♻️شناسایی #زیربنای #مالتیپل #اسکلروسیس (#تصلب #چندگانه، #MS)
#Dynamics and #heterogeneity of #brain damage in #multiple #sclerosis
پژوهشگران نوروساینس دانشگاه کارولینسکا 🇸🇪، دانشگاه بارسلونا 🇪🇸، و دانشگاه کالیفرنیا در سانفرانسیسکو 🇺🇸 در تحقیقات خود که به تازگی منتشر شده است، با استفاده از #شبیه_سازی #کامپیوتری و #مدلسازی #ریاضی #بیماری #MS، دریافتند علایم و نشانه های مختلف بیماری MS در اصل با هم فرقی نداشته و همگی تجلی تنها یک #مکانیزم زیربنایی تخریب عصبی هستند.
🔬در این پژوهش که بصورت #گذشته نگر بر اساس سری های زمانی از اطلاعات سیر بیماری در 66 بیمار داوطلب در بیش از 20 سال گذشته صورت گرفت، اطلاعات بدست آمده مدل سازی شدند. برای #اعتباریابی محاسبات و مدلسازی صورت گرفته بصورت #آینده نگر، نتایج بر 120 بیمار داوطلب و دارای MS بصورت پیگیری سه ساله اندازه های مغزی بررسی شدند.
📚نتایج نشان دادند که #تباهی غیر قابل بازگشت #میلین در #آکسون ها ناشی از نسبت بالاتر تباهی آکسون های میلین دار است که با ظرفیت پایین تر میلین سازی مجدد، همراه شده است. اما از بین رفتن میلین ها شاخص اصلی MS نیست.
📚📚افزون بر این، مدلسازی نشان داد، سرعت پایین تر تخریب میلین آکسون ها و سرعت بیشتر میلین سازی مجدد، منجر به مقاومت بیشتر بیماران در دوره های #عود MS می شود. بر این اساس، گونه های مختلف MS تنها در تغییرات نسبت های تخریب و بازسازی میلین در آکسونها بوده و از نظر آسیب شناسی بیماری های متفاوتی محسوب نمی شوند.
🔆در پژوهشی دیگر که به تازگی منتشر شده بود، نتایج حاکی از سودمندی مصرف #آنتی_هیستامین برای درمان MS بوده است.
Abstract
#Multiple #Sclerosis (#MS) is an #autoimmune disease driving inflammatory and #degenerative processes that damage the #central #nervous #system (#CNS). However, it is not well understood how these events interact and evolve to evoke such a highly dynamic and heterogeneous disease. We established a hypothesis whereby the variability in the course of MS is driven by the very same #pathogenic mechanisms responsible for the disease, the autoimmune attack on the CNS that leads to #chronic #inflammation, #neuroaxonal #degeneration and #remyelination. We propose that each of these processes acts more or less severely and at different times in each of the clinical subgroups. To test this hypothesis, we developed a #mathematical #model that was constrained by #experimental #data (the expanded disability status scale [#EDSS] time series) obtained from a #retrospective #longitudinal cohort of 66 MS patients with a long-term follow-up (up to 20 years). Moreover, we validated this model in a second #prospective #cohort of 120 MS patients with a three-year follow-up, for which EDSS data and #brain #volume time series were available. The #clinical #heterogeneity in the #datasets was reduced by grouping the EDSS time series using an #unsupervised #clustering #analysis. We found that by adjusting certain parameters, albeit within their biological range, the mathematical model reproduced the different disease courses, supporting the dynamic CNS damage hypothesis to explain MS heterogeneity. Our analysis suggests that the irreversible axon degeneration produced in the early stages of progressive MS is mainly due to the higher rate of myelinated axon degeneration, coupled to the lower capacity for remyelination. However, and in agreement with recent pathological studies, degeneration of chronically demyelinated axons is not a key feature that distinguishes this phenotype. Moreover, the model reveals that lower rates of axon degeneration and more rapid remyelination make relapsing MS more resilient than the progressive subtype.
لینک منبع 👇🏻(further reading)👇🏻
http://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1005757
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Dynamics and #heterogeneity of #brain damage in #multiple #sclerosis
پژوهشگران نوروساینس دانشگاه کارولینسکا 🇸🇪، دانشگاه بارسلونا 🇪🇸، و دانشگاه کالیفرنیا در سانفرانسیسکو 🇺🇸 در تحقیقات خود که به تازگی منتشر شده است، با استفاده از #شبیه_سازی #کامپیوتری و #مدلسازی #ریاضی #بیماری #MS، دریافتند علایم و نشانه های مختلف بیماری MS در اصل با هم فرقی نداشته و همگی تجلی تنها یک #مکانیزم زیربنایی تخریب عصبی هستند.
