Человеческий мозжечок и кортико-мозжечковые связи, участвующие в улучшении эмоциональной памяти. Часть 3

В совокупности анализ DCM показал, что из 25 церебральных ROI, участвующих в улучшении эмоциональной памяти,13 ROI показали повышенную силу связи с мозжечком, в основном в направлении от мозжечка к корковым ROI, в двух случаях в противоположном направлении и еще в двух случаях в оба направления.

Счастливое и позитивное настроение может улучшить память людей. Это связано с тем, что механизм улучшения эмоциональной памяти облегчает людям хранение важной информации в долговременной памяти. Исследования показывают, что когда человеческое тело испытывает сильные эмоции, организм выделяет каталитические вещества, которые активируют области мозга, связанные с эмоциями, влияя на когнитивные центры и центры обучения. Другими словами, улучшение эмоциональной памяти помогает нам глубже запомнить информацию.

В повседневной жизни мы можем улучшить нашу память, регулируя свои эмоции. Мы можем выбрать занятия, которые заставят нас чувствовать себя счастливыми и комфортными, например, прослушивание любимой музыки, общение с друзьями, выполнение расслабляющих упражнений и т. д. Кроме того, некоторые простые действия также могут помочь нам поддерживать хорошее настроение, например, достаточно спать, хорошо питаться и умеренно заниматься спортом.

Короче говоря, существует тесная связь между улучшением эмоциональной памяти и памятью. Положительные эмоции стимулируют области мозга, связанные с памятью, что облегчает нам хранение информации в долговременной памяти. Мы можем помочь себе улучшить память и стать более счастливыми и удовлетворенными жизнью, регулируя свои эмоции. Видно, что нам необходимо улучшить нашу память. Cistanche Deserticola может значительно улучшить память, поскольку Cistanche Deserticola — это традиционное китайское лекарственное средство, обладающее множеством уникальных эффектов, одним из которых является улучшение памяти. Эффективность мясного фарша обусловлена ​​различными содержащимися в нем активными ингредиентами, включая кислоты, полисахариды, флавоноиды и т. д. Эти ингредиенты могут способствовать здоровью мозга различными способами.

Нажмите «Узнай 10 способов улучшить память»

Эти данные свидетельствуют о том, что мозжечок является неотъемлемой частью сети связи, участвующей в улучшении эмоциональной памяти. Однако на основании этих результатов мы не можем сделать вывод, какие из этих связей являются наиболее важными. Поскольку ROI были определены функционально, а не анатомически, мы также не можем указать точные анатомические субстраты корковых ROI. Мы выбрали этот подход, потому что чувствительность обнаружения наличия связей можно повысить, используя ROI, соответствующие функциональным границам (36).

Следствием этой процедуры является потеря анатомической специфики и невозможность различить вклад различных анатомических структур в пределах определенной области интереса. Более того, поскольку протестированные здесь DCM включали только два узла, они не учитывают, опосредовано ли влияние между мозжечком и второй ROI дополнительными регионами. Таким образом, значения наших параметров связности потенциально отражают как прямые, так и косвенные связи.

Текущие результаты могут способствовать лучшему пониманию сети, участвующей в улучшении эмоциональной памяти в физиологических условиях. Кроме того, полученные результаты могут также иметь значение для понимания патологических состояний, таких как посттравматическое стрессовое расстройство (ПТСР), поскольку формирование чрезмерно сильного аверсивного следа памяти после атравматического события является важным патогенным механизмом в развитии расстройств, связанных со страхом (1, 62, 63). Хотя невозможно исследовать первоначальное формирование памяти при ПТСР с помощью фМРТ, исследования могут изучить нейронные корреляты травматического восстановления воспоминаний. Недавнее исследование с применением фМРТ, применявшее этот подход, выявило повышенную активацию мозга в мозжечке (включая червь), затылочной извилине, супрамаргинальной извилине и миндалевидном теле во время воспоминаний о травме у пациентов с посттравматическим стрессовым расстройством (64).

Напротив, гипоактивность мозжечка может быть связана с состояниями со сниженным усилением эмоциональной памяти. Действительно, клинические исследования показывают, что патологии, влияющие на речевое функционирование, связаны с рядом когнитивных и эмоциональных нарушений, включая симптомы расстройств аутистического спектра (65, 66). Интересно, что у пациентов с расстройствами аутистического спектра наблюдается дефицит эмоционального усиления эпизодических воспоминаний (67, 68). Возможно, что эти нарушения частично возникают из-за структурных и функциональных нарушений миндалевидного тела, часто наблюдаемых при этом заболевании (69, 70). Однако, исходя из представленных результатов, кожная гипоплазия при расстройствах аутистического спектра также может способствовать нарушению эмоционального усиления эпизодической памяти. Эту гипотезу необходимо будет проверить на пациентах с аутизмом с различной степенью аномалий миндалевидного тела и червя.

