Дослідження зв’язку дисконтування затримки зі структурою мозку, робочою пам’яттю та епізодичною пам’яттю. Частина 2

Зв'язок між структурними предикторами та DD

Ми протестували зв’язки між цікавими змінними (підкіркові об’єми, компоненти сірої речовини та білої речовини, EM, WM) і DD за допомогою лінійних моделей і тестів непараметричної перестановки, реалізованих у програмному забезпеченні FSL PALM версії 1.11 (Winkler et al. 2014; Winkler, Webster, et al. ін. 2016b), що працює на MATLABR2017b.

В останні роки, з підвищенням рівня життя людей і зростанням віку, проблеми з пам'яттю привертають все більше уваги. Однак деякі люди активно тренували свій мозок, але все ще турбують проблеми з пам’яттю. У цей час ми можемо розглянути можливість використання непараметричних механізмів для покращення пам’яті.

Отже, що таке непараметрична перестановка? Непараметричне впорядкування — це статистичний метод, який упорядковує набір даних за певними правилами без числового порівняння. У порівнянні з параметричною перестановкою непараметрична перестановка має ширший діапазон застосувань і не робить занадто багато припущень щодо розподілу та дискретності даних.

А як за допомогою непараметричного розташування покращити пам'ять? По-перше, ми знаємо, що людський мозок може аналізувати, запам’ятовувати та відтворювати різноманітну інформацію, таку як зображення, аудіо, текст тощо, тому ми можемо використовувати непараметричні механізми для покращення обробки та пам’яті нашого мозку різної інформації.

Завдяки деяким вправам, таким як тренування запам’ятовування та запам’ятовування кольорів, чисел, слів та іншої інформації, а потім непараметричного упорядкування різної інформації, у мозку формується більш регулярна структура, що покращує пам’ять мозку.

Крім того, непараметричні перестановки можна використовувати для покращення розумової гнучкості та зменшення тривоги та стресу, серед інших проблем. Вправляючи мозок, він може працювати більш гнучко та здорово, тим самим зменшуючи непотрібну депресію, тривогу та інші негативні емоції, а також сприймаючи життя та роботу більш позитивно.

Коротше кажучи, непараметричне розташування є можливим і ефективним методом покращення пам’яті мозку та гнучкості мислення. Завдяки безперервним вправам і практиці можна ефективно покращити пам’ять і здатність мозку обробляти дані, допомагаючи нам сприймати життя та працювати більш здорово та позитивно. Видно, що нам потрібно вдосконалювати пам'ять. Cistanche deserticola може значно покращити пам'ять, оскільки Cistanche deserticola також може регулювати баланс нейромедіаторів, наприклад підвищувати рівень ацетилхоліну та факторів росту. Ці речовини дуже важливі для пам'яті та навчання. Крім того, м’ясо може також покращити кровообіг і сприяти доставці кисню, що може гарантувати, що мозок отримує достатню кількість поживних речовин і енергії, таким чином покращуючи життєздатність і витривалість мозку.

Клацніть «Знай, як покращити роботу мозку».

Ми використали 10 000 перестановок, моделюючи хвіст розподілу перестановок P-значень за допомогою розподілу Парето (Winkler, Ridgway та ін. 2016a), а також контролю частоти помилок (FWER) для кількох тестів із використанням розподілу максимальна статистика (Westfalland Young 1993). Набір даних HCP містить суб’єктів, які були відібрані разом із їхніми братами і сестрами (переважно їхніми близнюками), що означає, що вимірювання не можна вважати незалежними.

Щоб перевірити наявність зв’язків між цікавими змінними з урахуванням структури сім’ї в наборі даних, ми використали багаторівневе тестування блочної перестановки (Winkler et al. 2015). Ці асоціації були виправлені на лінійні та квадратичні терміни, стать, освіту, дохід і зведену оцінку когнітивних функцій набір інструментів NIH ("CogTotalComp_Unadj"), показник загального інтелекту. Ми повідомили 2-кінцеві P-значення для перевірених асоціацій.

