数据获取与处理
获取并预处理PET影像数据,用于模型输入
从ADNI和HABS获取FDG、Aβ和tau PET扫描,进行空间标准化、SUVR计算和区域划分。
Neuronal activity and amyloid-β promote tau seeding in the entorhinal cortex in Alzheimer's disease
该研究为计算建模与神经影像数据分析,包含模型构建、统计检验及独立队列验证,但缺乏体内或体外实验验证。
计算模型(结合结构连接与PET数据) ADNI队列 HABS队列
FDG和Aβ PET数据的标准化摄取值比(SUVR) 结构连接矩阵(来自HCP) 模型参数:ε=5, ρ=1.0, k=0.02, λ=0.2 统计检验:置换检验(10000次)和线性回归 ADNI和HABS队列的样本量和分组
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
获取并预处理PET影像数据,用于模型输入
从ADNI和HABS获取FDG、Aβ和tau PET扫描,进行空间标准化、SUVR计算和区域划分。
定义大脑区域间的结构连接,作为模型的基础网络
使用HCP的扩散加权MRI数据,通过probtrackx算法生成加权邻接矩阵,并进行对称化、归一化和阈值化处理。
模拟tau种子在不同PET模式下的扩散,预测播种区域
利用线性扩散模型结合异常转运过程(由FDG或Aβ PET信号加权),模拟tau种子浓度在脑区的分布。
评估模型预测的显著性和与经验数据的关联
通过置换测试(随机打乱PET值)确定播种阈值,并计算P值;进行组间差异的Welch t检验和线性回归分析。
在独立队列中验证模型预测的稳定性
将相同的建模和分析流程应用于HABS队列,重复播种区域识别和回归分析。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| PET影像处理 | FDG PET | -- | -- |
| Aβ PET (florbetapir) | -- | -- | |
| tau PET (flortaucipir) | -- | -- | |
| 空间标准化 | 高级标准化工具(ANTs) | -- | -- |
| 图像处理 | FreeSurfer | -- | -- |
| 结构连接组构建 | FSL probtrackx | -- | -- |
| 计算模拟 | Julia编程语言 | -- | -- |
| DifferentialEquations.jl | -- | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| PET数据获取 | 样本量、年龄、性别、认知状态分布、APOE4状态、PET示踪剂类型 阅读提示:Materials and methods: PET data processing; Table 1 |
| SUVR计算 | 参考区域选择、Aβ和tau阳性阈值、部分容积校正与否 阅读提示:Materials and methods: PET data processing |
| 结构连接组构建 | HCP样本量、纤维追踪算法参数、阈值过滤 阅读提示:Materials and methods: Structural connectivity |
| 计算模型参数 | ε、ρ、k、λ的值,初始条件,求解器设置 阅读提示:Materials and methods: Computational modelling |
| 统计测试 | 置换次数、播种阈值确定方法、回归模型协变量 阅读提示:Materials and methods: Statistical analysis |
| 内嗅皮层播种预测 | 预测值是否基于组平均或个体水平PET,分组标准(诊断或生物标志物) 阅读提示:Results: 'Metabolic activity drives the seeding...' and Figure 2 |