Появляется все больше данных, указывающих на то, что мозжечок, в частности червь мозжечка, и его связи с несколькими областями мозга, включая лимбическую систему, участвуют в эмоциональных функциях, включая эмоциональное восприятие, эмоциональное распознавание, эмоциональную обработку и обусловливание страха (27, 71). . Полученные данные теперь позволяют предположить, что мозжечок также является частью схемы, участвующей в эмоциональном усилении эпизодической памяти. В рамках этой схемы мозжечок получает входные данные от нескольких областей головного мозга, включая поясную извилину, в то время как миндалевидное тело/гиппокамп и несколько других областей мозга получают входные данные от мозжечка. Эти результаты расширяют знания о роли мозжечка в сложных когнитивных и эмоциональных процессах и могут иметь отношение к пониманию психических расстройств с аберрантной эмоциональной схемой, таких как посттравматическое стрессовое расстройство или расстройство аутистического спектра.

Материалы и методы

Участники. Мы набрали здоровых молодых участников (872 женщины, 546 мужчин, средний возраст=22,39 лет, стандартное отклонение=3,27). Реклама велась в основном в Базельском университете и в местных газетах. Участники не имели каких-либо неврологических или психиатрических заболеваний, не принимали никаких лекарств на момент эксперимента (кроме гормональных контрацептивов) и были в возрасте от 18 до 35 лет. Физическое и психическое здоровье оценивалось на основе стандартных анкет. Эксперимент был одобрен комитетом по этике кантона Базель, Швейцария. Все участники дали письменное информированное согласие перед участием в исследовании. Перед анализом выборка была разделена на выборку открытия (n=945, 2/3 всех участников) и выборку репликации (n=473, 1/3 всех участников) путем случайного распределения участников по одному Рандомизация проводилась с использованием функции Matlab rand perm. Между обнаруженными и репликационными выборками не было существенных различий с точки зрения возраста, пола или улучшения эмоциональной памяти (P больше или равно 0.33, {{ 16}}стороннее тестирование, n=1,418).

Эксперимент: Процедура. Участники прошли четыре последовательных задания: задание на кодирование изображений, задание на рабочую память, тест на свободное воспоминание и задание на узнавание. Участники сначала были проинструктированы, а затем обучены выполнению задач по кодированию изображений и рабочей памяти. После тренировки их поместили в сканер и получили затычки для ушей и наушники, чтобы уменьшить шум сканера. Их головы были зафиксированы в катушке с помощью небольших подушек, и им было приказано не двигаться. Изображения были представлены на сканере с использованием MR-совместимых жидкокристаллических очков (VisualSystem; NordicNeuroLab, Берген, Норвегия). При необходимости использовалась коррекция зрения. Задача кодирования изображения длилась ~20 минут. Сразу после этого участники выполняли задание на рабочую память на букву n-назад (условия 0-обратно и 2-назад) в сканере в течение примерно 10 минут. В текущем исследовании задача на рабочую память использовалась в качестве задачи отвлечения между кодированием и воспроизведением теста памяти. Следовательно, мы не анализировали данные самого задания на рабочую память (описание задания см. в ссылке 72). После выхода из сканера участникам проводился без предупреждения тест на свободное запоминание изображений в отдельной комнате (без ограничения по времени). был установлен для этой задачи). После бесплатного отзыва участников перемещали в сканер и выполняли задание на распознавание (описание задания см. в ссылке 73). За участие участники получали 25 шв. франков/час. Из-за организационных ограничений нам пришлось сменить комнату, в которой вспоминались картинки, а это означало, что некоторые участники вспоминали картинки в несколько иной обстановке.

