Istraživanje asocijacija odlaganja odlaganja sa strukturom mozga, radnom memorijom i epizodnim pamćenjem, 2. dio

Odnos između strukturnih prediktora i DD

Testirali smo povezanost između varijabli od interesa (subkortikalni volumeni, komponente sive tvari i bijele tvari, EM, WM) i DD s linearnim modelima i neparametarskim permutacijskim testovima kako je implementirano u FSL-ovom PALM softveru verzije 1.11 (Winkler et al. 2014; Winkler, Webster, et. al. 2016b) radi na MATLABR2017b.

Posljednjih godina, s poboljšanjem životnog standarda ljudi i starenjem, problemi s pamćenjem privlače sve više pažnje. Međutim, neki ljudi su aktivno vježbali svoj mozak, ali ih i dalje muče problemi s pamćenjem. U ovom trenutku možemo razmotriti korištenje neparametarskih aranžmana za poboljšanje memorije.

Dakle, šta je neparametrijska permutacija? Neparametarski raspored je statistička metoda koja raspoređuje skup podataka prema određenim pravilima bez numeričkog poređenja. U poređenju sa parametarskom permutacijom, neparametrijska permutacija ima širi spektar primena i ne daje previše pretpostavki o distribuciji i diskretnosti podataka.

I kako koristiti neparametarski raspored za poboljšanje memorije? Prije svega, znamo da ljudski mozak može analizirati, pamtiti i prisjećati se različitih informacija kao što su slike, zvuk, tekst, itd., tako da možemo koristiti neparametarske aranžmane kako bismo poboljšali sposobnost našeg mozga za obradu i pamćenje različitih informacija.

Kroz neke vježbe, poput vježbanja pamćenja i prisjećanja boja, brojeva, riječi i drugih informacija, a zatim i neparametarskog rasporeda različitih informacija, u mozgu se formira pravilnija struktura, čime se poboljšava sposobnost pamćenja mozga.

Osim toga, neparametarske permutacije mogu se koristiti za poboljšanje mentalne fleksibilnosti i smanjenje anksioznosti i stresa, između ostalih problema. Vježbanjem mozga, mozak može raditi fleksibilnije i zdravije, čime se smanjuje nepotrebna depresija, anksioznost i druge negativne emocije te se pozitivnije suočava sa životom i radom.

Ukratko, neparametarski raspored je izvodljiva i učinkovita metoda za poboljšanje pamćenja mozga i fleksibilnosti razmišljanja. Kontinuiranom vježbom i vježbom, pamćenje i procesne sposobnosti mozga mogu se učinkovito poboljšati, pomažući nam da se suočimo sa životom i radimo zdravije i pozitivnije. Vidi se da moramo poboljšati svoje pamćenje. Cistanche deserticola može značajno poboljšati pamćenje, jer Cistanche deserticola može regulisati i ravnotežu neurotransmitera, kao što je povećanje nivoa acetilholina i faktora rasta. Ove supstance su veoma važne za pamćenje i učenje. Osim toga, meso također može poboljšati protok krvi i promovirati isporuku kisika, što može osigurati da mozak dobije dovoljno hranjivih tvari i energije, čime se poboljšava vitalnost i izdržljivost mozga.

Kliknite znati načine za poboljšanje funkcije mozga

Koristili smo 10,000 permutacija, modelirajući rep distribucije permutacije P-vrijednosti sa Pareto distribucijom (Winkler, Ridgway, et al. 2016a), i kontrolu stope greške u porodici (FWER) za višestruke testove koristeći distribuciju maksimalna statistika (Westfalland Young 1993). Skup podataka HCP sadrži subjekte koji su uzorkovani zajedno sa svojom braćom i sestrama (uglavnom njihovim blizancima), što znači da se mjerenja ne mogu smatrati nezavisnim.

Da bismo testirali povezanost između varijabli od interesa uz uzimanje u obzir porodične strukture u skupu podataka, koristili smo testiranje permutacije blokova na više nivoa (Winkler et al. 2015). Ove asocijacije su ispravljene za linearne i kvadratne termine, pol, obrazovanje, prihod i kompozitni rezultat kognitivne funkcije NIH Toolbox-a ("CogTotalComp_Unadj"), mjere opće inteligencije. Izvještaj o 2-opisanim P-vrijednostima za testirane asocijacije.

