Людський мозочок і кортикоцеребелярні зв’язки, залучені до покращення емоційної пам’яті. Частина 3

У сукупності аналіз DCM показав, що з 25 досліджуваних ділянок головного мозку, залучених до покращення емоційної пам’яті, 13 досліджуваних ділянок продемонстрували підвищену міцність зв’язку з мозочком, переважно в напрямку від мозочка до коркових досліджуваних областей, у двох випадках у протилежному напрямку та ще у двох випадках у обидві сторони.

Веселий і позитивний настрій може поліпшити пам'ять людей. Це тому, що механізм покращення емоційної пам’яті полегшує людям зберігання важливої ​​інформації в довгостроковій пам’яті. Дослідження показують, що коли людське тіло відчуває сильні емоції, тіло виділяє каталітичні речовини, які активують пов’язані з емоціями зони мозку, впливаючи на когнітивні та навчальні центри мозку. Іншими словами, покращення емоційної пам’яті допомагає нам глибше запам’ятовувати інформацію.

У повсякденному житті ми можемо покращити пам’ять, регулюючи свої емоції. Ми можемо вибрати певну діяльність, яка змушує нас почуватись щасливими та комфортними, наприклад, слухати улюблену музику, спілкуватися з друзями, виконувати розслаблюючі вправи тощо. Крім того, деякі прості способи поведінки також можуть допомогти нам підтримувати щасливий настрій, наприклад отримати достатній сон, повноцінне харчування та помірні фізичні вправи.

Коротше кажучи, між покращенням емоційної пам’яті та пам’яттю існує тісний зв’язок. Позитивні емоції стимулюють ділянки мозку, пов’язані з пам’яттю, завдяки чому нам легше зберігати інформацію в довготривалій пам’яті. Регулюючи свої емоції, ми можемо допомогти собі покращити нашу пам’ять і стати щасливішими та наповненими життям. Видно, що нам потрібно вдосконалювати пам'ять. Cistanche deserticola може значно покращити пам'ять, оскільки Cistanche deserticola є традиційним китайським лікарським матеріалом з багатьма унікальними ефектами, одним із яких є покращення пам'яті. Ефективність м’ясного фаршу пов’язана з різними активними інгредієнтами, які він містить, включаючи кислоти, полісахариди, флавоноїди тощо. Ці інгредієнти можуть сприяти здоров’ю мозку різними способами.

Клацніть дізнатися про 10 способів покращити пам’ять

Ці висновки свідчать про те, що мозочок є невід’ємною частиною мережі зв’язків, яка бере участь у покращенні емоційної пам’яті. Проте з цих результатів ми не можемо зробити висновок, які з цих зв’язків є найважливішими. Оскільки досліджувані області були визначені функціонально, а не анатомічно, ми також не можемо визначити точні анатомічні субстрати кортикальних досліджуваних областей. Ми обрали цей підхід, тому що чутливість виявлення наявності зв’язків можна підвищити за допомогою використання досліджуваних областей, які відповідають функціональним межам (36).

Наслідком цієї процедури є втрата анатомічної специфіки та неможливість розрізнити внески окремих анатомічних структур у певну досліджувану ділянку. Крім того, оскільки перевірені тут DCM включали лише два вузли, вони не враховують, чи опосередковується вплив між мозочком і другою досліджуваною ділянкою додатковими регіонами. Таким чином, значення наших параметрів зв’язку потенційно відображають як прямі, так і непрямі зв’язки.

Сучасні результати можуть сприяти кращому розумінню мережі, яка бере участь у покращенні емоційної пам’яті в фізіологічних умовах. Крім того, результати можуть також мати значення для розуміння патологічних станів, таких як посттравматичний стресовий розлад (ПТСР), оскільки формування надмірно сильного аверсивного сліду пам’яті після атравматичної події є важливим патогенним механізмом у розвитку розладів, пов’язаних зі страхом (1, 62, 63). У той час як неможливо буде дослідити початкове формування пам’яті при посттравматичному стресовому розладі за допомогою фМРТ, дослідження можуть досліджувати нейрокореляти травматичного відновлення пам’яті. Нещодавнє дослідження фМРТ дотримувалося цього підходу та виявило посилену активацію мозку в мозочку (включаючи верміс), потиличних звивинах, супрамаргінальній звивині та мигдалині під час пригадування травми у пацієнтів із ПТСР (64).

