Integracja funkcjonalna (neurobiologia)
Integracja funkcjonalna to nauka o tym, jak regiony mózgu współpracują ze sobą w celu przetwarzania informacji i wywoływania reakcji. Chociaż integracja funkcjonalna często opiera się na wiedzy anatomicznej o połączeniach między obszarami mózgu, nacisk kładzie się na to, jak duże skupiska neuronów – liczące tysiące lub miliony – wyzwalają się razem pod wpływem różnych bodźców. Duże zbiory danych wymagane do uzyskania takiego pełnoskalowego obrazu funkcji mózgu zmotywowały do opracowania kilku nowatorskich i ogólnych metod statystycznej analizy współzależności, takich jak dynamiczne modelowanie przyczynowe i statystyczne liniowe mapowanie parametryczne. Te zbiory danych są zwykle gromadzone u ludzi metodami nieinwazyjnymi, takimi jak EEG / MEG , fMRI lub PET . Wyniki mogą mieć wartość kliniczną, pomagając zidentyfikować regiony odpowiedzialne za zaburzenia psychiczne, a także ocenić, w jaki sposób różne czynności lub style życia wpływają na funkcjonowanie mózgu.
Techniki obrazowania
Wybór metody obrazowania w badaniu zależy od pożądanej rozdzielczości przestrzennej i czasowej. fMRI i PET oferują stosunkowo wysoką rozdzielczość przestrzenną, z wokseli rzędu kilku milimetrów, ale ich stosunkowo niska częstotliwość próbkowania utrudnia obserwację szybkich i przejściowych interakcji między odległymi obszarami mózgu. Te ograniczenia czasowe są przezwyciężane przez MEG, ale kosztem wykrywania jedynie sygnałów ze znacznie większych skupisk neuronów.
fMRI
Funkcjonalny rezonans magnetyczny (fMRI) to forma MRI, która jest najczęściej stosowana w celu wykorzystania różnicy w magnetyzmie między oksy- i dezoksyhemoglobiną do oceny przepływu krwi do różnych części mózgu. Typowe częstotliwości próbkowania dla obrazów fMRI wynoszą dziesiąte części sekundy.
MEG
Magnetoencefalografia (MEG) to metoda obrazowania, która wykorzystuje bardzo czułe magnetometry do pomiaru pól magnetycznych powstających z prądów jonowych przepływających przez neurony w mózgu. Wysokiej jakości maszyny MEG pozwalają na częstotliwość próbkowania poniżej milisekundy.
ZWIERZAK DOMOWY
PET działa poprzez wprowadzenie znakowanej radioaktywnie cząsteczki biologicznie czynnej. Wybór cząsteczki dyktuje to, co jest wizualizowane: stosując na przykład znakowany radioaktywnie analog glukozy, można uzyskać obraz, którego rozkład intensywności wskazuje na aktywność metaboliczną. Skanery PET oferują częstotliwość próbkowania w dziesiątych częściach sekundy.
Obrazowanie multimodalne
Obrazowanie multimodalne często polega na połączeniu elektrofizjologicznej techniki pomiarowej, takiej jak EEG lub MEG, z techniką hemodynamiczną, taką jak fMRI lub PET. Chociaż intencją jest wykorzystanie mocnych stron i ograniczeń każdego z nich w celu uzupełnienia drugiego, obecne podejścia mają ograniczenia eksperymentalne. Niektóre wcześniejsze prace koncentrowały się na próbach wykorzystania wysokiej rozdzielczości przestrzennej fMRI do określenia (przestrzennego) pochodzenia sygnałów EEG/MEG, tak aby w przyszłych pracach te informacje przestrzenne mogły zostać wyodrębnione z jednomodalnego sygnału EEG/MEG. Chociaż niektóre badania przyniosły sukces w korelowaniu pochodzenia sygnału między modalnościami z dokładnością do kilku milimetrów, wyniki nie były jednolicie pozytywne. Innym aktualnym ograniczeniem jest rzeczywista konfiguracja eksperymentalna: wykonywanie pomiarów przy użyciu obu modalności jednocześnie daje gorsze sygnały, ale alternatywa pomiaru każdej modalności osobno jest utrudniona przez zmienność między próbami.