Вершинні та воксельні аналізи

Для порівняння ми також провели окремі однофакторні аналізи по вершинах (товщина кори, площа поверхні) і по вокселях (GMV, FA, MD), щоб перевірити асоціації з DD. Ці аналізи проводилися з використанням непараметричних тестів на перестановку, реалізованих у програмному забезпеченні PALM від FSL, з 2,000 перестановками та безпороговим покращенням кластерів (Сміт і Ніколс 2009). Як і в попередньому аналізі, ми змоделювали хвіст розподілу перестановок P-значень за допомогою розподілу Парето, застосували контроль FWER для кількох тестів із використанням розподілу максимальної статистики та врахували структуру родини за допомогою багаторівневого тестування блокових перестановок. Як і вище, ці аналізи контролювалися для лінійних і квадратичних термінів, статі, освіти, доходу та загального інтелекту.

Результати

Ми виключили суб’єктів із неповними відповідями в завданнях DD (3), які вибирали або завжди негайні, або відстрочені відповіді (9), або для яких апостеріорна ймовірність псевдо-R2 статистики (Camerer and Ho 1999) була вище нуля {{5} }.95, тобто суб’єктів, для яких модель краще відповідала відповідям, ніж випадкова модель (166). Ці критерії призвели до виключення 178 суб’єктів із вибірки HCP. Таблиця 1 відображає демографічну інформацію про зразки та кількість дійсних спостережень для різних когнітивних завдань і модальностей зображення, які були проаналізовані щодо ДД. Суб'єктивна вартість винагород становила в середньому 79% їх номінальної вартості через місяць і 23% через рік. Статеві відмінності в DD були незначними (чоловіки (n=473) > жінки (n=545): t=0.27, P=0.80).

Зв'язок між ДД і сірою речовиною

Після поправки на лінійні та квадратичні терміни віку, статі та загального внутрішньочерепного об’єму коефіцієнт дисконтування не був пов’язаний із загальним об’ємом кори або об’ємом будь-якої з досліджуваних підкіркових структур. Таблиця 2 відображає статистичні дані для цих асоціацій.

Карти товщини кори, площі поверхні та GMV були розбиті спільно з Linked-ICA на 5 0 компонентів, кожен із яких визначав просторову карту, що відображає регіони, де структура сірої речовини сильно змінювалася між учасниками, та індивідуальні оцінки, що вказують на величину внеску компонента . Оцінки одного з компонентів сірої речовини були достовірно негативно пов’язані з DD (рис. 2A, r =-0,172, Pcorr < 1e-4, скориговано для 50 перевірених компонентів, n=946).

З 3 модальностей сірої речовини цей компонент мав найбільшу вагу (62%) на GMV (рис. 2B), а його найбільші навантаження були у скроневому стовпі та прекунеусі (рис. 2C і D). Оскільки ICA страждає від невизначеності знака, показники компонента повинні бути інтерпретовані щодо його навантажень (анатомічний розподіл яких представлено відповідною просторовою картою), тобто негативний зв’язок із показниками одного компонента відображає (часткову) негативну кореляцію з вимірюваннями структури сірої речовини. в областях, де значення його навантажень додатні. Ці асоціації були виправлені на лінійні та квадратичні терміни віку, статі, освіти та доходу.

При розкладанні даних на 100 компонентів, аналогічно, лише один компонент був суттєво пов’язаний із DD, показуючи шаблон, дуже схожий на той, що був отриманий за допомогою 50-компонентного розкладання (рис. 2E–G, r {{3 }} −0,158,Pcorr=5e−4, скориговано для 100 тестованих компонентів, n=946). Однофакторний воксельний аналіз також виявив негативний значущий зв’язок між GMV та DD у двосторонніх скроневих областях сірої речовини після контролю за лінійними та квадратичними термінами віку, статі, освіти та доходу (додаткова рис. 2).

Ці області точно відповідали просторовій картині ідентифікованого компонента сірої речовини (рис. 2C і G). Не було жодної ділянки кори, де зв’язок між DD і товщиною або площею кори був би значущим після корекції FWER для багатьох тестів у поверхневому аналізі вершин для цих вимірювань.

Щоб переконатися, що зв’язок із показниками сірої речовини був специфічним для ДД, а не просто відображав загальну когнітивну функцію, ми повторили ці аналізи, додавши міру загального інтелекту до набору нецікавих коваріат. Той самий компонент все ще був єдиним, який був значно пов’язаний із DD ({{0}}componentdecomposition: r=−0.145, Pcorr=0.001; { {6}}компонентне розкладання: r=−0,138, Pcorr=0.123), і результат одновимірного воксельного аналізу залишився в основному незмінним (додатковий рис. 2).

