne w czasie. DFC jest powiązany z wieloma różnymi zaburzeniami neurologicznymi i sugerowano, że jest dokładniejszą reprezentacją funkcjonalnych sieci mózgowych. Podstawowym narzędziem do analizy DFC jest fMRI , ale DFC zaobserwowano również w przypadku kilku innych mediów. DFC to niedawne osiągnięcie w dziedzinie funkcjonalnego neuroobrazowania , którego odkrycie było motywowane obserwacją zmienności czasowej w rozwijającej się dziedzinie badań nad łącznością w stanie ustalonym.
Przegląd i historia
Łączność statyczna
Łączność funkcjonalna odnosi się do funkcjonalnie zintegrowanej relacji między przestrzennie oddzielonymi obszarami mózgu. W przeciwieństwie do połączeń strukturalnych, które szukają fizycznych połączeń w mózgu, łączność funkcjonalna jest związana z podobnymi wzorcami aktywacji w różnych obszarach mózgu, niezależnie od widocznego fizycznego połączenia regionów. Ten rodzaj łączności został odkryty w połowie lat 90. XX wieku i zaobserwowano go głównie za pomocą fMRI i pozytronowej tomografii emisyjnej . Łączność funkcjonalna jest zwykle mierzona podczas fMRI stanu spoczynku i jest zazwyczaj analizowana pod kątem korelacji, spójności i grupowania przestrzennego w oparciu o podobieństwa czasowe. Metody te zostały wykorzystane do wykazania, że łączność funkcjonalna jest związana z zachowaniem w różnych zadaniach i że ma podłoże neuronowe. Metody te zakładają, że funkcjonalne połączenia w mózgu pozostają stałe w krótkim czasie w trakcie zadania lub okresu zbierania danych.
Geneza analizy dynamicznej
Badania, które wykazały zależne od stanu mózgu zmiany w łączności funkcjonalnej, były pierwszymi wskaźnikami, że czasowa zmienność łączności funkcjonalnej może być znacząca. W kilku badaniach przeprowadzonych w połowie 2000 roku zbadano zmiany w FC, które były związane z różnymi przyczynami, takimi jak zadania umysłowe, sen i uczenie się. Zmiany te często występują u tej samej osoby i są wyraźnie związane z zachowaniem. DFC było obecnie badane w wielu różnych kontekstach za pomocą wielu narzędzi analitycznych. Wykazano, że jest to związane zarówno z zachowaniem, jak i aktywnością neuronów. Niektórzy badacze uważają, że może to być silnie związane z myślą lub świadomością wysokiego poziomu.
Istotne ustalenia z DFC
Ponieważ DFC jest tak nową dziedziną, wiele związanych z nią badań przeprowadza się raczej w celu potwierdzenia znaczenia tych dynamicznych zmian niż badania ich implikacji; dokonano jednak wielu krytycznych odkryć, które pomagają społeczności naukowej lepiej zrozumieć mózg. Analiza dynamicznej łączności funkcjonalnej wykazała, że funkcjonalne sieci mózgu nie są całkowicie statyczne, ale zmieniają się w skali od sekund do minut. Zmiany te są ogólnie postrzegane jako ruchy z jednego stanu krótkoterminowego do drugiego, a nie ciągłe zmiany. Wiele badań wykazało powtarzalne wzorce aktywności sieciowej, które poruszają się w mózgu. Wzory te zaobserwowano zarówno u zwierząt, jak iu ludzi, i są one obecne tylko w niektórych momentach podczas sesji skanera. Oprócz pokazania przejściowych stanów mózgu, analiza DFC wykazała wyraźną hierarchiczną organizację sieci mózgowych. Łączność między obustronnie symetrycznymi regionami jest najbardziej stabilną formą łączności w mózgu, a następnie inne regiony z bezpośrednimi połączeniami anatomicznymi. Funkcjonalne sieci łączności w stanie stacjonarnym istnieją i mają znaczenie fizjologiczne, ale mają mniejszą stabilność czasową niż sieci anatomiczne. Wreszcie, niektóre funkcjonalne sieci są na tyle ulotne, że można je zobaczyć tylko za pomocą analizy DFC. Sieci te mają również znaczenie fizjologiczne, ale są znacznie mniej stabilne czasowo niż inne sieci w mózgu.