Tryby analizy
W integracji funkcjonalnej rozróżnia się łączność funkcjonalną i łączność efektywną . Mówi się, że dwa obszary mózgu są funkcjonalnie połączone, jeśli istnieje silna korelacja między czasem, w którym te dwa odpalają, chociaż nie oznacza to związku przyczynowego. Z drugiej strony efektywna łączność to opis związku przyczynowego między różnymi regionami mózgu.
Podczas gdy statystyczna ocena funkcjonalnej łączności wielu regionów mózgu nie jest trywialna, określenie przyczynowości, na które regiony mózgu mają wpływ, które z nich są uruchamiane, jest znacznie trudniejsze i wymaga rozwiązań źle postawionych problemów optymalizacyjnych.
Dynamiczne modelowanie przyczynowe
Dynamiczne modelowanie przyczynowe (DCM) to bayesowska metoda dedukcji struktury układu nerwowego na podstawie obserwowanego sygnału hemodynamicznego (fMRI) lub elektrofizjologicznego (EEG/MEG). Pierwszym krokiem jest dokonanie prognozy relacji między interesującymi obszarami mózgu i sformułowanie układu równań różniczkowych zwyczajnych opisujących związek przyczynowy między nimi, chociaż wiele parametrów (i zależności) będzie początkowo nieznanych. Korzystając z wcześniejszych wyników dotyczących tego, jak wiadomo, że aktywność neuronów przekłada się na sygnały fMRI lub EEG, można wziąć zmierzony sygnał i określić prawdopodobieństwo, że parametry modelu mają określone wartości. Wyjaśniony model można następnie wykorzystać do przewidywania zależności między rozważanymi regionami mózgu w różnych warunkach. Kluczowym czynnikiem, który należy wziąć pod uwagę podczas projektowania eksperymentów neuroobrazowania z udziałem DCM, jest związek między synchronizacją zadań lub bodźców prezentowanych podmiotowi a zdolnością DCM do określenia podstawowych relacji między obszarami mózgu, co jest częściowo zdeterminowane przez czasową rozdzielczość zastosowana metoda obrazowania.
Statystyczne mapowanie parametryczne
Statystyczne mapowanie parametryczne (SPM) to metoda określania, czy aktywacja określonego regionu mózgu zmienia się w zależności od warunków eksperymentalnych, bodźców lub w czasie. Zasadniczy pomysł jest prosty i składa się z dwóch głównych kroków: po pierwsze, wykonuje się jednowymiarowy test statystyczny na każdym indywidualnym wokselu między każdymi warunkami eksperymentalnymi. Po drugie, analizuje się grupowanie wokseli, które wykazują statystycznie istotne różnice, i określa, które regiony mózgu wykazują różne poziomy aktywacji w różnych warunkach eksperymentalnych.
Istnieje duża elastyczność w wyborze testu statystycznego (a tym samym pytań, na które można zaprojektować eksperyment), a powszechne wybory obejmują test t-Studenta lub regresję liniową . Ważną kwestią w przypadku SPM jest jednak to, że duża liczba porównań wymaga kontrolowania współczynnika wyników fałszywie dodatnich za pomocą bardziej rygorystycznego progu istotności. Można to zrobić albo modyfikując początkowy test statystyczny, aby zmniejszyć wartość α, tak aby utrudnić wykazanie znaczącej różnicy przez określony woksel (np. poprawka Bonferroniego ) lub modyfikując analizę skupień w drugim etapie, uznając aktywację regionu mózgu za znaczącą tylko wtedy, gdy zawiera on pewną liczbę wokseli, które wykazują różnicę statystyczną (patrz teoria pola losowego ) .
Morfometria oparta na wokselach
Morfometria oparta na wokselach (VBM) to metoda, która pozwala mierzyć różnice w składzie tkanki mózgowej między badanymi. Aby to zrobić, należy najpierw zarejestrować wszystkie obrazy w standardowym układzie współrzędnych, mapując je na obraz referencyjny. Odbywa się to za pomocą transformacji afinicznej, która minimalizuje różnicę intensywności sumy kwadratów między obrazem eksperymentalnym a odniesieniem. Po wykonaniu tej czynności proporcję szarej lub białej w wokselu można określić na podstawie intensywności. Pozwala to na porównanie składu tkankowego odpowiednich obszarów mózgu u różnych osób.