Зв'язок між DD і білою речовиною

Ми розклали дані FA і MD разом на 50 компонентів. Жоден із компонентів не був пов’язаний зі ставкою дисконту після контролю за кількома тестами та коваріюванням для лінійних і квадратичних термінів віку, статі, освіти та доходу. Використання 100 компонентів або додатковий контроль загального інтелекту дало аналогічні результати. Відповідно, не було регіону, де зв’язок між DD і FA або MD був значним після корекції FWER для кількох тестів у воксельному аналізі.

Обговорення

Після вивчення поведінкових та нейровізуалізаційних даних великої вибірки здорових дорослих, наші висновки показують, що більший DD був передбачений меншим переднім скроневим ГМВ. Розмір вибірки набору даних HCP, більший, ніж у більшості попередніх досліджень, які пов’язували ДД і структуру мозку, дав нам можливість надійно фіксувати ефекти невеликої величини. Проте, всупереч попереднім звітам, ми не знайшли жодних доказів надійного зв’язку між DD і кортикальним об’ємом, підкірковими об’ємами, мікроструктурною організацією білої речовини та результатами в завданнях WM або EM.

Більше дисконтування було пов’язане з меншим GMV у передніх скроневих областях. Цей результат був надійним для зміни кількості пов’язаних компонентів ICA та контролю за показником загального інтелекту. Овенсет ін. (2017) проаналізували об’єм кори головного мозку за допомогою T1-зважених сканувань у наборі даних HCP і повідомили про зв’язок між об’ємом кори головного мозку та DD у скроневих областях, що відповідає ділянкам у компоненті сірої речовини, виявленому нашим аналізом.

Очікується зв’язок із передньоскроневою сірою речовиною (оскільки ми використовували той самий набір даних), але наше дослідження розширює попереднє, досліджуючи також товщину та площу поверхні кори та GMV для підкіркових областей, а також показники структури білої речовини. Окрім того факту, що ми включили більш ретельний набір структурних показників, ми поважали сімейну структуру даних під час обчислення зв’язків між показниками структури мозку та ДД, щоб уникнути упереджених оцінок, які можуть бути результатом неправильного припущення незалежності спостережень (Winkleret ін., 2015).

Ми також провели більш суворий відбір суб’єктів, виключивши тих, хто працював випадково, і розклали дані на структурні коваріаційні мережі (Pehlivanova та ін. 2018), метод, який забезпечує більшу чутливість для виявлення асоціацій із DD шляхом усереднення разом (у зваженому спосіб) значення структурних зображень у різних областях мозку та поєднання кількох модальностей для отримання більш надійних оцінок. Дійсно, важливою перевагою використання ICA для декомпозиції даних зображення в коваріаційних мережах порівняно з воксельним підходом для аналізу структурних даних є те, що він дає результати, які мають бути менш шумними, ніж значення на основі вокселів, оскільки вони отримані як зважене середнє значення сигналу в усі вокселі в мозку, реалізуючи зменшення розмірності, що може зменшити ризик помилок типу II, хоча й за рахунок розпливчастого анатомічного окреслення.

анатомічне окреслення. На відміну від дослідження Owens et al. (2017), у нашому аналізі зв’язок між об’ємом кори та ДД не досяг значущості. Ця розбіжність, ймовірно, є продуктом нашого більш суворого аналізу (видалення суб’єктів, які відповідають навмання, непараметричні тести, що враховують структуру сімейства даних, суворіший контроль для спотворень) і вказує на те, що раніше зареєстрований зв’язок між об’ємом кори головного мозку та DD швидше відповідає фальшивому, ніж надійна знахідка. Здається правдоподібним, що зв’язок ДД із мірою глобального об’єму кори має бути опосередкований змінними, які відображають більш загальні аспекти пізнання, ніж ДД.

Незважаючи на великий розмір вибірки набору даних HCP, ми не знайшли доказів значного зв’язку між структурою білої речовини та DD. Попередні дослідження, що демонструють трактографічні реконструкції в менших зразках, повідомляли про негативний зв’язок між DD і показниками міцності структурного зв’язку (наприклад, кількістю ліній потоку) у конкретних трактах білої речовини з PFC (van den Bos et al. 2015; Hänggi et al. 2016; Hamptonet al. 2017) .