Навпаки, гіпоактивність мозочка може бути пов’язана зі станами зі зниженим покращенням емоційної пам’яті. Дійсно, клінічні дослідження вказують на те, що патології, які впливають на вербальні функції, пов’язані з низкою когнітивних та емоційних порушень, включаючи симптоми розладу спектру аутизму (65, 66). Цікаво, що пацієнти з розладом аутистичного спектру демонструють дефіцит емоційного посилення епізодичних спогадів (67, 68). Цілком можливо, що ці дефіцити частково походять від структурних і функціональних аномалій мигдалини, які часто спостерігаються при цьому розладі (69, 70). Однак, виходячи з поточних результатів, гіпоплазія шкіри при розладі аутистичного спектру також може сприяти погіршенню емоційного посилення епізодичної пам’яті. Цю гіпотезу потрібно було б перевірити на пацієнтах з аутизмом з різним ступенем аномалій мигдалеподібного тіла та черв’яка.

З’являється все більше доказів, які вказують на те, що мозочок, зокрема черв’як мозочка, і його зв’язки з декількома відділами мозку, включаючи лімбічну систему, беруть участь в емоційних функціях, включаючи емоційне сприйняття, розпізнавання емоцій, емоційну обробку та обумовлення страху (27, 71). . Теперішні результати свідчать про те, що мозочок також є частиною схеми, яка бере участь у емоційному посиленні епізодичної пам’яті. У цій схемі мозочок отримує вхідні дані від кількох ділянок головного мозку, включаючи поясну частину, тоді як мигдалеподібне тіло/гіпокамп і кілька інших ділянок мозку отримують вхідні дані від мозочка. Ці висновки розширюють знання про роль мозочка в складних когнітивних і емоційних процесах і можуть бути доречними для розуміння психічних розладів з аномальним емоційним ланцюгом, таких як посттравматичний стресовий розлад або розлад аутистичного спектру.

Матеріали та методи

Учасники. Ми набрали здорових молодих учасників (872 жінки, 546 чоловіків, середній вік=22.39 років, SD=3.27). Реклама робилася в основному в Базельському університеті та в місцевих газетах. Учасники не мали жодних неврологічних чи психічних захворювань, не приймали жодних ліків на момент експерименту (крім гормональних контрацептивів) і були віком від 18 до 35 років. Фізичне та психічне здоров'я оцінювали за стандартними анкетами. Експеримент був схвалений комітетом з етики кантону Базель, Швейцарія. Усі учасники дали письмову інформовану згоду перед участю в дослідженні. Перед аналізом зразок був розділений на зразок відкриття (n=945, 2/3 усіх учасників) і зразок реплікації (n=473, 1/3 усіх учасників) шляхом випадкового розподілу учасників за одним Рандомізацію проводили за допомогою функції Matlab rand perm. Не було суттєвих відмінностей між зразками відкриття та реплікації за віком, статтю чи покращенням емоційної пам’яті (P більше або дорівнює 0).33, {{ 16}}бічне тестування, n=1,418).

Експеримент: Процедура. Учасники пройшли чотири послідовні завдання: завдання на кодування зображення, завдання на оперативну пам’ять, тест на пам’ять вільного виклику та завдання на розпізнавання. Учасників спочатку проінструктували, а потім навчили виконувати завдання з кодування зображень і робочої пам’яті. Після тренування їх посадили в сканер і отримали затички для вух і навушники, щоб зменшити шум сканера. Їхні голови фіксували в котушці за допомогою невеликих подушок, і їм сказали не рухатися. Зображення були представлені на сканері за допомогою МР-сумісних окулярів з рідкокристалічним дисплеєм (VisualSystem; NordicNeuroLab, Берген, Норвегія). Корекція очей застосовувалася за необхідності. Завдання з кодування картинки тривало ~20 хв. Відразу після цього учасники виконали завдання на запам’ятовування букви n-назад (0-назад і 2-назад умови) у сканері протягом ~10 хвилин. У поточному дослідженні завдання робочої пам’яті використовувалося як завдання відволікання між кодуванням і тестуванням пам’яті. Таким чином, ми не аналізували дані самого завдання робочої пам’яті (див. посилання 72 для опису завдання). Після виходу зі сканера учасникам було надано неоголошений тест на вільне пригадування картинок в окремій кімнаті (без обмежень за часом). було поставлено для цього завдання). Після безкоштовного відкликання учасники перемістилися в сканер і виконали завдання з розпізнавання (опис завдання див. посилання 73). Учасники отримували 25 швейцарських франків за годину за участь. Через організаційні обмеження нам довелося змінити кімнату, в якій згадувалися зображення, що означало, що деякі учасники згадували зображення в дещо іншій обстановці.