Эксперимент: Разработка задачи кодирования изображений. Стимулы состояли из 72 картинок (24 положительных, 24 отрицательных и 24 нейтральных), которые были выбраны из Международной системы аффективных изображений (IAPS) (74) и из собственных стандартизированных наборов изображений, которые позволили нам приравнять изображения по визуальной сложности и содержанию. (например, присутствие человека). Картины, полученные от ИППС, классифицировались согласно рейтингу валентности ИППС. Восемь из 24 нейтральных снимков от МАПС не поступило. Эти изображения были оценены на основе внутренней валентности (11). По баллам нормативной валентности (от 1 до 9) изображениям были присвоены отрицательные (2,3 ± 0,6), нейтральные (5.0 ± 0,3) и положительные ( 7.6 ± 0.4)условия, в результате чего для каждой валентности получается 24 изображения. Позитивные стимулы изначально отбирались так, чтобы соответствовать рейтингу возбуждения негативных стимулов на основе данных пилотного исследования с участием 20 участников, не включенных в исследование. Были представлены четыре дополнительных изображения, на которых изображены нейтральные объекты. Две из этих картинок были представлены в начале и две в конце задания с картинками. Эти изображения были исключены из оценки эффективности запоминания, чтобы контролировать эффекты первичности и новизны в памяти. Примеры изображений включали эротику, спорт и привлекательных животных с положительной валентностью; телесные повреждения, змеи и сцены нападения для отрицательной валентности; нейтральные лица, предметы домашнего обихода и здания для нейтрального состояния. Кроме того, было использовано 24 зашифрованных изображения. Фон зашифрованных изображений содержал информацию о цвете всех изображений, использованных в эксперименте (кроме изображений первичности и недавности), наложенную кристаллическим фильтром и фильтром искажений (Adobe Photoshop CS3). На переднем плане был показан преимущественно прозрачный геометрический объект (прямоугольник или эллипс разного размера и ориентации). Для настоящего исследования зашифрованные изображения не представляли интереса.

Изображения предъявлялись в течение 2,5 секунд в квазислучайном порядке, так что последовательно появлялись максимум четыре изображения одной и той же категории. Перед каждым предъявлением изображения на экране на 500 мс появлялся фиксационный крест. Время начала стимула колебалось в пределах 3 с (1 время повторения [TR]) для каждой валентной категории относительно начала сканирования. В межиспытательный период участники оценивали каждую из 72 картинок по валентности (отрицательная, нейтральная или положительная) и возбуждению (большая, средняя или малая) по 3-балльной шкале (манекен для самооценки), нажимая кнопку кнопку доминирующей рукой. Для зашифрованных изображений участники оценивали форму (вертикальную, симметричную или горизонтальную) и размер (большой, средний или маленький) геометрического объекта на переднем плане. Для презентации изображений использовали программное обеспечение Presentation (Neurobehavioral Systems, Inc., Беркли, Калифорния; https://www.neurobs.com).

Поведенческие данные: Улучшение эмоциональной памяти. Чтобы задокументировать свободное вспоминание, участники должны были записать описание вспомненных изображений. Изображение считалось правильно запомненным, если оценщик мог идентифицировать представленное изображение на основе описания участника. Два обученных исследователя независимо друг от друга оценивали успешность запоминания описаний (надежность между экспертами > 99%). Третий независимый эксперт остановил свой выбор на изображениях, которые были оценены по-разному. Для каждого участника мы подсчитали, как часто вспоминались эмоциональные картинки по сравнению с нейтральными: ([вспоминается позитивное – вспоминается нейтральное] + [вспоминается негативное – вспоминается нейтральное])/2. Точки данных были нанесены на график и оказались примерно нормально распределенными (Приложение SI, рис. S1). Двусторонние t-тесты были применены, чтобы проверить, значительно ли показатели эмоциональной памяти отличаются от нуля. Кроме того, мы проверили влияние потенциальных помех. Мы использовали 2-выборочный t-тест, чтобы оценить, зависит ли эффективность эмоциональной памяти от пола. Мы использовали коэффициенты линейной корреляции Пирсона, чтобы связать эффективность запоминания с возрастом. Двусторонние t-тесты применялись для проверки того, значительно ли коэффициент корреляции отличается от нуля.

Визуализация: получение МРТ. Измерения проводились на аппарате МРТ всего тела SiemensMagnetom Verio 3 T, оснащенном 12-канальной головной катушкой. Функциональные временные ряды были получены с помощью однократной эхо-планарной последовательности с использованием параллельной визуализации (GRAPPA). Мы использовали следующие параметры сбора данных: время эхо-сигнала (TE)=35 мс; поле зрения (FOV)=22 см; матрица сбора данных =80 × 80, интерполированная до 128 × 128; размер воксела=2,75 × 2,75 × 4 мм3; коэффициент ускорения GRAPPA R=2,0. Используя среднесагиттальное разведывательное изображение, 32 смежных аксиальных среза, расположенных вдоль плоскости передне-задней комиссуры, покрывающих весь мозг с TR=3,000 мс (степень=82), были получены с использованием восходящего чередующегося изображения. последовательность. Первые два сбора данных были отклонены из-за эффектов насыщения постоянной времени T1. Анатомическое изображение, взвешенное по T1-, было получено с использованием подготовленной намагниченностью последовательности градиентного эхо (TR =2, 000 мс; TE=3,37 мс; TI {{ 31}},000 мс; угол поворота=8 градус; 176 срезов; поле зрения =256 мм; размер воксела=1 × 1 x 1 мм3).

Визуализация: пакет программного обеспечения для статистического анализа данных изображений. Мы использовали программное обеспечение статистического параметрического картирования (SPM) SPM12 версии 6685 (Wellcome Trust Center for Neuroimaging, Лондон, Великобритания; https://www.fil.ion.ucl.ac.uk/spam/), реализованное в Matlab R2016a.

Визуализация: предварительная обработка и нормализация объемов эхопланарной визуализации (EPI). Объемы были скорректированы по времени среза с первым срезом, перевыровнены с использованием опции «регистрация по среднему» и сопоставлены с анатомическим изображением путем применения нормализованной взаимной информации трехмерного преобразования твердого тела. Успешная совместная регистрация была проверена визуально для каждого участника. Каждый том был замаскирован анатомическим изображением Т1 участника, чтобы исключить вокселы за пределами мозга. Объемы эхопланарной визуализации (EPI) были нормализованы по пространству Монреальского неврологического института (MNI) и сглажены с использованием гауссовского ядра шириной 8 мм на полувысоте (FWHM) с помощью DARTEL, что привело к улучшению регистрации между участниками (75, 76). .

Перемеженная последовательность, используемая для получения функциональных временных рядов, сделала необходимым использование коррекции времени среза в качестве первого этапа предварительной обработки (77). Методы коррекции времени среза могут успешно компенсировать эффекты времени среза (78). Примечательно, что в DCM для фМРТ направление причинно-следственной связи не определяется временным приоритетом. Вместо этого причинность воплощается в математической форме дифференциального уравнения состояния каждого региона. Уравнения состояния данной модели определяют структуру системы (например, связь между регионами), явно предписывая, как возникает динамика внутри системы (39). Поэтому ранее было проведено несколько исследований ДКМ с аналогичными ТР (79–81).

Визуализация: моделирование воксельной активности. Для каждого участника были заданы общие линейные модели (GLM) для идентификации вокселей, активируемых задачей. Регрессоры, моделирующие начало и продолжительность стимулирующих событий, были связаны с канонической функцией гемодинамического ответа. Точнее, модель включала в себя регрессоры для нажатий кнопок, смоделированные как функции джойстика/дельта, представления изображений (положительные, нейтральные, отрицательные, зашифрованные, первичные и новейшие), смоделированные с помощью функции эпохи/вагона (длительность: 2,5 с), и шкалы оценок, смоделированные с помощью функция эпохи/вагона переменной продолжительности (в зависимости от того, когда произошло последующее нажатие кнопки). Серийные корреляции удалялись с помощью авторегрессионной модели первого порядка, а для удаления низкочастотного шума применялся фильтр верхних частот (128 с). Шесть параметров движения также были введены как неприятные ковариаты. Мы определили два разных типа GLM. Один тип GLM использовался для идентификации вокселей, связанных с успешным кодированием эмоциональной памяти.

Здесь положительные, отрицательные и нейтральные стимулы моделировались отдельно в зависимости от того, вспоминались они впоследствии или нет. Полученные оценки параметров сравнивались для выявления вокселов, связанных с успешным кодированием эмоциональной памяти ([вспомнившиеся эмоциональные картинки – невспомнившиеся эмоциональные картинки] – [вспомнившиеся нейтральные картинки – невспомнившиеся нейтральные картинки]). Этот контраст был доступен у 944 из 945 участников выборки открытия (1 испытуемый не вспомнил ни одной нейтральной картинки) и у 470 из 473 участников репликационной выборки (3 испытуемых не вспомнили ни одной нейтральной картинки). . Чтобы исследовать потенциальные эффекты, связанные с валентностью, в активности мозжечка, мы также сравнили, различается ли активность, связанная с успешным кодированием памяти, между положительными и отрицательными изображениями. Это соответствовало следующему контрасту: ([вспомнившиеся негативные картинки – невспомнившиеся негативные картинки] – [вспомнившиеся позитивные картинки – невспомнившиеся позитивные картинки]). Другой тип GLM был определен для идентификации вокселов, связанных с кодированием эмоциональных картинок, независимо от памяти. Мы задавали регрессоры для позитивных, нейтральных и негативных картинок, независимо от того, вспоминались они или нет, и сравнивали полученные оценки параметров (эмоциональные картинки – нейтральные картинки). Мы применили коррекцию семейных ошибок (FWE) для множественных сравнений на уровне всего мозга ко всем контрастам (с коррекцией Pwhole-brain-FWE < 0.05). Поправка на множественные сравнения на уровне кластера применялась для проверки эффектов, связанных с валентностью, в кластере мозжечка (Psmall-volume-corrected <0,001, протяженность кластера k=10).

Визуализация: групповая статистика воксельной активности. Чтобы определить активность, связанную с «успешным кодированием эмоциональной памяти» и «кодированием эмоциональных картинок», контрастные карты были введены в модель случайных эффектов (анализ второго уровня) с использованием GLM Flex (Центр Мартиноса и Массачусетская больница общего профиля, Чарлстаун, Массачусетс; https). ://habs.mgh.harvard.edu/researchers/datatools/glm-flex-fast2/). Мы контролировали влияние пола, возраста, одного изменения в программном обеспечении сканера и двух изменений в градиентных катушках, включая их в качестве ковариат. Мы использовали GLM Flex, поскольку последовательности EPI страдают от потери сигнала из-за неоднородностей магнитного поля, которые могут возникать вблизи границ воздух-ткань. Процедура нормализации, примененная в DARTEL, точно преобразовала как воксели с сигналом, так и вокселы с потерей сигнала в пространство MNI. В СЗМ потеря сигнала по координате MNI в функциональном изображении только одного участника привела к исключению воксела по этой координате из группового анализа. Следовательно, вероятность исключения воксела увеличивается с размером выборки. GLM Flex обошел эту проблему, разрешив переменное количество участников в каждом вокселе. Минимальное количество участников на воксель было установлено равным 2/3 всех участников.

Визуализация: определение областей интереса — функционально определенная маска. Поскольку чувствительность обнаружения наличия связей можно повысить за счет использования ROI, соответствующих фактическим функциональным границам (36), мы определили ROI функционально, а не анатомически. В частности, в выборке обнаружения (n=945) мы использовали функционально полученную маску, а затем использовали управляемый данными подход кластеризации на уровне группы для разделения предварительно обработанных и нормализованных объемов EPI на пространственно когерентные и временные однородные области (37). . Маска состояла из вокселов, которые были положительно связаны с успешным кодированием эмоциональной памяти в выборке открытия (с коррекцией Pwhole-brain-FWE < 0.05). Идентифицированные вокселы затем были дополнительно замаскированы контрастом кодирования эмоциональных картинок (Pwhole-brain-FWE-скорректировано <0,05), чтобы гарантировать, что все включенные вокселы также показали положительный эффект для кодирования эмоций (99% всех вокселей, значимых для «успешного кодирования эмоциональной памяти»). контраст» были также значимы в «контрастном кодировании эмоциональных картинок»).

Визуализация: определение ROI — процедура парцелляции. Воксели внутри функционально определенной маски были объединены в области интереса таким образом, чтобы сходство между вокселами внутри одного кластера было максимальным по сравнению со сходством между вокселами в разных кластерах, с использованием метода нормализованного разреза, включающего пространственное ограничение (37). Для упрощения вычислений парцелляция была выполнена на основе объемов EPI 200 участников, которые были случайным образом выбраны из выборки обнаружения. Эти объемы были сглажены с помощью гауссовского ядра 6 мм на FWHM в соответствии с недавней статьей (37). Кластеризация сначала выполнялась внутри каждого участника, а затем групповая кластеризация второго уровня, как рекомендовано Craddock et al. (37). Мы разделили вокселы внутри маски на 30 областей интереса, поскольку обнаружили, что это число приводит к достаточной пространственной специфичности, но при этом позволяет справиться с вычислительной нагрузкой, вызванной вычислением связности с помощью DCM. Одна из этих областей интереса содержала изолированные вокселы и отдельные небольшие кластеры, которые не были пространственно когерентными. Таким образом, эта ROI (ROI 11), содержащая 60 вокселей, была исключена из дальнейшего анализа.

Анализ связности: извлечение динамики. Мы извлекли динамику времени на одного участника и рентабельность инвестиций из несглаженных и ненормализованных данных, используя процедуру, описанную ниже. Обратите внимание, что мы извлекли данные из несглаженных данных, поскольку сглаживание может повредить оценке связности, поскольку оно приводит к смешиванию временных курсов, зависящих от уровня оксигенации крови, между близлежащими регионами (36).

1. Сопоставление функциональных ROI из пространства MNI с собственным пространством участника: ROI, определенные в процедуре парцелляции, были созданы в MNIspace. Поэтому мы сопоставили их местоположение с собственным пространством участника, инвертировав поле деформации нормализации каждого участника.

2. Извлечение временных курсов из функциональных ROI. Перед фактическим моделированием связности в рамках DCM из каждой ROI были извлечены временные курсы для конкретных участников. Целью этого шага было извлечение временных курсов из активированных вокселей на уровне одного участника. Размер эффекта контраста кодирования эмоциональных картинок был значительно больше, чем размер эффекта успешного контраста эмоциональной памяти, что делало первый более подходящим для различения вокселей, связанных с задачей, от вокселей без соответствующих сигналов на уровне одного участника. На уровне группы все области, включенные в этот анализ, были в значительной степени связаны с успешным кодированием эмоциональной памяти, что подтверждает, что все ROI были релевантны для успешного кодирования эмоциональной памяти. Для каждой рентабельности инвестиций и участника мы последовательно определили значимые вокселы для эмоционального > нейтрального контраста при нескорректированном пороге P <0,05, с минимальным размером кластера в три вокселя. Суммарный временной ход был извлечен из всех этих вокселов с помощью инструмента извлечения «Объем интереса» SPM. Подробно, для всех выбранных вокселей в пределах ROI был выполнен PCA. Временные точки были наблюдениями, а вокселы — переменными. PCA вернул ряд компонентов, упорядоченных по доле дисперсии, объясняемой каждым компонентом. Каждый компонент был связан с вектором весов (одно значение на воксель), отражающим вклад каждого воксела в этот компонент. Первая собственная переменная отражала временной ход основного компонента, который способствовал реагированию региона, и была выбрана в качестве репрезентативного временного хода для рентабельности инвестиций. Временные рамки были скорректированы с учетом артефактов движения путем добавления параметров движения в качестве ковариат в линейную модель.

Во всех 29 функциональных ROI временные курсы были успешно извлечены в 97,88% всех случаев в выборке открытия и в 97,57% всех случаев в выборке репликации, поскольку они демонстрировали надежную зависимую от задачи активацию в соответствии с нашим порогом значимости, описанным выше. Данные всех ROI у всех участников были обязательным условием для запуска DCM, поскольку целью DCM является сравнение различных моделей наблюдаемой активации (38, 39). Следовательно, мы исключали участника из конкретного DCM, если рентабельность инвестиций не демонстрировала активацию в соответствии с критериями, определенными выше. Из всех ROI, ROI 9 показал наименьшую долю участников с устойчивой активацией (выборка открытия 88,36%; выборка репликации 85,84%). См. Приложение SI, Таблица S1, где указано количество участников на DCM, и Приложение SI, Таблица S2, где указаны проценты исключенных участников на рентабельность инвестиций.

Потенциальные причины отсутствия достаточно сильной активации у некоторых участников связаны с шумом в данных или потерей данных, но могут также отражать использование различных когнитивных стратегий.

Анализ связности: DCM. DCM может применяться для проверки конкретных гипотез относительно наличия, направления и модуляторов эффективных связей между набором заранее определенных областей мозга. DCM подробно описан в других источниках (38, 39). Короче говоря, нейронные взаимодействия между областями выражаются дифференциальными уравнениями, которые описывают 1) как активность в одной области мозга вызывает динамику (т. е. скорость изменений) в другой области мозга и 2) как эти взаимодействия изменяются под влиянием экспериментальных условий. Здесь мы сравнивали условия получения эмоциональных и нейтральных картинок, принимая во внимание, вспоминалась ли картинка позже или нет. DCM стремится к нейрофизиологической интерпретируемости, проводя четкое различие между «нейронным уровнем» и «гемодинамическим уровнем» (82). Это достигается путем инвертирования биофизически мотивированной и параметризованной прямой модели, которая связывает смоделированную нервную динамику с измеренными гемодинамическими временными изменениями (38). . Таким образом, параметры связности можно интерпретировать как влияние между популяциями нейронов (39). Наш вывод о связности зависел от основных математических предположений, включенных в параметризацию DCM. Эти предположения были подвергнуты критической оценке (83).

Мы выбрали DCM среди других методов, поскольку он предлагает ряд преимуществ. DCMinfers обеспечивает связь путем моделирования нейронной динамики с помощью системы дифференциальных уравнений. Таким образом, направление влияния и зависящую от условий модуляцию силы соединения можно определить более значимо, чем с помощью статических моделей связности, таких как корреляция или моделирование структурными уравнениями (82, 84, 85).

