Publikationsserver der Universitätsbibliothek Marburg

Titel:Stabilität von funktionellen Konnektivitätsanalysen im Rahmen genetischer Bildgebung
Autor:Bedenbender, Johannes
Weitere Beteiligte: Jansen, Andreas (Prof.)
Veröffentlicht:2016
URI:https://archiv.ub.uni-marburg.de/diss/z2017/0019
DOI: https://doi.org/10.17192/z2017.0019
URN: urn:nbn:de:hebis:04-z2017-00196
DDC:610 Medizin, Gesundheit
Titel(trans.):Stabilty of functional conectivity analysis in context of genetic imaging
Publikationsdatum:2017-01-23
Lizenz:https://creativecommons.org/licenses/by/4.0

Dokument

Schlagwörter:
schizophrenia, BPD, Genetik, Funktionelle Kernspintomografie, genetics, fmri, Genetik, Schizophrenie, BPD, FMRT, Schizophrenie

Zusammenfassung:
Funktionelle Magnetresonanztomographie kann mit genetischen Untersuchungen über Risikogene für Schizophrenie und bipolare Störung kombiniert werden. Ein oft verwendeter Ansatz der Datenanalyse ist funktionelle Konnektivität: Hierbei wird die zeitliche Korrelation der Aktivierung zwischen einer definierten Gehirnregion und allen anderen Bereichen des Gehirns untersucht. In der vorliegenden Arbeit wird gezeigt, wie stark sich frei wählbare Analyseparameter auf die Ergebnisse der Untersuchung von Risikogenen im Rahmen von funktioneller Konnektivität auswirken. Es werden drei exemplarische Parameter untersucht: (i) Die Auswahl der Punkte für die Korrelationsanalyse in der vordefinierten Gehirnregion, (ii) Methoden zur Verbesserung des Signal-Rausch-Verhältnisses und (iii) die Verwendung von zusätzlichen Kovariaten in der Gruppenanalyse. Die Ergebnisse zeigen, dass diese Parameter einen ähnlich starken Effekt auf die Ergebnisse der Konnektivitätsanalyse haben, wie die Modulation durch die untersuchten Risikogene. Manche Effekte der genetischen Varianz zeigen sich nur bei ganz bestimmten Parameterkonstellationen. Im Bereich der bildgebenden psychiatrischen Forschung, die sich mit Risikogenen beschäftigt, ist die Replikation von Forschungsergebnissen schwierig. Oft lassen sich initial viel versprechende Ergebnisse nicht replizieren, vor allem Aufgrund der sehr schwachen Effekte der genetischen Variationen auf die untersuchten Daten. Für eine bessere Vergleichbarkeit von Studien ist es daher wichtig, die verwendeten Analyseparameter bewusst zu wählen und zu publizieren wie robust die Ergebnisse bei Veränderungen der Parameter sind.

Summary:
Functional magnetic resonance imaging can be combined with genotype assessment to identify brain systems that mediate genetic vulnerability to mental disorders like schizophrenia and bipolar disorder. A data analysis approach that is widely applied is functional connectivity. In this approach, the temporal correlation between the signal from a pre-defined brain region and other brain regions is determined. In this work is shown how the choice of freely selectable data analysis parameters strongly influences the assessment of the genetic modulation of connectivity features. It is focused on three exemplary methodological parameters: (i) selection of points for the correlation analysis in the predefined brain region, (ii) methods to improve the signal-to-noise ratio, and (iii) use of additional second level covariates. Our results show that even small variations in the implementation of a functional connectivity analysis can have an impact on the connectivity pattern that is as strong as the potential modulation by genetic allele variants. Some effects of genetic variation can only be found for one specific implementation of the connectivity analysis. A reoccurring difficulty in the field of psychiatric genetics is the non-replication of initially promising findings, partly caused by the small effects of single genes. For a meaningful comparison of imaging genetics studies however, it is therefore necessary to provide more details on specific methodological parameters and to give information how robust effects are across the choice of methodological parameters.

Bibliographie / References

  1. Baldessarini, R, L Tondo und C Visioli (2014). First-episode types in bipolar disorder: predictive associations with later illness. In: Acta psychiatrica Scandinavica 129.5, S. 383{92.
  2. Basser, P J, J Mattiello und D LeBihan (1994). MR diusion tensor spectroscopy and imaging. In: Biophysical journal 66.1, S. 259{267.
  3. Avesani, Paolo u. a. (2015). Non-parametric temporal modeling of the hemodynamic response function via a liquid state machine. In: Neural networks : the ocial journal of the International Neural Network Society 70, S. 61{73.
  4. Andreasen, N und M Flaum (1991). Schizophrenia: the characteristic symptoms. In: Schizophrenia bulletin 17.1, S. 27{49.
  5. Andreasen, N (2000). Schizophrenia: The fundamental questions . In: Brain Research Reviews 31.2-3, S. 106{112.
  6. Battle, Y L u. a. (1999). Seasonality and infectious disease in schizophrenia: The birth hypothesis revisited . In: Journal of Psychiatric Research 33.6, S. 501{ 509.
  7. Bartko, J J, J S Strauss und W T Carpenter (1974). The diagnosis and understanding of schizophrenia. Part II. Expanded perspectives for describing and comparing schizophrenic patients. In: Schizophrenia bulletin 11, S. 50{60.
  8. Barnett, J H und J W Smoller (2009). The genetics of bipolar disorder . In: Neuroscience 164.1, S. 331{343.


* Das Dokument ist im Internet frei zugänglich - Hinweise zu den Nutzungsrechten