ارتباط بین بیومارکر های مایع مغزی نخاعی و شبکه های ساختاری مغز در بیماری پارکینسون

ارتباط بین بیومارکر های مایع مغزی نخاعی و شبکه های ساختاری مغز در بیماری پارکینسون

17 2 1397

حذف
تک ستونه
حذف
ویرایشگر متن
ویرایش کنید
حذف
ویرایشگر متن
بیماری پارکینسون دومین بیماری شایع نرودژنراتیو پس از بیماری آلزایمر است. بیماری پارکینسون به تدریج در حال پیشرفت است و با ویژگی های مختلف بالینی مانند نشانه های حرکتی و غیر حرکتی ظاهر می شود. مکانیزم های بیماری پارکینسون هنوز به طور کامل کشف نشده اند. با این حال، ترکیبی از هر دو عامل ژنتیکی و محیطی در بروز بیماری پارکینسون وجود دارد. در بسیاری از مطالعات، بیان بیش از حد و تجمع غیر طبیعی آلفا سینوکلین و سایر پروتئین های مرتبط با بیماری آلزایمر، از قبیل Aβ42و tau در مغز، به عنوان یک مکانیسم احتمالی برای آسیب مشاهده شده در یکپارچگی ماده سفید و اختلال عملکرد و ساختار شبکه های مغز در بیماری پارکینسون مطرح شده اند. بنابراین، در مطالعه حاضر، ما از نظریه گراف مبتنی بر DTI استفاده می کنیم و خواص شبکه ارتباطات مغز انسان و مقادیر CSF (مایع مغزی نخاعی) α-سینوئولین، پروتئین Aβ42 و tau را بین بیماران مبتلا به پارکینسون و افراد سالم مقایسه کردیم. تصاویر DTI  و بیومارکر های مایع مغزی نخاعی CSF از قبیل آلفا سینوکلین، Aβ42 و تاو پروتیین از 132 بیمار مبتلا به بیماری پارکینسون و 61 فرد سالم جمع آوری نموده و مورد تجزیه و تحلیل قرار دادیم. تمامی داده ها از پایگاه داده "نشانگر پیشرفت بیماری پارکینسون" (Parkinson’s disease Progression Markers Initiative) جمع آوری شد. پس از بازسازی شبکه الگو های ارتباطی مغز (از جمله global efficiency, clustering coefficient, characteristic path length) و معیار بازدهی ناحیه ای (local efficiency) 90 ناحیه ی از پیش تعیین شده مغز محاسبه خواهند شد. در نهایت ویژگی های شبکه های ساختاری مغز و بیومارکرهای CSF بین بیماران مبتلا به پارکینسون و کنترل های سالم مورد مقایسه قرار گرفت. سپس ارتباط بین این بیومارکرهای CSF با شبکه های ساختاری مغز و مقیاس UPDRS مورد بررسی قرار گرفت. معیارهای بازدهی کلی و سطح a-synuclein CSF در بیماران مبتلا به پارکینسون به طور قابل توجهی پایین تر از افراد سالم بود. Global efficiency و clustering coefficient رابطه ی مثبتی با سطح a-synuclein، Aβ42، و مجموع tau CSF در مایع مغزی نخاعی نشان دادند. در حالیکه ارتباطی بین سطوح بیومارکر های مایع مغزی نخاعی و شدت ناتوانی حرکتی بر اساس UPDRS-III وجود نداشت.
در اين تحقيق، ارتباط بين بیومارکرهای CSF که نشان دهنده آسیب مغزی هستند و شبکه ی ساختاری اتصالی در بیماری پارکینسون نشان داده شد. به عبارت دیگر تجمع غیر طبیعی a-synuclein، Aβ42 و پروتئین tau در سلول های مغزی قویا در ارتباط با تخریب بازدهی ارتباطات ساختاری مغز در بیماری پارکینسون می باشد. به طور خلاصه نتایج این مطالعه نشان می دهد که ترکیبی از تصویربرداری ساختاری و اندازه گیری بیومارکرهای CSF درک بهتری از پاتوژنز بیماری پارکینسون را ارائه می دهند.

