Inimese väikeaju ja kortikotserebellaarsed ühendused, mis on seotud emotsionaalse mälu parandamisega, 3. osa

Kokkuvõttes näitas DCM-i analüüs, et 25 aju ROI-st, mis on seotud emotsionaalse mälu parandamisega,13 näitasid ROI-d suuremat sidet väikeajuga, enamasti suunas väikeajust ajukoore ROI-sse, kahel juhul vastupidises suunas ja veel kahel juhul mõlemas suunas.

Rõõmus ja positiivne meeleolu võib parandada inimeste mälu. Seda seetõttu, et emotsionaalse mälu parandamise mehhanism hõlbustab inimestel olulise teabe pikaajalist mällu salvestamist. Uuringud näitavad, et kui inimkeha kogeb tugevaid emotsioone, eraldub kehas katalüütilisi aineid, mis aktiveerivad emotsioonidega seotud ajupiirkondi, mõjutades aju kognitiivseid ja õppimiskeskusi. Teisisõnu, emotsionaalse mälu parandamine aitab meil teavet sügavamalt meeles pidada.

Igapäevaelus saame parandada oma mälu, kohandades oma emotsioone. Saame valida mõned tegevused, mis muudavad meid õnnelikuks ja mugavaks, nagu näiteks lemmikmuusika kuulamine, sõpradega vestlemine, lõõgastavate harjutuste tegemine jne. Lisaks võivad mõned lihtsad käitumisviisid aidata meil rõõmsat tuju säilitada, nt. piisavalt magada, korralikult süüa ja mõõdukalt treenida.

Lühidalt öeldes on emotsionaalse mälu parandamise ja mälu vahel tihe seos. Positiivsed emotsioonid stimuleerivad aju piirkondi, mis on seotud mäluga, muutes meile lihtsamaks teabe salvestamise pikaajalisse mällu. Emotsioone reguleerides saame aidata endal parandada mälu ning olla elus õnnelikumad ja rahulolevamad. On näha, et me peame oma mälu parandama. Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola on traditsiooniline Hiina ravimmaterjal, millel on palju ainulaadseid toimeid, millest üks on mälu parandamine. Hakkliha tõhusus tuleneb selles sisalduvatest erinevatest toimeainetest, sealhulgas hapetest, polüsahhariididest, flavonoididest jne. Need koostisosad võivad aju tervist mitmel viisil edendada.

Klõpsake nuppu Tea 10 viisi mälu parandamiseks

Need leiud viitavad sellele, et väikeaju on emotsionaalse mälu parandamisega seotud ühenduvusvõrgu lahutamatu osa. Nende tulemuste põhjal ei saa me aga järeldada, millised neist seostest on kõige olulisemad. Kuna ROI-d määratleti funktsionaalselt, mitte anatoomiliselt, ei saa me ka määrata kortikaalsete ROI-de täpseid anatoomilisi substraate. Valisime selle lähenemisviisi, kuna ühenduste olemasolu tuvastamise tundlikkust saab suurendada, kasutades funktsionaalsetele piiridele vastavaid ROI-sid (36).

Selle protseduuri tagajärjeks on anatoomilise spetsiifilisuse kadumine ja võimetus eristada erinevate anatoomiliste struktuuride panust teatud ROI piires. Veelgi enam, kuna siin testitud DCM-id sisaldasid ainult kahte sõlme, ei võta nad arvesse, kas väikeaju ja teise ROI vahelist mõju vahendavad täiendavad piirkonnad. Seetõttu peegeldavad meie ühenduvusparameetrite väärtused nii otseseid kui ka kaudseid ühendusi.

Praegused leiud võivad aidata paremini mõista võrgustikku, mis on seotud emotsionaalse mälu parandamisega füsioloogilistes tingimustes. Lisaks võivad leiud mõjutada ka patoloogiliste seisundite, näiteks posttraumaatilise stressihäire (PTSD) mõistmist, kuna liiga tugeva aversiivse mälujälje teke pärast atraumaatilist sündmust on oluline patogeenne mehhanism hirmuga seotud häirete tekkes (1, 62, 63). Kuigi fMRI abil ei ole võimalik uurida esialgset mälu moodustumist PTSD-s, võivad uuringud uurida traumaatilise mälu taastamise närvikorrelaate. Hiljutine fMRI uuring järgis seda lähenemisviisi ja leidis, et PTSD-ga patsientidel paranes aju aktivatsioon väikeajus (sealhulgas vermis), kuklaluudes, supramarginaalses gyruses ja mandelkehas (64).

Seevastu väikeaju hüpoaktiivsus võib olla seotud seisunditega, mille emotsionaalne mälu paraneb. Tõepoolest, kliinilised uuringud näitavad, et verbaalset funktsiooni mõjutavad patoloogiad on seotud mitmesuguste kognitiivsete ja emotsionaalsete häiretega, sealhulgas autismispektri häire sümptomitega (65, 66). Huvitav on see, et autismispektri häirega patsientidel on episoodiliste mälestuste emotsionaalne paranemine puudulik (67, 68). Võimalik, et need puudujäägid tulenevad osaliselt selle häire puhul sageli täheldatud theamygdala struktuursetest ja funktsionaalsetest kõrvalekalletest (69, 70). Kuid praeguste tulemuste põhjal võib autismispektri häire dermaalne hüpoplaasia samuti kaasa aidata episoodilise mälu nõrgenenud emotsionaalsele paranemisele. Seda hüpoteesi tuleks testida autismiga patsientidel, kellel on erineva raskusastmega mandelkeha ja vermise kõrvalekalded.