Vertex- i voxel-wise analize

Za usporedbu, također smo izvršili odvojene analize univarijatne verteksa (debljina korteksa, površina) i voksela (GMV, FA, MD) kako bismo testirali povezanost sa DD. Ove analize su izvedene korištenjem neparametarskih testova permutacije kao što je implementirano u FSL-ovom PALM softveru, sa 2,000 permutacije i poboljšanjem klastera bez praga (Smith i Nichols 2009). Kao iu prethodnim analizama, modelirali smo rep distribucije permutacije P-vrijednosti sa Pareto distribucijom, primijenili FWER kontrolu za više testova koristeći distribuciju maksimalne statistike i uzeli u obzir porodičnu strukturu sa testiranjem permutacije blokova na više nivoa. Kao i gore, ove analize su kontrolisane za linearne i kvadratne termine, pol, obrazovanje, prihod i opštu inteligenciju.

Rezultati

Isključili smo subjekte s nepotpunim odgovorima u DD zadacima (3), koji su odabrali ili uvijek trenutne ili odložene odgovore (9), ili za koje je posteriorna vjerovatnoća da je pseudo-R2 statistika (Camerer i Ho 1999) bila iznad nule bila ispod {{5} }.95, odnosno subjekti za koje je model bolje odgovarao od modela slučajnosti (166). Ovi kriterijumi su doveli do isključenja 178 ispitanika iz uzorka HCP. Tabela 1 prikazuje demografske informacije o uzorcima i broj validnih zapažanja za različite kognitivne zadatke i modalitete snimanja koji su analizirani o DD. Subjektivna vrijednost nagrada iznosila je u prosjeku 79% njihove nominalne vrijednosti nakon mjesec dana i 23% nakon godinu dana. Rodne razlike u DD nisu bile značajne (muškarac (n=473) > žena (n=545):t=0.27, P=0.80).

Odnos između DD i sive tvari

Nakon korekcije za linearne i kvadratne starosne termine, pol i ukupni intrakranijalni volumen, diskontna stopa nije bila povezana s ukupnim volumenom kore ili zapreminom bilo koje od subkortikalnih struktura koje su istraživane. Tabela 2 prikazuje statistiku za ove asocijacije.

Mape debljine korte, površine i GMV su razložene zajedno sa povezanim-ICA u 50 komponenti, od kojih je svaka definisala prostornu mapu koja odražava regione u kojima se struktura sive materije jako razlikovala među učesnicima i individualne rezultate koji ukazuju na veličinu doprinosa komponente . Rezultati jedne od komponenti sive materije bili su značajno negativno povezani sa DD (slika 2A, r =−0,172, Pcorr < 1e−4, ispravljeno za 50 testiranih komponenti, n=946).

Od 3 modaliteta sive materije, ova komponenta je imala najveću težinu (62%) na GMV (slika 2B), a njena najveća opterećenja bila su u temporalnom polu i prekuneusu (sl. 2C i D). Budući da ICA pati od neodređenosti predznaka, ocjene komponente moraju se tumačiti u odnosu na njena opterećenja (čiju anatomsku distribuciju predstavlja odgovarajuća prostorna mapa), tj. negativna povezanost s rezultatom jedne komponente odražava (djelimičnu) negativnu korelaciju s mjerenjima strukture sive tvari u područjima gdje su vrijednosti njegovih opterećenja pozitivne. Ove asocijacije su ispravljene za linearne i kvadratne pojmove starosti, spola, obrazovanja i prihoda.

Prilikom dekompozicije podataka u 100 komponentama, na sličan način, samo jedna komponenta je bila značajno povezana sa DD, pokazujući obrazac veoma sličan onom koji je dobijen sa 50-komponentnom dekompozicijom (slika 2E–G, r {{3 }} −0.158,Pcorr=5e−4, ispravljeno za 100 testiranih komponenti,n=946). Univarijantna vokselna analiza također je otkrila negativnu značajnu povezanost između GMV i DD u bilateralnim temporalnim regijama sive tvari nakon kontrole linearnih i kvadratnih pojmova starosti, spola, obrazovanja i prihoda (dodatna slika 2).

Ovi regioni su se blisko poklapali sa prostornim uzorkom za identifikovanu komponentu sive materije (sl. 2C i G). Nije bilo kortikalne regije u kojoj je povezanost između DD i debljine kore ili područja bila značajna nakon FWER korekcije za višestruke testove u površinskoj analizi verteksa za ove mjere.