Експеримент: Розробка завдання на кодування картинки. Стимули складалися з 72 зображень (24 позитивних, 24 негативних і 24 нейтральних), які були відібрані з Міжнародної системи афективних зображень (IAPS) (74) і з внутрішніх стандартизованих наборів зображень, що дозволило нам порівняти зображення за візуальною складністю та змістом. (наприклад, присутність людини). Зображення, отримані від IAPS, були класифіковані відповідно до рейтингу валентності IAPS. Вісім із 24 нейтральних знімків не були отримані від IAPS. Ці фотографії були оцінені на основі внутрішньої валентності (11). На основі нормативних балів валентності (від 1 до 9) зображення були віднесені до негативних (2,3 ± 0.6), нейтральних (5.0 ± 0.3) і позитивних ( 7,6 ± 0.4)умови, що призводить до 24 зображень для кожної валентності. Позитивні стимули спочатку були відібрані відповідно до оцінок збудження негативних стимулів на основі даних пілотного дослідження 20 учасників, які не були включені в дослідження. Було представлено чотири додаткових зображення нейтральних об'єктів. Два з цих малюнків були представлені на початку і два в кінці завдання. Ці фотографії були виключені з оцінки ефективності запам’ятовування, щоб контролювати ефект первинності та актуальності в пам’яті. Приклади зображень включали еротику, спорт і привабливих тварин для позитивної валентності; тілесні ушкодження, змії та сцени нападу для негативного значення; і нейтральні грані, побутові предмети і будівлі для нейтрального стану. Крім того, було використано 24 зашифровані картинки. Фон зашифрованих зображень містив інформацію про колір усіх зображень, які використовувалися в експерименті (крім первинних і останніх зображень), накладених кристалічним фільтром і фільтром спотворення (Adobe Photoshop CS3). На передньому плані був показаний переважно прозорий геометричний об’єкт (прямокутник або еліпс різного розміру та орієнтації). Для цього дослідження спотворені зображення не становили інтересу.

Зображення демонструвалися протягом 2,5 секунд у квазірандомізованому порядку, щоб послідовно з’явилося щонайбільше чотири зображення однієї категорії. Перед кожним показом картинки на екрані з'являвся фіксований хрест на 500 мс. Час початку стимулу змінювався протягом 3 с (1 час повторення [TR]) на категорію валентності щодо початку сканування. Під час міжвипробувального періоду учасники оцінювали кожне з 72 зображень відповідно до валентності (негативної, нейтральної чи позитивної) та збудження (велике, середнє чи мале) за 3-бальною шкалою (манекен для самооцінки), натискаючи кнопку домінуючою рукою. Для зашифрованих зображень учасники оцінювали форму (вертикальну, симетричну або горизонтальну) і розмір (великий, середній або маленький) геометричного об’єкта на передньому плані. Програмне забезпечення Presentation (Neurobehavioral Systems, Inc., Берклі, Каліфорнія; https://www.neurobs.com) було використано для презентації зображення.

Дані про поведінку: покращення емоційної пам'яті. Щоб задокументувати вільне пригадування, учасники повинні були записати опис згадуваних фотографій. Зображення оцінювалося як правильно пригадане, якщо оцінювач міг ідентифікувати представлене зображення на основі опису учасника. Двоє навчених дослідників незалежно один від одного оцінювали описи на успішність запам’ятовування (надійність між оцінювачами > 99%). Третій незалежний експерт вирішив вибрати зображення, які були оцінені по-різному. Для кожного учасника ми підрахували, як часто згадувалися емоційні картини порівняно з нейтральними картинками: ([пригадані позитивні – пригадані нейтральні] + [пригадані негативні – пригадані нейтральні])/2. Точки даних були нанесені на графік і виявлено, що вони розподілені приблизно нормально (Додаток SI, рис. S1). Двосторонні t-тести були застосовані, щоб перевірити, чи ефективність емоційної пам’яті істотно відрізняється від нуля. Крім того, ми перевірили вплив потенційних спотворюючих факторів. Ми використали 2-зразковий t-тест, щоб оцінити, чи залежала ефективність емоційної пам’яті від статі. Ми використали лінійні коефіцієнти кореляції Пірсона, щоб пов’язати ефективність запам’ятовування з віком. Двосторонні t-тести були застосовані, щоб перевірити, чи коефіцієнт кореляції істотно відрізняється від нуля.

Візуалізація: отримання МРТ. Вимірювання проводили на апараті SiemensMagnetom Verio 3 T для МРТ всього тіла, обладнаному 12-котушкою з головкою каналу. Функціональні часові ряди отримували за допомогою одноразової ехопланарної послідовності з використанням паралельної візуалізації (GRAPPA). Ми використовували такі параметри збору даних: час відлуння (TE)=35 мс; поле зору (FOV)=22 см; матриця збору даних =80 × 80, інтерпольована до 128 × 128; розмір вокселя=2.75 × 2.75 × 4 мм3; коефіцієнт прискорення GRAPPA R=2.0. Використовуючи середньосагітальну розвідувальну картинку, 32 безперервних аксіальних зрізи, розміщені вздовж передньо-задньої площини спайки, що охоплюють весь мозок із TR=3,000 мс (= 82 ступінь) були отримані за допомогою висхідного чергування послідовність. Перші два отримані дані були відхилені через ефекти постійного насичення T1time. T1-зважене анатомічне зображення високої роздільної здатності було отримано за допомогою градієнтної ехо-послідовності, підготовленої намагніченістю (TR =2,000 мс; TE=3.37 мс; TI {{ 31}},000 мс; кут повороту=8 градусів; 176 зрізів; поле зору =256 мм; розмір вокселя=1 × 1 x 1 мм3).

