Човешкият малък мозък и кортикоцеребеларните връзки участват в подобряването на емоционалната памет, част 3

Взети заедно, DCM анализът показа, че от 25-те церебрални ROI, участващи в подобряването на емоционалната памет, 13 ROI показват повишена сила на връзката с малкия мозък, най-вече в посока от малкия мозък към кортикалните ROI, в два случая в обратна посока и още два случая в двете посоки.

Щастливото и позитивно настроение може да подобри паметта на хората. Това е така, защото механизмът за подобряване на емоционалната памет улеснява хората да съхраняват важна информация в дългосрочната памет. Изследванията показват, че когато човешкото тяло изпитва силни емоции, тялото освобождава каталитични вещества, които активират свързаните с емоциите области на мозъка, засягайки мозъчните когнитивни и учебни центрове. С други думи, подобряването на емоционалната памет ни помага да запомним информацията по-дълбоко.

В ежедневието можем да подобрим паметта си, като коригираме емоциите си. Можем да изберем някои дейности, които ни карат да се чувстваме щастливи и удобни, като слушане на любимата ни музика, чат с приятели, правене на някои релаксиращи упражнения и т.н. В допълнение, някои прости поведения също могат да ни помогнат да поддържаме щастливо настроение, като например достатъчно сън, правилно хранене и умерени упражнения.

Накратко, има тясна връзка между подобряването на емоционалната памет и паметта. Положителните емоции стимулират областите на мозъка, свързани с паметта, което ни улеснява да съхраняваме информация в дългосрочната памет. Можем да си помогнем да подобрим паметта си и да бъдем по-щастливи и пълноценни в живота, като регулираме емоциите си. Вижда се, че трябва да подобрим паметта си. Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola е традиционен китайски лекарствен материал с много уникални ефекти, един от които е да подобрява паметта. Ефикасността на мляното месо идва от различните активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Щракнете върху познайте 10 начина за подобряване на паметта

Тези открития предполагат, че малкият мозък е неразделна част от мрежа за свързване, участваща в подобряването на емоционалната памет. От тези резултати обаче не можем да направим заключение кои от тези връзки са най-важните. Тъй като ROI бяха дефинирани функционално, а не анатомично, ние също не можем да посочим точните анатомични субстрати на кортикалните ROI. Избрахме този подход, тъй като чувствителността на откриване на наличието на връзки може да бъде увеличена чрез използване на ROI, които съответстват на функционалните граници (36).

Последствието от тази процедура е загуба на анатомична специфичност и невъзможност да се прави разлика между приноса на различни анатомични структури в рамките на определена ROI. Освен това, тъй като тестваните тук DCM включват само два възела, те не вземат предвид дали влиянието между малкия мозък и втория ROI е медиирано от допълнителни региони. Следователно стойностите на нашите параметри за свързаност потенциално отразяват както преки, така и непреки връзки.

Настоящите открития могат да допринесат за по-доброто разбиране на мрежата, участваща в подобряването на емоционалната памет при физиологични условия. Освен това констатациите могат също така да имат значение за разбирането на патологични състояния, като посттравматично стресово разстройство (ПТСР), тъй като формирането на прекалено силна отблъскваща памет след атравматично събитие е важен патогенен механизъм в развитието на разстройства, свързани със страх (1, 62, 63). Докато няма да е възможно да се изследва първоначалното формиране на паметта при посттравматично стресово разстройство с помощта на fMRI, проучванията могат да изследват невронните корелати на травматично възстановяване на паметта. Неотдавнашно fMRI проучване следва този подход и открива засилено мозъчно активиране в малкия мозък (включително червея), тилната извивка, супрамаргиналната извивка и амигдалата по време на припомняне на травма при пациенти с ПТСР (64).

За разлика от това, хипоактивността на малкия мозък може да бъде свързана със състояния с намалено подобряване на емоционалната памет. Наистина, клиничните проучвания показват, че патологиите, засягащи вербалното функциониране, са свързани с набор от когнитивни и емоционални увреждания, включително симптоми на разстройство от аутистичния спектър (65, 66). Интересното е, че пациентите с разстройство от аутистичния спектър показват дефицит в емоционалното усилване на епизодичните спомени (67, 68). Възможно е тези дефицити частично да произлизат от структурни и функционални аномалии на амигдалата, често наблюдавани при това заболяване (69, 70). Въпреки това, въз основа на настоящите резултати, дермалната хипоплазия при разстройство от аутистичния спектър може също да допринесе за нарушеното емоционално усилване на епизодичната памет. Тази хипотеза трябва да бъде тествана при пациенти с аутизъм с различна степен на аномалии на амигдалата и вермиса.

