Ljudski cerebelum i kortikocerebelarne veze uključene u poboljšanje emocionalnog pamćenja, dio 3

Uzeto zajedno, DCM analiza je pokazala da od 25 cerebralnih ROI uključenih u poboljšanje emocionalne memorije,13 ROI pokazuju povećanu snagu veze s malim mozgom, uglavnom u smjeru od malog mozga do kortikalnih ROI, u dva slučaja u suprotnom smjeru i još dva slučaja u oba smjera.

Veselo i pozitivno raspoloženje može poboljšati pamćenje ljudi. To je zato što mehanizam za poboljšanje emocionalne memorije ljudima olakšava pohranjivanje važnih informacija u dugoročno pamćenje. Istraživanja pokazuju da kada ljudsko tijelo doživi snažne emocije, tijelo oslobađa katalitičke tvari koje aktiviraju područja mozga povezana s emocijama, utječući na kognitivne centre mozga i centre za učenje. Drugim riječima, poboljšanje emocionalne memorije pomaže nam da dublje zapamtimo informacije.

U svakodnevnom životu možemo poboljšati svoje pamćenje prilagođavanjem emocija. Možemo odabrati neke aktivnosti zbog kojih se osjećamo srećno i ugodno, kao što je slušanje omiljene muzike, ćaskanje s prijateljima, izvođenje opuštajućih vježbi itd. Osim toga, neka jednostavna ponašanja nam također mogu pomoći da održimo veselo raspoloženje, kao što je dovoljno sna, dobro jesti i umjereno vježbati.

Ukratko, postoji bliska veza između poboljšanja emocionalnog pamćenja i pamćenja. Pozitivne emocije stimuliraju područja mozga povezana s pamćenjem, što nam olakšava pohranjivanje informacija u dugoročno pamćenje. Možemo si pomoći da poboljšamo svoje pamćenje i budemo sretniji i ispunjeniji u životu regulirajući svoje emocije. Vidi se da moramo poboljšati svoje pamćenje. Cistanche deserticola može značajno poboljšati pamćenje jer je cistanche deserticola tradicionalni kineski ljekoviti materijal s mnogim jedinstvenim efektima, od kojih je jedno poboljšanje pamćenja. Djelotvornost mljevenog mesa proizlazi iz različitih aktivnih sastojaka koje sadrži, uključujući kiselinu, polisaharide, flavonoide, itd. Ovi sastojci mogu promovirati zdravlje mozga na različite načine.

Kliknite na saznajte 10 načina za poboljšanje memorije

Ovi nalazi sugeriraju da je cerebelum sastavni dio mreže povezivanja uključene u poboljšanje emocionalne memorije. Međutim, iz ovih rezultata ne možemo zaključiti koje su od ovih veza najvažnije. Budući da su ROI definirani funkcionalno, a ne anatomski, također ne možemo specificirati precizne anatomske supstrate kortikalnih ROI. Odabrali smo ovaj pristup jer se osjetljivost detekcije prisutnosti veza može povećati korištenjem ROI-a koji odgovaraju funkcionalnim granicama (36).

Posljedica ovog postupka je gubitak anatomske specifičnosti i nemogućnost razlikovanja doprinosa različitih anatomskih struktura unutar određenog ROI. Štaviše, pošto su DCM testirani ovde uključivali samo dva čvora, oni ne razmatraju da li je uticaj između malog mozga i drugog ROI posredovan dodatnim regionima. Vrijednosti naših parametara povezivanja stoga potencijalno odražavaju i direktne i indirektne veze.

Sadašnji nalazi mogu doprinijeti boljem razumijevanju mreže uključene u poboljšanje emocionalne memorije u fiziološkim stanjima. Nadalje, nalazi mogu imati i implikacije za razumijevanje patoloških stanja, kao što je posttraumatski stresni poremećaj (PTSP), budući da je formiranje pretjerano jakog averzivnog traga sjećanja nakon atraumatskog događaja važan patogeni mehanizam u razvoju poremećaja povezanih sa strahom (1, 62, 63). Dok neće biti moguće istražiti početno formiranje pamćenja kod PTSP-a pomoću fMRI, studije mogu istražiti neuronske korelate traumatskog vraćanja pamćenja. Nedavna fMRI studija pratila je ovaj pristup i otkrila pojačanu aktivaciju mozga u malom mozgu (uključujući vermis), okcipitalnim vijugama, supramarginalnim vijugama i amigdali tokom prisjećanja traume kod pacijenata sa PTSP-om (64).

Nasuprot tome, hipoaktivnost malog mozga mogla bi biti povezana sa stanjima sa smanjenim poboljšanjem emocionalne memorije. Zaista, kliničke studije pokazuju da su patologije koje utječu na verbalno funkcioniranje povezane s nizom kognitivnih i emocionalnih oštećenja, uključujući simptome poremećaja autističnog spektra (65, 66). Zanimljivo je da pacijenti sa poremećajem autističnog spektra pokazuju deficite u emocionalnom poboljšanju epizodnih sjećanja (67, 68). Moguće je da ovi deficiti delimično potiču od strukturnih i funkcionalnih abnormalnosti amigdale koje se često primećuju kod ovog poremećaja (69, 70). Međutim, na osnovu sadašnjih rezultata, dermalna hipoplazija kod poremećaja autističnog spektra također može doprinijeti smanjenom emocionalnom poboljšanju epizodnog pamćenja. Ovu hipotezu bi trebalo testirati kod pacijenata sa autizmom sa različitim stepenom abnormalnosti amigdale i vermisa.

