El análisis de correlación temporal de la actividad cerebral espontánea (p. ej. , "conectividad funcional" de Pearson, FC) ha proporcionado información sobre la organización funcional del cerebro humano. Sin embargo, las técnicas de análisis bivariado como esta a menudo son susceptibles de confundir los procesos fisiológicos (p. ej. , el sueño, las ondas de Mayer, la respiración, el movimiento), lo que dificulta mapear con precisión la conectividad en la salud y la enfermedad, ya que estos procesos fisiológicos afectan a la FC.
Por el contrario, un enfoque multivariante para imputar redes neuronales individuales a partir de datos de neuroimagen espontáneos podría influir en nuestra comprensión conceptual de FC y proporcionar ventajas de rendimiento. Por lo tanto, analizamos los datos de imágenes de calcio neural de Thy1-Ratones GCaMP6f mientras están despiertos, dormidos, anestesiados, durante episodios de movimiento bajo y alto, o antes y después del accidente cerebrovascular fototrombótico.
Se utilizó un enfoque de regresión de vector de soporte lineal para determinar los pesos óptimos para integrar las señales de los píxeles restantes para predecir con precisión la actividad neuronal en una región de interés (ROI).
Los mapas de peso resultantes para cada ROI se interpretaron como conectividad funcional multivariada (MFC), se asemejaron a la conectividad anatómica y demostraron un conjunto más disperso de conexiones positivas enfocadas fuertes que la FC tradicional. Si bien las variaciones globales en los datos tienen grandes efectos en el análisis de FC de correlación estándar, los métodos de mapeo de MFC eran en su mayoría impermeables.
Por último, el análisis de MFC proporcionó una detección de déficit de conectividad más potente después de un accidente cerebrovascular en comparación con el FC tradicional.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://academic. oup. com/