Järjest rohkem on tõendeid selle kohta, et väikeaju, eriti väikeaju vermis ja selle ühendused mitmete ajupiirkondadega, sealhulgas limbilise süsteemiga, on seotud emotsionaalsete funktsioonidega, sealhulgas emotsionaalne taju, emotsionaalne äratundmine, emotsioonide töötlemine ja hirmu konditsioneerimine (27, 71). . Praegused leiud viitavad nüüd sellele, et väikeaju on samuti osa episoodilise mälu emotsionaalse parandamisega seotud vooluringist. Selles vooluringis saab väikeaju sisendit mitmest ajupiirkonnast, sealhulgas tsingulaadist, samas kui amygdala / hipokampus ja mitmed teised ajupiirkonnad saavad sisendit väikeajult. Need leiud laiendavad teadmisi väikeaju rolli kohta keerulistes kognitiivsetes ja emotsionaalsetes protsessides ning võivad olla olulised hälbivate emotsionaalsete ahelatega psühhiaatriliste häirete, nagu PTSD või autismispektri häire, mõistmisel.

Materjalid ja meetodid

Osalejad. Me värbasime terveid noori osalejaid (872 naist, 546 meest, keskmine vanus=22,39 aastat, SD=3,27). Reklaami tehti peamiselt Baseli ülikoolis ja kohalikes ajalehtedes. Osalejad olid vabad ühestki neuroloogilisest või psühhiaatrilisest haigusest, ei võtnud katse ajal mingeid ravimeid (välja arvatud hormonaalsed rasestumisvastased vahendid) ja olid vanuses 18–35 aastat. Füüsilist ja vaimset tervist hinnati standardküsimustike alusel. Eksperimendi kiitis heaks Šveitsi Baseli kantoni eetikakomitee. Kõik osalejad andsid enne uuringus osalemist kirjaliku teadliku nõusoleku. Enne analüüsi jagati valim avastusprooviks (n=945, 2/3 kõigist osalejatest) ja replikatsiooniprooviks (n=473, 1/3 kõigist osalejatest), määrates osalejad juhuslikult ühte Randomiseerimine viidi läbi, kasutades Matlabi funktsiooni rand perm. Avastamis- ja replikatsiooniproovide vahel ei olnud olulisi erinevusi vanuse, soo või emotsionaalse mälu paranemise vahel (P suurem või võrdne 0.33, {{ 16}}külgtestimine, n=1,418).

Katse: protseduur. Osalejad läbisid neli järjestikust ülesannet: pildi kodeerimise ülesanne, töömälu ülesanne, vaba meeldetuletusega mälu test ja arecognition ülesanne. Esmalt juhendati osalejaid ja seejärel koolitati neid pildi kodeerimise ja töömälu ülesannete osas. Pärast treeningut paigutati nad skannerisse ning said kõrvatropid ja kõrvaklapid skanneri müra vähendamiseks. Nende pead fikseeriti mähisesse väikeste patjadega ja neil kästi mitte liikuda. Pilte esitati skanneris, kasutades MR-ühilduvaid vedelkristallekraaniga prille (VisualSystem; NordicNeuroLab, Bergen, Norra). Vajadusel kasutati silmade korrigeerimist. Pildi kodeerimise ülesanne kestis ~20 min. Vahetult pärast seda tegid osalejad skanneris ~10 minuti jooksul tähe n-tagasi (0-tagasi ja 2-tagasi tingimused) töömälu ülesande. Praeguses uuringus kasutati töömälu ülesannet mälu testimise kodeerimise ja meeldetuletamise vahelise tähelepanu hajutamise ülesandena. Seetõttu ei analüüsinud me töömälu ülesande enda andmeid (ülesande kirjeldust vt viitest 72). Pärast skannerist lahkumist tehti osalejatele eraldi ruumis ette teatamata piltide vaba meeldejätmise test (ajapiiranguta). oli selle ülesande jaoks määratud). Pärast tasuta tagasikutsumist paigutati osalejad skanneris ümber ja sooritasid äratundmisülesande (ülesande kirjeldust vt viitest 73). Osalejad said osalemise eest 25 Šveitsi franki/h. Organisatsiooniliste piirangute tõttu pidime muutma ruumi, kus pilte meenutati, mis tähendas, et mõned osalejad meenutasid pilte veidi teistsuguses keskkonnas.

Katse: Pildi kodeerimise ülesande kavandamine. Stiimulid koosnesid 72 pildist (24 positiivset, 24 negatiivset ja 24 neutraalset), mis valiti rahvusvahelisest afektiivse pildi süsteemist (IAPS) (74) ja ettevõttesisestest standardsetest pildikomplektidest, mis võimaldasid meil võrrelda pilte visuaalse keerukuse ja sisuga. (nt inimese kohalolek). IAPS-ist saadud pildid klassifitseeriti IAPS-i valentsihinnangu järgi. 24 neutraalsest pildist kaheksat ei saadud IAPS-ist. Neid pilte hinnati ettevõttesisese valentsi (11) põhjal. Normatiivsete valentsuskooride (1 kuni 9) põhjal määrati pildid negatiivseteks (2,3 ± 0,6), neutraalseteks (5.0 ± 0,3) ja positiivseteks ( 7,6 ± 0.4) tingimused, mille tulemuseks on 24 pilti iga valentsi kohta. Positiivsed stiimulid valiti algselt nii, et need vastaksid negatiivsete stiimulite erutushinnangutele, tuginedes 20 uuringusse mittekuuluva osaleja pilootuuringu andmetele. Esitati neli lisapilti, millel on kujutatud neutraalseid objekte. Kaks neist piltidest esitati pildiülesande alguses ja kaks pildiülesande lõpus. Need pildid jäeti meeldetuletuse toimivuse hindamisest välja, et kontrollida primaarsuse ja hiljutise mõju mälu. Piltide näideteks olid erootika, sport ja positiivse valentsi jaoks atraktiivsed loomad; kehavigastused, maod ja rünnakustseenid negatiivse valentsi jaoks; ja neutraalsed näod, majapidamisesemed ja ehitised neutraalse seisundi tagamiseks. Lisaks kasutati 24 skrambleeritud pilti. Skrambleeritud piltide taust sisaldas kõigi katses kasutatud piltide värviteavet (v.a primaar- ja hiljutised pildid), mis olid kaetud kristalli- ja moonutusfiltriga (Adobe Photoshop CS3). Esiplaanil oli enamasti läbipaistev geomeetriline objekt (erineva suuruse ja orientatsiooniga ristkülik või ellips). Käesoleva uuringu jaoks ei pakkunud segatud pildid huvi.

Pilte esitati 2,5 sekundit peaaegu juhuslikus järjekorras, nii et järjestikku esines maksimaalselt neli sama kategooria pilti. Enne iga pildiesitlust ilmus ekraanile 500 ms fiksatsioonirist. Stiimuli algusaeg muutus skaneerimise alguses 3 sekundi jooksul (1 kordusaeg [TR]) valentskategooria kohta. Katsetevahelise perioodi jooksul hindasid osalejad kõiki 72 pilti vastavalt valentsile (negatiivne, neutraalne või positiivne) ja erutuse (suur, keskmine või väike) järgi 3-punktiskaalal (enesehindamise mannekeen), vajutades nuppu nupp oma domineeriva käega. Segatud piltide puhul hindasid osalejad esiplaanil oleva geomeetrilise objekti kuju (vertikaalne, sümmeetriline või horisontaalne) ja suurust (suur, keskmine või väike). Pildi esitluseks kasutati tarkvara Presentation (Neurobehavioral Systems, Inc., Berkeley, CA; https://www.neurobs.com).

Käitumisandmed: emotsionaalne mälu parandamine. Vaba meenutamise dokumenteerimiseks pidid osalejad üles kirjutama meeldetuletatud piltide kirjelduse. Pilt hinnati õigesti meeldetuletuks, kui hindaja suutis osaleja kirjelduse põhjal esitatud pildi tuvastada. Kaks koolitatud uurijat hindasid iseseisvalt kirjeldusi meeldetuletamise edukuse osas (hindajatevaheline usaldus > 99%). Kolmas sõltumatu hindaja otsustas erinevalt hinnatud piltide kasuks. Iga osaleja arvutasime välja, kui sageli meenutati emotsionaalseid pilte võrreldes neutraalsete piltidega: ([tuletatud meelde positiivne – meenutatud neutraalset] + [meenutatud negatiivne – meenutatud neutraalset])/2. Andmepunktid joonistati ja leiti, et need on ligikaudu normaalselt jaotunud (SI lisa, joonis S1). Kahepoolseid t-teste rakendati, et kontrollida, kas emotsionaalse mälu jõudlus erines oluliselt nullist. Lisaks testisime võimalike segajate mõjusid. Kasutasime 2-proovi t-testi, et hinnata, kas emotsionaalse mälu jõudlus sõltus seksist. Me kasutasime Pearsoni lineaarseid korrelatsioonikoefitsiente, et seostada jõudlust vanusega. Kahepoolseid t-teste kasutati selleks, et kontrollida, kas korrelatsioonikordaja erines oluliselt nullist.

Pildistamine: MRI omandamine. Mõõtmised viidi läbi SiemensMagnetom Verio 3 T kogu keha MR-seadmega, mis oli varustatud 12-kanalipea mähisega. Funktsionaalsed aegread saadi ühekaadrilise kajatasandilise järjestuse abil, kasutades paralleelkujutist (GRAPPA). Kasutasime järgmisi hankimisparameetreid: kajaaeg (TE)=35 ms; vaateväli (FOV)=22 cm; omandamismaatriks =80 × 80, interpoleeritud 128 × 128-ks; voksli suurus=2,75 × 2,75 × 4 mm3;GRAPPA kiirendustegur R=2,0. Kasutades kesksagitaalset luubikujutist, saadi 32 külgnevat aksiaalset lõiku, mis paiknesid piki eesmist ja tagumist vahetasandit, mis katsid kogu aju TR=3, 000 ms (= 82 kraad) abil, kasutades kasvavat vahekaarti järjestus. Esimesed kaks omandamist jäeti T1 aja konstantse küllastusefektide tõttu kõrvale. Kõrge eraldusvõimega T1-kaalutud anatoomiline kujutis saadi magnetiseerimisega ettevalmistatud gradientkajajada (TR =2, 000 ms; TE=3,37 ms; TI {{) abil 31}}, 000 ms; pöördenurk=8 kraadi; 176 lõiku; FOV =256 mm; voksli suurus=1 × 1 x 1 mm3).

Imaging: Tarkvarapakett pildiandmete statistiliseks analüüsiks. Kasutasime statistilise parameetrilise kaardistamise (SPM) tarkvara SPM12 versiooni 6685 (Wellcome Trust Center for Neuroimaging, London, UK; https://www.fil.ion.ucl.ac. uk/spam/), mis on rakendatud Matlab R2016a-s.

Pildistamine: Kaja tasapinnalise kujutise (EPI) mahtude eeltöötlus ja normaliseerimine. Mahud viiluti – korrigeeriti esimesele lõigule, kohandades suvandit „register to mean” uuesti, ja registreeriti anatoomilise kujutisega, rakendades normaliseeritud vastastikuse teabe kolmemõõtmelist jäiga keha teisendust. Edukat kaasregistreerimist kontrolliti visuaalselt iga osaleja puhul. Iga helitugevus maskeeriti osaleja T1 anatoomilise kujutisega, et välistada vokslid väljaspool aju. Kaja tasapinnalise kujutise (EPI) mahud normaliseeriti Montreali Neuroloogia Instituudi (MNI) ruumi järgi ja tasandati DARTEL-i rakendamisega 8 mm täislaiusega täislaiusega poole maksimaalse (FWHM) Gaussi tuumaga, mis viis osalejate vahelise registreerimise paranemiseni (75, 76). .

Funktsionaalsete aegridade hankimiseks kasutatud vahelduv jada muutis esimese eeltöötlusetapina lõiguaja korrektsiooni kasutamise vajalikuks (77). Lõike ajastuse parandusmeetodid suudavad edukalt kompenseerida lõikude ajastuse efekte (78). Eelkõige ei tuvastata fMRI DCM-is põhjusliku seose suunda ajalise tähtsusega. Selle asemel kehastab põhjuslikku seost iga piirkonna diferentsiaalolekuvõrrandi matemaatiline vorm. Antud mudeli olekuvõrrandid määravad süsteemi struktuuri (nt piirkondadevahelise ühenduvuse), määrates selgesõnaliselt ette, kuidas süsteemi sees dünaamika tekib (39). Seetõttu viidi varem läbi mitmeid sarnaste TR-idega DCM-i uuringuid (79–81).

Pildistamine: vokslipõhise tegevuse modelleerimine. Iga osaleja jaoks määrati üldised lineaarsed mudelid (GLM-id), et tuvastada ülesande poolt aktiveeritud vokslid. Stiimulisündmuste algust ja kestust modelleerivad regressorid olid seotud kanoonilise hemodünaamilise vastuse funktsiooniga. Täpsemalt sisaldas mudel nupuvajutuste regressoreid, mis olid modelleeritud pulga-/deltafunktsioonidena, pildiesitlusi (positiivne, neutraalne, negatiivne, segatud, ülimuslik ja hiljutine), mis olid modelleeritud epohhi/boxcar-funktsiooniga (kestus: 2,5 s) ja hindamisskaalasid, mis olid modelleeritud muutuva kestusega epoch/boxcar funktsioon (olenevalt sellest, millal toimus järgnev nupuvajutus). Jadakorrelatsioonid eemaldati esimest järku autoregressiivse mudeli abil ja madalsagedusliku müra eemaldamiseks rakendati kõrgpääsfiltrit (128 s). Kuus liikumisparameetrit sisestati ka häirivate kovariaatidena. Määratlesime kaks erinevat GLM-i tüüpi. Eduka emotsionaalse mälu kodeerimisega seotud vokslite tuvastamiseks kasutati ühte tüüpi GLM-i.

Siin modelleeriti positiivsed, negatiivsed ja neutraalsed stiimulid eraldi sõltuvalt sellest, kas need hiljem meelde tuletati või mitte. Saadud parameetrite hinnanguid vastandati, et tuvastada eduka emotsionaalse mälu kodeerimisega seotud vokslid ([meenutatud emotsionaalsed pildid – meeldetuletamata emotsionaalsed pildid] – [meenutatud neutraalsed pildid – meenutamata neutraalsed pildid]). See kontrast oli saadaval 944-l avastusvalimi 945-st osalejast (1 uuritav ei mäletanud ühtegi neutraalset pilti) ja 470-l replikatsiooniproovi 473-st osalejast (3 katseisikut ei mäletanud ühtegi neutraalset pilti) . Väikeaju aktiivsuse võimalike valentsiga seotud mõjude uurimiseks võrdlesime lisaks, kas eduka mälukodeerimisega seotud tegevus erines positiivsete ja negatiivsete piltide vahel. See vastas järgmisele kontrastile: ([meenutatud negatiivsed pildid – meenutamata negatiivsed pildid] – [tuletatud positiivsed pildid – meeldetuletamata positiivsed pildid]). Teist tüüpi GLM määrati kindlaks emotsionaalsete piltide kodeerimisega seotud vokslite tuvastamiseks, olenemata mälust. Määrasime regressorid positiivsete, neutraalsete ja negatiivsete piltide jaoks, olenemata sellest, kas pilte meenutati või mitte, ja vastandasime saadud parameetrite hinnanguid (emotsionaalsed pildid - neutraalsed pildid). Kasutasime perekonnapõhise vea (FWE) korrektsiooni mitmekordseks võrdluseks kogu aju tasandil kõigi kontrastidega (Pwhole-brain-FWE-korrigeeritud < 0.05). Valentsiga seotud mõjude testimiseks väikeajuklastris rakendati klastri tasemel mitme võrdluse korrigeerimist (Psmall-volume-korrigeeritud < 0,001, klastri ulatus k=10).

Pildistamine: vokslipõhise tegevuse rühmastatistika. "Eduka emotsionaalse mälu kodeerimise" ja "emotsionaalsete piltide kodeerimisega" seotud tegevuse määramiseks sisestati kontrastikaardid juhuslike efektide mudelisse (teise taseme analüüs), kasutades GLM Flexi (Martinose keskus ja Massachusettsi üldhaigla, Charlestown, MA; https ://habs.mgh.harvard.edu/researchers/datatools/glm-flex-fast2/). Kontrollisime soo, vanuse, skanneritarkvara ühe muudatuse ja kahe gradiendimähiste muudatuse mõju, kaasates need ühismuutujatena. Kasutasime GLM Flexi, kuna EPI järjestused kannatavad signaali kadumise tõttu magnetvälja ebahomogeensuse korral, mis võib esineda õhu-koe piiride lähedal. DARTELis rakendatud normaliseerimisprotseduur teisendas täpselt nii signaaliga voksleid kui ka signaalikaoga voksleid MNI-ruumi. InSPM-is põhjustas signaali kadu MNI-koordinaadil ainult ühe osaleja funktsionaalses pildis selle koordinaadi voksli väljajätmiseni rühmataseme analüüsist. Järelikult suurenes voksli väljajätmise tõenäosus valimi suurusega. GLM Flex vältis sellest probleemist, lubades igas vokslis muutuva arvu osalejaid. Minimaalne osalejate arv voksli kohta määrati 2/3 kõigist osalejatest.

Pildistamine: ROI-de määratlus – funktsionaalselt määratletud mask. Kuna ühenduste tuvastamise tundlikkust saab suurendada, kasutades tegelikele funktsionaalsetele piiridele vastavaid ROI-sid (36), määratlesime ROI-d funktsionaalselt, mitte anatoomiliselt. Täpsemalt kasutasime avastusvalimis (n=945) funktsionaalselt tuletatud maski ja seejärel andmepõhist rühmatasemel rühmitamist, et jagada eeltöödeldud ja normaliseeritud EPI mahud ruumiliselt koherentseteks ja ajaliselt homogeenseteks piirkondadeks (37). . Mask koosnes vokslitest, mis olid positiivselt seotud eduka emotsionaalse mälu kodeerimisega avastusproovis (Pwhole-brain-FWE-corrected < 0.05). Seejärel maskeeriti tuvastatud vokslid täiendavalt emotsionaalse pildikontrasti kodeeringuga (Pwhole-brain-FWE-korrigeeritud < 0,05), tagamaks, et kõik kaasatud vokslid avaldasid positiivset mõju ka emotsioonide kodeerimisele (99% kõigist vokslitest, mis on olulised "eduka emotsionaalse mälu kodeerimisel" kontrast" olid olulised ka "emotsionaalsete piltide kontrasti kodeerimisel").

Pildistamine: ROI-de määratlus – tükeldamise protseduur. Funktsionaalselt määratletud maskis olevad vokslid kombineeriti ROI-deks nii, et sama klastri vokslite sarnasus maksimeeriti võrreldes vokslite sarnasusega erinevates klastrites, kasutades normaliseeritud lõikemeetodit, mis sisaldas ruumilist piirangut (37). Arvutusliku otstarbekuse huvides viidi tükeldamine läbi 200 osaleja EPI mahtude põhjal, kes valiti juhuslikult avastusproovist. Need mahud siluti 6 mmFWHM Gaussi tuumaga kooskõlas hiljutise paberiga (37). Klasterdamine viidi esmalt läbi iga osaleja sees, millele järgnes teise taseme rühmade rühmitamine, nagu soovitasid Craddock jt. (37). Jaotasime maskis olevad vokslid 30 ROI-ks, kuna leidsime, et see arv annab piisava ruumilise spetsiifilisuse, olles samal ajal siiski juhitav DCM-iga ühenduvuse arvutamisest tingitud arvutuskoormuse osas. Üks neist ROI-dest sisaldas isoleeritud voksleid ja diskreetseid väikeseid klastreid, mis ei olnud ruumiliselt koherentsed. See ROI (ROI 11), mis sisaldas 60 vokslit, eemaldati seega edasisest analüüsist.

Ühenduvusanalüüs: ajaline väljavõte. Ekstraktisime iga osaleja ajakursuse ja ROI-d silumata ja normaliseerimata andmetest, kasutades allpool kirjeldatud protseduuri. Pange tähele, et me ekstraheerisime silumata andmetest, kuna silumine võib kahjustada ühenduvuse hindamist, kuna see viib vere hapnikusisalduse tasemest sõltuvate ajavahemike segunemiseni lähedalasuvate piirkondade vahel (36).

1. Funktsionaalsete ROI-de kaardistamine MNI-ruumist natiivsesse osalejaruumi: ROI-d, mis on kindlaks määratud jaotusprotseduuris, genereeriti MNI-ruumis. Seetõttu kaardistasime nende asukoha algse osalejaruumiga, pöörates iga osaleja normaliseerimiskõvera välja.

2. Funktsionaalsetest ROI-dest ajakulu eraldamine: enne ühenduvuse tegelikku modelleerimist DCM-i raamistikus eraldati igast ROI-st osalejaspetsiifilised ajakursused. Selle sammu eesmärk oli eraldada ühe osaleja tasemel aktiveeritud vokslitest ajakursused. Emotsionaalsete piltide kodeerimise kontrasti efekti suurus oli tunduvalt suurem kui eduka emotsionaalse mälu kontrasti efekti suurus, muutes esimese sobivamaks ülesandega seotud vokslite eristamiseks asjakohaste signaalideta vokslitest ühe osaleja tasandil. Rühma tasandil seostati kõiki selles analüüsis sisalduvaid valdkondi märkimisväärselt eduka emotsionaalse mälu kodeerimisega, tagades, et kõik ROI-d olid emotsionaalse mälu eduka kodeerimise jaoks olulised. Järelikult tuvastasime iga ROI ja osaleja jaoks olulised vokslid emotsionaalse > neutraalse kontrasti jaoks, korrigeerimata lävel P < 0,05, minimaalse klastri suurusega kolm vokslit. Kõigist nendest vokslitest ekstraheeriti kokkuvõtlik ajakava, kasutades SPM-i ekstraheerimistööriista "Huvitav maht". Täpsemalt, kõigi ROI-s valitud vokslite jaoks viidi läbi PCA. Ajapunktid olid vaatlused ja vokslid olid muutujad. PCA tagastas rida komponente, mis olid järjestatud dispersiooni proportsiooni järgi, mida iga komponent selgitas. Iga komponent oli seotud kaaluvektoriga (üks väärtus voksli kohta), mis peegeldab iga voksli panust sellesse komponenti. Esimene omamuutuja kajastas piirkonna reaktsioonile kaasa aidanud põhikomponendi ajakulu ja valiti ROI tüüpiliseks ajakuluks. Ajakursusi korrigeeriti liikumisartefaktide suhtes, lisades lineaarsesse mudelisse liikumisparameetrid ühismuutujatena.

Kõigist 29 funktsionaalsest ROI-st ekstraheeriti ajakursused edukalt 97,88% juhtudest avastusvalimis ja 97,57% kõigist juhtudest, kuna need näitasid meie ülaltoodud olulisuse läve järgi tugevat ülesandest sõltuvat aktiveerimist. Kõigi osalejate kõigi ROI-de andmed olid DCM-i käivitamise eeltingimuseks, kuna DCM-i eesmärk on võrrelda erinevaid mudeleid vaadeldava aktiveerimise jaoks (38, 39). Seetõttu jätsime osaleja konkreetsest DCM-ist välja, kui ROI ei näidanud aktiveerimist vastavalt ülaltoodud kriteeriumidele. Kõigist ROI-dest oli ROI 9 väikseim tugeva aktiveerimisega osalejate osakaal (avastusproov 88,36%; replikatsiooniproov 85,84%). Vt SI lisa tabelit S1 osalejate arvu kohta DCM-i kohta ja SI lisa tabelist S2 väljajäetud osalejate protsentide kohta ROI kohta.

Võimalikud põhjused, miks mõnedel osalejatel ei olnud piisavalt tugevat aktiveerimist, olid andmete müra või andmete kadu, kuid need võivad kajastada ka erinevate kognitiivsete strateegiate kasutamist.

Ühenduvusanalüüs: DCM. DCM-i saab rakendada konkreetsete hüpoteeside testimiseks, mis käsitlevad eelnevalt määratletud ajupiirkondade vahelise tõhusa ühenduvuse olemasolu, suunda ja modulaatoreid. DCM-i on üksikasjalikult kirjeldatud mujal (38, 39). Lühidalt öeldes väljendatakse piirkondade vahelisi neuraalseid interaktsioone diferentsiaalvõrranditega, mis kirjeldavad 1) kuidas aktiivsus ühes ajupiirkonnas põhjustab dünaamikat (st muutuste kiirust) teises ajupiirkonnas ja 2) kuidas need interaktsioonid katsetingimuste mõjul muutuvad. Siin võrdlesime emotsionaalsete ja neutraalsete piltide tingimusi, kaaludes, kas pilti meenutati hiljem või mitte. DCM püüdleb neurofüsioloogilise tõlgendatavuse poole, tehes selget vahet "närvitaseme" ja "hemodünaamilise taseme" (82) vahel. See saavutatakse biofüüsiliselt motiveeritud ja parameetritega edasisuunalise mudeli ümberpööramisega, mis seob modelleeritud neuraalse dünaamika mõõdetud hemodünaamilise aja kulgemisega (38). . Ühenduvusparameetreid võib seetõttu tõlgendada närvipopulatsioonide vahelise mõjuna (39). Meie järeldus ühenduvuse kohta sõltus aluseks olevatest matemaatilistest eeldustest, mis sisaldusid DCM-i parameetrites. Neid eeldusi on kriitiliselt hinnatud (83).

Valisime DCM-i muude meetodite asemel, kuna see pakub mitmeid eeliseid. DCMinfers ühenduvust, modelleerides närvidünaamikat diferentsiaalvõrrandi süsteemiga. Seetõttu saab mõju suunda ja ühenduse tugevuse tingimusest sõltuvat modulatsiooni paremini määrata kui staatiliste ühenduvusmudelitega, nagu korrelatsiooni- või struktuurvõrrandi modelleerimine (82, 84, 85).