Metody analizy
Okno przesuwne
Analiza przesuwanego okna jest najpowszechniejszą metodą stosowaną w analizie połączeń funkcjonalnych, po raz pierwszy wprowadzoną przez Sakoglu i Calhouna w 2009 roku i zastosowaną do schizofrenii. Analiza przesuwanego okna jest wykonywana poprzez przeprowadzanie analizy na określonej liczbie skanów w sesji fMRI. Liczba skanów to długość przesuwanego okna. Zdefiniowane okno jest następnie przesuwane o określoną liczbę skanów do przodu w czasie i wykonywana jest dodatkowa analiza. Ruch okna jest zwykle określany w kategoriach stopnia nakładania się sąsiednich okien. Jedną z głównych zalet analizy przesuwanego okna jest to, że prawie każdą analizę stanu ustalonego można również przeprowadzić przy użyciu przesuwanego okna, jeśli długość okna jest wystarczająco duża. Zaletą analizy przesuwanego okna jest to, że jest łatwa do zrozumienia i pod pewnymi względami łatwiejsza do interpretacji. Jako najpowszechniejsza metoda analizy, analiza okna przesuwnego była wykorzystywana na wiele różnych sposobów w celu zbadania różnych cech i implikacji DFC. W celu dokładnej interpretacji dane z analizy przesuwanego okna muszą być zasadniczo porównywane między dwiema różnymi grupami. Naukowcy wykorzystali ten rodzaj analizy, aby pokazać różne cechy DFC u chorych i zdrowych pacjentów, u osób osiągających wysokie i niskie wyniki w zadaniach poznawczych oraz pomiędzy stanami mózgu na dużą skalę.
Wzorce aktywacji
Jedną z pierwszych metod użytych do analizy DFC była analiza wzorców obrazów fMRI w celu wykazania, że istnieją wzorce aktywacji w przestrzennie oddzielonych obszarach mózgu, które mają tendencję do aktywności synchronicznej. Stało się jasne, że w mózgu istnieje okresowość przestrzenna i czasowa, która prawdopodobnie odzwierciedla niektóre ze stałych procesów mózgu. Sugeruje się, że powtarzające się wzorce informacji sieciowych odpowiadają za 25–50% wariancji danych fMRI BOLD. Te wzorce aktywności obserwowano przede wszystkim u szczurów jako propagującą się falę zsynchronizowanej aktywności wzdłuż kory mózgowej. Wykazano również, że fale te są związane z podstawową aktywnością neuronów i wykazano, że są obecne zarówno u ludzi, jak iu szczurów.
Analiza procesu punktowego
Odchodząc od tradycyjnych podejść, w ostatnim czasie wprowadzono wydajną metodę analizy szybko zmieniających się wzorców aktywacji funkcjonalnych, która przekształca dane fMRI BOLD w proces punktowy. Osiąga się to przez wybranie dla każdego woksela punktów przegięcia sygnału BOLD (tj. pików). Tych kilka punktów zawiera dużą część informacji dotyczących łączności funkcjonalnej, ponieważ wykazano, że pomimo ogromnej redukcji rozmiaru danych (> 95%), bardzo dobrze wypada to w porównaniu z wnioskami o łączności funkcjonalnej uzyskanymi standardowymi metodami wykorzystującymi pełny sygnał.
Duża zawartość informacyjna tych kilku punktów jest zgodna z wynikami Petridou et al. który wykazał udział tych „spontanicznych zdarzeń” w sile korelacji i widmach mocy powolnych spontanicznych fluktuacji poprzez dekonwolucję funkcji odpowiedzi hemodynamicznej zadania z pozostałych danych. Następnie podobne zasady zostały z powodzeniem zastosowane pod nazwą wzorców koaktywacji (CAP).