Зображення: програмний пакет для статистичного аналізу даних зображень. Ми використовували програмне забезпечення статистичного параметричного відображення (SPM) SPM12 версії 6685 (Wellcome Trust Center for Neuroimaging, Лондон, Великобританія; https://www.fil.ion.ucl.ac. uk/spam/), реалізоване в Matlab R2016a.

Візуалізація: попередня обробка та нормалізація об’ємів ехопопланарного зображення (EPI). Об’єми були скориговані у часі зрізу до першого зрізу, перевирівняні за допомогою параметра «зареєструвати значення» та спільно зареєстровані в анатомічному зображенні шляхом застосування нормалізованої взаємної інформації тривимірної трансформації твердого тіла. Успішна спільна реєстрація була візуально перевірена для кожного учасника. Кожен об’єм був замаскований анатомічним зображенням T1 учасника, щоб виключити вокселі поза межами мозку. Об’єми планарної луни зображення (EPI) були нормалізовані до простору Монреальського неврологічного інституту (MNI) і згладжені за допомогою ядра Гауса 8 мм повної ширини на половині максимуму (FWHM) шляхом застосування DARTEL, що призвело до покращеної реєстрації між учасниками (75, 76). .

Перемежована послідовність, яка використовувалася для отримання функціональних часових рядів, зробила обов’язковою умовою використання корекції часу зрізу як першого етапу попередньої обробки (77). Методи корекції зрізів синхронізації можуть успішно компенсувати ефекти зрізів синхронізації (78). Примітно, що в DCM для фМРТ напрямок причинності не визначається за часовим пріоритетом. Натомість причинність втілюється в математичній формі диференціального рівняння стану кожної області. Рівняння стану заданої моделі визначають структуру системи (наприклад, зв'язок між регіонами), чітко вказуючи, як у системі виникає динаміка (39). Тому раніше було проведено кілька досліджень DCM з подібними TR (79–81).

Зображення: моделювання воксельної активності. Загальні лінійні моделі (GLM) були визначені для кожного учасника для ідентифікації вокселів, активованих завданням. Регресори, що моделюють початок і тривалість подій стимулу, були згорнуті з функцією канонічної гемодинамічної відповіді. Точніше, модель включала регресори для натискань кнопок, змодельовані як функції стику/дельта, презентації зображення (позитивні, нейтральні, негативні, зашифровані, першочергові та нещодавні), змодельовані за допомогою функції епохи/вагону (тривалість: 2,5 с), і шкали оцінок, змодельовані за допомогою функція epoch/boxcar змінної тривалості (залежно від того, коли відбулося наступне натискання кнопки). Послідовні кореляції були видалені за допомогою авторегресійної моделі першого порядку, а фільтр високих частот (128 с) був застосований для видалення низькочастотного шуму. Шість параметрів руху також були введені як неприємні коваріати. Ми визначили два різних типи GLM. Один тип GLM використовувався для ідентифікації вокселів, пов’язаних з успішним кодуванням емоційної пам’яті.

Тут позитивні, негативні та нейтральні стимули були змодельовані окремо залежно від того, чи згадувалися вони згодом чи ні. Отримані оцінки параметрів порівнювали для ідентифікації вокселів, пов’язаних із успішним кодуванням емоційної пам’яті ([згадані емоційні картинки – невигадані емоційні картинки] – [згадані нейтральні зображення – невикликані нейтральні зображення]). Цей контраст був наявний у 944 із 945 учасників вибірки відкриття (1 суб’єкт не пригадав жодної нейтральної картинки) та у 470 із 473 учасників вибірки повторення (3 суб’єкти не пригадали жодної нейтральної картинки) . Щоб дослідити потенційні пов’язані з валентністю ефекти в активності мозочка, ми також порівняли, чи відрізняється діяльність, пов’язана з успішним кодуванням пам’яті, між позитивними та негативними картинками. Це відповідало наступному контрасту: ([пригадані негативні зображення – невигадані негативні зображення] – [пригадані позитивні зображення – невикликані позитивні зображення]). Інший тип GLM був визначений для ідентифікації вокселів, пов’язаних із кодуванням емоційних картинок, незалежно від пам’яті. Ми вказали регресори для позитивних, нейтральних і негативних картинок, незалежно від того, чи згадувалися картинки чи ні, і порівняли отримані оцінки параметрів (емоційні картинки – нейтральні картинки). Ми застосовували коригування сімейної помилки (FWE) для множинних порівнянь на рівні всього мозку з усіма контрастами (Pwhole-brain-FWE-corrected < 0.05). Корекцію для множинних порівнянь на рівні кластера було застосовано для перевірки пов’язаних з валентністю ефектів у кластері мозочка (Psmall-volume-corrected < 0,001, ступінь кластера k=10).

Зображення: групова статистика воксельної активності. Для визначення активності, пов’язаної з «успішним кодуванням емоційної пам’яті» та «кодуванням емоційних картинок», контрастні карти були введені в модель випадкових ефектів (аналіз другого рівня) за допомогою GLM Flex (Martinos Center and Massachusetts General Hospital, Charlestown, MA; https ://habs.mgh.harvard.edu/researchers/datatools/glm-flex-fast2/). Ми контролювали вплив статі, віку, однієї зміни в програмному забезпеченні сканера та двох змін у градієнтних котушках, включивши їх як коваріати. Ми використали GLM Flex, оскільки послідовності EPI страждають від втрати сигналу в присутності неоднорідностей магнітного поля, які можуть виникати поблизу кордонів повітря та тканини. Процедура нормалізації, застосована в DARTEL, точно трансформувала як вокселі з сигналом, так і вокселі з втратою сигналу в простір MNI. У SPM втрата сигналу в координаті MNI у функціональному зображенні лише одного учасника призвела до виключення вокселя в цій координаті з аналізу на груповому рівні. Отже, ймовірність того, що воксель буде виключено, зростала з розміром вибірки. GLM Flex обійшов цю проблему, дозволивши змінну кількість учасників для кожного вокселя. Мінімальна кількість учасників на воксель була встановлена ​​до 2/3 усіх учасників.

Візуалізація: визначення досліджуваних областей — функціонально визначена маска. Оскільки цю чутливість виявлення наявності з’єднань можна підвищити за допомогою ROI, які відповідають фактичним функціональним межам (36), ми визначили ROI функціонально, а не анатомічно. Зокрема, у зразку відкриття (n=945) ми використали функціонально отриману маску, а потім використали керований даними підхід кластеризації на рівні групи, щоб розділити попередньо оброблені та нормалізовані обсяги EPI на просторово когерентні та часові однорідні області (37). . Маска складалася з вокселів, які були позитивно пов’язані з успішним кодуванням емоційної пам’яті у зразку відкриття (Pwhole-brain-FWE-corrected < 0.05). Ідентифіковані вокселі потім додатково маскували за допомогою кодування контрасту емоційних зображень (Pwhole-brain-FWE-corrected < 0,05), щоб гарантувати, що всі включені вокселі також демонструють позитивний ефект для кодування емоцій (99% усіх вокселів, значущих у «успішному кодуванні емоційної пам’яті» контраст» також були значущими в «кодуванні емоційних картин контрасту»).

Візуалізація: визначення ROI — процедура парцеляції. Вокселі в межах функціонально визначеної маски були об’єднані в ROI таким чином, щоб подібність між вокселями в одному кластері була максимальною порівняно зі схожістю між вокселями в різних кластерах, використовуючи нормалізований метод розрізу, що включає просторове обмеження (37). Для обчислювальної доцільності парцеляцію було виконано на основі обсягів EPI 200 учасників, які були випадковим чином відібрані з вибірки відкриття. Ці об’єми були згладжені за допомогою ядра Гауса розміром 6 мм FWHM відповідно до нещодавньої статті (37). Кластеризацію спочатку проводили в кожному учаснику, а потім групову групу другого рівня, як рекомендували Craddock та ін. (37). Ми розділили вокселі в межах маски на 30 досліджуваних областей, оскільки ми виявили, що це число веде до достатньої просторової специфічності, водночас залишаючись керованим щодо обчислювального навантаження, спричиненого обчисленням з’єднання з DCM. Одна з цих досліджуваних областей містила ізольовані вокселі та дискретні маленькі кластери, які не були просторово когерентними. Цю ROI (ROI 11), яка містила 60 вокселів, було вилучено з подальшого аналізу.

Аналіз зв’язності: витяг часового курсу. Ми витягли курси часу на учасника та ROI із незгладжених і ненормалізованих даних за допомогою описаної нижче процедури. Зауважте, що ми витягли дані з незгладжених даних, оскільки згладжування може завдати шкоди оцінці зв’язку, оскільки воно призводить до змішування залежних від рівня оксигенації крові часових курсів між сусідніми регіонами (36).

1. Відображення функціональних ROI з простору MNI у рідний простір учасників: ROI, визначені в процедурі парцеляції, були згенеровані в MNIspace. Тому ми зіставили їх розташування з рідним простором учасників, інвертуючи поле деформації нормалізації кожного учасника.