🔬در این پژوهش که بصورت #گذشته نگر بر اساس سری های زمانی از اطلاعات سیر بیماری در 66 بیمار داوطلب در بیش از 20 سال گذشته صورت گرفت، اطلاعات بدست آمده مدل سازی شدند. برای #اعتباریابی محاسبات و مدلسازی صورت گرفته بصورت #آینده نگر، نتایج بر 120 بیمار داوطلب و دارای MS بصورت پیگیری سه ساله اندازه های مغزی بررسی شدند.
📚نتایج نشان دادند که #تباهی غیر قابل بازگشت #میلین در #آکسون ها ناشی از نسبت بالاتر تباهی آکسون های میلین دار است که با ظرفیت پایین تر میلین سازی مجدد، همراه شده است. اما از بین رفتن میلین ها شاخص اصلی MS نیست.
📚📚افزون بر این، مدلسازی نشان داد، سرعت پایین تر تخریب میلین آکسون ها و سرعت بیشتر میلین سازی مجدد، منجر به مقاومت بیشتر بیماران در دوره های #عود MS می شود. بر این اساس، گونه های مختلف MS تنها در تغییرات نسبت های تخریب و بازسازی میلین در آکسونها بوده و از نظر آسیب شناسی بیماری های متفاوتی محسوب نمی شوند.
🔆در پژوهشی دیگر که به تازگی منتشر شده بود، نتایج حاکی از سودمندی مصرف #آنتی_هیستامین برای درمان MS بوده است.
Abstract
#Multiple #Sclerosis (#MS) is an #autoimmune disease driving inflammatory and #degenerative processes that damage the #central #nervous #system (#CNS). However, it is not well understood how these events interact and evolve to evoke such a highly dynamic and heterogeneous disease. We established a hypothesis whereby the variability in the course of MS is driven by the very same #pathogenic mechanisms responsible for the disease, the autoimmune attack on the CNS that leads to #chronic #inflammation, #neuroaxonal #degeneration and #remyelination. We propose that each of these processes acts more or less severely and at different times in each of the clinical subgroups. To test this hypothesis, we developed a #mathematical #model that was constrained by #experimental #data (the expanded disability status scale [#EDSS] time series) obtained from a #retrospective #longitudinal cohort of 66 MS patients with a long-term follow-up (up to 20 years). Moreover, we validated this model in a second #prospective #cohort of 120 MS patients with a three-year follow-up, for which EDSS data and #brain #volume time series were available. The #clinical #heterogeneity in the #datasets was reduced by grouping the EDSS time series using an #unsupervised #clustering #analysis. We found that by adjusting certain parameters, albeit within their biological range, the mathematical model reproduced the different disease courses, supporting the dynamic CNS damage hypothesis to explain MS heterogeneity. Our analysis suggests that the irreversible axon degeneration produced in the early stages of progressive MS is mainly due to the higher rate of myelinated axon degeneration, coupled to the lower capacity for remyelination. However, and in agreement with recent pathological studies, degeneration of chronically demyelinated axons is not a key feature that distinguishes this phenotype. Moreover, the model reveals that lower rates of axon degeneration and more rapid remyelination make relapsing MS more resilient than the progressive subtype.
لینک منبع 👇🏻(further reading)👇🏻
http://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1005757
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
journals.plos.org
Dynamics and heterogeneity of brain damage in multiple sclerosis
Author summary Multiple Sclerosis (MS) is an autoimmune disease in which inflammatory and degenerative processes damage the brain. We tested the hypothesis that the variability in disease progression and the clinical heterogeneity observed in MS is driven…
♻️#مدلسازی و #پیش_بینی #توجه #مستمر
#Connectome-based #predictive #modeling of #attention: Comparing different #functional #connectivity features and #prediction methods across #datasets
در گزارشی که به تازگی منتشر شده است، پژوهشگران نوروساینس دانشگاه ییل 🇺🇸 روشی جدید برای #مدلسازی، #طبقه بندی و #پیش بینی #الگوهای توجه در افراد یافته اند.
🔬در این پژوهش 294 داوطلب تکالیف توجهی مختلفی را در وضعیت های مختلف و حین #fMRI انجام دادند.
📚بر اساس یافته های پژوهش حاضر، می توان در حوزه #توجه #پایدار در افراد، بر اساس #تفاوتهای #فردی 12 الگوی مختلف وجود دارد که بر اساس آن #کنشوری و #عملکرد کارکردهای اجرایی افراد با دقت بالایی قابل پیش بینی است.
