Határok az emberi idegtudományban

Agy képalkotás és stimuláció

Szerkesztette
Dieter J. Meyerhoff

Kaliforniai Egyetem, San Francisco, Egyesült Államok

Felülvizsgálta
Natalie M. Zahr

Stanford Egyetem, Egyesült Államok

Mohammed Hankir

Lipcsei Egyetem, Németország

A szerkesztő és a lektorok kapcsolatai a legfrissebbek a Loop kutatási profiljukban, és nem feltétlenül tükrözik a felülvizsgálat idején fennálló helyzetüket.

white

  • Cikk letöltése
    • PDF letöltése
    • ReadCube
    • EPUB
    • XML (NLM)
    • Kiegészítő
      Anyag
  • Exportálás
    • EndNote
    • Referencia menedzser
    • Egyszerű TEXT fájl
    • BibTex
OSZD MEG

Eredeti kutatás CIKK

  • 1 Pszichiátriai Osztály, Washington Egyetem Orvostudományi Kar, St. Louis, MO, Egyesült Államok
  • 2 Neurológiai Tanszék, Washington Egyetem Orvostudományi Kar, St. Louis, MO, Egyesült Államok
  • 3 Mallinckrodt Radiológiai Intézet, Washington Egyetem Orvostudományi Kar, St. Louis, MO, Egyesült Államok
  • 4 Pszichológiai és agytudományi tanszék, Washington Egyetem Orvostudományi Kar, St. Louis, MO, Egyesült Államok

Az elhízás olyan alacsony fokú krónikus szisztémás gyulladás, amely számos testszervet érint (Gregor és Hotamisligil, 2011). Rágcsálómodellekből származó bizonyítékok azt is mutatják, hogy az elhízás neuroinflammációt okoz (Guillemot-Legris et al., 2016). Hasonlóképpen, elhízott embereknél a postmortem agyi vizsgálat a hipotalamusz gliózisának és kóros mikroglia-aktiválódásának bizonyítékát, valamint a gyulladásos markerek megváltozott mRNS-expresszióját mutatják a frontális kéregben, ami neuroinflammációra utal (Baufeld et al., 2016; Lauridsen et al., 2017). A hiperkalórikus étrend előidézi a BBB lebontását, lehetővé téve a gyulladásgátló citokinek bejutását a központi idegrendszerbe (Guillemot-Legris et al., 2016; Stranahan et al., 2016; Guillemot-Legris és Muccioli, 2017), és elősegíti a perifériás makrofágok beszivárgását az agyba. (Stranahan és mtsai., 2016), amely ezt követően más tényezők mellett, például a perifériás szabad zsírsavkeringés fokozásában (O'Brien és mtsai, 2017), hozzájárul az elhízással összefüggő neuroinflammációhoz. Érdekes módon a hippokampusz neuroinflammációja a memóriafeladatok hiányát okozza az elhízás rágcsáló modelljeiben (Pistell et al., 2010; Beilharz et al., 2016; Cope et al., 2018). Az embereknél a magasabb zsírtartalom általában a rosszabb kognitív teljesítménnyel jár együtt, különféle intézkedésekben, ennek ellenére a mögöttes mechanizmus nem teljesen érthető (Wright et al., 2016; Gameiro et al., 2017; Tsai et al., 2017). Összességében ésszerű feltételezni, hogy az elhízással kapcsolatos neuroinflammáció hatással van az emberi agy működésére és szerkezetére, és az elhízással összefüggő kognitív károsodás mögöttes mechanizmusa lehet.

Az elhízással járó neuroinflammáció értékelése embereken képalkotással technikailag kihívást jelent, és ezen a területen kevés kutatási tanulmány készült. A neuroinflammációval (pl. Mikroglia aktivációval) kapcsolatos specifikus folyamatok mérése neuro képalkotással PET-n keresztül lehetséges radiotracerekkel (pl. TSPO radiotracer) (Vivash és O’Brien, 2016; Alam et al., 2017). Ezeknek a PET radiotracereknek azonban a specificitása változó, és egyes egyéneknél (a kaukázusiak ~ 34% -a) vannak olyan genotípusok, amelyek nagyon alacsony vagy kevert kötési affinitást biztosítanak a TSPO ligandumok iránt (Owen és mtsai, 2012). Más kutatócsoportok MRI-alapú technikákat alkalmaztak az elhízással kapcsolatos neuroinflammáció értékelésére. Például elhízott egyéneknél a hipotalamuszban a T2-súlyozott MRI jelintenzitás (a gliózis mutatója) változását találták (Thaler et al., 2012; Schur et al., 2015; Kreutzer et al., 2017). A plazma fibrinogén, a gyulladás mozgatója, összefüggésben áll az extra-hipotalamusz agyi régiók diffúziós jellemzőinek változásával, beleértve az orbitofrontális kéreget és az amygdalát túlsúlyos és elhízott egyéneknél (Cazettes és mtsai, 2011). Érdekes, hogy egy nemrégiben elvégzett tanulmány kimutatta a központi adipozitás és a szisztémás gyulladásos markerek nemspecifikus hatásait a limbikus rendszer mikrostruktúrájára (Metzler-Baddeley et al., 2019).

