大鼠急性酒精fMRI实验
检验急性酒精给药是否降低大鼠皮层Hurst指数
对P45或P80 Wistar大鼠进行静息态fMRI扫描,依次给予生理盐水和不同剂量乙醇,计算各脑区Hurst指数并比较
Alcohol impacts an fMRI marker of neural inhibition in humans and rodents
含大鼠与人两个独立证据层级,均有功能验证(酒精降低Hurst指数)及机制验证(与GABAA受体表达相关)
Wistar大鼠急性酒精fMRI模型 健康成人重复测量酒精/非酒精fMRI队列 大鼠GABAA受体放射自显影图谱 人类PET受体密度图谱
大鼠依次腹腔注射生理盐水、1 g/kg、1 g/kg和2 g/kg的20% v/v乙醇,每个15分钟区块一次 人类受试者饮用含伏特加和橙汁的酒精饮料,目标BAC 0.08%,30分钟内饮完并立即扫描 Hurst指数采用分数积分模型计算,H = d + 0.5 酒精效应采用线性混合效应模型建模,并以ANOVA检验固定效应显著性 酒精效应与GABAA受体表达的相关性采用Pearson相关,并以spin permutation检验空间显著性
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。
检验急性酒精给药是否降低大鼠皮层Hurst指数
对P45或P80 Wistar大鼠进行静息态fMRI扫描,依次给予生理盐水和不同剂量乙醇,计算各脑区Hurst指数并比较
探究酒精对Hurst指数的效应是否与GABAA受体表达空间分布相关
利用已发表的受体放射自显影数据估计各功能 parcel 的GABAA受体密度,与线性混合效应模型提取的酒精固定效应进行Pearson相关
检验人类酒精暴露是否降低皮层Hurst指数并重复大鼠发现
健康成人完成5次酒精 session 和5次非酒精 session,采集静息态fMRI,计算Hurst指数并比较酒精与非酒精条件
检验人类酒精效应是否与GABAA受体表达相关,并控制感觉运动-联合轴
利用已发表PET受体密度图谱,计算酒精固定效应与GABAA受体表达的Pearson相关,并做偏相关控制感觉运动-联合轴
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 |
|---|---|---|---|
| 大鼠MRI数据采集 | Bruker BioSpec 9.4-T磁共振成像系统 | Bruker | -- |
| 大鼠麻醉 | 异氟烷 | -- | -- |
| 泮库溴铵 | -- | -- | |
| 大鼠酒精处理 | 20% v/v乙醇 | -- | -- |
| 人类MRI数据采集 | Siemens Magnetom Prisma 3T磁共振扫描仪 | Siemens | -- |
| 32通道头线圈 | -- | -- | |
| 人类酒精处理 | 伏特加 | -- | -- |
| 橙汁 | -- | -- | |
| 受体放射自显影 | [3H]-氟马西尼 | -- | -- |
| Hurst指数计算 | nonfractal MATLAB工具箱 | -- | -- |
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 |
|---|---|
| 大鼠急性酒精fMRI实验 | 大鼠品系、年龄(P45/P80)、性别比例、酒精剂量(1 g/kg与2 g/kg,20% v/v)、注射途径(腹腔)及每个区块的注射顺序 阅读提示:Methods 2.1.1 Imaging subjects与2.1.2 Experimental design |
| 大鼠MRI采集与麻醉 | 磁场强度(9.4-T)、EPI序列参数(TR=2000 ms,TE=14 ms)、麻醉方案(异氟烷诱导与维持浓度、右美托咪定和泮库溴铵输注速率) 阅读提示:Methods 2.1.3 MRI data acquisition |
| 人类酒精fMRI实验 | 受试者纳入排除标准、酒精饮料配方(伏特加:橙汁=3:1)、目标BAC(0.08%)、饮用时间(30分钟)及扫描时机 阅读提示:Methods 2.2.1 Imaging participants与2.2.2 Experimental design |
| Hurst指数计算 | 分数积分模型参数(filter='haar',ub=[1.5,10],lb=[−0.5,0])及H=d+0.5定义 阅读提示:Methods 2.1.5 Hurst exponent |
| 酒精效应统计建模 | 线性混合效应模型公式、固定效应与随机效应设定、多重比较校正方法(FDR) 阅读提示:Methods 2.1.6 Alcohol effect modeling与2.2.6 Alcohol effect modeling |