Sve je više dokaza koji ukazuju na to da su mali mozak, posebno cerebelarni vermis, i njegove veze s nekoliko moždanih regija, uključujući limbički sistem, uključene u emocionalne funkcije, uključujući emocionalnu percepciju, emocionalno prepoznavanje, emocionalnu obradu i uvjetovanje straha (27, 71) . Sadašnji nalazi sada sugeriraju da je mali mozak također dio kola uključenog u emocionalno poboljšanje epizodnog pamćenja. Unutar ovog kola, mali mozak prima podatke iz nekoliko moždanih regija uključujući cingulat, dok amigdala/hipokampus i nekoliko drugih regija mozga primaju ulaz iz malog mozga. Ovi nalazi proširuju znanje o ulozi malog mozga u složenim kognitivnim i emocionalnim procesima i mogu biti relevantni za razumijevanje psihijatrijskih poremećaja s aberantnim emocionalnim krugom, kao što je PTSP ili poremećaj autističnog spektra.

Materijali i metode

Učesnici. Regrutovali smo zdrave, mlade učesnike (872 žene, 546 muškaraca, prosječne starosti=22.39 g, SD=3.27). Oglašavanje je vršeno uglavnom na Univerzitetu u Bazelu iu lokalnim novinama. Učesnice su bile bez bilo kakvih neuroloških ili psihijatrijskih bolesti, nisu uzimale nikakve lijekove u vrijeme eksperimenta (osim hormonskih kontraceptiva) i imale su između 18 i 35 godina. Fizičko i mentalno zdravlje ocjenjivano je na osnovu standardnih upitnika. Eksperiment je odobrio etički komitet Kantona Bazel, Švicarska. Svi učesnici su dali pismeni informirani pristanak prije učešća u studiji. Prije analize, uzorak je podijeljen na uzorak otkrića (n=945, 2/3 svih učesnika) i uzorak replikacije (n=473, 1/3 svih učesnika) slučajnim dodjeljivanjem učesnika jednom uzoraka. Randomizacija je izvršena korištenjem Matlab funkcije rand perm Nije bilo značajnih razlika između uzoraka otkrića i replikacije u odnosu na starost, spol ili poboljšanje emocionalne memorije (P veće od ili jednako 0.33, {{ 16}}bočno testiranje, n=1,418).

Eksperiment: Postupak. Sudionici su prošli četiri uzastopna zadatka: zadatak kodiranja slike, zadatak radne memorije, test memorije slobodnog prisjećanja i zadatak prepoznavanja. Učesnici su prvo bili upućeni, a zatim obučeni za zadatke kodiranja slika i radne memorije. Nakon treninga, pozicionirani su u skener i dobili su čepiće za uši i slušalice kako bi smanjili buku skenera. Njihove glave su fiksirane u zavojnicu pomoću malih jastuka i rečeno im je da se ne pomiču. Slike su prikazane u skeneru korišćenjem MR kompatibilnih naočara sa tečnim kristalima (VisualSystem; NordicNeuroLab, Bergen, Norveška). Korekcija oka je korišćena kada je bilo potrebno. Zadatak kodiranja slike trajao je ~20 min. Odmah nakon toga, učesnici su u skeneru radili zadatak radne memorije sa slovom n-back (0-nazad i 2-uslovi nazad) u trajanju od ∼10 min. U trenutnoj studiji, zadatak radne memorije korišten je kao zadatak odvlačenja pažnje između kodiranja i prisjećanja testiranja memorije. Stoga nismo analizirali podatke iz samog zadatka radne memorije (pogledajte referencu 72 za opis zadatka). Nakon što su napustili skener, učesnici su dobili nenajavljeni test slobodnog pamćenja slika u posebnoj prostoriji (bez vremenskog ograničenja postavljeno za ovaj zadatak). Nakon besplatnog opoziva, učesnici su premješteni u skener i izvršili zadatak prepoznavanja (pogledajte referencu 73 za opis zadatka). Učesnici su za učešće dobili 25 švicarskih franaka/h. Zbog organizacionih ograničenja, morali smo promijeniti prostoriju u kojoj su se prisjećale slike, što je značilo da su se neki učesnici prisjećali slika u nešto drugačijem okruženju.