Abstract
#Connectome-based predictive #modeling was recently developed to predict #individual #differences in #traits and #behaviors, including #fluid #intelligence and #sustained #attention, from #functional #brain #connectivity (#FC) measured with #fMRI. Here, using the #CPM framework, we compared the #predictive power of three different measures of FC (#Pearson's #correlation, #accordance, and #discordance) and two different #prediction #algorithms (#linear and #partial #least #square [#PLS] #regression) for attention #function. Accordance and discordance are recently proposed FC measures that respectively track #in-phase #synchronization and #out-of-phase #anti-correlation. We defined connectome-based models using task-based or #resting-state FC data, and tested the effects of (1) functional connectivity measure and (2) feature-selection/prediction algorithm on individualized attention predictions. Models were #internally #validated in a training dataset using leave-one-subject-out cross-validation, and externally validated with three independent datasets. The training dataset included fMRI data collected while participants performed a sustained attention task and rested. The validation datasets included: 1) data collected during performance of a #stop-signal task and at rest (N = 83, including 19 participants who were administered #methylphenidate prior to scanning;) data collected during #Attention #Network #Task performance and rest (N = 41), and 3) resting-state data and #ADHD symptom severity from the #ADHD-200 Consortium (N = 113). Models defined using all combinations of functional connectivity measure (Pearson's correlation, accordance, and discordance) and prediction algorithm (linear and PLS regression) predicted attentional abilities, with correlations between predicted and observed measures of attention as high as 0.9 for internal validation, and 0.6 for external validation (all p's < 0.05). Models trained on task data outperformed models trained on rest data. Pearson's correlation and accordance features generally showed a small numerical advantage over discordance features, while PLS regression models were usually better than linear regression models. Overall, in addition to correlation features combined with linear models, it is useful to consider accordance features and PLS regression for CPM.
لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.010
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
#Connectome-based #predictive #modeling of #attention: Comparing different #functional #connectivity features and #prediction methods across #datasets
در گزارشی که به تازگی منتشر شده است، پژوهشگران نوروساینس دانشگاه ییل 🇺🇸 روشی جدید برای #مدلسازی، #طبقه بندی و #پیش بینی #الگوهای توجه در افراد یافته اند.
🔬در این پژوهش 294 داوطلب تکالیف توجهی مختلفی را در وضعیت های مختلف و حین #fMRI انجام دادند.
📚بر اساس یافته های پژوهش حاضر، می توان در حوزه #توجه #پایدار در افراد، بر اساس #تفاوتهای #فردی 12 الگوی مختلف وجود دارد که بر اساس آن #کنشوری و #عملکرد کارکردهای اجرایی افراد با دقت بالایی قابل پیش بینی است.
Abstract
#Connectome-based predictive #modeling was recently developed to predict #individual #differences in #traits and #behaviors, including #fluid #intelligence and #sustained #attention, from #functional #brain #connectivity (#FC) measured with #fMRI. Here, using the #CPM framework, we compared the #predictive power of three different measures of FC (#Pearson's #correlation, #accordance, and #discordance) and two different #prediction #algorithms (#linear and #partial #least #square [#PLS] #regression) for attention #function. Accordance and discordance are recently proposed FC measures that respectively track #in-phase #synchronization and #out-of-phase #anti-correlation. We defined connectome-based models using task-based or #resting-state FC data, and tested the effects of (1) functional connectivity measure and (2) feature-selection/prediction algorithm on individualized attention predictions. Models were #internally #validated in a training dataset using leave-one-subject-out cross-validation, and externally validated with three independent datasets. The training dataset included fMRI data collected while participants performed a sustained attention task and rested. The validation datasets included: 1) data collected during performance of a #stop-signal task and at rest (N = 83, including 19 participants who were administered #methylphenidate prior to scanning;) data collected during #Attention #Network #Task performance and rest (N = 41), and 3) resting-state data and #ADHD symptom severity from the #ADHD-200 Consortium (N = 113). Models defined using all combinations of functional connectivity measure (Pearson's correlation, accordance, and discordance) and prediction algorithm (linear and PLS regression) predicted attentional abilities, with correlations between predicted and observed measures of attention as high as 0.9 for internal validation, and 0.6 for external validation (all p's < 0.05). Models trained on task data outperformed models trained on rest data. Pearson's correlation and accordance features generally showed a small numerical advantage over discordance features, while PLS regression models were usually better than linear regression models. Overall, in addition to correlation features combined with linear models, it is useful to consider accordance features and PLS regression for CPM.
لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.010
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani