Aju struktuuri, töömälu ja episoodilise mäluga viivitatud diskonteerimise seoste uurimine, 2. osa

Seos struktuursete ennustajate ja DD vahel

Testisime huvipakkuvate muutujate (subkortikaalsed mahud, hallaine ja valgeaine komponendid, EM, WM) ja DD vahelisi seoseid lineaarsete mudelite ja mitteparameetriliste permutatsioonitestidega, nagu on rakendatud FSL-i PALM tarkvara versioonis 1.11 (Winkler et al. 2014; Winkler, Webster jt al. 2016b), mis töötab MATLABR2017b-l.

Viimastel aastatel on inimeste elatustaseme paranemise ja vanuse kasvuga üha enam tähelepanu pälvinud mäluprobleemid. Mõned inimesed on aga aktiivselt oma aju treeninud, kuid neid vaevavad endiselt mäluprobleemid. Praegu võime mälu parandamiseks kaaluda mitteparameetriliste korralduste kasutamist.

Niisiis, mis on mitteparameetriline permutatsioon? Mitteparameetriline paigutus on statistiline meetod, mis korraldab andmekogumi teatud reeglite järgi ilma numbrilise võrdluseta. Võrreldes parameetrilise permutatsiooniga on mitteparameetrilisel permutatsioonil laiem rakendusala ja see ei tee liiga palju eeldusi andmete jaotuse ja diskreetsuse kohta.

Ja kuidas kasutada mälu parandamiseks mitteparameetrilist paigutust? Esiteks teame, et inimese aju suudab analüüsida, meelde jätta ja meelde tuletada erinevat teavet, nagu pildid, heli, tekst jne, seega saame kasutada mitteparameetrilisi korraldusi, et parandada oma aju erineva teabe töötlemis- ja mäluvõimet.

Mõnede harjutuste abil, nagu näiteks värvide, numbrite, sõnade ja muu teabe mälu ja meeldetuletamise harjutamine ning seejärel erineva teabe mitteparameetriline paigutus, moodustub ajus korrapärasem struktuur, mis suurendab aju mäluvõimet.

Lisaks saab mitteparameetrilisi permutatsioone kasutada muu hulgas vaimse paindlikkuse parandamiseks ning ärevuse ja stressi vähendamiseks. Aju treenides saab aju töötada paindlikumalt ja tervislikumalt, vähendades seeläbi tarbetut depressiooni, ärevust ja muid negatiivseid emotsioone ning suhtudes elule ja tööle positiivsemalt.

Lühidalt öeldes on mitteparameetriline paigutus teostatav ja tõhus meetod aju mälu ja mõtlemise paindlikkuse parandamiseks. Pideva treenimise ja harjutamise kaudu saab aju mälu ja töötlemisvõimet tõhusalt parandada, aidates meil elule vastu seista ning tervislikumalt ja positiivsemalt töötada. On näha, et me peame oma mälu parandama. Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola suudab reguleerida ka neurotransmitterite tasakaalu, näiteks tõsta atsetüülkoliini ja kasvufaktorite taset. Need ained on mälu ja õppimise jaoks väga olulised. Lisaks võib liha parandada ka verevoolu ja soodustada hapniku kohaletoimetamist, mis võib tagada aju piisava toitainete ja energia kättesaamise, parandades seeläbi aju elujõudu ja vastupidavust.

Klõpsake teada, kuidas ajufunktsiooni parandada

Kasutasime 10,000 permutatsiooni, modelleerides P-väärtuste permutatsioonijaotuse saba Pareto jaotusega (Winkler, Ridgway et al. 2016a) ja perekonnapõhise veamäära (FWER) kontrolli mitme testi jaoks, kasutades maksimaalne statistika (Westfalland Young 1993). HCP andmestik sisaldab katsealuseid, kellest valiti koos nende õdede-vendadega (enamasti nende kaksikud), mis tähendab, et mõõtmisi ei saa pidada sõltumatuteks.

Huvipakkuvate muutujate vaheliste seoste testimiseks, võttes samal ajal arvesse andmestiku perekonna struktuuri, kasutasime mitmetasandilise ploki permutatsiooni testimist (Winkler et al. 2015). Neid seoseid korrigeeriti lineaarsete ja ruutkeskmiste terminite, soo, hariduse, sissetuleku ja NIH Toolboxi ("CogTotalComp_Unadj") kognitiivse funktsiooni koondskoori järgi, mis mõõdab üldist intelligentsust. Esitati testitud seoste 2-otsaga P-väärtused.

Tipu- ja vokslipõhised analüüsid

Võrdluseks viisime DD-ga seoste testimiseks läbi ka eraldi ühemõõtmelised tipupõhised (koore paksus, pindala) ja vokslite (GMV, FA, MD) analüüsid. Need analüüsid viidi läbi mitteparameetriliste permutatsioonitestide abil, nagu on rakendatud FSL-i PALM-tarkvaras, 2,000 permutatsiooni ja lävedeta klastrite suurendamisega (Smith ja Nichols 2009). Nagu eelmistes analüüsides, modelleerisime P-väärtuste permutatsioonijaotuse saba Pareto jaotusega, rakendasime FWER-i kontrolli mitme testi jaoks, kasutades maksimaalse statistika jaotust, ja arvestasime perekonna struktuuri mitmetasandilise ploki permutatsiooni testimisega. Nagu ülalpool, kontrolliti neid analüüse lineaarsete ja ruutväärtuste, soo, hariduse, sissetuleku ja üldise intelligentsuse osas.

Tulemused

Jätsime DD-ülesannetes välja mittetäielike vastustega katsealused (3), kes valisid kas alati kohese viivitatud vastuse (9) või kelle pseudo-R2 statistika tagumine tõenäosus (Camerer ja Ho 1999) oli nullist üle {{5} },95, st katsealused, kelle puhul mudel sobis vastustega paremini kui juhuslik mudel (166). Nende kriteeriumide alusel jäeti HCP valimist välja 178 katsealust. Tabelis 1 on esitatud demograafiline teave proovide kohta ja kehtivate vaatluste arv erinevate kognitiivsete ülesannete ja pildistamisviiside kohta, mida DD kohta analüüsiti. Preemiate subjektiivne väärtus oli kuu pärast keskmiselt 79% ja aasta pärast 23% nende nominaalväärtusest. Soolised erinevused DD-s ei olnud olulised (mees (n=473) > naine (n=545): t=0,27, P=0,80).

DD ja halli aine suhe

Pärast lineaarse ja ruutkeskse vanuse, soo ja kogu intrakraniaalse mahu korrigeerimist ei seostatud diskontomäära kortikaalse kogumahuga ega ühegi uuritud subkortikaalse struktuuri mahuga. Tabelis 2 on esitatud nende ühenduste statistika.

Ajukoore paksuse, pindala ja GMV kaardid jaotati koos lingitud ICA-ga 50 komponendiks, millest igaüks määratles ruumikaardi, mis kajastas piirkondi, kus hallaine struktuur osalejate lõikes tugevalt varieerus, ja individuaalsed skoorid, mis näitavad komponendi panuse suurust. . Ühe halli aine komponendi hinded olid DD-ga märkimisväärselt negatiivselt seotud (joonis 2A, r =-0,172, Pkorr < 1e-4, korrigeeritud 50 testitud komponendi suhtes, n=946).

Kolmest halli aine modaalsusest oli see komponent kõige suurema (62%) GMV-l (joonis 2B) ja selle suurimad koormused olid temporaalpooluses ja precuneus (joonis 2C ja D). Kuna ICA kannatab märkide määramatuse all, tuleb komponendi hinded tõlgendada selle koormuste järgi (mille anatoomilist jaotust esindab vastav ruumikaart), st negatiivne seos ühe komponendi skooridega peegeldab (osalist) negatiivset korrelatsiooni hallaine struktuuri mõõtmistega. piirkondades, kus selle koormuste väärtused on positiivsed. Neid seoseid korrigeeriti lineaarse ja ruutkeskse vanuse, soo, hariduse ja sissetuleku järgi.

Andmete jaotamisel 100 komponendiks seostati DD-ga märkimisväärselt ainult ühte komponenti, näidates väga sarnast mustrit 50-komponentide lagunemisega hangitud mustriga (joonis 2E–G, r {{3). }} −0,158,Pkorr=5e−4, korrigeeritud 100 testitud komponendi jaoks,n=946). Ühemõõtmeline vokslipõhine analüüs näitas ka negatiivset olulist seost GMV ja DDin kahepoolsete ajalise halli aine piirkondade vahel pärast lineaarse ja ruutkeskse vanuse, soo, hariduse ja sissetuleku kontrollimist (täiendav joonis 2).

Need piirkonnad sobisid identifitseeritud halli aine komponendi ruumilise mustriga (joonis 2 C ja G). Nende meetmete pinnapõhises tipupõhises analüüsis ei leitud kortikaalset piirkonda, kus seos DD ja ajukoore paksuse või pindala vahel oleks pärast FWER-i korrigeerimist mitmekordseks testimiseks oluline.

Tagamaks, et seos halli aine skooridega oleks spetsiifiline DD-le ja mitte ainult ei peegeldaks üldist kognitiivset funktsiooni, kordasime neid analüüse, lisades huvipakkuvate ühismuutujate kogumile üldise intelligentsuse. Sama komponent oli endiselt ainus, mis oli DD-ga märkimisväärselt seotud ({{0}}komponentide lagunemine: r=−0.145, Pcorr=0.001; { {6}}komponentide lagunemine: r=−0,138, Pcorr=0.123) ja ühemõõtmelise vokslipõhise analüüsi tulemus jäi suures osas muutumatuks (täiendav joonis 2).

DD ja valge aine vaheline seos

Jagasime FA ja MD andmed ühiselt 50 komponendiks. Ühtegi komponenti ei seostatud diskontomääraga pärast mitmete testide kontrollimist ja lineaarsete ja ruutväärtuste vanuse, soo, hariduse ja sissetulekute muutumist. 100 komponendi kasutamine või täiendav juhtimine üldise luure andis sarnaseid tulemusi. Vastavalt sellele ei leitud ühtegi piirkonda, kus seos DD ja FA või MD vahel oleks pärast FWER-i korrigeerimist mitme testi jaoks vokslipõhises analüüsis oluline.

Arutelu

Pärast tervete täiskasvanute suure valimi käitumuslike ja neuropiltide andmete uurimist näitavad meie leiud, et suuremat DD ennustas väiksem eesmine ajaline GMV. HCP andmestiku valimi suurus, mis oli suurem kui enamikus varasemates DD ja aju struktuuri seostavates uuringutes, andis meile võimaluse usaldusväärselt tabada väikese ulatusega mõjusid. Vastupidiselt varasematele aruannetele ei leidnud me aga tõendeid usaldusväärse seose kohta DD ja ajukoore mahu, subkortikaalsete mahtude, valgeaine mikrostruktuurilise korralduse ning WM- või EM-ülesannete tulemuste vahel.

Suurem allahindlus oli seotud väiksemate GMVin eesmiste ajaliste piirkondadega. See tulemus oli jõuline lingitud ICA komponentide arvu muutmiseks ja üldise intelligentsuse mõõtmiseks. Owenset al. (2017) analüüsisid kortikaalset mahtu HCP andmestiku T1-kaalutud skaneeringutest ja teatasid seostest kortikaalse mahu ja DD vahel ajalistes piirkondades, mis vastavad meie analüüsiga tuvastatud halli aine komponendi piirkondadele.

Eeldatakse seost anteriortemporaalse hallainega (nagu me kasutasime sama andmestikku), kuid meie uuring laiendab eelmist, uurides ka kortikaalset paksust ja pindala ning subkortikaalsete piirkondade GMV-d, samuti valgeaine struktuuri mõõtmisi. Lisaks sellele, et oleme lisanud põhjalikuma struktuurimeetmete komplekti, austasime aju struktuuri mõõtmiste ja DD vaheliste seoste arvutamisel andmete perekonna struktuuri, et vältida kallutatud hinnanguid, mis võivad tuleneda vaatluste sõltumatuse ebaõigest eeldamisest (Winkleret al. 2015).

Teostasime ka rangema katsealuste valiku, jättes välja need, kes esinesid juhuslikult, ja jagasime andmed struktuursetes kovariatsioonivõrkudes (Pehlivanova et al. 2018), meetod, mis võimaldab suurema tundlikkusega tuvastada seoseid DDby keskmistamisega koos (kaalutud väärtuses). viis) struktuursete kujutiste väärtused aju piirkondade lõikes ja mitmete meetodite kombineerimine tugevamate hinnangute saamiseks. Tõepoolest, ICA kasutamise oluline eelis kovariatsioonivõrkudes kujutise andmete lagundamiseks struktuuriandmete analüüsimisel vokslipõhise lähenemisviisiga on see, et see annab hinded, mis peaksid olema vähem mürarikkad kui vokslipõhised väärtused, kuna need saadakse signaali kaalutud keskmisena kõik vokslid kogu ajus, rakendades mõõtmete vähendamist, mis võib vähendada II tüüpi vigade riski, ehkki ebamäärase piiritlemise arvelt.

anatoomiline piiritlemine. Vastupidiselt Owensi jt uuringule. (2017), meie analüüsis ei saavutanud kortikaalse mahu ja DD vaheline seos tähtsust. See lahknevus tuleneb tõenäoliselt meie rangematest analüüsivalikutest (juhuslikult reageerivate katsealuste eemaldamine, andmepere struktuuri arvesse võtvad mitteparameetrilised testid, segaduste rangem kontroll) ja näitab, et varem teatatud seos ajukoore mahu ja DD vahel vastab tõenäoliselt võltsile. arobust leid. Tundub usutav, et DD seost globaalse ajukoore mahu mõõtmega peaksid vahendama muutujad, mis peegeldavad tunnetuse üldisemaid aspekte kui DD.

Vaatamata HCP andmestiku suurele valimile ei leidnud me tõendeid olulise seose kohta valgeaine struktuuri ja DD vahel. Varasemad uuringud, mis näitasid väiksemate proovide traktograafilisi rekonstruktsioone, on teatanud negatiivsetest seostest DD ja struktuurse ühenduvuse tugevuse (nt voolujoonte arvu) vahel konkreetsetes valgeaine traktides PFC-le (van den Bos et al. 2015; Hänggi jt 2016; Hamptonet al. 2017). .

Erinevalt ühenduvuse tugevust uurivatest uuringutest analüüsisime TBSS-iga töödeldud FA-kaarte – tehnikat, mis võimaldab valgeaine piirkondade laiaulatuslikku analüüsi ja sobib suuremahuliste andmekogumite uurimuslikuks analüüsiks, kuna on seotud arvutus- ja tööjõukulud. tervikliku traktograafia kaardistamine paljudel teemadel. Meile teadaolevalt on meie analüüsi proov oluliselt suurem kui varasemad uuringud, mis seovad valge aine diskonteerimisega. Pange tähele, et hiljutine uuring, milles kasutati TBSS-i 302 vanemal dementsuseta isikul (Han et al. 2018) (keskmine vanus=81,38 aastat, SD=7,57 aastat, 75,5% naine), teatas laialt levinud negatiivsed seosed ajalise diskonteerimise ja FA vahel kahepoolsetes frontaalsetes, frontostriataalsetes ja temporoparietaalsetes traktides. Meie tulemustega mittenõustumine võib vastata proovide demograafilistele erinevustele.

Arvestades nende ühenduste ulatuslikku olemust, võivad nende leiud kajastada vananemisega seotud degeneratiivseid mehhanisme, erinevalt kitsamast mustrist, mida võiks eeldada konkreetse meetme, näiteks DD puhul. Pealegi, Han et al. ei kontrollinud sissetulekute taset. Tõepoolest, kui kohandasime oma analüüsis ainult sööta ja sugu, tuvastasime täiendavad halli ja valge aine komponendid, mille hinded olid oluliselt korrelatsioonis diskontomääradega (vt lisamaterjal). Kuigi suured valimid on võimelised tuvastama väiksemaid mõjusid, on ka suurem oht ​​tuvastada seoseid, mis tekivad ainult segavate muutujate tõttu, mistõttu on oluline kohandada sobivaid ühismuutujaid.

Hiljutised tööd (Marek et al. 2022) on rõhutanud suurte valimite kasutamise olulisust kogu aju-käitumise assotsiatsiooniuuringutes ja näidanud, et nende uuringute tüüpilised valimi suurused peaksid viima reprodutseerimata efektideni ja suurendama efektide suurust. Eeldades, et tõene efekt on umbes 0,15 (võrreldav halli aine komponendi efekti suurusega, tuvastasime Mareki jt 2022 tulemustega ja ühildume nendega), oleks 80% võimsuse saavutamiseks vaja üle 250 katsealuse. Enamik varasemaid DD valdkonna uuringuid on seega alahinnatud, mis selgitab 1. jaotises mainitud kirjanduse vastuolusid. Pange tähele, et see järeldus kehtib ainult aju-käitumise seoste kohta, mitte aga liiga funktsionaalsete DD-i aju kaardistamise uuringute kohta, mis peaksid tegelike mõjude tuvastamiseks nõudma väiksemat valimit. , ja seetõttu ei ole meie tulemuste ja nende uuringute tulemuste vahel vastuolu.

Me ei leidnud seost koheste preemiate eelistamise ja ühegi WM-testi (LSWMT ja 2-tagasi) vahel. Samuti ei olnud HCP andmetes DD seost ei verbaalse ega mitteverbaalse EM-ga. Need tulemused on kooskõlas hiljutise uuringuga (Yeh et al. 2021), mida täiendame, lisades aju struktuuriandmete analüüsiks 2-seljaülesande ja rangema statistilise käsitluse. Kuigi Shamosh et al. (2008) teatasid seosest madalama WMandi ja koheste hüvede eelistamise vahel, see korrelatsioon ei olnud spetsiifiline WM-ile, kuna nende andmetes ei selgitanud see võime DD varieeruvust kaugemale sellest, mida selgitab üldine intelligentsus. Ainult vanuse ja soo seoste korrigeerimisel oli DD märkimisväärselt negatiivses korrelatsioonis LSWMT, 2-selja ja verbaalsete EM-skooridega (vt lisamaterjali), kuid see korrelatsioon ei olnud sotsiaalmajandusliku staatuse muutujate kohandamisel enam oluline (mis peaks juba osaliselt arvestama üldine kognitiivne funktsioon). Seega kehtivad nende analüüside puhul ka meie ülaltoodud kaalutlused häirivatest muutujatest ja reprodutseerimata leidudest tulenevate valede seoste kohta.

Meie uuringu piirang on see, et meie analüüsid ei olnud eelregistreeritud ja seetõttu ei saa teatatud seoseid pidada kinnitavateks. Sellegipoolest usume, et nende tulemuste oluline panus on kognitiivsete meetmete, struktuurse pildistamise ja intertemporaalsete valikute vaheliste seoste mõju täpsemate hinnangute andmine, kuna eelmiste uuringute valim on oluliselt suurem. Teine piirang on diskontomäärade madal usaldusväärsus. Ülesande parameetreid on kritiseeritud nende madala testi ja uuesti testimise usaldusväärsuse pärast (Enkavi et al. 2019) ja sellega seotud riskieelistuste valdkonnas eksperimentaalsete paradigmade järjepidevuse puudumise pärast (Pedroni et al. 2017). Need põhjused võivad osaliselt seletada leitud seoste vähesust ajustruktuuriga ja uuringute madalat reprodutseeritavust. Oluline tulevikutee peaks siis olema uudsete paradigmade väljatöötamine, et mõõta DD suurema töökindlusega. Võimalik edasiminek võib seisneda kokkuvõtlike skooride tuletamises, kombineerides mitut ülesandeparameetrit, et saavutada suurem usaldusväärsus, ja kasutada mitme muutujaga meetodeid, et suurendada aju-käitumise seoste leidmise võimalusi (Moutoussis et al.2021).

Arvestades DD tähtsust psühhopatoloogia uurimisel, on ülioluline kindlaks määrata selle aluseks olevad neurobioloogilised karkassid. Kasutades suurt neuropiltide andmestikku, aitab käesolev uuring ühildada erinevusi DD halli ja valge aine korrelatsioone käsitlevas kirjanduses. See käitumuslik tunnus oli negatiivselt seotud GMV-ga eesmistes ajalistes piirkondades ja mis on oluline, tuvastatud struktuurne efekt oli väike, nii et seda ei tuvastata tõenäoliselt proovides, mille suurus on võrreldav paljudes seotud uuringutes leitud proovidega. Kokkuvõttes võivad seosed kognitiivsete võimete ja ajustruktuuriga olla nõrgemad, kui eelnevad aruanded eeldavad. Meie tulemused nõuavad tugevamate DD meetmete väljatöötamist ja suuremate valimite neuropiltide uuringute rakendamist, kui selles valdkonnas on levinud, ning sobivat kontrolli võimalike segajate jaoks.

Tänuavaldused

Täname andmete kogumise eest Mats Eriksonit ja Kajsa Burströmi. Oleme tänulikud avatud juurdepääsu andmestiku eest, mille pakub Human Connectome Project, WU-MinnConsortium (peamised uurijad: David Van Essen ja Kamil Ugurbil; 1U54MH091657).

Täiendav materjal

Täiendav materjal on saadaval Cerebral Cortexonline'is.

Rahastamine

Seda tööd toetasid Rootsi Teadusnõukogu (grandi number VR521-2013-2589 MG-M-le), Alexander von Humboldti teaduspreemia (LB) ja AF Jochnicki fondi (LB) annetus.

Huvide konflikti avaldus: Dr Zeb Kurth-Nelson töötab DeepMindis. Ülejäänud autorid ei kuulu huvide konflikti.

Viited

1. Addis DR, Wong AT, Schacter DL. Mineviku meenutamine ja tuleviku ette kujutamine: ühised ja erinevad närvisubstraadid sündmuste ehitamise ja väljatöötamise ajal. Neuropsühholoogia. 2007:45:1363–1377.

2. Ahn WY, Rass O, Fridberg DJ, Bishara AJ, Forsyth JK, Breier A, Busemeyer JR, Hetrick WP, Bolbecker AR, O'Donnell BF. Hüvitiste ajaline diskonteerimine bipolaarse häire ja skisofreeniaga patsientidel. J Abnorm Psychol. 2011: 120: 911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Steep delay diskonteerimine ja sõltuvust tekitav käitumine: pidevassotsiatsioonide metaanalüüs. Sõltuvus. 2017: 112:51–62.

4. Ashburner J, Friston KJ. Voxel-Based Morphometry – The Methods. NeuroImage. 2000:821:805–821.

5. Barch DM, Burgess GC, Harms MP, Petersen SE, Schlaggar BL, Corbetta M, Glasser MF, Curtiss S, Dixit S, Feldt C jt. Funktsioon inimese ühenduses: Task-fMRI ja individuaalsed erinevused käitumises. NeuroImage. 2013:80:169–189.

For more information:1950477648nn@gmail.com