Eksperiment: Dizajn zadatka kodiranja slike. Podražaji su se sastojali od 72 slike (24 pozitivne, 24 negativne i 24 neutralne) koje su odabrane iz Međunarodnog sistema afektivnih slika (IAPS) (74) i iz standardiziranih kompleta slika koji su nam omogućili da izjednačimo slike po vizuelnoj složenosti i sadržaju. (npr. ljudsko prisustvo). Slike primljene od IAPS-a klasifikovane su prema IAPS valentnoj ocjeni. Osam od 24 neutralne slike nije primljeno od IAPS-a. Ove slike su ocijenjene na osnovu internog valenceriranja (11). Na osnovu normativnih valentnih bodova (od 1 do 9), slike su raspoređene na negativne (2.3 ± 0.6), neutralne (5.0 ± 0.3) i pozitivne ( 7.6 ± 0.4)uslova, što rezultira sa 24 slike za svaku valencu. Pozitivni stimulansi su inicijalno odabrani da odgovaraju ocjenama uzbuđenja negativnih stimulansa na osnovu podataka iz pilot studije na 20 učesnika koji nisu uključeni u studiju. Predstavljene su četiri dodatne slike koje prikazuju neutralne objekte. Dvije od ovih slika predstavljene su na početku i dvije na kraju slikovnog zadatka. Ove slike su isključene iz evaluacije performansi prisjećanja radi kontrole za primat i efekte nedavnosti u pamćenju. Primjeri slika uključivali su erotiku, sport i privlačne životinje za pozitivnu valentnost; tjelesne ozljede, zmije i scene napada zbog negativne valencije; i neutralna lica, kućni objekti i zgrade za neutralno stanje. Osim toga, korištene su 24 kodirane slike. Pozadina kodiranih slika sadržavala je informacije o bojama svih slika korištenih u eksperimentu (osim slika primarnosti i nedavnosti), prekrivenih kristalnim filterom i filterom izobličenja (Adobe Photoshop CS3). U prvom planu je prikazan uglavnom proziran geometrijski objekat (pravougaonik ili elipsa različite veličine i orijentacije). Za ovu studiju kodirane slike nisu bile od interesa.

Slike su predstavljene 2,5 sekunde kvazi-randomiziranim redoslijedom tako da su se uzastopno pojavile najviše četiri slike iste kategorije. Na ekranu se 500 ms pojavio fiksacijski križ prije svake prezentacije slike. Vrijeme početka stimulusa je podrhtavalo unutar 3 s (1 vrijeme ponavljanja [TR]) po valentnoj kategoriji o početku skeniranja. Tokom međuprobnog perioda, učesnici su ocjenjivali svaku od 72 slike prema valentnosti (negativnoj, neutralnoj ili pozitivnoj) i uzbuđenju (velikom, srednjem ili malom) na 3-bodskoj skali (lukelj za samoprocjenu) pritiskom na dugme svojom dominantnom rukom. Za kodirane slike, učesnici su ocjenjivali oblik (vertikalan, simetričan ili horizontalan) i veličinu (veliki, srednji ili mali) geometrijskog objekta u prvom planu. Za slikovnu prezentaciju korišten je softver Presentation (Neurobehavioral Systems, Inc., Berkeley, CA; https://www.neurobs.com).

Podaci o ponašanju: Poboljšanje emocionalne memorije. Da bi dokumentovali slobodan poziv, učesnici su morali da zapišu opis opozvanih slika. Slika je ocijenjena kao ispravno zapamćena ako je ocjenjivač mogao identificirati prikazanu sliku na osnovu opisa učesnika. Dva obučena istraživača su nezavisno ocjenjivala opise za uspješnost prisjećanja (pouzdanost međuocjenjivača > 99%). Treći nezavisni ocjenjivač je odlučio za slike koje su drugačije ocijenjene. Za svakog učesnika izračunali smo koliko često se emotivne slike prisjećaju u poređenju sa neutralnim slikama: ([prisjetio se pozitivno – opozvano neutralno] + [prisjetio se negativnog – prisjetio se neutralno])/2. Tačke podataka su ucrtane i utvrđeno je da su približno normalno raspoređene (SI Dodatak, sl. S1). Dvostrani t-testovi su primijenjeni kako bi se provjerilo da li se performanse emocionalne memorije značajno razlikuju od nule. Osim toga, testirali smo efekte potencijalnih zbunjujućih faktora. Koristili smo 2-uzorak t-testa da procijenimo da li učinak emocionalne memorije zavisi od seksa. Koristili smo Pearsonove linearne koeficijente korelacije da povežemo performanse ponovnog poziva sa godinama. Primijenjeni su dvostrani t-testovi da bi se provjerilo da li se koeficijent korelacije značajno razlikuje od nule.

Snimanje: MRI akvizicija. Mjerenja su obavljena na SiemensMagnetom Verio 3 T MR jedinici cijelog tijela opremljenoj 12- zavojnicom za glavu kanala. Funkcionalne vremenske serije su dobijene eho-planarnom sekvencom pojedinačnog snimanja uz korištenje paralelnog snimanja (GRAPPA). Koristili smo sljedeće parametre akvizicije: vrijeme odjeka (TE)=35 ms; vidno polje (FOV)=22 cm; matrica akvizicije =80 × 80, interpolirana na 128 × 128; veličina voksela=2.75 × 2.75 × 4 mm3; GRAPPA faktor ubrzanja R=2.0. Koristeći srednjesagitalnu izviđačku sliku, 32 susedna aksijalna preseka postavljena duž prednje-zadnje komisurne ravni koje pokrivaju cijeli mozak sa TR=3,000 ms (= 82 stepenom) dobijena su uzlaznim interleavedom sekvenca. Prve dvije akvizicije su odbačene zbog efekta konstantnog zasićenja T1. Anatomska slika visoke rezolucije T1-ponderisana je korišćenjem eho sekvence pripremljene za magnetizaciju (TR =2,000 ms; TE=3.37 ms; TI {{ 31}},000 ms; ugao okretanja=8 stepen; 176 rezova; FOV =256 mm; veličina voksela=1 × 1 x 1 mm3).

Imaging: Softverski paket za statističku analizu slikovnih podataka. Koristili smo softver za statističko parametarsko mapiranje (SPM) SPM12 verzija 6685 (Welcome Trust Center for Neuroimaging, London, UK; https://www.fil.ion.ucl.ac. uk/spam/) implementiran u Matlab R2016a.

Imaging: Prethodna obrada i normalizacija volumena eho planarne slike (EPI). Volumi su po vremenu ispravljeni na prvi isječak, preusmjeren korištenjem opcije "registriraj se na znači" i ponovno registrovani na anatomsku sliku primjenom normalizirane međusobne informacijske trodimenzionalne transformacije krutog tijela. Uspješna koregistracija je vizualno potvrđena za svakog učesnika. Svaki volumen je bio maskiran anatomskom slikom T1 učesnika kako bi se isključili vokseli izvan mozga. Volumi eho planarne slike (EPI) normalizirani su na prostor Montrealskog neurološkog instituta (MNI) i izglađeni sa 8 mm pune širine na pola maksimuma (FWHM) Gaussovog kernela primjenom DARTEL-a, što je dovelo do poboljšane registracije između sudionika (75, 76) .

Interleaved sekvenca koja se koristi za dobijanje funkcionalne vremenske serije učinila je preduslovom da se koristi korekcija vremena preseka kao prvi korak predprocesiranja (77). Metode korekcije vremena preseka mogu uspešno kompenzovati efekte vremenskog preseka (78). Značajno, u DCM-u za fMRI, smjer uzročnosti nije identificiran vremenskim prioritetom. Umjesto toga, uzročnost je oličena matematičkim oblikom jednadžbe diferencijalnog stanja svakog regiona. Jednačine stanja datog modela definišu strukturu sistema (npr. povezanost između regiona), propisuju eksplicitno kako nastaje dinamika unutar sistema (39). Stoga je ranije sprovedeno nekoliko DCM studija sa sličnim TR (79–81).

Imaging: Modeliranje vokselne aktivnosti. Opći linearni modeli (GLM) su specificirani za svakog učesnika kako bi se identificirali vokseli aktivirani zadatkom. Regresori koji modeliraju početak i trajanje stimulativnih događaja konvolvirani su s kanonskom funkcijom hemodinamskog odgovora. Preciznije, model je sadržavao regresore za pritiskanje dugmadi modelirane kao funkcije štapića/delta, prezentacije slike (pozitivne, neutralne, negativne, šifrovane, primat i nedavno) modelirane s funkcijom epohe/kutije (trajanje: 2,5 s) i skale ocjenjivanja modelirane pomoću epoha/boxcar funkcija promjenjivog trajanja (ovisno o tome kada je došlo do sljedećeg pritiska na tipku). Serijske korelacije su uklonjene korišćenjem autoregresivnog modela prvog reda, a primenjen je visokopropusni filter (128 s) za uklanjanje niskofrekventnog šuma. Šest parametara kretanja je također uneseno kao smetnje kovarijate. Definisali smo dva različita tipa GLM-a. Jedan tip GLM-a korišten je za identifikaciju voksela povezanih s uspješnim kodiranjem emocionalne memorije.

Ovdje su pozitivni, negativni i neutralni stimulansi modelirani odvojeno ovisno o tome jesu li naknadno opozvani ili ne. Rezultirajuće procjene parametara su suprotstavljene kako bi se identificirali vokseli povezani s uspješnim kodiranjem emocionalne memorije ([prisjetite se emocionalne slike – emocionalne slike koje se ne prisjećaju] – [prisjete neutralne slike – nepodsjećane neutralne slike]). Ovaj kontrast je bio dostupan kod 944 od 945 učesnika uzorka otkrića (1 subjekt se nije sjećao nijedne neutralne slike) i kod 470 od 473 učesnika uzorka replikacije (3 subjekta se nisu sećala nijedne neutralne slike) . Da bismo istražili potencijalne efekte povezane s valentnošću u aktivnosti malog mozga, pored toga smo uporedili da li se aktivnost povezana s uspješnim memorijskim kodiranjem razlikuje između pozitivnih i negativnih slika. To je odgovaralo sljedećem kontrastu: ([prisjetite negativne slike – neopozvane negativne slike] – [prisjetite pozitivne slike – nepozvane pozitivne slike]). Drugi tip GLM-a je specificiran da identifikuje voksele povezane sa kodiranjem emocionalnih slika, bez obzira na pamćenje. Odredili smo regresore za pozitivne, neutralne i negativne slike, bez obzira na to da li su slike prisjećane ili ne, i kontrastirali smo procjene parametara (emocionalne slike – neutralne slike). Mi smo primijenili ispravku grešaka na osnovu porodice (FWE) za višestruka poređenja na nivou cijelog mozga na sve kontraste (Pwhole-brain-FWE-ispravljeno < 0.05). Korekcija za višestruka poređenja na nivou klastera primijenjena je za testiranje efekata povezanih s valentnošću u cerebelarnom klasteru (Psmall-volume-korigirano < 0,001, opseg klastera k=10).

Snimanje: Grupna statistika aktivnosti na osnovu voksela. Da bi se odredila aktivnost koja se odnosi na "uspješno kodiranje emocionalne memorije" i na "kodiranje emocionalnih slika", kontrastne mape su unesene u model slučajnih efekata (analiza drugog nivoa) koristeći GLM Flex (Martinos Center i Opća bolnica Massachusetts, Charlestown, MA; https://www.youtube.com/watch?v ://habs.mgh.harvard.edu/researchers/datatools/glm-flex-fast2/). Kontrolirali smo učinak spola, starosti, jednu promjenu softvera skenera i dvije promjene u namotajima gradijenta tako što smo ih uključili kao kovarijate. Koristili smo GLM Flex jer EPI sekvence pate od gubitka signala u prisustvu nehomogenosti magnetnog polja koje se mogu javiti blizu granica vazduha i tkiva. Procedura normalizacije primenjena u DARTEL-u precizno je transformisala i voksele sa signalom i voksele sa gubitkom signala u MNI prostor. U SPM-u, gubitak signala na MNI koordinati na funkcionalnoj slici samo jednog učesnika doveo je do isključenja voksela na ovoj koordinati iz grupne analize. Posljedično, vjerovatnoća isključenja voksela povećava se s veličinom uzorka. GLM Flex je zaobišao ovaj problem dozvoljavajući promjenjiv broj učesnika na svakom vokselu. Minimalni broj učesnika po vokselu postavljen je na 2/3 svih učesnika.

Imaging: Definicija ROI-a—Funkcionalno definisana maska. Budući da se osjetljivost otkrivanja prisutnosti veza može povećati korištenjem ROI-a koji odgovaraju stvarnim funkcionalnim granicama (36), definirali smo ROI funkcionalno, a ne anatomski. Konkretno, unutar uzorka otkrića (n=945), koristili smo funkcionalno izvedenu masku, a zatim koristili pristup grupisanja vođen podacima, na nivou grupe za parcelaciju prethodno obrađenih i normaliziranih EPI volumena u prostorno koherentne i vremenski homogene regije (37) . Maska se sastojala od voksela koji su bili pozitivno povezani sa uspješnim kodiranjem emocionalne memorije unutar uzorka otkrića (Pwhole-brain-FWE-ispravljeno < 0.05). Identificirani vokseli su zatim dodatno maskirani kodiranjem kontrasta emocionalnih slika (Pwhole-brain-FWE-ispravljeno < 0,05) kako bi se osiguralo da svi uključeni vokseli također pokazuju pozitivan učinak na kodiranje emocija (99% svih voksela značajnih za "uspješno kodiranje emocionalne memorije" kontrast" također su bili značajni u "kodiranju kontrasta emocionalnih slika").

Snimanje slika: Definicija ROI—procedura parcelacije. Vokseli unutar funkcionalno definirane maske kombinirani su u ROI tako da je sličnost između voksela unutar istog klastera bila maksimizirana u poređenju sa sličnošću između voksela u različitim klasterima, korištenjem normalizirane metode rezanja koja uključuje prostorno ograničenje (37). Zbog računske svrsishodnosti, parcelacija je izvršena na osnovu EPI volumena od 200 učesnika koji su nasumično izvučeni iz uzorka otkrića. Ovi volumeni su izglađeni Gausovim kernelom od 6 mm FWHM u skladu sa nedavnim radom (37). Grupiranje je prvo obavljeno unutar svakog učesnika, nakon čega je uslijedilo grupiranje drugog nivoa, kako su preporučili Craddock et al. (37). Parcelirali smo voksele unutar maske u 30 ROI, jer smo otkrili da ovaj broj vodi do dovoljno prostorne specifičnosti, a da je još uvijek upravljiv u pogledu računskog opterećenja uzrokovanog izračunavanjem povezanosti s DCM-om. Jedan od ovih ROI sadržavao je izolirane voksele i diskretne male klastere koji nisu bili prostorno koherentni. Ovaj ROI (ROI 11), koji je sadržavao 60 voksela, stoga je uklonjen iz dalje analize.

Analiza povezanosti: Ekstrakcija vremenskog toka. Izvukli smo vrijeme učesnika kursa i ROI iz neuglađenih i nenormaliziranih podataka koristeći proceduru opisanu u nastavku. Imajte na umu da smo izvukli iz neuglađenih podataka jer izglađivanje može biti štetno za procjenu povezanosti jer dovodi do miješanja vremenskih tokova ovisno o nivou oksigenacije krvi između regija u blizini (36).

1. Mapiranje funkcionalnih ROI-a iz MNI prostora u izvorni prostor učesnika: ROI-i koji su određeni u proceduri parcelacije generirani su u MNIspace-u. Stoga smo mapirali njihovu lokaciju u izvorni prostor sudionika invertiranjem normalizacijskog warp polja svakog sudionika.

2. Ekstrakcija vremenskog toka iz funkcionalnih ROI-a: Prije stvarnog modeliranja povezanosti unutar DCM okvira, iz svakog ROI-a su izdvojeni vremenski tokovi specifični za učesnike. Cilj ovog koraka bio je ekstrahiranje vremenskih tokova iz aktiviranih voksela na nivou jednog učesnika. Veličina efekta kodiranja kontrasta emocionalnih slika bila je znatno veća od veličine efekta uspješnog kontrasta emocionalne memorije, što ga čini pogodnijim za razlikovanje voksela povezanih sa zadatkom od voksela bez relevantnih signala na razini jednog sudionika. Na nivou grupe, sva područja uključena u ovu analizu bila su značajno povezana s uspješnim kodiranjem emocionalne memorije, osiguravajući da su svi ROI relevantni za uspješno kodiranje emocionalne memorije. Za svakog ROI i učesnika, posljedično smo identificirali značajne voksele za emocionalni > neutralni kontrast, na nekorigiranom pragu od P < 0.05, s minimalnom veličinom klastera od tri voksela. Ukupan vremenski tok je izvučen iz svih tih voksela koristeći SPM-ov alat za ekstrakciju "Volume of Interest". Detaljno, za sve odabrane voksele unutar anROI-a, obavljen je PCA. Vremenske tačke su bile posmatranja, a vokseli su varijable. PCA je vratio niz komponenti poredanih prema proporciji varijanse koju je svaka komponenta objasnila. Svaka komponenta je bila povezana s vektorom težina (jedna vrijednost po vokselu), odražavajući doprinos svakog voksela toj komponenti. Prva svojstvena varijanta odražavala je vremenski tok glavne komponente koja je doprinijela odgovoru regije i odabrana je kao reprezentativni vremenski tok za ROI. Vremenski tokovi su korigovani za artefakte kretanja dodavanjem parametara kretanja kao kovarijati u linearni model.

U svih 29 funkcionalnih ROI-a, vremenski tokovi su uspješno izdvojeni u 97,88% svih slučajeva u uzorku otkrića i 97,57% svih slučajeva u uzorku iplikacije, jer su pokazali robusnu aktivaciju ovisno o zadatku prema našem pragu značajnosti koji je gore naveden. Podaci iz svih ROI kod svih učesnika bili su preduslov za pokretanje DCM-a, jer je svrha DCM-a da uporedi različite modele za posmatranu aktivaciju (38, 39). Stoga smo isključili učesnika iz određenog DCM-a ako ROI nije pokazao aktivaciju u skladu s gore definiranim kriterijima. Od svih ROI, ROI 9 je pokazao najmanji udio učesnika sa snažnom aktivacijom (uzorak otkrića 88,36%; uzorak replikacije 85,84%). Pogledajte SI Dodatak, Tabelu S1 za broj učesnika po DCM-u, i SI Dodatak, Tabelu S2 za procente isključenih učesnika po ROI.

Potencijalni razlozi za nedostatak dovoljno jake aktivacije kod nekih učesnika odnosili su se na šum u podacima ili gubitak podataka, ali mogu odražavati i korištenje različitih kognitivnih strategija.

Analiza povezanosti: DCM. DCM se može primijeniti za testiranje specifičnih hipoteza koje se tiču ​​prisutnosti, smjera i modulatora efektivne povezanosti između skupa unaprijed definiranih regija mozga. DCM je detaljno opisan na drugom mjestu (38, 39). Ukratko, neuronske interakcije između regija izražene su diferencijalnim jednadžbama, koje opisuju 1) kako aktivnost u jednoj regiji mozga uzrokuje dinamiku (tj. brzinu promjene) u drugoj regiji mozga i 2) kako se te interakcije mijenjaju pod utjecajem eksperimentalnih uvjeta. Ovdje smo upoređivali uslove za emotivne i neutralne slike dok smo razmatrali da li je slika kasnije opozvana ili ne. DCM teži neurofiziološkoj interpretabilnosti praveći eksplicitnu razliku između "neuralnog nivoa" i "hemodinamskog nivoa" (82). Ovo se postiže invertiranjem biofizički motiviranog i parametriziranog modela naprijed koji povezuje modeliranu neuralnu dinamiku s izmjerenim hemodinamičkim vremenskim tokovima (38) . Parametri povezanosti se stoga mogu tumačiti kao uticaj između neuronskih populacija (39). Naš zaključak o povezanosti ovisio je o osnovnim matematičkim pretpostavkama uključenim u parametrizaciju DCM-a. Ove pretpostavke su kritički procijenjene (83).

Odabrali smo DCM u odnosu na druge metode jer nudi nekoliko prednosti. DCMinira povezanost modeliranjem neuronske dinamike sa sistemom diferencijalnih jednadžbi. Stoga se smjer utjecaja i modulacija jačine veze koja ovisi o uvjetima mogu smislenije odrediti nego kod statičkih modela povezanosti kao što su modeliranje korelacije ili strukturne jednačine (82, 84, 85).