2. Вилучення часових пробігів із функціональних ROI: перед фактичним моделюванням зв’язності в рамках DCM, часові курси для кожного учасника були витягнуті з кожної ROI. Мета цього кроку полягала в тому, щоб отримати часові курси з активованих вокселів на рівні одного учасника. Розмір ефекту кодування контрасту емоційних зображень був значно більшим, ніж розмір ефекту успішного контрасту емоційної пам’яті, що робило перший більш придатним для розрізнення пов’язаних із завданням вокселів від вокселів без відповідних сигналів на рівні одного учасника. На рівні групи всі області, включені в цей аналіз, були значною мірою пов’язані з успішним кодуванням емоційної пам’яті, запевняючи, що всі ROI були релевантними для успішного кодування емоційної пам’яті. Для кожного ROI та учасника ми, відповідно, визначили значущі вокселі для емоційного > нейтрального контрасту за нескоригованого порогу P < 0.05, з мінімальним розміром кластера в три вокселя. З усіх цих вокселів було витягнуто підсумковий часовий хід за допомогою інструменту вилучення SPM «Volume of Interest». Зокрема, для всіх вибраних вокселів у межах anROI було виконано PCA. Часові точки були спостереженнями, а вокселі — змінними. PCA повернув серію компонентів, упорядкованих за часткою дисперсії, яку пояснює кожен компонент. Кожен компонент був пов’язаний з вектором ваг (одне значення на воксель), що відображає внесок кожного вокселя в цей компонент. Перша власна змінна відображала часовий хід основного компонента, який сприяв реакції регіону, і була обрана як репрезентативний часовий хід для ROI. Часові курси були виправлені на артефакти руху шляхом додавання параметрів руху як коваріантів до лінійної моделі.

Для всіх 29 функціональних ROI часові курси були успішно виділені в 97,88% усіх випадків у вибірці відкриття та в 97,57% усіх випадків у вибірці реплікації, оскільки вони показали надійну залежну від завдання активацію за нашим порогом значущості, наведеним вище. Дані з усіх ROI в усіх учасників були необхідною умовою для запуску DCM, оскільки метою DCM є порівняння різних моделей для спостережуваної активації (38, 39). Таким чином, ми виключили учасника з певного DCM, якщо ROI не показала активацію відповідно до критеріїв, визначених вище. З усіх ROI ROI 9 показала найменшу частку учасників із надійною активацією (вибірка виявлення 88,36%; вибірка реплікації 85,84%). Див. Додаток SI, таблиця S1 щодо кількості учасників на DCM, і Додаток SI, таблиця S2 щодо відсотка виключених учасників на ROI.

Потенційні причини відсутності досить сильної активації в деяких учасників полягали в шумі в даних або втраті даних, але також можуть відображати використання різних когнітивних стратегій.

Аналіз підключення: DCM. DCM можна застосовувати для перевірки конкретних гіпотез щодо наявності, напрямку та модуляторів ефективного зв’язку між набором попередньо визначених областей мозку. DCM детально описано в іншому місці (38, 39). Коротше кажучи, нейронні взаємодії між областями виражаються диференціальними рівняннями, які описують 1) як активність в одній області мозку викликає динаміку (тобто швидкість змін) в іншій області мозку і 2) як ці взаємодії змінюються під впливом експериментальних умов. Тут ми порівняли умови для емоційних і нейтральних фотографій, враховуючи, чи згадувалося зображення пізніше чи ні. DCM прагне до нейрофізіологічної інтерпретації, чітко розрізняючи «нейронний рівень» і «гемодинамічний рівень» (82). Це досягається шляхом інвертування біофізично мотивованої та параметризованої прямої моделі, яка пов’язує змодельовану нейронну динаміку з виміряним гемодинамічним часом (38). . Тому параметри зв’язку можна інтерпретувати як вплив між нейронними популяціями (39). Наш висновок щодо зв’язності залежав від основних математичних припущень, включених у параметризацію DCM. Ці припущення були критично оцінені (83).

Ми вибрали DCM порівняно з іншими методами, оскільки він пропонує кілька переваг. DCMinfers забезпечує підключення шляхом моделювання нейронної динаміки за допомогою системи диференційних рівнянь. Таким чином, напрямок впливу та залежну від умов модуляцію міцності з’єднання можна більш значуще визначити, ніж за допомогою статичних моделей з’єднання, таких як кореляція або моделювання структурних рівнянь (82, 84, 85).