Ugyanakkor számos neuro képalkotó vizsgálat az elhízás WM mikrostruktúrára gyakorolt ​​hatására összpontosított, standard DTI modellezés segítségével (Kullmann et al., 2015; Alfaro et al., 2018). A DTI egyetlen diffúziós tenzort modellez egy kép voxelben, hogy levezetje a standard diffúziós tenzor mutatókat (AD, RD, FA). Ezt a standard modellt felhasználva számos tanulmány megállapította, hogy a magasabb BMI-vel rendelkező egyének alacsonyabb FA-val rendelkeznek sok WM-traktátumban (Marks et al., 2011; Mueller et al., 2011; Stanek et al., 2011; Verstynen et al., 2012; Karlsson et al., 2013; Xu et al., 2013; Lou et al., 2014; Bolzenius et al., 2015; He et al., 2015; Kullmann et al., 2015; Kullmann et al., 2016; Mazza et al., 2017; Papageorgiou et al., 2017; Alfaro et al., 2018) és vegyes hatások az AD-re és az RD-re (Mueller et al., 2011; Xu et al., 2013; Kullmann et al., 2016; Mazza et al., 2017; Papageorgiou et al., 2017). Egészséges agyi vagy korlátozott ödéma és gyulladásos betegség esetén az alacsonyabb FA és AD a teljes WM integritás és axon sérülés károsodását tükrözi, míg a nagyobb RD a mielin károsodását tükrözi (Wheeler-Kingshott és Cercignani, 2009; Winklewski et al., 2018) . Azonban a neuroinflammációval kapcsolatos folyamatok, mint például a cellularitás és az ödéma, megzavarhatják a szokásos DTI modellezést, vegyes hatásokhoz vezethetnek az AD-re és az RD-re, és csökkenthetik az érzékenységet és a specifitást a WM mikrostrukturális változásainak észlelésére (Winklewski et al., 2018).

Anyagok és metódusok

Résztvevők

Az elhízás mindkét kohorszban ≥30 kg/m 2 volt. A nem elhízás meghatározása: ≤25 kg/m 2. Valamennyi tanulmányt a Washingtoni Egyetem Orvostudományi Karának Humán Kutatásvédelmi Hivatala hagyta jóvá, és a Helsinki Nyilatkozatban megfogalmazott elveknek megfelelően hajtották végre. Minden résztvevő írásbeli, megalapozott beleegyezést adott a részvétel előtt.

Neuropszichológiai teljesítmény

Amint azt korábban leírtuk (Strain és mtsai, 2017), a 2. kohorsz egyének egy olyan kognitív tesztelemet töltöttek be, amely magában foglalta a végrehajtó funkciót, a verbális és vizuális térbeli tanulást és memóriát, valamint a pszichomotoros sebességet. Ide tartoztak a Wechsler III Adult Intelligence Scale III [WAIS-III, ideértve a számtartományt, a számjegyes szimbólumot, a szimbólumkeresést és a betűszám-szekvenálási alteszteket (Wechsler, 1997)]; A és B nyomkövetési tesztrészek (Reitan, 1958); Többnyelvű afáziavizsgálat verbális folyékonyság subteszt (Benton és Hamsher, 1976); F-A-S teszt (Spreen és Benton, 1977); állat (kategória) folyékonyság (Goodglass és Kaplan, 1972); Delis-Kaplan Executive Function System [D-KEFS, beleértve a színes-szó interferencia feladatot (Delis et al., 2001)]; Hopkins Verbal Learning Test (HVLT) tanulás és visszahívás (Brandt, 1991); Brief Visuospatial Memory Test-Revised (BVMT-R) (Benedict, 1997); Barázdált csapos tábla (Baser és Ruff, 1987); és ujj-koppintásos teszt (FTT) (Schmitt, 2013). A Wide Range Achievement 3 tesztet (WRAT3) (Snelbaker et al., 2001) szintén elvégeztük.

MRI felvétel

1. kohorta: A mágneses rezonancia képalkotást egy Siemens Trio 3T szkenneren végeztük, 20 csatornás fejtekerccsel. Strukturális mágneses rezonancia T1-súlyozott anatómiai képeket készítettünk 3D-s MPRAGE szekvenciával [szagittális orientáció, ismétlési idő (TR) = 2400 ms, visszhangidő (TE) = 3,16 ms, inverziós idő (TI) = 1000 ms, voxel felbontás) = 1 × 1 × 1 mm 3, keretek = 176, elfordulási szög = 8 °, FOV = 256 × 256 mm]. Két hasonló, fázis kódolási irányú echo planar DTI szekvenciát szereztünk, mindegyik 27 térfogattal (keresztirányú, 2 × 2 × 2 mm 3 voxel, TR = 12 300 ms, TE = 108 ms, elfordulási szög = 90 °, 25 irány), b-0 és 1400 s/mm2 közötti értékek és két nem diffúzióval súlyozott kép).

2. kohort: A mágneses rezonancia képalkotást ugyanazon a Siemens Trio 3T szkenneren végezték, 12 csatornás fejtekerccsel. Strukturális mágneses rezonancia T1-súlyozott anatómiai képeket készítettünk az 1. kohorthoz leírt 3D-s MPRAGE szekvenciával. Két szekvenciális diffúzióval súlyozott, hasonló fázis kódolási irányú letapogatást kaptunk (keresztirányú orientáció, 2 × 2 × 2 mm 3 voxel, TR = 9 900 ms, TE = 102 ms, elfordulási szög = 90 °, 23 irány, b-0 és 1400 s/mm2 közötti értékek, valamint egy nem diffúzióval súlyozott kép).

Kép előfeldolgozása és DTI feldolgozása

Mindkét kohorsz esetében az összes DTI-mennyiséget manuálisan megvizsgálták, hogy kizárják a nagy műtárgyak jelenlétét. Az FMRIB Software Library-t (FSL) (Smith és mtsai, 2004) alkalmaztuk az összes előfeldolgozási lépés elvégzésére és a DTI diffúziós tenzor modell illesztésére minden képalkotó voxelen. A nem agyszövetet FSL BET (agyi extrakciós eszköz) alkalmazásával (Smith, 2002) távolítottuk el, majd mozgás és örvényáram torzítások korrekcióját követtük. A tereptérképeket e vizsgálatok részeként nem szereztük be, ezért a fogékonyság által kiváltott torzítások korrekcióját nem hajtották végre. A DTI elemzésekhez az FSL DTIFIT eszközt használták a diffúzió kiszámításához a diffúziós tenzor modell illesztéséből és DTI-FA (DTI-frakcionált anizotropia), DTI-MD (DTI-átlagos diffúzió), DTI-RD (DTI-radiális diffúzió) előállításához. és DTI-AD (DTI-axiális diffúzió) mennyiségek minden alany esetében. Az egyes résztvevők DTI-eredetű képmennyiségeit a TBSS (Smith és mtsai., 2006) csővezetéken keresztül dolgozták fel, hogy lehetővé tegyék az egész agy WM voxel szerinti elemzését az alábbiakban leírtak szerint.

Mivel az MRI-vizsgálatok során a fej mozgása pozitívan kapcsolódik a genetikai tényezőkhöz, és megosztja velük a BMI-t (Hodgson et al., 2017), és mivel a regisztráció alapú korrekciós módszerek nem zárják ki teljesen a fej mozgásának hatásait, a mozgás paramétereit is kiszámítottuk Yendiki és mtsai. (2014). Ezek a mozgásparaméterek magukban foglalják az átlagos térfogat-térfogat szerinti transzlációt, az átlagos térfogat-térfogat szerinti forgást, a jel lemorzsolásával rendelkező szeletek százalékos arányát és a jel lemorzsolódásának súlyosságát. Ezen mozgásmérések megszerzése érdekében elvégeztük a TRACULA csővezeték képkorrekciós és minőségértékelési lépéseit (TRActs Constrained by UnderLying Anatomy), anélkül, hogy lefuttattuk volna a WM útvonalak rekonstrukciós lépéseit (Yendiki et al., 2011). A TRACULA-eredetű átlagos térfogat-térfogat szerinti transzlációt és az átlagos térfogat-térfogat szerinti forgatást regresszorként vették figyelembe a későbbi voxel-beli és statisztikai elemzésekben. A szignálkiesés és a jelkiesés súlyosságával rendelkező szeletek százalékos kiolvasása 0, illetve 1 volt mindkét résztvevő mindkét résztvevője esetében.