Analiza povezanosti: DCM—prostor modela. Koristili smo post hoc proceduru odabira modela, koja zahtijeva procjenu samo jednog punog modela da bismo pronašli dokaze modela za sve moguće arhitekture povezivanja (40), čime smo izveli iscrpno poređenje modela. Koristili smo ovu proceduru odabira umjesto tradicionalnog poređenja ograničenog broja apriornih modela jer ovaj algoritam uvelike smanjuje računsko opterećenje aproksimacijom parametara povezivanja ugniježđenih podmodela iz zaključivanja na jednom punom modelu. Iako bi bilo interesantno uključiti svih 26 klastera u jedan model, to nije bilo izvodljivo u računskom smislu. Istražili smo sve parne veze između malog ROI-a i preostalih 25 ROI-a definisanjem niza 2-čvornih DCM-ova gdje je ROI lociran u malom mozgu bio sistematski uparen sa jednim od ostalih ROI-a. Parametri povezivanja predstavljaju neto povezanost između ROI-a—tj. ne razmatraju da li je utjecaj između dva ROI-a posredovan dodatnim regijama osim ako su ti dodatni regioni eksplicitno uključeni u DCM model. Pošto su DCM testirani ovde uključivali samo dva čvora, nisu ispitivali da li je uticaj između malog mozga i drugog ROI posredovan dodatnim regionima. Vrijednosti naših parametara povezivanja stoga potencijalno odražavaju i direktne i indirektne veze. Primijenili smo bilinearni, deterministički DCM sa dva stanja (verzija DCM12)(86). Naveli smo recipročne intrinzične veze između svakog ROI. Ekstrinzični ulazi u ROI pokreću mrežu i kvantificiraju kako ROI reaguju na vanjske podražaje. Definisana su četiri različita ulazna regresora, koja sadrže 1) emocionalne i neutralne slike, 2) šifrovane slike, 3) pritiskanje tastera i 4) prezentaciju skale ocene. Svaki od ulaznih regresora mogao bi ući u mrežu na svim ROI-ima. Jačina intrinzičnih veza između ROI-a mogla bi se modulirati sljedećim uvjetima: emocionalno prisjećane slike, emocionalno nepozvane slike, neutralne prisjećane slike i neutralne nepozvane slike.

Za Bayesovu perspektivu na višestruka poređenja, vidjeti reference (87, 88). Značajno je da smo replicirali rezultate uzorka otkrića u drugom uzorku.

Analiza povezanosti: DCM—Procjena modela. Koristili smo efikasan posthoc odabir modela koji je zahtijevao procjenu samo jednog punog modela da bismo pronašli 1) dokaz modela za sve moguće arhitekture povezivanja s Bayesianovom selekcijom modela (BMS), 2) posteriorne vjerovatnoće koje proizlaze iz zaključaka na nivou porodice kako bismo odredili vjerovatnoću za kontrast procjena parametara, i3) Bajesov prosjek parametara za sve moguće modele koji pokazuje da li se kontrast procjena parametara razlikuje od nule (40, 84, 89). Pošto smo koristili BMS sa fiksnim efektima, pretpostavili smo da je optimalni model isti za svakog učesnika u populaciji (39). Procjena DCM modela obavljena je na naučnom računarskom jezgru sciCORE (https://scicore.unibas.ch/) na Univerzitetu u Bazelu.

Analiza povezanosti: DCM—Parametarska analiza. Koristili smo Bayesovo zaključivanje kako bismo procijenili da li je snaga veze povećana tokom uspješnog kodiranja emocionalne memorije. Konkretno, koristili smo posteriorna očekivanja i posteriorne kovarijance da bismo izračunali posteriornu vjerovatnoću da je kontrast između modulatora snage veze veći od nule. Kontrast za uspješno kodiranje emocionalne memorije izgrađen je oduzimanjem modulatora sljedećih uvjeta: (prisjetite se emocionalne slike – emocionalne slike koje se ne prisjećaju) – (prisjete neutralne slike – nepodsjećane neutralne slike). Prvo, unutar uzorka otkrića, identificirali smo one veze koje su imale posteriornu vjerovatnoću kontrasta veću od {{0}}.99. Drugo, analizirali smo ove veze u uzorku replikacije, testirajući da li i one imaju posteriornu vjerovatnoću kontrasta veću od 0.99. Deskriptivno, primijenjeni prag vjerovatnoće od 0,99 može se tumačiti kao pružanje vrlo jakih dokaza za efekat (42, 43). Fokusirali smo se na povećanje, a ne na smanjenje snage veze jer su ROI definirani na osnovu voksela s povećanom aktivnošću.

Proračuni o snazi ​​veze su zasnovani na jačini kontrasta u uzorku replikacije. Veze su vizualizirane korištenjem biblioteke krugova u R (90).

Segmentacija anatomske slike. Anatomska slika svakog učesnika je automatski segmentirana u kortikalne i subkortikalne strukture koristeći FreeSurfer verziju 4.5 (91). Označavanje kortikalnih vijuga je bazirano na Desikan-Killiany atlasu (92), dajući 35 kortikalnih i sedam subkortikalnih regija perhemisfere. Imajte na umu da primijenjena tehnika segmentacije i označavanja pruža tačnost uporedivu sa ručnim označavanjem od strane stručnjaka (91, 92).