كليد واژه ها :
بیماری پارکینسون، مایع مغزی نخاعی، شبکه های ساختاری مغز
مشخصات دانشجو:
نام: نوشین عباسی
رشته تحصيلي: پزشکی
مقطع: دکتری عمومی
گروه آموزشي : پزشکی-گروه آموزشی نورولوژی       
پست الكترونيك دانشجو:
Nooshinabbasi.1@gmail.com
اساتيد راهنما و داور:
استاد راهنما: دکتر سیامک عبدی
اساتيد مشاور: دکتر فرزاد فاتحی
اساتيد داور: دکتر شهرام اویس قرن
زمان دفاع :
روز: چهارشنبه
تاريخ: 5ام اردیبهشت 97
ساعت: 9:30 صبح
مكان دفاع به آدرس:
تهران، خیابان کارگر شمالی، سه راه جلال آل احمد، مرکز آموزشی و درمانی بیمارستان شریعتی، سالن کنفرانس شهید پیرویان
اطلاعات به زبان انگليسي
Title:
Relationship Between Cerebrospinal Fluid Biomarkers and Structural Brain Network Properties in Parkinson’s Disease

Abstract:
Background: Pathological accumulation of a-synuclein, amyloid-b42, and tau proteins in the brain is considered critical for development of various neurodegenerative diseases.
Objectives: We investigated the association between CSF levels of these biomarkers, brain structural connectivity, and the UPDRS in PD.
Methods: Diffusion tensor images and CSF biomarkers (a-synuclein, amyloid-b42, total tau, and phosphorylated tau181) from 132 drug-naive, nondemented PD patients and 61 healthy controls were obtained from the Parkinson’s Progression Markers Initiative database. After network reconstruction of structural connectivity patterns, global interconnectivity measures (including global efficiency, clustering coefficient, and characteristic path length) and local efficiency were calculated. Network properties and CSF biomarkers were compared between PD patients and healthy controls. The association of CSF biomarkers with network properties and UPDRS-III score was investigated.
Results: Global measures (but not local efficiency) and CSF a-synuclein were significantly lower in PD patients. Global efficiency and clustering coefficient correlated positively with a-synuclein, Ab42, and total tau CSF levels. Furthermore, these CSF biomarkers showed no significant association with the UPDRS-III score.
Conclusions: This study examined the association of CSF biomarkers that reflect the brain pathology, with structural brain connectivity and UPDRS-III in PD. Our results revealed an association between the abnormal aggregation of a-synuclein, Ab42, and tau proteins and structural connectivity disruption in PD patients. In summary, a combination of structural imaging and measurement of CSF biomarkers provide a better understanding of the pathogenesis of PD.

Keywords:

مشخصات مقاله مستخرج از پايان نامه :

Relationship Between Cerebrospinal Fluid Biomarkers and Structural Brain Network Properties in Parkinson’s Disease
 نويسندگان:
Nooshin Abbasi, Bahram Mohajer, Sima Abbasi, Payam Hasanabadi, Amirhussein Abdolalizadeh, and Reza Rajimehr

نام و شماره مجله :
Movement Disorders (2018); 33(3): 431-439
DOI: 10.1002/mds.27284Parkinson’s Disease, Cerebro-Spinal Fluid, Structural Networks

فهرست منابع و ماخذ فارسي و لاتين:

1. Tan LCS. Epidemiology of Parkinson’s disease. Neurol Asia 2013; 18: 231-238.
2. Lee A, Gilbert RM. Epidemiology of Parkinson disease. Neurol Clin 2016; 34: 955-965.
3. Mhyre TR, Boyd JT, Hamill RW, Maguire-Zeiss KA. Protein aggregation and fibrillogenesis in cerebral and systemic amyloid disease. In: Harris JR, ed. Subcellular Biochemistry, Vol. 65. Dordrecht, The Netherlands; New York: Springer; 2012.
4. Chan L, Rumpel H, Yap K, et al. Case control study of diffusion tensor imaging in Parkinson’s disease. J Neurol Neurosurg Psychiatry 2007; 78:1383-1387.
5. Zhang Y, Wu I, Buckley S, et al. Diffusion Tensor Imaging of the
Nigrostriatal Fibers in Parkinson’s Disease. Mov Disord 2015; 30: 1229-1236.
6. Zhang K, Yu C, Zhang Y, Wu X, Zhu C. Voxel-based analysis of diffusion tensor indices in the brain in patients with Parkinson’s disease. Eur J Radiol 2011; 77: 269-273.
7. Rae CL, Correia MM, Altena E, Hughes LE, Barker RA, Rowe JB. White matter pathology in Parkinson’s disease: the effect of imaging protocol differences and relevance to executive function. Neuroimage
2012; 62: 1675-1684.
8. Cochrane CJ, Ebmeier KP. Diffusion tensor imaging in parkinsonian syndromes: a systematic review and meta-analysis. Neurology 2013; 80: 857-864.
9. Tessitore A, Giordano A, Russo A, Tedeschi G. Structural connectivity in Parkinson’s disease. Parkinsonism Relat Disord 2016; 22(Suppl 1):S56-S59.
10. Zhang Y, Wu I, Tosun D, Foster E, Schuff N. Parkinson’s Progression
Markers Initiative. Progression of Regional Microstructural Degeneration in Parkinson’s Disease: A Multicenter Diffusion Tensor Imaging Study. PLoS One 2016; 11: e0165540.
11. Li C, Huang B, Zhang R, Ma Q, Yang W. Impaired topological architecture of brain structural networks in idiopathic Parkinson’s disease: a DTI study. Brain Imaging Behav 2017; 11: 113-128.
12. Zalesky A, Fornito A, Bullmore ET. Network-based statistic: identifying differences in brain networks. Neuroimage 2010; 53: 1197-1207.
13. Nigro S, Riccelli R, Passamonti L, et al. Characterizing structural neural networks in de novo Parkinson disease patients using diffusion tensor imaging. Hum Brain Mapp 2016; 37: 4500-4510.
14. Pereira JB, Aarsland D, Ginestet CE, et al. Aberrant cerebral network topology and mild cognitive impairment in early Parkinson’s disease. Hum Brain Mapp 2015; 36: 2980-2995.
15. Skidmore F, Korenkevych D, Liu Y, He G, Bullmore E, Pardalos
PM. Connectivity brain networks based on wavelet correlation analysis in Parkinson fMRI data. Neurosci Lett 2011; 499: 47-51.
16. Mollenhauer B, Cullen V, Kahn I, et al. Direct quantification of CSF a-synuclein by ELISA and first cross-sectional study in patients with neurodegeneration. Exp Neurol 2008; 213: 315-325.
17. Shi M, Bradner J, Hancock AM, et al. Cerebrospinal Fluid Biomarkers for Parkinson Disease Diagnosis and Progression. Ann Neurol 2011; 69: 570-580.
18. Kang J-H, Irwin DJ, Chen-Plotkin AS, et al. Parkinson’s Progression Markers Initiative. Association of cerebrospinal fluid b-amyloid 1-42, T-tau, P-tau181, and a-synuclein levels with clinical features of drug-naive patients with early Parkinson disease. JAMA Neurol 2013; 70:1277-1287.
19. Buddhala C, Campbell MC, Perlmutter JS. Correlation between decreased CSF a-synuclein and Ab1e42 in Parkinson’s disease. Neurobiol Aging 2015; 36: 476-484.
20. Campbell MC, Koller JM, Snyder AZ, Kotzbauer PT. CSF proteins and resting-state functional connectivity in Parkinson disease. Neurology 2015; 84: 2413-2422.
21. Buddhala C, Loftin SK, Kuley BM, Cairns NJ, Campbell MC, Perlmutter JS, Kotzbauer PT. Dopaminergic, serotonergic, and noradrenergic deficits in Parkinson disease. Ann Clin Transl Neurol 2015; 2: 949-959.
22. Gao R, Zhang G, Chen X, Yang A, Smith G, Wong DF, Zhou Y. Biomarkers and its associations with 18F-AV133 cerebral VMAT2 binding in Parkinson’s disease—a preliminary report. PLoS One 2016; 11: e0164762.
23. Madhyastha TM, Askren MK, Zhang J, Leverenz JB, Montine TJ, Grabowski TJ. Group comparison of spatiotemporal dynamics of intrinsic networks in Parkinson’s disease. Brain 2015; 138(Pt 9): 2672-2686.
24. Mollenhauer B, Ahsen V, Bibl M. Cerebrospinal Fluid of Patients with Parkinson’s Disease. Dementia 2006; 2115: 200-208.
25. Hong Z, Shi M, Chung K. A, et al. DJ-1 and a-synuclein in human cerebrospinal fluid as biomarkers of Parkinson’s disease. Brain 2010; 133: 713-726.
26. Saracchi E, Fermi S, Brighina L. Emerging Candidate Biomarkers for Parkinson’s Disease: a Review. Aging Dis 2014; 5: 27-35.
27. Emre M, Aarsland D, Brown R, et al. Clinical diagnostic criteria for dementia associated with Parkinson’s disease. Mov Disord 2007; 22: 1689-1707.
28. Jones DK, Pierpaoli C. Contribution of Cardiac Pulsation to Variability of Tractography Results. In: Proceedings of the ISMRM 13th Annual Meeting; 2005.