Ühenduvusanalüüs: DCM – mudeliruum. Kasutasime post hoc mudeli valimise protseduuri, mis nõuab kõigi võimalike ühendusarhitektuuride mudelite tõendite leidmiseks (40) ainult ühe täieliku mudeli hindamist, tehes seeläbi mudeli põhjaliku võrdluse. Kasutasime seda valikuprotseduuri, mitte piiratud arvu a priori mudelite traditsioonilist võrdlust, kuna see algoritm vähendab oluliselt arvutuskoormust, lähendades pesastatud alammudelite ühenduvusparameetreid ühe täismudeli järelduse põhjal. Kuigi oleks olnud huvitav koondada kõik 26 klastrit ühte mudelisse, ei olnud see arvutuslikult teostatav. Uurisime kõiki paarisühendusi väikeaju ROI ja ülejäänud 25 ROI vahel, määratledes rea 2-sõlme DCM-e, kus väikeajus asuv ROI seostati süstemaatiliselt ühe teise ROI-ga. Ühenduvusparameetrid esindavad ROI-de vahelist netoühenduvust, st nad ei arvesta, kas kahe ROI vahelist mõju vahendavad täiendavad piirkonnad, välja arvatud juhul, kui need täiendavad piirkonnad on DCM-i mudelis selgesõnaliselt kaasatud. Kuna siin testitud DCM-id sisaldasid ainult kahte sõlme, ei uurinud nad, kas väikeaju ja teise ROI vahelist mõju vahendasid täiendavad piirkonnad. Seetõttu peegeldasid meie ühenduvusparameetrite väärtused potentsiaalselt nii otseseid kui ka kaudseid ühendusi. Rakendasime bilineaarset, deterministlikku DCM-i kahe olekuga (versioon DCM12) (86). Määrasime iga ROI vahel vastastikused olemuslikud seosed. ROI-de välised sisendid juhivad võrku ja määravad kindlaks, kuidas ROI-d reageerivad välistele stiimulitele. Määrati neli erinevat sisendregressorit, mis sisaldasid 1) emotsionaalseid ja neutraalseid pilte, 2) segatud pilte, 3) nupuvajutust ja 4) reitingu skaala esitust. Kõik sisendregressorid võivad võrku siseneda kõigis ROI-des. ROI-de vaheliste sisemiste ühenduste tugevust saab moduleerida järgmiste tingimustega: emotsionaalselt meelde tuletatud pildid, emotsionaalselt meeldetuletamata pildid, neutraalsed meeldetuletatud pildid ja neutraalsed meeldetuletamata pildid.

Mitme võrdluse Bayesi vaatenurga kohta vaadake viiteid (87, 88). Nimelt kordasime avastusproovi tulemusi teises proovis.

Ühenduvusanalüüs: DCM – mudeli hinnang. Kasutasime tõhusat posthoc-mudeli valikut, mis nõudis ainult ühe täieliku mudeli hindamist, et leida 1) mudeli tõendusmaterjal kõigi võimalike ühendusarhitektuuride jaoks Bayesi mudelivalikuga (BMS), 2) perekonnatasandi järeldustest tulenevad tagumised tõenäosused, et määrata kindlaks parameetrite hinnangute kontrastsus ja 3) kõigi võimalike mudelite Bayesi parameetrite keskmised, mis näitavad, kas parameetrite hinnangute kontrastsus erines nullist (40, 84, 89). Kuna me kasutasime fikseeritud efektiga BMS-i, eeldasime, et optimaalne mudel oli elanikkonna iga osaleja jaoks sama (39). DCM-mudelite hindamine viidi läbi Baseli ülikooli sciCORE (https://scicore.unibas.ch/) teadusliku andmetöötluse tuumarajatistes.

Ühenduvusanalüüs: DCM – parameetrite analüüs. Kasutasime Bayesi järeldust, et hinnata, kas eduka emotsionaalse mälu kodeerimise ajal suurenes ühenduse tugevus. Täpsemalt kasutasime tagumisi ootusi ja tagumisi kovariatsioone, et arvutada tagumine tõenäosus, et ühenduse tugevuse modulaatorite vaheline kontrast oli suurem kui null. Eduka emotsionaalse mälu kodeerimise kontrast loodi järgmiste tingimuste modulaatorite lahutamisega: (meenutatud emotsionaalsed pildid – meeldetuletamata emotsionaalsed pildid) – (meenutatud neutraalsed pildid – meenutamata neutraalsed pildid). Esiteks tuvastasime avastusvalimis need ühendused, mille kontrastsuse tagumine tõenäosus oli suurem kui {{0}}.99. Teiseks analüüsisime neid ühendusi replikatsiooniproovis, kontrollides, kas ka nende kontrastsuse tõenäosus oli suurem kui 0,99. Kirjeldades võib kohaldatud tõenäosusläve 0,99 tõlgendada nii, et see annab väga tugeva tõendi mõju kohta (42, 43). Keskendusime ühenduse tugevuse suurenemisele, mitte vähenemisele, kuna ROI-d määrati suurenenud aktiivsusega vokslite põhjal.

Ühenduse tugevuse arvutused põhinesid replikatsiooniproovi kontrastsuse tugevusel. Ühendused visualiseeriti ringi teegi abil R-s (90).

Anatoomilise kujutise segmenteerimine. Iga osaleja anatoomiline kujutis segmenteeriti FreeSurferi versiooni 4.5 (91) abil automaatselt kortikaalseteks ja subkortikaalseteks struktuurideks. Kortikaalse gyri märgistamine põhines Desikan-Killiany atlasil (92), saades 35 kortikaalset ja seitse subkortikaalset piirkonda perhemisfääri. Pange tähele, et rakendatud segmenteerimis- ja märgistamistehnika tagab ekspertide käsitsi märgistamisega võrreldava täpsuse (91, 92).