Аналіз зв’язності: DCM — простір моделі. Ми використали процедуру вибору пост-гок моделі, яка вимагає оцінки лише однієї повної моделі для пошуку доказів моделі для всіх можливих архітектур з’єднання (40), таким чином виконуючи вичерпне порівняння моделей. Ми використали цю процедуру вибору, а не традиційне порівняння обмеженої кількості апріорних моделей, тому що цей алгоритм значно зменшує обчислювальне навантаження шляхом наближення параметрів зв’язності вкладених підмоделей на основі висновку на одній повній моделі. Хоча було б цікаво включити всі 26 кластерів в одну модель, з обчислювальної точки зору це було неможливо. Ми дослідили всі попарні зв’язки між досліджуваною ділянкою дослідження мозочка та рештою 25 досліджуваних ділянок, визначивши серію 2-вузлових DCM, де досліджену ділянку інтересу, розташовану в мозочку, систематично поєднували в пару з однією з інших досліджуваних областей. Параметри зв’язку представляють чистий зв’язок між ROI, тобто вони не враховують, чи опосередковується вплив між двома ROI додатковими регіонами, якщо ці додаткові регіони явно не включено в модель DCM. Оскільки перевірені тут DCM включали лише два вузли, вони не досліджували, чи вплив між мозочком і другою досліджуваною ділянкою опосередковується додатковими регіонами. Таким чином, значення наших параметрів підключення потенційно відображають як прямі, так і непрямі зв’язки. Ми застосували білінійний детермінований DCM із двома станами (версія DCM12) (86). Ми вказали взаємні внутрішні зв’язки між кожною ROI. Зовнішні вхідні дані для ROI керують мережею та кількісно визначають, як ROI реагують на зовнішні стимули. Було визначено чотири різні вхідні регресори, які містили 1) емоційні та нейтральні зображення, 2) зашифровані зображення, 3) натискання кнопок і 4) представлення шкали оцінок. Кожен із вхідних регресорів міг увійти в мережу на всіх досліджуваних ділянках. Сила внутрішніх зв’язків між досліджуваними ділянками могла модулюватись такими умовами: емоційно викликані зображення, емоційно невикликані зображення, нейтральні згадувані зображення та нейтральні невикликані зображення.

Щоб отримати баєсівську точку зору щодо численних порівнянь, дивіться посилання (87, 88). Примітно, що ми відтворили результати зразка відкриття в другому зразку.

Аналіз зв’язності: DCM — оцінка моделі. Ми використали ефективний постфактум вибір моделі, який вимагав оцінки лише однієї повної моделі, щоб знайти1) докази моделі для всіх можливих архітектур з’єднання з вибором байєсівської моделі (BMS), 2) апостеріорні ймовірності, отримані в результаті висновків на рівні родини для визначення ймовірності для контраст оцінок параметрів і3) середні значення байєсівських параметрів за всіма можливими моделями, які показують, чи контраст оцінок параметрів відрізнявся від нуля (40, 84, 89). Оскільки ми використовували BMS з фіксованими ефектами, ми припустили, що оптимальна модель була однаковою для кожного учасника популяції (39). Оцінка моделей DCM була виконана в центрі наукових обчислень sciCORE (https://scicore.unibas.ch/) Базельського університету.

Аналіз підключення: DCM — аналіз параметрів. Ми використали байєсівський висновок, щоб оцінити, чи збільшилася міцність з’єднання під час успішного кодування емоційної пам’яті. Зокрема, ми використали апостеріорні очікування та апостеріорні коваріації для обчислення апостеріорної ймовірності того, що контраст між модуляторами сили з’єднання був більшим за нуль. Контраст для успішного кодування емоційної пам’яті був побудований шляхом віднімання модуляторів таких умов: (викликані емоційні картинки – невикликані емоційні картини) – (викликані нейтральні картинки – невикликані нейтральні картинки). По-перше, у досліджуваній вибірці ми визначили зв’язки, які мали апостеріорну ймовірність контрасту, більшу за {{0}}.99. По-друге, ми проаналізували ці зв’язки у зразку реплікації, перевіряючи, чи вони також мали апостеріорну ймовірність контрасту, більшу за 0.99. У описових термінах застосований поріг ймовірності 0,99 можна інтерпретувати як надання дуже переконливих доказів ефекту (42, 43). Ми зосередилися на збільшенні, а не на зменшенні міцності з’єднання, оскільки ROI визначалися на основі вокселів із підвищеною активністю.

Розрахунки щодо сили з’єднання ґрунтувалися на силі контрасту у зразку реплікації. З’єднання було візуалізовано за допомогою бібліотеки кіл у R (90).

Сегментація анатомічного зображення. Анатомічне зображення кожного учасника було автоматично сегментоване на коркові та підкіркові структури за допомогою FreeSurfer версії 4.5 (91). Позначення кіркових звивин ґрунтувалося на атласі Дезікана-Кілліані (92), що містить 35 кіркових і 7 підкіркових областей у півкулі. Зверніть увагу, що застосована техніка сегментації та маркування забезпечує точність, порівнянну з ручним маркуванням експертів (91, 92).

