Spatial Collinearity Constrains Multivariate Molecular-Enriched Network Estimation.

چکیده اصلی

Analyses of neuroimaging data increasingly leverage the distribution of neurotransmitter receptors derived from positron emission tomography (PET) to bridge the gap between micro- and macro-scale brain function. However, these receptor maps are highly spatially overlapping, which can give rise to interpretive and analytical challenges. Here, we systematically investigate the impact of spatial collinearity among PET maps in the context of Receptor-Enriched Analysis of functional Connectivity by Targets (REACT), a method that uses receptor maps as spatial regressors to derive subject-level molecular-enriched functional connectivity networks. Exhaustive combinatorial analysis across 19 receptor and transporter maps showed that collinearity scales rapidly with the number of receptors modelled simultaneously, and that the underlying correlation structure was relatively stable across parcellation scales, reflecting the intrinsic organisation of neurotransmitter systems. Using test-retest fMRI data from the Human Connectome Project, we demonstrate that modelling greater numbers of receptors degrades the reliability of molecular-enriched networks derived from conventional multivariate REACT models, and that collinearity among receptor maps drives this degradation. An alternative univariate approach, in which each receptor is modelled independently, yielded more reliable networks and, when applied to a within-subjects study of LSD compared to placebo, better recovered the role of the 5-HT2A receptor in LSD's neural effects. These findings identify spatial collinearity as a fundamental constraint on multivariate molecular-enriched network estimation. We therefore recommend univariate models as the default, with multivariate models used only where specifically motivated and reported alongside the univariate result.

ترجمه فارسی چکیده

تحلیل‌های داده‌های تصویربرداری عصبی به طور فزاینده‌ای از توزیع گیرنده‌های انتقال‌دهنده‌های پیام‌رسان حاصل از سونوگرافی پوزیترونی (PET) برای پر کردن شکاف بین عملکرد مغز در مقیاس میکرو و ماکرو استفاده می‌کنند. با این حال، این نقشه‌های گیرنده دارای همپوشانی مکانی بالا هستند که می‌تواند چالش‌های تفسیری و تحلیلی ایجاد کند. در اینجا، ما به طور سیستماتیک اثر هم‌خطی مکانی بین نقشه‌های PET را در زمینه تحلیل اتصال عملکردی غنی‌شده گیرنده‌ها با هدف‌ها (REACT) بررسی می‌کنیم، که روشی است که از نقشه‌های گیرنده به عنوان متغیرهای مکانی برای استخراج شبکه‌های اتصال عملکردی غنی‌شده مولکولی فردی استفاده می‌کند. تحلیل ترکیبی فراگیر در ۱۹ نقشه گیرنده و انتقال‌دهنده نشان داد که هم‌خطی به سرعت با تعداد گیرنده‌هایی که همزمان مدل‌سازی می‌شوند، افزایش می‌یابد و ساختار همبستگی زیربنایی نسبتاً پایدار در مقیاس‌های پارسیلاسیون باقی مانده است که نشان‌دهنده سازمان‌دهی درونی سیستم‌های انتقال‌دهنده پیام‌رسان است. با استفاده از داده‌های fMRI تست-تست‌تکرار از پروژه هومن کانکتوم، ما نشان می‌دهیم که مدل‌سازی تعداد بیشتری گیرنده، قابلیت اطمینان شبکه‌های غنی‌شده مولکولی حاصل از مدل‌های چندمتغیره معمولی REACT را کاهش می‌دهد و هم‌خطی بین نقشه‌های گیرنده این کاهش را ایجاد می‌کند. یک رویکرد تک‌متغیره جایگزین، در که هر گیرنده به طور مستقل مدل‌سازی می‌شود، شبکه‌های قابل‌اعتمادتری تولید کرد و وقتی در یک مطالعه درون‌فردی مقایسه LSD با داروی شبه‌دارو استفاده شد، نقش گیرنده 5-HT2A را در اثرات عصبی LSD بهتر بازیابی کرد. این یافته‌ها هم‌خطی مکانی را به عنوان یک محدودیت بنیادین برای برآورد شبکه‌های غنی‌شده مولکولی چندمتغیره شناسایی می‌کنند. ما بنابراین مدل‌های تک‌متغیره را به عنوان پیش‌فرض توصیه می‌کنیم و از مدل‌های چندمتغیره فقط در مواردی استفاده می‌کنیم که به طور خاص مبتنی بر آن‌ها توجیه شده و در کنار نتیجه تک‌متغیره گزارش شده باشند.

متن کامل اصلی