Има нарастващи доказателства, сочещи, че малкият мозък, по-специално вермисът на малкия мозък, и връзките му с няколко церебрални области, включително лимбичната система, участват в емоционални функции, включително емоционално възприятие, емоционално разпознаване, емоционална обработка и обуславяне на страх (27, 71). . Настоящите открития сега предполагат, че малкият мозък също е част от верига, участваща в емоционалното подобряване на епизодичната памет. В рамките на тази верига малкият мозък получава информация от няколко мозъчни области, включително цингулата, докато амигдалата/хипокампусът и няколко други области на мозъка получават информация от малкия мозък. Тези констатации разширяват знанията за ролята на малкия мозък в сложните когнитивни и емоционални процеси и могат да бъдат от значение за разбирането на психиатричните разстройства с анормална емоционална верига, като посттравматично стресово разстройство или разстройство от аутистичния спектър.

Материали и методи

Участници. Ние набрахме здрави, млади участници (872 жени, 546 мъже, средна възраст=22.39 г, SD=3.27). Рекламата се извършва главно в Базелския университет и в местните вестници. Участниците не са страдали от неврологични или психиатрични заболявания, не са приемали никакви лекарства по време на експеримента (с изключение на хормонални контрацептиви) и са били на възраст между 18 и 35 години. Физическото и психическото здраве беше оценено въз основа на стандартни въпросници. Експериментът е одобрен от комисията по етика на кантон Базел, Швейцария. Всички участници са дали писмено информирано съгласие преди да участват в проучването. Преди анализа извадката беше разделена на проба за откриване (n=945, 2/3 от всички участници) и проба за репликация (n=473, 1/3 от всички участници) чрез произволно разпределяне на участниците на един на пробите. Рандомизирането беше извършено с помощта на функцията Matlab rand perm. Нямаше значителни разлики между пробите за откриване и репликация по отношение на възраст, пол или подобрение на емоционалната памет (P По-голямо или равно на 0).33, {{ 16}}странично тестване, n=1,418).

Експеримент: Процедура. Участниците бяха подложени на четири последователни задачи: задача за кодиране на картина, задача за работна памет, тест за памет за свободно извикване и задача за разпознаване. Участниците първо бяха инструктирани и след това обучени за задачите за кодиране на картини и работна памет. След обучението те бяха поставени в скенера и получиха тапи за уши и слушалки за намаляване на шума от скенера. Главите им бяха фиксирани в намотката с помощта на малки възглавнички и им беше казано да не се движат. Картините бяха представени в скенера с помощта на MR-съвместими очила с течнокристален дисплей (VisualSystem; NordicNeuroLab, Берген, Норвегия). Когато беше необходимо, беше използвана корекция на очите. Задачата за кодиране на картината продължи около 20 минути. Веднага след това участниците изпълниха задача за запаметяване на работната памет на буквата n (0-backand 2-back conditions) в скенера за ~10 минути. В настоящото проучване задачата за работната памет е използвана като задача за отвличане на вниманието между тестването на кодирането и извикването на паметта. Следователно не анализирахме данните от самата задача за работна памет (вижте препратка 72 за описание на задачата). След като напуснаха скенера, на участниците беше даден необявен тест за свободно извикване на паметта на снимките в отделна стая (без ограничение във времето беше зададено за тази задача). След безплатното извикване, участниците бяха преместени в скенера и изпълниха задача за разпознаване (вижте справка 73 за описание на задачата). Участниците получиха 25 швейцарски франка/час за участие. Поради организационни ограничения трябваше да променим стаята, в която се извикваха снимките, което означаваше, че някои участници си припомняха снимки в малко по-различна обстановка.

Експеримент: Дизайн на задача за кодиране на картина. Стимулите се състоеха от 72 снимки (24 положителни, 24 отрицателни и 24 неутрални), които бяха избрани от Международната система за афективни картини (IAPS) (74) и от вътрешни стандартизирани комплекти картини, които ни позволиха да приравним картините за визуална сложност и съдържание (напр. човешко присъствие). Снимките, получени от IAPS, бяха класифицирани според валентния рейтинг на IAPS. Осем от 24-те неутрални снимки не са получени от IAPS. Тези снимки бяха оценени на базата на вътрешно валенсериране (11). Въз основа на нормативни резултати за валентност (от 1 до 9), снимките бяха определени като отрицателни (2,3 ± 0.6), неутрални (5.0 ± 0.3) и положителни ( 7.6 ± 0.4) условия, което води до 24 картини за всяка валентност. Положителните стимули първоначално бяха избрани, за да съответстват на оценките на възбудата на отрицателните стимули въз основа на данни от пилотно проучване при 20 участници, които не са включени в проучването. Бяха представени четири допълнителни снимки, показващи неутрални обекти. Две от тези картини бяха представени в началото и две в края на задачата за картини. Тези снимки бяха изключени от оценката на ефективността на припомнянето, за да се контролират ефектите на първичност и актуалност в паметта. Примери за снимки включват еротика, спорт и привлекателни животни за положителната валентност; телесни наранявания, змии и сцени на нападение за отрицателната стойност; и неутрални лица, битови предмети и сгради за неутрално състояние. Освен това са използвани 24 разбъркани снимки. Фонът на кодираните картини съдържа информацията за цвета на всички картини, използвани в експеримента (с изключение на първични и актуални снимки), насложени с кристален филтър и филтър за изкривяване (Adobe Photoshop CS3). На преден план беше показан предимно прозрачен геометричен обект (правоъгълник или елипса с различен размер и ориентация). За настоящото изследване разбърканите изображения не представляваха интерес.

Картините бяха представени за 2,5 секунди в квази-рандомизиран ред, така че най-много четири снимки от същата категория да се появят последователно. Фиксиращ кръст се появи на екрана за 500 ms преди всяко представяне на картина. Времето за начало на стимула се променя в рамките на 3 s (1 време на повторение [TR]) за категория на валентност относно началото на сканирането. По време на междупробния период участниците оцениха всяка от 72-те снимки според валентността (отрицателна, неутрална или положителна) и възбудата (голяма, средна или малка) по 3-точкова скала (манекен за самооценка) чрез натискане на бутон с доминиращата си ръка. За разбъркани снимки участниците оцениха формата (вертикална, симетрична или хоризонтална) и размера (голям, среден или малък) на геометричния обект на преден план. Софтуерната презентация (Neurobehavioral Systems, Inc., Бъркли, Калифорния; https://www.neurobs.com) беше използвана за представяне на картината.

Поведенчески данни: Подобряване на емоционалната памет. За да документират свободното припомняне, участниците трябваше да напишат описание на извиканите снимки. Една снимка се оценява като правилно припомнена, ако оценителят може да идентифицира представената картина въз основа на описанието на участника. Двама обучени изследователи оцениха независимо един от друг описанията за успех на припомнянето (надеждност на междуоценителя > 99%). Трети независим оценител взе решение за снимки, които бяха оценени по различен начин. За всеки участник изчислихме колко често емоционалните картини са били извиквани в сравнение с неутралните картини: ([припомнено положително – припомнено неутрално] + [припомнено отрицателно – припомнено неутрално])/2. Точките от данни бяха нанесени и беше установено, че са приблизително нормално разпределени (SI Приложение, Фиг. S1). Бяха приложени двустранни t-тестове, за да се провери дали представянето на емоционалната памет е значително различно от нула. Освен това тествахме ефектите на потенциални объркващи фактори. Използвахме 2-пробен t-тест, за да оценим дали ефективността на емоционалната памет зависи от пола. Използвахме коефициентите на линейна корелация на Pearson, за да свържем ефективността на припомнянето с възрастта. Бяха приложени двустранни t-тестове, за да се провери дали коефициентът на корелация е значително различен от нула.

Образна диагностика: ЯМР придобиване. Измерванията бяха извършени на SiemensMagnetom Verio 3 T MR устройство за цяло тяло, оборудвано с 12-намотка с канална глава. Функционалните времеви серии бяха получени с еднократна ехо-планарна последователност, използваща паралелно изобразяване (GRAPPA). Използвахме следните параметри за придобиване: време за ехо (TE)=35 ms; зрително поле (FOV)=22 cm; матрица за придобиване =80 × 80, интерполирана до 128 × 128; размер на воксела=2.75 × 2.75 × 4 mm3; фактор на ускорение GRAPPA R=2.0. Използвайки средно сагитално скаутско изображение, 32 съседни аксиални среза, поставени по протежение на предно-задната равнина на комисурата, покриващи целия мозък с TR=3,000 ms (= 82 степен), бяха получени с помощта на възходящо преплитане последователност. Първите две придобивания бяха отхвърлени поради ефектите на постоянно насищане на T1time. T1-претеглено анатомично изображение с висока разделителна способност беше получено с помощта на подготвена за намагнитване градиентна ехо последователност (TR =2,000 ms; TE=3.37 ms; TI {{ 31}},000 ms; ъгъл на обръщане=8 градуса; 176 среза; FOV =256 mm; размер на воксела=1 × 1 x 1 mm3).

Imaging: Софтуерен пакет за статистически анализ на данни от изображения. Използвахме софтуера за статистическо параметрично картографиране (SPM) SPM12 версия 6685 (Wellcome Trust Center for Neuroimaging, Лондон, Обединеното кралство; https://www.fil.ion.ucl.ac. uk/spam/), внедрен в Matlab R2016a.

Изобразяване: Предварителна обработка и нормализиране на обеми на ехо планарни изображения (EPI). Обемите бяха коригирани по време на срез към първия срез, подравнени отново с помощта на опцията „регистриране до означаване“ и сърегистрирани към анатомичното изображение чрез прилагане на нормализирана триизмерна трансформация на твърдо тяло с взаимна информация. Успешната съвместна регистрация беше визуално проверена за всеки участник. Всеки обем беше маскиран с Т1 анатомично изображение на участника, за да се изключат воксели извън мозъка. Обемите на планарното ехо изображение (EPI) бяха нормализирани към пространството на Монреалския неврологичен институт (MNI) и изгладени с 8 mm пълна ширина на половин максимум (FWHM) Гаусово ядро ​​чрез прилагане на DARTEL, което доведе до подобрена регистрация между участниците (75, 76) .

Преплетената последователност, използвана за получаване на функционални времеви серии, направи предпоставка за използване на корекция на времеви отрязъци като първа стъпка на предварителна обработка (77). Методите за коригиране на времевия отрязък могат успешно да компенсират ефектите от времевия отрязък (78). Трябва да се отбележи, че в DCM за fMRI посоката на причинно-следствената връзка не се идентифицира чрез времеви приоритет. Вместо това причинно-следствената връзка е въплътена от математическата форма на диференциалното уравнение на състоянието на всеки регион. Уравненията на състоянието на даден модел определят структурата на системата (напр. свързаността между регионите), предписвайки изрично как динамиката възниква в системата (39). Следователно няколко проучвания на DCM с подобни TRs са били проведени преди това (79–81).

Изображения: Моделиране на вокселна активност. Общи линейни модели (GLM) бяха определени за всеки участник за идентифициране на воксели, активирани от задачата. Регресорите, моделиращи началото и продължителността на събитията на стимулите, бяха свити с функция на каноничен хемодинамичен отговор. По-точно, моделът включва регресори за натискания на бутони, моделирани като стик/делта функции, представяне на картина (положително, неутрално, отрицателно, разбъркано, първичност и актуалност), моделирано с функция епоха/вагон (продължителност: 2,5 s), и скали за оценка, моделирани с функция епоха/вагон с променлива продължителност (в зависимост от това кога е последвало натискане на бутон). Серийните корелации бяха премахнати с помощта на авторегресивен модел от първи ред и беше приложен високочестотен филтър (128 s) за отстраняване на нискочестотен шум. Шест параметъра на движение също бяха въведени като неприятни ковариати. Дефинирахме два различни типа GLM. Един тип GLM беше използван за идентифициране на воксели, свързани с успешното кодиране на емоционалната памет.

Тук положителните, отрицателните и неутралните стимули бяха моделирани отделно в зависимост от това дали впоследствие са били припомнени или не. Получените оценки на параметрите бяха контрастирани, за да се идентифицират воксели, свързани с успешно кодиране на емоционална памет ([припомнени емоционални картини – неприпомнени емоционални картини] – [припомнени неутрални снимки – неприпомнени неутрални картини]). Този контраст беше наличен при 944 от 945 участници в извадката за откриване (1 субект не си спомни никакви неутрални снимки) и при 470 от 473 участници в извадката за репликация (3 субекта не си спомниха никакви неутрални снимки) . За да изследваме потенциалните свързани с валентността ефекти в церебеларната активност, освен това сравнихме дали дейността, свързана с успешното кодиране на паметта, се различава между положителните и отрицателните картини. Това съответстваше на следния контраст: ([припомнени негативни снимки – неизвикани отрицателни снимки] – [припомнени положителни снимки – неизвикани положителни снимки]). Друг тип GLM беше определен за идентифициране на воксели, свързани с кодирането на емоционални картини, независимо от паметта. Ние посочихме регресори за положителни, неутрални и отрицателни снимки, независимо дали снимките са били извикани или не, и контрастирахме получените оценки на параметрите (емоционални снимки - неутрални снимки). Приложена семейна корекция на грешки (FWE) за множество сравнения на ниво целия мозък към всички контрасти (Pwhole-brain-FWE-коригирано < 0.05). Корекция за множество сравнения на клъстерно ниво беше приложена за тестване на свързани с валентността ефекти в церебеларния клъстер (Psмалък обем-коригиран <0,001, степен на клъстера k=10).

Изображения: Групова статистика на вокселна активност. За да се определи дейността, свързана с „успешно кодиране на емоционална памет“ и с „кодиране на емоционални картини“, картите на контраста бяха въведени в модел на произволни ефекти (анализ от второ ниво), използвайки GLM Flex (Martinos Center и Massachusetts General Hospital, Charlestown, MA; https ://habs.mgh.harvard.edu/researchers/datatools/glm-flex-fast2/). Ние контролирахме ефекта на пола, възрастта, една промяна в софтуера за скенер и две промени в градиентните бобини, като ги включихме като ковариати. Използвахме GLM Flex, тъй като EPI последователностите страдат от загуба на сигнал в присъствието на нехомогенности на магнитното поле, които могат да възникнат близо до границите въздух-тъкан. Процедурата за нормализиране, приложена в DARTEL, трансформира точно както воксели със сигнал, така и воксели със загуба на сигнал в MNI пространство. InSPM загубата на сигнал при MNI координата във функционално изображение само на един участник доведе до изключването на воксела при тази координата от анализа на групово ниво. Следователно вероятността воксел да бъде изключен се увеличава с размера на извадката. GLM Flex заобиколи този проблем, като позволи променлив брой участници във всеки воксел. Минималният брой участници на воксел беше зададен на 2/3 от всички участници.

Изображения: Дефиниция на ROI—функционално дефинирана маска. Тъй като чувствителността на откриване на наличието на връзки може да се увеличи чрез използване на ROI, които съответстват на действителните функционални граници (36), ние дефинирахме ROI функционално, а не анатомично. По-конкретно, в рамките на извадката за откриване (n=945), използвахме функционално получена маска и след това използвахме управляван от данни подход за клъстериране на ниво група, за да разделим предварително обработените и нормализирани EPI обеми в пространствено кохерентни и времеви хомогенни региони (37) . Маската се състоеше от воксели, които бяха положително свързани с успешното кодиране на емоционалната памет в пробата за откриване (Pwhole-brain-FWE-corected < 0.05). След това идентифицираните воксели бяха допълнително маскирани с кодиране на контраста на емоционалните картини (Pwhole-brain-FWE-corected < 0,05), за да се гарантира, че всички включени воксели също показват положителен ефект за кодиране на емоции (99% от всички воксели, значими в „успешното кодиране на емоционалната памет контраст" също са били значими в "кодирането на контраста на емоционалните картини").

Образна диагностика: Дефиниция на ROI—Процедура за парцелиране. Воксели в рамките на функционално дефинираната маска бяха комбинирани в ROI, така че сходството между воксели в рамките на един и същи клъстер беше максимално увеличено в сравнение със сходството между воксели в различни клъстери, като се използва нормализиран метод на изрязване, включващ пространствено ограничение (37). За целесъобразност на изчисленията парцелирането беше извършено въз основа на обемите на EPI на 200 участници, които бяха избрани на случаен принцип от извадката за откриване. Тези обеми бяха изгладени с 6 mmFWHM гаусово ядро ​​в съответствие с скорошна статия (37). Клъстерирането първо беше извършено във всеки участник, последвано от групово групиране на второ ниво, както се препоръчва от Craddock et al. (37). Разделихме вокселите в рамките на маската на 30 ROI, тъй като открихме, че този брой води до достатъчна пространствена специфичност, като същевременно е управляем по отношение на изчислителната тежест, предизвикана от изчислението на свързаността с DCM. Една от тези ROI съдържаше изолирани воксели и дискретни малки клъстери, които не бяха пространствено кохерентни. По този начин тази ROI (ROI 11), която съдържа 60 воксела, беше премахната от по-нататъшен анализ.

Анализ на свързаността: Извличане на времеви курс. Извлякохме времевия курс на участник и ROI от неизгладени и ненормализирани данни, използвайки процедурата, описана по-долу. Имайте предвид, че ние извличаме от неизгладени данни, тъй като изглаждането може да навреди на оценката на свързаността, тъй като води до смесване на зависими от нивото на оксигенация на кръвта времеви курсове между региони наблизо (36).

1. Картографиране на функционални ROI от MNI пространството към местното пространство на участниците: ROI, както е определено в процедурата за парцелиране, са генерирани в MNIspace. Поради това картографирахме тяхното местоположение към местното пространство на участниците, като обърнахме полето за нормализиране на деформацията на всеки участник.

2. Извличане на времеви курс от функционални ROI: Преди действителното моделиране на свързаността в рамките на DCM, специфичните за участниците времеви курсове бяха извлечени от всяка ROI. Целта на тази стъпка беше да се извлекат времеви курсове от активирани воксели на ниво един участник. Размерът на ефекта от кодирането на контраста на емоционалните картини беше значително по-голям от размера на ефекта на успешния контраст на емоционалната памет, правейки първия по-подходящ за разграничаване на воксели, свързани със задачи, от воксели без релевантни сигнали на ниво един участник. На ниво група, всички области, включени в този анализ, бяха значително свързани с успешното кодиране на емоционалната памет, като се гарантира, че всички ROI са подходящи за успешното кодиране на емоционалната памет. За всяка ROI и участник впоследствие идентифицирахме значими воксели за емоционалния > неутрален контраст, при некоригиран праг от P < 0.05, с минимален размер на клъстера от три воксела. Обобщеният времеви курс беше извлечен от всички тези воксели с помощта на инструмента за извличане на SPM "Volume of Interest". По-подробно, за всички избрани воксели в рамките на anROI беше извършен PCA. Времевите точки бяха наблюденията, а вокселите бяха променливите. PCA върна серия от компоненти, подредени по пропорцията на дисперсията, която всеки компонент обяснява. Всеки компонент беше свързан с вектор от тегла (една стойност на воксел), отразяващ приноса на всеки воксел към този компонент. Първата собствена променлива отразява времевия ход на основния компонент, който е допринесъл за отговора на региона, и е избран като представителен времеви курс за ROI. Времевите курсове бяха коригирани за артефакти на движение чрез добавяне на параметри на движение като ковариати в линейния модел.

Във всичките 29 функционални ROI времевите курсове бяха успешно извлечени в 97,88% от всички случаи в извадката за откриване и 97,57% от всички случаи в извадката за репликация, тъй като те показаха стабилно активиране, зависимо от задачите, чрез нашия праг на значимост, описан по-горе. Данните от всички ROI във всички участници бяха предпоставка за стартиране на DCM, тъй като целта на DCM е да сравнява различни модели за наблюдавано активиране (38, 39). Следователно изключихме участник от конкретен DCM, ако ROI не показа активиране в съответствие с критериите, определени по-горе. От всички ROI, ROI 9 показа най-малък дял участници със стабилно активиране (проба за откриване 88,36%; проба за репликация 85,84%). Вижте SI Приложение, Таблица S1 за броя на участниците за DCM и SI Приложение, Таблица S2 за проценти на изключените участници за ROI.

Потенциалните причини за липсата на достатъчно силно активиране при някои участници се отнасят до шум в данните или загуба на данни, но може също да отразяват използването на различни когнитивни стратегии.

Анализ на свързаността: DCM. DCM може да се приложи за тестване на специфични хипотези относно присъствието, посоката и модулаторите на ефективна свързаност между набор от предварително дефинирани области на мозъка. DCM е описан подробно другаде (38, 39). Накратко, невронните взаимодействия между регионите се изразяват чрез диференциални уравнения, които описват 1) как активността в един регион на мозъка предизвиква динамика (т.е. скорост на промяна) в друг регион на мозъка и 2) как тези взаимодействия се променят под влияние на експериментални условия. Тук сравнихме условията за емоционални и неутрални снимки, докато обмисляхме дали дадена снимка е била извикана по-късно или не. DCM се стреми към неврофизиологична интерпретируемост, като прави ясно разграничение между "невронното ниво" и "хемодинамичното ниво" (82). Това се постига чрез обръщане на биофизично мотивиран и параметризиран преден модел, който свързва моделираната невронна динамика с измерените курсове на хемодинамичното време (38). . Следователно параметрите на свързаност могат да се тълкуват като влияние между невронните популации (39). Нашето заключение относно свързаността зависеше от основните математически допускания, включени в параметризацията на DCM. Тези допускания са критично оценени (83).

Избрахме DCM пред други методи, защото предлага няколко предимства. DCMinfers свързване чрез моделиране на невронна динамика със система от диференциални уравнения. Следователно посоката на влияние и зависимата от състоянието модулация на силата на връзката могат да бъдат по-смислено определени, отколкото със статични модели на свързаност, като моделиране на корелация или структурно уравнение (82, 84, 85).