Inne metody
Zaproponowano analizę czasowo-częstotliwościową jako metodę analityczną zdolną do przezwyciężenia wielu wyzwań związanych z przesuwanymi oknami. W przeciwieństwie do analizy przesuwanego okna, analiza czasowo-częstotliwościowa umożliwia badaczowi jednoczesne badanie informacji o częstotliwości i amplitudzie. Transformata falkowa została wykorzystana do przeprowadzenia analizy DFC, która potwierdziła istnienie DFC, pokazując jej znaczące zmiany w czasie. Ta sama metoda została ostatnio wykorzystana do zbadania niektórych dynamicznych charakterystyk akceptowanych sieci. Na przykład analiza częstotliwości w czasie wykazała, że antykorelacja między siecią w trybie domyślnym a siecią zadaniowo-pozytywną nie jest stała w czasie, ale jest stanem tymczasowym. Niezależna analiza składowa stała się jedną z najpowszechniejszych metod generowania sieci w łączności funkcjonalnej w stanie ustalonym. ICA dzieli sygnał fMRI na kilka składowych przestrzennych, które mają podobne wzorce czasowe. Niedawno ICA została wykorzystana do podziału danych fMRI na różne komponenty czasowe. Zostało to nazwane skroniową ICA i zostało użyte do wykreślenia zachowania sieci, które odpowiada za 25% zmienności korelacji węzłów anatomicznych w fMRI.
Kontrowersje i ograniczenia
Kilku badaczy argumentowało, że DFC może być prostym odbiciem analizy, skanera lub szumu fizjologicznego. Szumy w fMRI mogą wynikać z wielu różnych czynników, w tym bicia serca, zmian w barierze krew-mózg, charakterystyki skanera przejmującego lub niezamierzonych efektów analizy. Niektórzy badacze sugerowali, że zmienność połączeń funkcjonalnych w badaniach fMRI jest zgodna ze zmiennością, której można by oczekiwać po zwykłej analizie losowych danych. Ta skarga, że DFC może odzwierciedlać tylko szum, została ostatnio złagodzona przez obserwację podstawy elektrycznej danych fMRI DFC i behawioralnego znaczenia charakterystyk DFC.
Oprócz skarg, że DFC może być produktem szumu skanera, obserwowane DFC można krytykować w oparciu o pośredni charakter fMRI, który jest używany do jego obserwacji. Dane fMRI są gromadzone przez szybkie uzyskiwanie sekwencji obrazów MRI w czasie przy użyciu obrazowania echa planarnego. Na kontrast tych obrazów duży wpływ ma stosunek krwi utlenionej i odtlenionej. Ponieważ neurony aktywne wymagają więcej energii niż neurony w stanie spoczynku, zmiany tego kontrastu są tradycyjnie interpretowane jako pośrednia miara aktywności neuronów. Ze względu na swój pośredni charakter, dane fMRI w badaniach DFC mogą być krytykowane jako potencjalnie odzwierciedlające informacje inne niż neuronowe. Obawy te zostały ostatnio złagodzone przez zaobserwowaną korelację między fMRI DFC a jednocześnie uzyskanymi danymi elektrofizjologicznymi.
Fizjologiczne dowody
fMRI jest podstawowym sposobem badania DFC. Stanowi to wyjątkowe wyzwanie, ponieważ fMRI ma dość niską rozdzielczość czasową, zwykle 0,5 Hz, i jest tylko pośrednią miarą aktywności neuronów. Pośredni charakter analizy fMRI sugeruje, że potrzebna jest walidacja, aby wykazać, że wyniki fMRI są rzeczywiście istotne i odzwierciedlają aktywność neuronów.
Podejście multimodalne
Elektrofizjologia
Korelacja między DFC a elektrofizjologią skłoniła niektórych naukowców do zasugerowania, że DFC może odzwierciedlać hemodynamiczne wyniki dynamicznego zachowania sieci, które zaobserwowano w analizie pojedynczych komórek populacji neuronów. Chociaż odpowiedź hemodynamiczna jest zbyt wolna, aby odzwierciedlać zgodność jeden do jednego z dynamiką sieci neuronowej, prawdopodobne jest, że DFC jest odzwierciedleniem mocy niektórych częstotliwości danych elektrofizjologicznych.