Anatomska lokalizacija ROI-a zasnovana na anatomskom atlasu verovatnoće prosečne populacije. Segmentacije kortikalnih i subkortikalnih struktura preuzete iz FreeSurfera (vidi paragraf iznad) korištene su za izgradnju anatomskog atlasa prosječne populacije, na osnovu podataka od 1,000 od 1,418 učesnika. Pojedinačne segmentirane anatomske slike su normalizovane na prostor anatomskog šablona specifičan za studiju koristeći prethodno izračunato warp polje učesnika i afino registrovane u MNI prostor. Interpolacija najbližeg suseda je primenjena da bi se sačuvalo označavanje različitih struktura. Normalizovane segmentacije su konačno usredsređene među učesnicima da bi se stvorio atlas verovatnoće prosečne populacije. Svakom vokselu predloška može se stoga dodijeliti vjerovatnoća pripadnosti datoj anatomskoj strukturi.

Ovaj atlas vjerovatnoće prosječne populacije korišten je za izvještavanje o anatomskoj lokaciji koordinata i ROI. Procenti po koordinati označavaju prosječnu vjerovatnoću populacije anatomske oznake. Nadalje, izvijestili smo o prosječnom postotku regionalne korespondencije po ROI. Prema ROI-u, odredili smo koje su anatomske oznake bile prekrivene njegovim vokselima. Zatim smo sumirali vjerovatnoće po oznaci za sve voksele unutar ROI-a i podijelili zbir sa ukupnim brojem voksela u maski. Do 100% korespondencije bi došlo ako bi se svi vokseli ROI nalazili unutar istog anatomskog regiona, a svaki voksel bi imao vjerovatnoću od 100% da se nalazi u ovoj regiji.

Dostupnost podataka, materijala i softvera. Pojedinačne mape prvog nivoa za dva kontrasta od interesa (uspješno kodiranje emocionalne memorije i kodiranje emocionalnih slika) dostupne su u Open Science Framework (OSF, https://osf.io/ghtvy) (93), zajedno s pojedinim kovarijati. Pojedinačne datoteke prvog nivoa i VOI dostupne su na Figshare-u (https://figshare.com/projects/CBDCM/149317) (94). Odgovarajuće mape na nivou grupe bez praga, kao i binarna maska ​​funkcionalnih ROI, deponovane su u Neurovault (https://neurovault.org/collections/12932) (95). DCM datoteke na nivou grupe dostupne su u OSF-u (https://osf.io/ghtvy) (93).

ZAHVALNICA. Zahvaljujemo Elmaru Merkleu, Christophu Stippichu i Oliveru Bieriju na odobrenju pristupa fMRI objektima Univerzitetske bolnice u Bazelu. Ovaj rad je finansirala Švicarska nacionalna naučna fondacija (Sinergia grantCRSI33_130080 za DJ-FdQ i AP). MF je finansiran od strane Istraživačkog fonda za mlađe istraživače Univerziteta u Bazelu (grant DPE2141). Proračuni su obavljeni u sciCORE (https://scicore.unibas.ch/) naučnom računarskom jezgru na Univerzitetu u Bazelu. Autori izjavljuju da nema suprotstavljenih finansijskih interesa.

Referenca

1. D. de Quervain, L. Schwabe, B. Roozendaal, Stres, glukokortikoidi i pamćenje: Implikacije za liječenje poremećaja povezanih sa strahom. Nat. Rev. Neurosci. 18, 7–19 (2017).

2. JL McGaugh, Stvaranje trajnog sjećanja (Weidenfeld & Nicolson, 2003).

3. JL McGaugh, Memory—A vek konsolidacije. Science 287, 248–251 (2000).

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

5. KS LaBar, R. Cabeza, Kognitivna neuroznanost emocionalne memorije. Nat. Rev. Neurosci. 7, 54–64 (2006).

6. SB Hamann, TD Ely, ST Grafton, CD Kilts, aktivnost amigdale u vezi sa poboljšanom memorijom za ugodne i averzivne stimuluse. Nat. Neurosci. 2, 289–293 (1999).

7. T. Canli, Z. Zhao, J. Brewer, JDE Gabrieli, L. Cahill, Aktivacija vezana za događaje u ljudskoj amigdali povezuje se s kasnijim pamćenjem za individualno emocionalno iskustvo. Neurosci. 20, RC99 (2000).

8. AH van Stegeren et al., Noradrenalin posreduje u aktivaciji amigdale kod muškaraca i žena tokom kodiranja emocionalnog materijala. Neuroimage 24, 898–909 (2005).

9. MW Cole et al., Multi-task povezivost otkriva fleksibilna čvorišta za prilagodljivu kontrolu zadataka. Nat. Neurosci. 16, 1348–1355 (2013).

10. RM Todd, TW Schmitz, J. Susskind, AK Anderson, Zajednički neuronski supstrati emocionalno pojačane perceptivne i mnemoničke živopisnosti. Front. Behav. Neurosci. 7, 40 (2013).

For more information:1950477648nn@gmail.com