29. Ofori E, Pasternak O, Planetta PJ, et al. Increased free water in the substantia nigra of Parkinson’s disease: a single-site and multi-site study. Neurobiol Aging 2015; 36: 1097-1104.
30. Leemans A, Jeurissen B, Sijbers J, Jones D. ExploreDTI: a graphical toolbox for processing, analyzing, and visualizing diffusion MR data. In: Proceedings 17th Scientific Meeting, International Society for Magnetic Resonance in Medicine, vol. 17; 2009.
31. Leemans A, Jones DK. The B-matrix must be rotated when correcting for subject motion in DTI data. Magn Reson Med 2009; 61:1336-1349.
32. Chang LC, Jones DK, Pierpaoli C. RESTORE: Robust estimation of tensors by outlier rejection. Magn Reson Med 2005; 53: 1088-1095.
33. Veraart J, Sijbers J, Sunaert S, Leemans A, Jeurissen B. Weighted linear least squares estimation of diffusion MRI parameters: strengths, limitations, and pitfalls. Neuroimage 2013; 81: 335-346.
34. Basser PJ, Pajevic S, Pierpaoli C, Duda J, Aldroubi A. In Vivo Fiber Tractography. Magn Reson Med 2000; 44: 625-632.
35. Tzourio-Mazoyer N, Landeau B, Papathanassiou F, et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain. Neuroimage 2002; 15: 273-289.
36. Yoshikawa K, Nakata Y, Yamada K, Nakagawa M. Early pathological changes in the parkinsonian brain demonstrated by diffusion tensor MRI. J Neurol Neurosurg Psychiatry 2004; 75: 481-484.
37. Zhan W, Kang GA, Glass GA, et al. Regional Alterations of Brain Microstructure in Parkinson’s Disease Using Diffusion Tensor Imaging. Mov Disord 2012; 27: 11-14.
38. Rubinov M, Sporns O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage 2010; 52: 1059-1069.
39. Cheng H, Wang Y, Sheng J, et al. Optimization of seed density in DTI tractography for structural networks. J Neurosci Methods 2012; 203: 264-272.
40. Watts DJ, Strogatz SH. Collective dynamics of ‘small-world’ networks. Nature 1998; 393: 440-442.
41. Zhang J, Wang J, Wu Q, Kuang W, Huang X, He Y, Gong Q. Disrupted brain connectivity networks in drug-naive, first-episode major depressive disorder. Biol Psychiatry 2011; 70: 334-342.
42. Reijmer YD, Leemans A, Brundel M, Kappelle LJ, Biessels GJ. Disruption of the cerebral white matter network is related to slowing of information processing speed in patients with type 2 diabetes. Diabetes 2013; 62: 2112-2115.
43. Korgaonkar MS, Fornito A, Williams LM, Grieve SM. Abnormal structural networks characterize major depressive disorder: a connectome analysis. Biol Psychiatry 2014; 76: 567-574.
44. Achard S, Bullmore E. Efficiency and cost of economical brain functional networks. PLoS Comput Biol 2007; 3: 0174-0183.
45. R Development Core Team (2008). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. ISBN 3-900051-07-0. Available at: http://www.R project.org. Access date 2008.
46. Sherry A, Henson RK, Henson RK. Conducting and Interpreting Canonical Correlation Analysis in Personality Research: A User-Friendly Primer. J Person Assess 2010; 84: 37-41.
47. Tokuda T, Salem SA, Allsop D, et al. Decreased a-synuclein in cerebrospinal fluid of aged individuals and subjects with Parkinson’s disease. Biochem Biophys Res Commun 2006; 349: 162-166.
48. Li X, Li T-Q, Andreasen N, Wiberg MK, Westman E, Wahlund L-O. The association between biomarkers in cerebrospinal fluid and structural changes in the brain in patients with Alzheimer’s disease. J Intern Med 2014; 275: 418-427.
49. Tinaz S, Lauro PM, Ghosh P, Lungu C, Horovitz SG. Changes in functional organization and white matter integrity in the connectome in Parkinson’s disease. Neuroimage Clin 2017; 13: 395-404.
50. Petrou M, Dwamena BA, Foerster BR, et al. Amyloid deposition in Parkinson’s disease and cognitive impairment: a systematic review. Mov Disord 2015; 30: 928-935.
51. Compta Y, Parkkinen N, O’Sullivan SS, et al. Lewy- and Alzheimer-type pathologies in Parkinson’s disease dementia: which is more important? Brain 2011; 134: 1493-1505.
52. Kang J. Cerebrospinal Fluid Predict the Heterogeneous Progression of Cognitive Dysfunction in Parkinson’s Disease. J Mov Disord 2016; 9: 89-96.
53. Wu T, Wang L, Chen Y, Zhao C, Li K, Chan P. Changes of functional connectivity of the motor network in the resting state in Parkinson’s disease. Neurosci Lett 2009; 460: 6-10.
54. Delgado-Rodriguez M. Bias. J Epidemiol Community Heal 2004; 58:635-641.
55. Grimes DA, Schulz KF. Bias and causal associations in observational research. Lancet 2002; 359: 248-252.
56. Yamada K, Sakai K, Akazawa K, Yuen S, Nishimura T. MR Tractography: A Review of Its Clinical Applications. Magn Reson Med Sci 2009; 8: 165-174.
57. Descoteaux M, Deriche R, Kn€osche T, Anwander A. Deterministic and Probabilistic Tractography Based on Complex Fiber Orientation Distributions. IEEE Trans Med Imaging 2009; 28: 269-286.




نظرات

نظر

captcha

لیست نظرات

5/5 0 0 0