ROI-de anatoomiline lokaliseerimine, mis põhineb populatsiooni keskmisel anatoomilisel tõenäosusatlasel. FreeSurferist saadud kortikaalsete ja subkortikaalsete struktuuride segmente (vt lõik eespool) kasutati populatsiooni keskmise tõenäosusliku anatoomilise atlase koostamiseks, mis põhines 1,000 osaleja andmetel 1418-st. Individuaalsed segmenteeritud anatoomilised kujutised normaliseeriti uuringuspetsiifilise anatoomilise malli ruumiga, kasutades osalejate varem arvutatud lõimevälja, ja registreeriti afiinselt MNI-ruumi. Erinevate struktuuride märgistuse säilitamiseks rakendati lähima naabri interpolatsiooni. Normaliseeritud segmentatsioonid keskmistati lõpuks osalejate vahel, et luua populatsiooni keskmine tõenäosusatlas. Seetõttu võib malli igale vokslile määrata tõenäosuse, et ta kuulub antud anatoomilisse struktuuri.

Seda populatsiooni keskmist tõenäosuslikku atlast kasutati koordinaatide ja ROI-de anatoomilise asukoha teatamiseks. Protsendid koordinaadi kohta tähistasid anatoomilise märgise populatsiooni keskmist tõenäosust. Lisaks teatasime piirkondliku kirjavahetuse keskmisest protsendist ROI kohta. ROI kohta määrasime kindlaks, millised anatoomilised märgised olid selle vokslitega hõlmatud. Seejärel summeerisime tõenäosused sildi kohta kõigi ROI vokslite lõikes ja jagasime selle summa maskis olevate vokslite üldarvuga. 100% vastavus ilmneks siis, kui kõik ROI vokslid paikneksid samas anatoomilises piirkonnas ja iga voksli enda asukoht oleks selles piirkonnas 100%.

Andmete, materjalide ja tarkvara kättesaadavus. Individuaalsed esmatasandi kaardid kahe huvipakkuva kontrasti jaoks (edukas emotsionaalse mälu kodeerimine ja emotsionaalsete piltide kodeerimine) on koos üksikisikuga saadaval avatud teaduse raamistikus (OSF, https://osf.io/ghtvy) (93). ühismuutujad. Üksikud esimese taseme ja VOI-failid on saadaval Figshare'is (https://figshare.com/projects/CBDCM/149317) (94). Vastavad läveta rühmataseme kaardid ja funktsionaalsete ROI-de binaarne mask on talletatud Neurovault'i (https://neurovault.org/collections/12932) (95). Grupitaseme DCM-failid on OSF-is saadaval (https://osf.io/ghtvy) (93).

TUNNUSTUS. Täname Elmar Merklet, Christoph Stippichi ja OliverBierit Baseli ülikoolihaigla fMRI-seadmetele juurdepääsu võimaldamise eest. Seda tööd rahastas Šveitsi riiklik teadusfond (Sinergia grantCRSI{0}} DJ-FdQ-le ja AP-le). MF-i rahastas Baseli ülikooli nooremteadlaste uurimisfond (grant DPE2141). Arvutused viidi läbi Baseli ülikooli teaduslikus arvutikeskuses sciCORE (https://scicore.unibas.ch/). Autorid ei deklareeri konkureerivaid finantshuve.

Viide

1. D. de Quervain, L. Schwabe, B. Roozendaal, Stress, glükokortikoidid ja mälu: hirmuga seotud häirete mõju. Nat. Rev. Neurosci. 18, 7–19 (2017).

2. JL McGaugh, The Making of Lasting Memory (Weidenfeld & Nicolson, 2003).

3. JL McGaugh, Mälu – sajand konsolideerumist. Science 287, 248–251 (2000).

4. B. Roozendaal, JL McGaugh, Mälu modulatsioon. Behav. Neurosci. 125, 797–824 (2011).

5. KS LaBar, R. Cabeza, Emotsionaalse mälu kognitiivne neuroteadus. Nat. Rev. Neurosci. 7, 54–64 (2006).

6. SB Hamann, TD Ely, ST Grafton, CD Kilts, Amygdala aktiivsus, mis on seotud suurenenud mäluga meeldivate ja aversiivsete stiimulite jaoks. Nat. Neurosci. 2, 289-293 (1999).

7. T. Canli, Z. Zhao, J. Brewer, JDE Gabrieli, L. Cahill, Event-related activation in the human amygdalaassociates with hilisem mälu for individuaalne emotsionaalne kogemus.J. Neurosci. 20, RC99 (2000).

8. AH van Stegeren et al., Noradrenaliin vahendab meeste ja naiste amügdala aktivatsiooni emotsionaalse materjali kodeerimise ajal. Neuroimage, 24, 898–909 (2005).

9. MW Cole et al., Multi-task ühenduvus paljastab paindlikud jaoturid adaptiivseks ülesannete juhtimiseks.Nat. Neurosci. 16, 1348–1355 (2013).

10. RM Todd, TW Schmitz, J. Susskind, AK Anderson, Emotsionaalselt täiustatud taju- ja mnemoonilise erksuse jagatud närvisubstraadid. Esiosa. Behav. Neurosci. 7, 40 (2013).

For more information:1950477648nn@gmail.com