Magnetic Resonance Spectroscopy: Quantitative Analysis of Brain Metabolites and Macromolecules

Abstract

Die Protonen-Magnetresonanzspektroskopie (1H-MRS) ermöglicht die nichtinvasive in vivo Quantifizierung des Metabolismus im menschlichen Gehirn. In der 1H-MRS wird die Interaktion zwischen einem in ein starkes elektromagnetisches Feld platziertes 1H-Wasserstoffisotop und einem oszillierenden elektromagnetischen Feld gemessen. Die gemessenen MRS-Signale der 1H-Wasserstoffatome spiegeln die Konzentration der in dem Gewebe enthaltenen Metaboliten wieder. Jedes 1H-Wasserstoffatom in einem Metaboliten hat eine spezifische Resonanzfrequenz, die von der chemischen Struktur des Metaboliten abhängt. Die Gesamtheit der Resonanzfrequenzen aller Metaboliten in dem gemessenen Gewebe generiert das MRS-Signal. Durch die Fourier-Transformation dieses MRS-Signals entsteht ein MRS-Spektrum mit Spektrallinien, die den enthaltenen Resonanzfrequenzen entsprechen. Wasser ist das häufigste Molekül im menschlichen Gewebe. Um Metaboliten mit signifikant geringeren Konzentrationen quantifizieren zu können, wird in der MRS das Wassersignal unterdrückt. Wasserstoffatome mit einer niedrigeren Resonanzfrequenz als Wasser bilden das sogenannte „Upfield-Spektrum”, während die Wasserstoffatome mit einer höheren Resonanzfrequenz das “Downfield-Spektrum” bilden. Das „Upfield-Spektrum” enthält die Spektrallinien der meisten klinisch relevanten Metaboliten, ist aber von einer starken spektralen Überlagerung geprägt. Deshalb müssen die Anteile der einzelnen Metaboliten im Gesamtspektrum durch eine spezielle Software berechnet werden. Die Modellierung der einzelnen Beiträge der Metaboliten zu dem gemessenen Spektrum nennt man spektrales Fitting. Mithilfe des spektralen Fitting werden die für die klinische Diagnostik relevanten Metabolitenkonzentrationen bestimmt. Diese Doktorarbeit fokussiert sich auf die Modellierung des MRS-Spektrums. Der erste Teil beschäftigt sich mit der akkuraten Quantifizierung der Metabolitenkonzentrationen. Die signifikanteste spektrale Überlagerung im MRS entsteht durch Signale, die unter den Spektrallinien der Metaboliten liegen und die als makromolekulares Spektrum bezeichnet werden. Das makromolekulare Spektrum besteht aus den Resonanzfrequenzen der Protonen von Proteinen und Peptiden, deren MRS-Signal schneller zerfällt als das der kleineren Moleküle (Metaboliten). Zusätzlich tragen zu der spektralen Überlagerung nicht ausreichend unterdrückte Wassersignale, sowie Signale von Fettmolekülen, die sich von außerhalb des gemessenen Volumens in das Spektrum reinfalten bei. Diese unerwünschten Signale werden im spektralen Fitting typischerweise durch Spline-Grundlinien modelliert. In dieser Arbeit wird untersucht, wie sich verschiedene makromolekulare Spektren und Spline-Grundlinien auf das spektrale Fitting auswirken. Änderungen der Flexibilität an der Spline-Grundlinie im LCModel (am häufigsten genutzte MRS-Software) führen zu signifikant unterschiedlichen Metabolitenkonzentrationen. Deshalb wurde in dem für diese Arbeit neuentwickelten, spektralen Fitting-Algorithmus ProFit-v3 eine automatische Erkennung der notwendigen Flexibilität der Spline-Grundlinie etabliert. Die ProFit-v3 Software wurde danach systematisch auf verschiedene Perturbationen und Grundlinien getestet. Die quantifizierten Konzentrationen wurden mit den wahren Konzentrationen (falls bekannt) und mit den Ergebnissen der LCModel Software verglichen. Der zweite Teil dieser Arbeit untersucht neue Modellierungsmöglichkeiten für zwei weniger untersuchte Bereiche des MRS-Spektrums. Das „Downfield-Spektrum” enthält mehrere Spektrallinien, die noch keinen Metaboliten zugeordnet werden konnten. In dieser Arbeit wurde der intrazelluläre pH-Wert durch Downfield-Spektrallinien bestimmt. Im Weiteren wurden für alle Downfield-Spektrallinien T2 Relaxationszeiten, spektrale Linienbreiten und Konzentrationen berechnet. Zuletzt wurden die entsprechenden Metaboliten anhand der quantifizierten Eigenschaften und Messungen aus vorliegender Literatur zu den Spektrallinien zugeordnet. Vorherige Literatur ordnet das makromolekulare Spektrum Beiträge der Aminosäuren aus Proteinen und Peptiden zu. Zusätzlich wurden die Resonanzfrequenzen der Aminosäuren in Proteinen umfangreich von der NMR-Gemeinschaft in Proteindatenbanken gesammelt. Daher wird in dieser Arbeit ein Modellierungsverfahren vorgestellt, um die in vivo gemessenen makromolekularen Spektren als Kontribution einzelner Aminosäuren zu quantifizieren. Insgesamt konnte gezeigt werden, dass die Forschungsergebnisse und die vorgestellte ProFit-v3 Fitting Software zur Verbesserung der MRS Quantifizierung beitragen. Die Zuordnung von Metaboliten im „Downfield-Spektrum“ und das Modell zur Quantifizierung von Aminosäuren können als zukünftige Biomarker für Krankheiten dienen.