Анализ на свързаността: DCM—Моделно пространство. Използвахме процедура за подбор на модел post hoc, която изисква оценка само на един пълен модел, за да намерим доказателства за модела за всички възможни архитектури на свързване (40), като по този начин извършихме изчерпателно сравнение на модела. Използвахме тази процедура за подбор, а не традиционно сравнение на ограничен брой априорни модели, тъй като този алгоритъм значително намалява изчислителната тежест чрез приближаване на параметрите на свързване на вложени подмодели от извода върху един пълен модел. Въпреки че би било интересно да се включат всичките 26 клъстера в един единствен модел, това не беше изчислително възможно. Изследвахме всички връзки по двойки между ROI на малкия мозък и останалите 25 ROI, като дефинирахме поредица от 2-възлови DCM, където ROI, разположена в малкия мозък, беше систематично свързана с една от другите ROI. Параметрите за свързаност представляват нетната свързаност между ROI — т.е. те не отчитат дали влиянието между две ROI се медиира от допълнителни региони, освен ако тези допълнителни региони не са изрично включени в DCM модела. Тъй като тестваните тук DCM включват само два възела, те не изследват дали влиянието между малкия мозък и втората ROI е медиирано от допълнителни региони. Следователно стойностите на нашите параметри за свързване потенциално отразяват както преки, така и непреки връзки. Приложихме билинеен, детерминистичен DCM с две състояния (версия DCM12)(86). Уточнихме реципрочни вътрешни връзки между всяка ROI. Външните данни за ROI управляват мрежата и определят количествено как ROI реагират на външни стимули. Бяха дефинирани четири различни входни регресора, съдържащи 1) емоционални и неутрални картини, 2) разбъркани картини, 3) натискания на бутони и 4) представяне на скалата за оценка. Всеки от входните регресори може да влезе в мрежата при всички ROI. Силата на присъщите връзки между ROI може да бъде модулирана от следните условия: емоционално извикани картини, емоционално неизвикани картини, неутрални извикани картини и неутрални неизвикани картини.

За байесова гледна точка на множество сравнения вижте препратките (87, 88). Трябва да се отбележи, че репликирахме резултатите от пробата за откриване във втора проба.

Анализ на свързаността: DCM—Оценка на модела. Използвахме ефикасен posthoc избор на модел, който изискваше оценка само на един пълен модел, за да намерим1) доказателствата за модела за всички възможни архитектури на свързване с Bayesian model selection (BMS), 2) последващи вероятности, произтичащи от изводи на ниво семейство, за да се определи вероятността за a контраст на оценките на параметрите и3) средните стойности на байесовия параметър за всички възможни модели, показващи дали контрастът на оценките на параметрите се различава от нула (40, 84, 89). Тъй като използвахме BMS с фиксирани ефекти, предположихме, че оптималният модел е един и същ за всеки участник в популацията (39). Оценката на DCM моделите беше извършена в sciCORE (https://scicore.unibas.ch/) научно изчислително основно съоръжение в Университета на Базел.

Анализ на свързаността: DCM—Анализ на параметри. Използвахме Bayesian извод, за да преценим дали силата на връзката е увеличена по време на успешното кодиране на емоционалната памет. По-конкретно, ние използвахме задните очаквания и задните ковариации, за да изчислим задната вероятност, че контрастът между модулаторите на силата на връзката е по-голям от нула. Контрастът за успешно кодиране на емоционална памет беше изграден чрез изваждане на модулаторите на следните условия: (припомнени емоционални картини – неприпомнени емоционални картини) – (припомнени неутрални картини – неприпомнени неутрални картини). Първо, в рамките на извадката за откриване, ние идентифицирахме онези връзки, които имаха постериорна вероятност за контраст, по-голяма от {{0}}.99. Второ, ние анализирахме тези връзки в пробата за репликация, тествайки дали те също имат последна вероятност за контраст, по-голяма от 0.99. В описателни термини, приложеният праг на вероятност от 0,99 може да се тълкува като предоставящ много убедителни доказателства за ефект (42, 43). Фокусирахме се върху увеличенията, а не върху намаляването на силата на връзката, тъй като ROI бяха определени въз основа на воксели с повишена активност.

Изчисленията за силата на връзката се основават на силата на контраста в пробата за репликация. Връзките бяха визуализирани с помощта на библиотеката с кръгове в R (90).

Сегментиране на анатомичен образ. Анатомичното изображение на всеки участник беше автоматично сегментирано на кортикални и субкортикални структури с помощта на FreeSurfer версия 4.5 (91). Етикетирането на кортикалните извивки се основава на атласа на Desikan-Killiany (92), даващ 35 кортикални и седем субкортикални области в перхемисферата. Имайте предвид, че приложената техника за сегментиране и етикетиране осигурява точност, сравнима с ръчното етикетиране от експерти (91, 92).