Aplikacje
Zdolność do wizualizacji aktywności całego mózgu jest często wykorzystywana do porównywania funkcji mózgu podczas różnego rodzaju zadań lub testów umiejętności, a także do porównywania struktury i funkcji mózgu różnych grup ludzi.
Zmiany w aktywacji mózgu w stanie spoczynku
Wiele wcześniejszych badań fMRI wykazało, że spontaniczna aktywacja funkcjonalnie połączonych obszarów mózgu zachodzi w stanie spoczynku, nawet przy braku jakiejkolwiek stymulacji lub aktywności. Osoby, którym przedstawiono zadanie uczenia się wizualnego, wykazują zmiany w łączności funkcjonalnej w stanie spoczynku do 24 godzin, a dynamiczne badania łączności funkcjonalnej wykazały nawet zmiany w łączności funkcjonalnej podczas jednego skanowania. Wykonując skany fMRI badanych przed i po zadaniu edukacyjnym, a także następnego dnia, wykazano, że aktywność spowodowała zmianę w stanie spoczynku w hipokampie działalność. Dynamiczne modelowanie przyczynowe ujawniło, że hipokamp wykazywał również nowy poziom skutecznej łączności z prążkowiem , chociaż nie było żadnych zmian związanych z uczeniem się w żadnym obszarze wizualnym. Połączenie fMRI z DCM na osobach wykonujących zadanie uczenia się pozwala określić, które systemy mózgu są zaangażowane w różne rodzaje uczenia się, czy to ukryte, czy jawne, i długo dokumentować te zadania, które prowadzą do zmian w aktywacji mózgu w stanie spoczynku.
Szacowanie IQ
Oparte na wokselach pomiary morfometryczne lokalizacji istoty szarej w mózgu można wykorzystać do przewidywania składników IQ. Grupa 35 nastolatków została przebadana pod kątem IQ i skanowana fMRI w ciągu 3,5 roku, a ich IQ zostało przewidziane na podstawie poziomu lokalizacji istoty szarej. To badanie zostało dobrze przeprowadzone, ale badania tego rodzaju często cierpią z powodu „podwójnego zanurzenia”, w którym pojedynczy zestaw danych jest używany zarówno do identyfikacji interesujących obszarów mózgu, jak i do opracowania modelu predykcyjnego, co prowadzi do przetrenowania modelu i brak rzeczywistej mocy predykcyjnej.
Autorzy badania uniknęli podwójnego zanurzenia, stosując metodologię „pomiń jeden”, która obejmuje budowanie modelu predykcyjnego dla każdego z n członków próby w oparciu o dane od pozostałych n-1 członków. Zapewnia to, że model jest niezależny od podmiotu, którego IQ jest przewidywany, i zaowocował modelem zdolnym do wyjaśnienia 53% zmiany werbalnego IQ jako funkcji gęstości istoty szarej w lewej korze ruchowej. W badaniu zaobserwowano również wcześniej zgłaszane zjawisko polegające na tym, że ranking młodych osób według IQ nie pozostaje stały wraz z wiekiem badanych, co zakłóca wszelkie pomiary skuteczności programów edukacyjnych.
Badania te można zweryfikować krzyżowo, próbując zlokalizować i ocenić pacjentów ze zmianami chorobowymi lub innymi uszkodzeniami w zidentyfikowanym obszarze mózgu oraz zbadać, czy wykazują deficyty funkcjonalne w stosunku do populacji. Metodologia ta byłaby jednak utrudniona przez brak pomiaru „przed” wartością bazową.