Proton magnetic resonance spectroscopy (1H-MRS) allows non-invasive quantification of the human brain's metabolism in vivo. 1H-MRS measures the interaction of the 1H-hydrogen isotope with oscillating electromagnetic fields in the presence of a strong electromagnetic field. The measured MRS signal of the 1H-hydrogen atoms reflects the concentration of the metabolites present in the tissue. Metabolites are small molecules reflecting the metabolism. Each 1H-hydrogen atom present in a metabolite has a specific resonance frequency, which depends on the chemical structure of the metabolite. The ensemble of the resonance frequencies of all metabolites present in the measured tissue creates the MRS signal. The MRS signal is Fourier transformed, producing an MRS spectrum, where each resonance frequency appears as a distinct peak. The most abundant molecule in the human tissue is water. The resonance frequency of water is suppressed in 1H-MRS to permit the quantification of other metabolites, which are present with significantly lower concentrations. In the MRS spectrum, protons with lower resonance frequencies than water form the upfield spectrum, whereas protons with higher resonance frequencies form the downfield spectrum. This work focused on the modelling of the MRS spectrum. The first part is focused on the accurate determination of metabolite concentrations. The upfield spectrum contains most brain metabolites of clinical interest. However, there is a severe spectral overlap between the metabolite resonances, and therefore dedicated software calculates the contributions of individual metabolites. The modelling of the individual metabolite contributions to the measured spectrum is referred to as spectral fitting. Through this spectral fitting, the metabolite concentrations needed for clinical diagnostics are determined. The most significant overlap in MRS spectra originates from the signals underlying the metabolite resonances, referred to as the macromolecular spectrum. The macromolecular spectrum contains the resonance frequencies of protons in proteins and peptides, which have a slightly faster signal decay than the smaller molecules (metabolites). Other contributors to the spectral overlap are residuals of the not entirely suppressed water signal or lipid signals originating from outside the volume of interest. A spline baseline is typically used in the fitting software to model these contributors. This work firstly investigated the impacts of different macromolecular spectra and spline baselines used in spectral fitting. Significant effects in the quantified metabolite concentrations were noticed, when the spline baseline flexibility was altered in the community “gold standard” software, LCModel. Therefore, the newly developed fitting algorithm proposed in this work, ProFit-v3, incorporates an automatic adaptive baseline flexibility determination. The ProFit-v3 software was then systematically evaluated to different perturbations and baseline effects. The quantified concentrations were compared to the ground truth (when known) and the LCModel software results. The second part of this work focuses on the modelling of the less investigated regions of the MRS spectrum. The downfield spectrum contains many resonance peaks unassigned to metabolite contributions. In this work, downfield spectral peaks were used to quantify intracellular pH. Additionally, for all downfield peaks T2 relaxation times, peak linewidths, and concentrations were calculated. Lastly, based on the quantified peak properties combined with previous literature measurements, the contributing molecules to the downfield peaks were assigned. The macromolecular spectrum was attributed by previous literature to contributions of amino acids in proteins and peptides, based on in vitro measurement of dialyzed cytosol. Moreover, the resonance frequencies of protein amino acids have been extensively collected into a protein database by the NMR community. Hence, this work proposes a modelling approach to quantify the in vivo measured macromolecular spectrum to individual amino acids. In conclusion, the investigation results and the proposed fitting software ProFit-v3 from this work should lead to improved quantification of 1H-MRS spectra. Lastly, the peak assignments in the downfield spectra and the proposed amino acid model promises possible future biomarkers for disease.