Elektroencefalografia (EEG) była również stosowana u ludzi zarówno do sprawdzania poprawności, jak i interpretacji obserwacji dokonanych w DFC. EEG ma słabą rozdzielczość przestrzenną, ponieważ jest w stanie zbierać dane tylko z powierzchni skóry głowy, ale odzwierciedla szeroką aktywność elektryczną wielu neuronów. EEG był używany jednocześnie z fMRI, aby uwzględnić niektóre wariancje między skanami w FC. EEG wykorzystano również do wykazania, że zmiany FC są związane z szerokimi stanami mózgu obserwowanymi w EEG.
MEG
Magnetoencefalografię (MEG) można wykorzystać do pomiaru pól magnetycznych wytwarzanych przez aktywność elektryczną w mózgu. MEG ma wysoką rozdzielczość czasową i generalnie wyższą rozdzielczość przestrzenną niż EEG. Badania stanu spoczynku za pomocą MEG są nadal ograniczone rozdzielczością przestrzenną, ale modalność została wykorzystana do wykazania, że sieci stanu spoczynku przechodzą przez okresy niskiego i wysokiego poziomu korelacji. Ta obserwacja jest zgodna z wynikami obserwowanymi w innych badaniach DFC, takich jak analiza wzoru aktywacji DFC.
Podstawa behawioralna
Wykazano, że DFC jest znacząco powiązany z wydajnością człowieka, w tym czujnością i aspektami uwagi. Zaproponowano i potwierdzono, że zachowanie sieci bezpośrednio przed rozpoczęciem zadania jest silnym predyktorem wydajności tego zadania. Tradycyjnie badania fMRI koncentrowały się na wielkości aktywacji w obszarach mózgu jako predyktorze wydajności, ale ostatnie badania wykazały, że korelacja między sieciami mierzona za pomocą analizy przesuwanego okna jest jeszcze silniejszym predyktorem wydajności. Wykazano, że indywidualne różnice w zmienności połączeń funkcjonalnych (FCV) w przesuwanych oknach w skanach fMRI korelują z tendencją do reagowania na ból. Stopień, w jakim umysł podmiotu odchodzi od bodźca sensorycznego, został również powiązany z FCV.
Znaczenie kliniczne
Jedną z głównych motywacji analizy DFC jest lepsze zrozumienie, wykrywanie i leczenie chorób neurologicznych. Wykazano, że statyczna łączność funkcjonalna jest istotnie związana z różnymi chorobami, takimi jak depresja , schizofrenia i choroba Alzheimera . Ze względu na nowość w tej dziedzinie DFC dopiero niedawno zastosowano do badania stanów chorobowych, ale od 2012 roku wykazano, że każda z tych trzech chorób jest skorelowana z dynamicznymi cechami czasowymi w łączności funkcjonalnej. Większość z tych różnic jest związana z ilością czasu spędzanego w różnych stanach przejściowych. Pacjenci ze schizofrenią mają rzadsze zmiany stanu niż zdrowi pacjenci, a ten wynik doprowadził do sugestii, że choroba jest związana z utknięciem pacjentów w pewnych stanach mózgu, w których mózg nie jest w stanie szybko reagować na różne kolejki. Ponadto badanie wizualnej sieci czuciowej wykazało, że osoby ze schizofrenią spędzały więcej czasu niż osoby zdrowe w stanie, w którym łączność między środkowym zakrętem skroniowym a innymi obszarami wzrokowej sieci czuciowej jest wysoce negatywna. Badania nad chorobą Alzheimera wykazały, że pacjenci z tą dolegliwością zmienili łączność sieciową, a także zmienili czas spędzany w obecnych sieciach. Zaobserwowana korelacja między DFC a chorobą nie oznacza, że zmiany w DFC są przyczyną którejkolwiek z tych chorób, ale informacje z analizy DFC mogą być wykorzystane do lepszego zrozumienia skutków choroby oraz szybszego i dokładniejszego ich diagnozowania.