Kako bismo osigurali da je povezanost sa rezultatima sive tvari specifična za DD, a ne samo da odražava opću kognitivnu funkciju, ponovili smo ove analize dodajući mjeru opće inteligencije skupu kovarijata koje nisu interesantne. Ista komponenta je i dalje bila jedina koja je bila značajno povezana sa DD ({{0}}komponentna dekompozicija: r=−0.145, Pcorr=0.001; { {6}}komponentna dekompozicija: r=−0,138, Pcorr=0.123), a rezultat univarijantne analize voksela ostao je uglavnom nepromijenjen (dopunska slika 2).

Odnos između DD i bijele tvari

Zajednički smo dekomponovali FA i MD podatke u 50 komponenti. Nijedna od komponenti nije bila povezana sa diskontnom stopom nakon kontrole za više testova i varijacije za linearne i kvadratne starosne termine, pol, obrazovanje i prihod. Korištenje 100 komponenti ili dodatno upravljanje za opću inteligenciju dalo je slične rezultate. Shodno tome, nije bilo regije u kojoj je povezanost između DD i FA ili MD bila značajna nakon FWER korekcije za više testova u analizi voksel-wise.

Diskusija

Nakon ispitivanja podataka o ponašanju i neuroimaging velikog uzorka zdravih odraslih osoba, naši nalazi pokazuju da je veći DD predviđen manjim prednjim temporalnim GMV. Veličina uzorka HCP skupa podataka, veća od one iz većine prethodnih studija koje povezuju DD i strukturu mozga, dala nam je moć da pouzdano uhvatimo efekte male veličine. Međutim, u suprotnosti s prethodnim izvještajima, nismo pronašli dokaze o pouzdanoj povezanosti između DD i kortikalnog volumena, subkortikalnih volumena, mikrostrukturne organizacije bijele tvari i rezultata u WM ili EM zadacima.

Veće sniženje je povezano sa manjim GMVin prednjim temporalnim regijama. Ovaj rezultat je bio robustan za promjenu broja povezanih ICA komponenti i kontrolu mjere opće inteligencije. Owenset al. (2017) analizirali su volumen korteksa iz T1-ponderisanih skeniranja u HCP skupu podataka i prijavili povezanost između kortikalnog volumena i DD u temporalnim regijama koje odgovaraju područjima u komponenti sive tvari identificiranim našom analizom.

Povezanost sa anteriortemporalnom sivom materijom je očekivana (pošto smo koristili isti skup podataka), ali naša studija proširuje prethodnu tako što ispituje debljinu i površinu korteksa i GMV za subkortikalne regije, kao i mere strukture bele materije. Osim činjenice da smo uključili detaljniji skup strukturalnih mjera, poštovali smo porodičnu strukturu podataka u računanju povezanosti između mjera strukture mozga i DD kako bismo izbjegli pristrasne procjene koje mogu proizaći iz pogrešne pretpostavke nezavisnosti opservacija (Winkleret al. 2015).

Također smo izvršili stroži odabir subjekata, isključujući one koji su nastupali po prilici, i dekomponirali podatke u strukturne kovarijantne mreže (Pehlivanova et al. 2018), metodu koja omogućava veću osjetljivost za otkrivanje povezanosti s DD zajedničkim usrednjavanjem (u ponderiranoj način) vrijednosti strukturnih slika u regijama mozga i kombinovanjem nekoliko modaliteta za proizvodnju robusnijih procjena. Zaista, važna prednost upotrebe ICA za dekompoziciju slikovnih podataka u mrežama kovarijanse u odnosu na pristup koji se temelji na vokselu za analizu strukturnih podataka je da daje rezultate koji bi trebali biti manje bučni od vrijednosti zasnovanih na vokselu jer se dobivaju kao ponderirani prosjek signala u sve voksele u mozgu, implementirajući smanjenje dimenzionalnosti koje može smanjiti rizik od grešaka tipa II, iako na račun nejasnog razgraničenja.

anatomsko ocrtavanje. Za razliku od studije Owensa et al. (2017), u našoj analizi, odnos između kortikalnog volumena i DD nije dostigao značaj. Ova divergencija je vjerovatno proizvod naših strožijih izbora analize (uklanjanje ispitanika koji odgovaraju nasumično, neparametarski testovi koji uzimaju u obzir strukturu porodice podataka, stroža kontrola konfuzije) i ukazuje da prethodno prijavljena povezanost između kortikalnog volumena i DD možda odgovara lažnoj, a ne arobustan nalaz. Čini se vjerojatnim da bi povezanost DD s mjerom globalnog kortikalnog volumena trebala biti posredovana varijablama koje odražavaju opštije aspekte kognicije od DD.