DBSI feldolgozás

A diffúziós alapú spektrum képalkotó intézkedéseket a MATLAB és a Statistics Toolbox Release (2012) szkriptben írt házon belüli szoftverrel számolták ki, és Wang és mtsai. (2011). A hagyományos DTI-modellezéssel ellentétben a DBSI-modellezés egyszerre különbözteti meg és kvantifikálja számos intravoxel-kóros folyamatot (axonális sérülés/veszteség, axonális demyelinizáció, neuroinflammációval kapcsolatos cellularitás és vazogén ödéma) azáltal, hogy mindegyik kóros folyamathoz külön diffúziós tenzort rendelünk. Míg a DTI-ből származó FA számszerűsíti az anisotropia mértékét a teljes képvokselre vonatkozóan, addig a DBSI úgy becsüli a rosttraktusok anizotropiáját a képvokselben, hogy nem zavarja meg izotrop diffúzió. A teljes diffúziós jel (Sk) a DBSI által mért anizotrop (Ak) és izotróp (énk) diffúziós tenzor komponenseket, és ezen komponensek súlyozott összegét az Eq. 1.

Hol Sk és b k → a jel és b-értéke k th diffúziós gradiens; NAniso az anizotrop tenzorok száma, Φik az a fő iránya közötti szög én th anizotróp tenzor és a k th diffúziós gradiens; λ ||én és λ⊥én az AD és RD a én th anizotrop tenzor, fén a jel intenzitási hányada a én th anizotróp tenzor, és a és b az izotrop diffúziós spektrum f(D) alacsony és magas diffúziós határértékek.

Ezenkívül a DBSI értékeli az izotrop diffúziós tenzor szignáleloszlását a látszólagos izotrop diffúzió teljes spektrumán belül (intracelluláris és szubcelluláris struktúrákból, valamint ödémás extracelluláris szövetből adódóan). Korábbi kísérleti elemzések (Wang et al., 2011; Wang et al., 2015) révén durván csoportosítottuk az izotróp diffúziót korlátozott diffúzióként (D ≤ 0,3 μm 2/ms; az intracelluláris térben a víz diffúziójának proxy mérése, így a cellularitás), és a nem korlátozott izotrop diffúzió (D > 0,3 μm 2/ms; az extracelluláris térben a víz diffúziójának proxy mérése). A DBSI modell megoldásával olyan anizotrop és izotróp mérőszámokat kapunk, amelyek a következőket tartalmazzák: DBSI-FA (az általános WM integritást jelzi), DBSI-AD (axonális veszteséget/sérülést jelzi), DBSI-RD (mielin veszteséget jelzi), DBSI- szálfrakció vagy DBSI-FF (a látszólagos axon sűrűséget jelzi), DBSI-RF (D ≤ 0,3 μm 2/ms; a gyulladással kapcsolatos cellularitást jelzi), és a DBSI által gátolt frakció vagy a DBSI-HF (D > 0,3 μm 2/ms; az extracelluláris szövet ödémáját jelzi). Az egyes alanyok DBSI-ből származó képmennyiségeit ezt követően a TBSS-csővezetéken keresztül dolgozták fel, hogy lehetővé tegyék az egész agy WM voxel szerinti elemzését az alábbiakban leírtak szerint.

TBSS és Voxel-Wise elemzések

A DTI- és DBSI-eredetű metrikák utófeldolgozását és voxel szerinti elemzését a TBSS-sel fejeztük be (Smith és mtsai, 2006). DTI-FA képeket használtunk egy átlagos WM csontváz létrehozásához. Először az összes DTI-FA-t kissé erodálták, és a végszeleteket kizárták, hogy eltávolítsák a potenciális kiugró értékeket a diffúziós tenzor illesztéséből. Másodszor, az összes képet nemlineárisan regisztráltuk az FMRIB58-FA szabványos térképbe célképként. Az összehangolt FA-képeket ezután átlagolták, hogy átlagos FA-képet hozzanak létre, és a csontvázolási lépésbe bevitték, hogy létrehozzanak egy WM-csontvázat, amelynek FA küszöbértéke> 0,2. Ugyanazon transzformációs eljárással minden alanyra vonatkozóan az összes DTI- és DBSI-eredetű képet kivetítettük az átlagos FA-csontvázra, amely az összes alanyra jellemző WM-traktusok középpontját képviseli, és további voxel és ROI elemzések elvégzésére használtuk.

Statisztikai elemzések

Eredmények

Résztvevők

Az 1. és a 2. kohort résztvevőinek demográfiai adatait és leíró statisztikáit az 1. táblázat mutatja.