Анализ связности: DCM — пространство модели. Мы использовали процедуру выбора модели post hoc, которая требует оценки только одной полной модели, чтобы найти доказательства модели для всех возможных архитектур соединений (40), тем самым выполняя исчерпывающее сравнение моделей. Мы использовали эту процедуру выбора вместо традиционного сравнения ограниченного числа априорных моделей, поскольку этот алгоритм значительно снижает вычислительную нагрузку за счет аппроксимации параметров связности вложенных подмоделей на основе вывода по одной полной модели. Хотя было бы интересно включить все 26 кластеров в одну модель, это было невозможно с вычислительной точки зрения. Мы исследовали все парные связи между ROI мозжечка и оставшимися 25 ROI, определив серию 2-узловых DCM, где ROI, расположенная в мозжечке, систематически сочеталась с одной из других ROI. Параметры связности представляют собой чистую связность между ROI, т. е. они не учитывают, опосредовано ли влияние между двумя ROI дополнительными регионами, если только эти дополнительные регионы явно не включены в модель DCM. Поскольку протестированные здесь DCM включали только два узла, они не исследовали, опосредовано ли влияние между мозжечком и второй ROI дополнительными областями. Таким образом, значения наших параметров связности потенциально отражают как прямые, так и косвенные связи. Мы применили билинейный детерминированный DCM с двумя состояниями (версия DCM12)(86). Мы указали взаимные внутренние связи между каждой рентабельностью инвестиций. Внешние входные данные для ROI управляют сетью и количественно определяют, как ROI реагируют на внешние стимулы. Были определены четыре различных входных регрессора, содержащие 1) эмоциональные и нейтральные картинки, 2) зашифрованные картинки, 3) нажатия кнопок и 4) представление рейтинговой шкалы. Каждый из входных регрессоров мог входить в сеть во всех ROI. Сила внутренних связей между ROI могла модулироваться следующими условиями: эмоционально вызываемые изображения, эмоционально невспоминаемые изображения, нейтральные вспоминаемые изображения и нейтральные невспоминаемые изображения.

Байесовский взгляд на множественные сравнения см. в ссылках (87, 88). Примечательно, что мы воспроизвели результаты выборки открытия во второй выборке.

Анализ связности: DCM — оценка модели. Мы использовали эффективный апостериорный выбор модели, который требовал оценки только одной полной модели, чтобы найти: 1) модельные доказательства для всех возможных архитектур соединений с выбором байесовской модели (BMS), 2) апостериорные вероятности, возникающие в результате выводов на уровне семейства, для определения вероятности контраст оценок параметров и 3) средние значения байесовских параметров по всем возможным моделям, показывающие, отличается ли контраст оценок параметров от нуля (40, 84, 89). Поскольку мы использовали BMS с фиксированными эффектами, мы предположили, что оптимальная модель одна и та же для каждого участника популяции (39). Оценка моделей DCM выполнялась на базе научных вычислений sciCORE (https://scicore.unibas.ch/) Базельского университета.

Анализ связности: DCM — анализ параметров. Мы использовали байесовский вывод, чтобы оценить, увеличилась ли сила связи во время успешного кодирования эмоциональной памяти. В частности, мы использовали апостериорные ожидания и апостериорные ковариации для расчета апостериорной вероятности того, что контраст между модуляторами силы связи был больше нуля. Контраст для успешного кодирования эмоциональной памяти строился путем вычитания модуляторов следующих состояний: (вспомнившиеся эмоциональные картинки – невспомнившиеся эмоциональные картинки) – (вспомнившиеся нейтральные картинки – невспомнившиеся нейтральные картинки). Во-первых, в выборке открытия мы определили те связи, у которых апостериорная вероятность контраста превышала {{0}},99. Во-вторых, мы проанализировали эти связи в репликационной выборке, проверяя, имеют ли они апостериорную вероятность контраста больше, чем 0,99. Говоря описательно, применяемый порог вероятности 0,99 можно интерпретировать как очень убедительное доказательство эффекта (42, 43). Мы сосредоточились на увеличении, а не на уменьшении силы соединения, поскольку рентабельность инвестиций определялась на основе вокселей с повышенной активностью.

Расчеты силы связи основывались на силе контраста в репликационном образце. Соединения визуализировались с использованием библиотеки кругов в R (90).

Сегментация анатомического изображения. Анатомическое изображение каждого участника было автоматически сегментировано на корковые и подкорковые структуры с использованием FreeSurfer версии 4.5 (91). Маркировка корковых извилин была основана на атласе Десикана-Киллиани (92), в котором указано 35 корковых и семь подкорковых областей периполушария. Обратите внимание, что применяемая техника сегментации и маркировки обеспечивает точность, сравнимую с маркировкой вручную экспертами (91, 92).