Unatoč velikoj veličini uzorka skupa podataka HCP, nismo pronašli dokaze o značajnoj povezanosti između strukture bijele tvari i DD. Prethodne studije koje su pokazale traktografske rekonstrukcije u manjim uzorcima prijavile su negativnu povezanost između DD i mjera čvrstoće strukturalne povezanosti (npr. broj strujnih linija) u specifičnim traktovima bijele tvari s PFC (van den Bos et al. 2015; Hänggi et al. 2016; Hamptonet al. 2017) .

Za razliku od onih studija koje su istraživale snagu povezivanja, analizirali smo FA mape obrađene pomoću TBSS, tehnike koja omogućava široku analizu područja bijele tvari i pogodnija je za istraživačku analizu skupova podataka velikih razmjera, zbog računskih troškova i troškova rada povezanih s izvođenje sveobuhvatnog traktografskog mapiranja velikog broja subjekata. Koliko znamo, uzorak u našoj analizi je znatno veći od prethodnih studija koje povezuju bijelu tvar s diskontiranjem. Napominjemo, međutim, da je nedavna studija koja je koristila TBSS na 302 starije osobe bez demencije (Han et al. 2018) (srednja starost=81.38 godina, SD=7.57 godina, 75,5% žena) izvijestila o široko rasprostranjenoj negativne povezanosti između temporalnog diskontiranja i FA u bilateralnim frontalnim, frontostrijatalnim i temporoparijetalnim traktovima. Neslaganje s našim rezultatima može biti odgovor na demografske razlike u uzorcima.

S obzirom na opsežnu prirodu njihovih asocijacija, njihovi nalazi mogu odražavati degenerativne mehanizme povezane sa starenjem, za razliku od ograničenijeg obrasca koji bi se očekivao za specifične mjere kao što je DD. Osim toga, Han et al. nije kontrolisala nivo prihoda. Zaista, kada smo samo prilagođavali stočnu hranu i spol u našoj analizi, identificirali smo dodatne komponente sive i bijele tvari koje su imale rezultate koji su značajno korelirali s diskontiranim stopama (vidi Dodatni materijal). Dok su veliki uzorci sposobni da otkriju manje efekte, postoji i veći rizik od otkrivanja asocijacija koje su nastale samo zbunjujućim varijablama, zbog čega je ključno prilagođavanje za odgovarajuće kovarijate.

Nedavni rad (Marek et al. 2022) je naglasio važnost korištenja velikih uzoraka u studijama povezanosti mozga i ponašanja u mozgu i pokazao da tipične veličine uzoraka za ove studije treba da dovedu do neponovljivih efekata i povećanih efekata. Pod pretpostavkom da je pravi efekat oko 0,15 (uporedivo sa veličinom efekta za komponentu sive materije, identifikovali smo i kompatibilni sa rezultatima iz Marek et al. 2022), bilo bi potrebno preko 250 ispitanika da bi se postigla snaga od 80%. Većina prethodnih studija u području DD je stoga bila nedovoljno snažna, što objašnjava nedosljednosti literature spomenute u Odjeljku 1. Imajte na umu da se ovaj zaključak odnosi samo na asocijacije mozak-ponašanje, a ne na previše funkcionalne studije mapiranja mozga na DD, koje bi trebale zahtijevati manje veličine uzorka da bi se otkrili pravi efekti , te stoga nema kontradiktornosti između naših rezultata i nalaza tih studija.

Nismo mogli pronaći vezu između preferencije za trenutne nagrade i bilo kojeg od WM testova (LSWMT i 2-nazad). Slično, nije bilo povezanosti DD s verbalnim ili neverbalnim EM u podacima HCP. Ovi rezultati su u skladu sa nedavnom studijom (Yeh et al. 2021), koju dopunjavamo uključivanjem 2-zadatka i strožijeg statističkog tretmana za analizu strukturnih podataka mozga. Iako Shamosh et al. (2008) izvijestili su o vezi između nižeg WM-a i preferencije za trenutne nagrade, ova korelacija nije bila specifična za WM, jer u njihovim podacima ova sposobnost nije objasnila varijaciju u DD izvan one koju objašnjava opšta inteligencija. Kada se ispravljaju asocijacije samo za dob i spol, DD je bio značajno negativno koreliran sa LSWMT, 2-leđnim i verbalnim EM rezultatima (vidi Dodatni materijal), ali ova korelacija više nije bila značajna kada se prilagođavaju za varijable socioekonomskog statusa (koje bi već trebale djelomično uzeti u obzir opća kognitivna funkcija). Stoga se naša gore navedena razmatranja u vezi lažnih asocijacija zbog neugodnih varijabli i neponovljivih nalaza pri korištenju malih uzoraka također primjenjuju na ove analize.