Анатомічна локалізація досліджуваних ділянок на основі усередненого по популяції анатомічного імовірнісного атласу. Сегменти коркових і підкіркових структур, отримані з FreeSurfer (див. абзац вище), були використані для побудови середньопопуляційного імовірнісного анатомічного атласу на основі даних 1000 із 1418 учасників. Окремі сегментовані анатомічні зображення були нормалізовані до простору анатомічного шаблону, специфічного для дослідження, з використанням попередньо обчисленого поля деформації учасників і афінно зареєстровані до простору MNI. Інтерполяція найближчих сусідів була застосована, щоб зберегти маркування різних структур. Нормалізовані сегментації нарешті були усереднені для учасників, щоб створити середньопопуляційний імовірнісний атлас. Отже, кожному вокселю шаблону може бути присвоєна ймовірність належності до даної анатомічної структури.

Цей середньопопуляційний імовірнісний атлас був використаний для звіту про анатомічне розташування координат і досліджуваних областей. Відсотки на координату означали середню популяційну ймовірність анатомічної мітки. Крім того, ми повідомили про середній відсоток регіональної відповідності на ROI. Для ROI ми визначили, які анатомічні мітки були охоплені його вокселями. Потім ми підсумували ймовірності на мітку для всіх вокселів у межах ROI та розділили суму на загальну кількість вокселів у масці. 100% відповідність мала б місце, якби всі вокселі досліджуваної області були розташовані в одній анатомічній області, і кожен воксель сам мав 100% ймовірність розташування в цій області.

Наявність даних, матеріалів і програмного забезпечення. Індивідуальні карти першого рівня для двох цікавих контрастів (успішне кодування емоційної пам’яті та кодування емоційних картинок) доступні в Open Science Framework (OSF, https://osf.io/ghtvy) (93), разом з індивідуальним коваріати. Окремі файли першого рівня та файли VOI доступні на Figshare (https://figshare.com/projects/CBDCM/149317) (94). Відповідні карти на рівні групи без порогів, а також двійкові маски функціональних досліджуваних областей були збережені в Neurovault (https://neurovault.org/collections/12932) (95). Файли DCM на рівні групи доступні в OSF (https://osf.io/ghtvy) (93).

ПОДЯКА. Ми дякуємо Ельмару Меркле, Крістофу Стіппіху та Оліверу Бієрі за надання доступу до обладнання для фМРТ університетської лікарні Базеля. Цю роботу фінансував Швейцарський національний науковий фонд (Sinergia grantCRSI33_130080 для DJ-FdQ і AP). MF фінансувався Дослідницьким фондом для молодших дослідників Базельського університету (грант DPE2141). Розрахунки проводилися в науковому обчислювальному центрі sciCORE (https://scicore.unibas.ch/) Базельського університету. Автори заявляють про відсутність конкуруючих фінансових інтересів.

довідка

1. Д. де Кервен, Л. Швабе, Б. Розендал, Стрес, глюкокортикоїди та пам'ять: наслідки для лікування розладів, пов'язаних зі страхом. Нац. Rev. Neurosci. 18, 7–19 (2017).

2. JL McGaugh, The Making of Lasting Memory (Weidenfeld & Nicolson, 2003).

3. JL McGaugh, Memory—A century of consolidation. Наука 287, 248–251 (2000).

4. B. Roozendaal, JL McGaugh, Модуляція пам'яті. поведінка. Неврологія. 125, 797–824 (2011).

5. KS LaBar, R. Cabeza, Когнітивна нейронаука емоційної пам'яті. Нац. Rev. Neurosci. 7, 54–64 (2006).

6. С. Б. Хаманн, Т. Д. Елі, С. Т. Графтон, С. Д. Кілтс, активність мигдалеподібного тіла, пов’язана з покращенням пам’яті на приємні та неприємні стимули. Нац. Неврологія. 2, 289–293 (1999).

7. Т. Канлі, З. Чжао, Дж. Брюер, Дж. Д. Е. Габріелі, Л. Кехілл, Пов’язана з подіями активація мигдалини людини асоціюється з пізнішою пам’яттю для індивідуального емоційного досвіду. Дж. Неврологія. 20, RC99 (2000).

8. AH van Stegeren та ін. Норадреналін опосередковує активацію мигдалини у чоловіків і жінок під час кодування емоційного матеріалу. Neuroimage 24, 898–909 (2005).

9. MW Cole та ін. Багатозадачне підключення розкриває гнучкі концентратори для адаптивного керування завданнями. Nat. Неврологія. 16, 1348–1355 (2013).

10. Р. М. Тодд, Т. В. Шміц, Дж. Саскінд, А. К. Андерсон, Спільні нейронні субстрати емоційно підсиленої перцептивної та мнемонічної яскравості. Фронт. поведінка. Неврологія. 7, 40 (2013).

For more information:1950477648nn@gmail.com