Анатомическая локализация ROI на основе среднепопуляционного анатомического вероятностного атласа. Сегментации корковых и подкорковых структур, полученные из FreeSurfer (см. абзац выше), были использованы для построения среднепопуляционного вероятностного анатомического атласа на основе данных 1000 из 1418 участников. Отдельные сегментированные анатомические изображения были нормализованы к пространству анатомических шаблонов, специфичному для исследования, с использованием ранее вычисленного участниками поля деформации и были аффинно зарегистрированы в пространстве MNI. Для сохранения маркировки различных структур применялась интерполяция по ближайшему соседу. В конечном итоге нормализованные сегментации были усреднены по участникам для создания среднедемографического вероятностного атласа. Следовательно, каждому вокселу шаблона может быть присвоена вероятность принадлежности к данной анатомической структуре.

Этот среднепопуляционный вероятностный атлас использовался для отчета об анатомическом расположении координат и областей интереса. Проценты на координату обозначали среднепопуляционную вероятность анатомической метки. Кроме того, мы сообщили о среднем проценте региональной корреспонденции на рентабельность инвестиций. В соответствии с рентабельностью инвестиций мы определили, какие анатомические метки охватываются его вокселами. Затем мы суммировали вероятности на метку для всех вокселов в пределах ROI и разделили сумму на общее количество вокселов в маске. 100% соответствие имело бы место, если бы все вокселы ROI находились в одной и той же анатомической области, и каждый сам воксел имел вероятность нахождения в этой области 100%.

Доступность данных, материалов и программного обеспечения. Индивидуальные карты первого уровня для двух контрастов интересов (успешное кодирование эмоциональной памяти и кодирование эмоциональных картинок) доступны в Open Science Framework (OSF, https://osf.io/ghtvy) (93) вместе с индивидуальными картами первого уровня. ковариаты. Отдельные файлы первого уровня и VOI доступны на Figshare (https://figshare.com/projects/CBDCM/149317) (94). Соответствующие беспороговые карты группового уровня, а также двоичная маска функциональных ROI были депонированы в Neurovault (https://neurovault.org/collections/12932) (95). Файлы DCM группового уровня доступны в OSF (https://osf.io/ghtvy) (93).

БЛАГОДАРНОСТИ. Мы благодарим Эльмара Меркла, Кристофа Стиппиха и Оливера Бьери за предоставление доступа к оборудованию фМРТ Университетской больницы Базеля. Эта работа финансировалась Швейцарским национальным научным фондом (грант SinergiaCRSI33_130080 для DJ-FdQ и AP). МФ финансировался Исследовательским фондом молодых научных сотрудников Базельского университета (грант DPE2141). Расчеты проводились на базе ядра научных вычислений sciCORE (https://scicore.unibas.ch/) Базельского университета. Авторы заявляют об отсутствии конкурирующих финансовых интересов.

Ссылка

1. Д. де Кервен, Л. Швабе, Б. Рузендал, Стресс, глюкокортикоиды и память: значение для лечения расстройств, связанных со страхом. Нат. Преподобный Нейроски. 18, 7–19 (2017).

2. Дж. Л. Макго, Создание прочной памяти (Weidenfeld & Nicolson, 2003).

3. Дж. Л. Макго, Память. Столетие консолидации. Наука 287, 248–251 (2000).

4. Рузендал Б., Макгоу Дж. Л. Модуляция памяти. Поведение. Неврология. 125, 797–824 (2011).

5. К.С. ЛаБар, Р. Кабеса, Когнитивная нейробиология эмоциональной памяти. Нат. Преподобный Нейроски. 7, 54–64 (2006).

6. С.Б. Хаманн, Т.Д. Эли, С.Т. Графтон, К.Д. Килтс, Активность миндалевидного тела, связанная с улучшением памяти на приятные и неприятные стимулы. Нат. Неврология. 2, 289–293 (1999).

7. Т. Канли, З. Чжао, Дж. Брюэр, Дж. Д. Габриэли, Л. Кэхилл, Событийная активация в миндалевидном теле человека связана с более поздней памятью об индивидуальном эмоциональном опыте. Дж. Неврология. 20, RC99 (2000).

8. А. Х. ван Стегерен и др., Норадреналин опосредует активацию миндалевидного тела у мужчин и женщин во время кодирования эмоционального материала. Нейроизображение 24, 898–909 (2005).

9. М.В. Коул и др., Многозадачная связь открывает гибкие центры для адаптивного управления задачами. Неврология. 16, 1348–1355 (2013).

10. Р.М. Тодд, Т.В. Шмитц, Дж. Сасскинд, А.К. Андерсон, Общие нейронные субстраты эмоционально усиленной перцептивной и мнемонической яркости. Передний. Поведение. Неврология. 7, 40 (2013).

For more information:1950477648nn@gmail.com