Pętla fonologiczna
Pętla fonologiczna jest składnikiem pamięci roboczej, która przechowuje mały zestaw słów, które można przechowywać w nieskończoność, jeśli nie są rozproszone. Koncepcja została zaproponowana przez psychologów Alana Baddeleya i Grahama Hitcha, aby wyjaśnić, w jaki sposób frazy lub zdania mogą zostać zinternalizowane i wykorzystane do kierowania działaniem. Wykorzystując statystyczne mapowanie parametryczne do oceny różnic w mózgowym przepływie krwi między uczestnikami wykonującymi dwa różne zadania, Paulescu i in. byli w stanie zidentyfikować przechowywanie pętli fonologicznej, jak w zakrętach nadbrzeżnych . Osobników podzielono najpierw na grupę kontrolną i eksperymentalną. Grupie kontrolnej przedstawiono litery w języku, którego nie rozumieli, oraz niejęzykowe diagramy wizualne. Grupa eksperymentalna miała za zadanie wykonać dwie czynności: pierwsza polegała na zapamiętaniu ciągu liter i miała na celu aktywację wszystkich elementów pętli fonologicznej. Drugie ćwiczenie wymagało od uczestników oceny, czy podane frazy rymują się i miały na celu aktywację tylko niektórych podsystemów zaangażowanych w wokalizację, ale nie konkretnie pamięci fonologicznej.
Porównując pierwsze zadanie eksperymentalne z drugim, a także z grupą kontrolną, autorzy badania zaobserwowali, że regionem mózgu najbardziej aktywowanym przez zadanie wymagające pamięci fonologicznej były zakręty nadbrzeżne. Wynik ten został poparty wcześniejszymi obserwacjami literaturowymi dotyczącymi deficytów czynnościowych u pacjentów z uszkodzeniami w tym obszarze.
Chociaż badanie to było w stanie precyzyjnie zlokalizować określoną funkcję anatomiczną, a metody integracji funkcjonalnej i obrazowania mają wielką wartość w określaniu obszarów mózgu zaangażowanych w określone zadania przetwarzania informacji, obwody neuronowe niskiego poziomu, które powodują te zjawiska, pozostają tajemnicze .
Zaburzenia psychiczne
Chociaż badania fMRI osób ze schizofrenią i chorobą afektywną dwubiegunową dały pewien wgląd w zmiany w efektywnej łączności spowodowane przez te choroby, nie osiągnięto jeszcze pełnego zrozumienia zachodzącej przebudowy funkcjonalnej.
Montague i in. zauważ, że prawie „nieuzasadniona skuteczność leków psychotropowych” nieco zahamowała postęp w tej dziedzinie i opowiadają się za „fenotypowaniem obliczeniowym” pacjentów psychiatrycznych na dużą skalę. Badania neuroobrazowe dużej liczby tych pacjentów mogą dostarczyć markerów aktywacji mózgu dla określonych chorób psychicznych, a także pomóc w opracowaniu terapii i modeli zwierzęcych. Chociaż prawie niemożliwe jest uzyskanie prawdziwej linii bazowej funkcji mózgu u pacjentów psychiatrycznych, wartości referencyjne można nadal mierzyć, porównując obrazy zebrane od pacjentów przed i po leczeniu.
Dalsza lektura
- Büchel, C. (2003). Wirginia Ng; Garetha J. Barkera; Talma Hendler (red.). Znaczenie łączności dla funkcji mózgu . Neuroobrazowanie psychiatryczne . Proceedings of the NATO Advanced Research Workshop on Psychiatric Neuroimaging, 29 września – 1 października 2002 r., Chiavari, Włochy — Tp verso. Amsterdam; Waszyngton, DC: IOS Press. s. 55–59. ISBN 9781586033446 . OCLC 52820961 .
- Friston, Karl J. (2004). Kennetha Hugdahla; Richard J. Davidson (red.). Charakteryzowanie asymetrii funkcjonalnych za pomocą mapowania mózgu . Asymetryczny mózg . Seria książek Bradforda. Cambridge, Mass: MIT Press. s. 161–186. ISBN 9780262083096 . OCLC 645171270 .
- Friston, KJ (Karl J.) (2007). Statystyczne mapowanie parametryczne: analiza funkcjonalnego obrazu mózgu . Amsterdam; Boston: Elsevier/Academic Press. ISBN 978-0-12-372560-8 . OCLC 254457654 .