Анатомична локализация на ROI на базата на осреднен за населението анатомичен вероятностен атлас. Сегменти от кортикални и субкортикални структури, извлечени от FreeSurfer (вижте параграфа по-горе), бяха използвани за изграждане на среден за популацията вероятностен анатомичен атлас въз основа на данни от 1 000 от 1418 участници. Индивидуалните сегментирани анатомични изображения бяха нормализирани към специфичното за проучването пространство на анатомичния шаблон, използвайки предварително изчисленото поле на изкривяване на участниците и бяха афинно регистрирани към MNI пространството. Беше приложена интерполация на най-близкия съсед, за да се запази етикетирането на различните структури. Нормализираните сегментации най-накрая бяха осреднени за участниците, за да се създаде вероятностен атлас за средната популация. Следователно на всеки воксел от шаблона може да бъде определена вероятност за принадлежност към дадена анатомична структура.

Този вероятностен атлас за средна популация беше използван за докладване на анатомичното местоположение на координатите и ROI. Процентите на координата обозначават средната за популацията вероятност за анатомичен етикет. Освен това отчетохме средния процент на регионална кореспонденция за ROI. За ROI ние определихме кои анатомични етикети са обхванати от неговите воксели. След това сумирахме вероятностите за етикет за всички воксели в рамките на ROI и разделихме сумата на общия брой воксели в маската. 100% съответствие би възникнало, ако всички воксели на ROI са разположени в рамките на една и съща анатомична област и всеки воксел сам по себе си има 100% вероятност да бъде разположен в тази област.

Наличност на данни, материали и софтуер. Индивидуални карти от първо ниво за двата интересни контраста (успешно кодиране на емоционална памет и кодиране на емоционални картини) са налични в Open Science Framework (OSF, https://osf.io/ghtvy) (93), заедно с индивидуалния ковариати. Индивидуални файлове от първо ниво и VOI са достъпни на Figshare (https://figshare.com/projects/CBDCM/149317) (94). Съответните карти на групово ниво без праг, както и двоичната маска на функционалните ROI, са депозирани в Neurovault (https://neurovault.org/collections/12932) (95). DCM файловете на ниво група са налични в OSF (https://osf.io/ghtvy) (93).

БЛАГОДАРНОСТИ. Благодарим на Elmar Merkle, Christoph Stippich и OliverBieri за предоставянето на достъп до fMRI съоръженията на университетската болница в Базел. Тази работа беше финансирана от Швейцарската национална научна фондация (Sinergia grantCRSI33_130080 на DJ-FdQ и AP). MF беше финансиран от Изследователския фонд за младши изследователи на Университета в Базел (грант DPE2141). Изчисленията бяха извършени в sciCORE (https://scicore.unibas.ch/) научно изчислително ядро ​​съоръжение в Университета на Базел. Авторите декларират липса на конкуриращи се финансови интереси.

справка

1. D. de Quervain, L. Schwabe, B. Roozendaal, Стрес, глюкокортикоиди и памет: Последици за лечение на разстройства, свързани със страха. Нац. Rev. Neurosci. 18, 7–19 (2017).

2. JL McGaugh, Създаването на трайна памет (Weidenfeld & Nicolson, 2003).

3. JL McGaugh, Памет – век на консолидация. Science 287, 248–251 (2000).

4. B. Roozendaal, JL McGaugh, Модулация на паметта. поведение. Neurosci. 125, 797–824 (2011).

5. KS LaBar, R. Cabeza, Когнитивна невронаука на емоционалната памет. Нац. Rev. Neurosci. 7, 54–64 (2006).

6. SB Hamann, TD Ely, ST Grafton, CD Kilts, активност на амигдалата, свързана с подобрена памет за приятни и неприятни стимули. Нац. Neurosci. 2, 289–293 (1999).

7. T. Canli, Z. Zhao, J. Brewer, JDE Gabrieli, L. Cahill, Свързано със събитие активиране в човешката амигдала се свързва с по-късна памет за индивидуално емоционално преживяване.J. Neurosci. 20, RC99 (2000).

8. AH van Stegeren et al., Норадреналинът медиира активирането на амигдалата при мъже и жени по време на кодиране на емоционален материал. Neuroimage 24, 898–909 (2005).

9. MW Cole et al., Многозадачната свързаност разкрива гъвкави центрове за адаптивен контрол на задачите. Nat. Neurosci. 16, 1348–1355 (2013).

10. RM Todd, TW Schmitz, J. Susskind, AK Anderson, Споделени невронни субстрати на емоционално подобрена перцептивна и мнемонична яркост. Преден. поведение. Neurosci. 7, 40 (2013).

For more information:1950477648nn@gmail.com