Ograničenje naše studije je to što naše analize nisu bile prethodno registrovane, te se stoga prijavljene asocijacije ne mogu smatrati potvrdnim. Ipak, vjerujemo da je važan doprinos ovih rezultata u obezbjeđivanju preciznijih procjena efekta za odnose između kognitivnih mjera, strukturnih imidžinga i intertemporalnih izbora zbog znatno veće veličine uzorka prethodnih studija. Drugo ograničenje je niska pouzdanost diskontne stope. Parametri zadatka su kritikovani zbog njihove niske pouzdanosti test-retest (Enkavi et al. 2019) i, u povezanom domenu preferencija rizika, zbog nedostatka konzistentnosti u eksperimentalnim paradigmama (Pedroni et al. 2017). Ovi razlozi mogu djelomično objasniti nedostatak povezanosti sa strukturom mozga koje smo otkrili i nisku ponovljivost nalaza kroz studije. Ključna budućnost bi tada trebala biti dizajniranje novih paradigmi za mjerenje DD s poboljšanom pouzdanošću. Mogući put naprijed može biti u izvođenju zbirnih rezultata koji kombinuju nekoliko parametara zadatka kako bi se postigla veća pouzdanost i korištenje multivarijantnih metoda za povećanje šansi za pronalaženje asocijacija između mozga i ponašanja (Moutoussis et al.2021).

Uzimajući u obzir važnost DD u proučavanju psihopatologije, od suštinske je važnosti da se čvrsto odredi njegova neurobiološka skela. Koristeći veliki skup podataka neuroimaginga, ova studija pomaže da se pomire dispariteti u literaturi o korelacijama sive i bijele tvari DD. Ova osobina ponašanja bila je negativno povezana s GMV-om u prednjim temporalnim regijama i, što je važno, identificirani strukturni efekat je bio mali, tako da je malo vjerovatno da će biti otkriven u uzorcima veličine usporedive s onom pronađenom u mnogim srodnim studijama. Sve u svemu, veze s kognitivnim sposobnostima i strukturom mozga mogu biti slabije nego što sugeriraju prethodni izvještaji. Naši rezultati zahtijevaju razvoj robusnijih mjera DD i implementaciju neuroimaging studija većih veličina uzoraka od onoga što je uobičajeno na terenu, kao i odgovarajuću kontrolu mogućih zbunjujućih faktora.

Priznanja

Zahvaljujemo Matsu Eriksonu i Kajsi Burström na prikupljanju podataka. Zahvalni smo na skupu podataka otvorenog pristupa koji je obezbijedio Human Connectome Project, WU-MinnConsortium (Glavni istraživači: David Van Essen i Kamil Ugurbil; 1U54MH091657).

Dodatni materijal

Dodatni materijal je dostupan na Cerebral Cortexonline-u.

Finansiranje

Ovaj rad je podržao Švedski istraživački savjet (grant broj VR521-2013-2589 za MG-M), nagrada Alexander von Humboldt Research Award (LB) i donacija Fondacije AF Jochnick (LB).

Izjava o sukobu interesa: Dr Zeb Kurth-Nelson je zaposlen u DeepMind-u. Preostali autori izjašnjavaju se o sukobu interesa.

Reference

1. Addis DR, Wong AT, Schacter DL. Sećanje na prošlost i zamišljanje budućnosti: uobičajeni i različiti neuronski supstrati tokom izgradnje i razrade događaja. Neuropsychologia. 2007:45:1363–1377.

2. Ahn WY, Rass O, Fridberg DJ, Bishara AJ, Forsyth JK, Breier A, Busemeyer JR, Hetrick WP, Bolbecker AR, O'Donnell BF. Vremensko sniženje nagrada kod pacijenata sa bipolarnim poremećajem i šizofrenijom. J Abnorm Psychol. 2011:120:911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Diskontiranje strmog kašnjenja i ponašanje ovisnosti: meta-analiza kontinuiranih asocijacija. Ovisnost. 2017:112:51–62.

4. Ashburner J, Friston KJ. Morfometrija zasnovana na vokselu—The Methods.NeuroImage. 2000:821:805–821.

5.Barch DM, Burgess GC, Harms MP, Petersen SE, Schlaggar BL, Corbetta M, Glasser MF, Curtiss S, Dixit S, Feldt C, et al. Funkcija u ljudskom konektomu: Task-fMRI i individualne razlike u ponašanju. NeuroImage. 2013:80:169–189.

For more information:1950477648nn@gmail.com