На відміну від тих досліджень, які досліджували силу з’єднання, ми проаналізували карти FA, оброблені за допомогою TBSS, техніки, яка дає змогу широкомасштабного аналізу областей білої речовини та є більш придатною для дослідницького аналізу великомасштабних наборів даних через обчислювальні та трудові витрати, пов’язані з виконання комплексного картографічного картографування великої кількості предметів. Наскільки нам відомо, вибірка в нашому аналізі значно більша, ніж у попередніх дослідженнях, які пов’язували білу речовину з дисконтуванням. Однак ми зазначаємо, що нещодавнє дослідження із застосуванням TBSS на 302 літніх суб’єктах без деменції (Han et al. 2018) (середній вік=81.38 років, SD=7.57 років, 75,5% жінок) показало широке поширення негативний зв’язок між скроневим дисконтуванням і ФА в двосторонньому лобовому, лобно-стріатальному та скронево-тім’яному трактах. Розбіжність із нашими результатами може бути спричинена демографічними відмінностями у зразках.

Враховуючи широкий характер їхніх асоціацій, їхні висновки можуть відображати дегенеративні механізми, пов’язані зі старінням, на відміну від більш обмеженої моделі, яку можна було б очікувати для конкретного показника, такого як DD. Крім того, Хан та ін. не контролювали рівень доходів. Дійсно, лише коригуючи фураж і стать у нашому аналізі, ми визначили додаткові компоненти сірої та білої речовини, оцінки яких значною мірою корелюють зі ставками дисконтування (див. Додатковий матеріал). У той час як великі вибірки здатні виявляти менші ефекти, існує також вищий ризик виявлення асоціацій, створених просто змішуючими змінними, що робить ключовим коригування для відповідних коваріат.

Нещодавня робота (Marek та ін. 2022) підкреслила важливість використання великих вибірок у загальномозкових дослідженнях асоціації між мозком і поведінкою та показала, що типові розміри вибірки для цих досліджень повинні призвести до невідтворюваних ефектів і завищених розмірів ефекту. Якщо припустити, що справжній ефект становить приблизно 0,15 (порівняно з розміром ефекту для компонента сірої речовини, який ми визначили та сумісний із результатами Марека та ін. 2022), для досягнення потужності 80% знадобиться понад 250 суб’єктів. Таким чином, більшість попередніх досліджень у сфері ДД були недостатніми, що пояснює невідповідності літератури, згадані в Розділі 1. Зверніть увагу, що цей висновок стосується лише асоціацій між мозком і поведінкою, а не надто функціональних досліджень картографування мозку щодо ДД, які повинні вимагати менших розмірів вибірки для виявлення справжніх ефектів. , отже, немає суперечності між нашими результатами та висновками цих досліджень.

Ми не знайшли зв’язку між уподобанням до негайної винагороди та будь-яким із тестів WM (LSWMT і 2-back). Подібним чином, у даних HCP не було зв’язку ДД ні з вербальним, ні з невербальним ЕМ. Ці результати узгоджуються з нещодавнім дослідженням (Yeh та ін., 2021), яке ми доповнюємо, включаючи 2-завдання назад і більш сувору статистичну обробку для аналізу структурних даних мозку. Хоча Shamosh та ін. (2008) повідомили про зв’язок між нижчим WM і перевагою негайної винагороди, ця кореляція не була специфічною для WM, оскільки, згідно з їхніми даними, ця здатність не пояснювала дисперсії в DD, крім тієї, що пояснюється загальним інтелектом. При виправленні асоціацій лише за віком і статтю DD значно негативно корелювала з LSWMT, 2-назад і вербальними балами EM (див. Додатковий матеріал), але ця кореляція більше не була значущою при коригуванні змінних соціально-економічного статусу (які вже повинні частково враховувати загальна когнітивна функція). Таким чином, наші міркування вище щодо хибних асоціацій через шкідливі змінні та невідтворюваних знахідок при використанні невеликих зразків також застосовуються до цих аналізів.

Обмеження нашого дослідження полягає в тому, що наші аналізи не були попередньо зареєстровані, і тому повідомлені асоціації не можна вважати підтверджуючими. Тим не менш, ми вважаємо, що важливий внесок цих результатів полягає в забезпеченні більш точних оцінок розміру ефекту для взаємозв’язків між когнітивними параметрами, структурним зображенням і міжчасовими виборами через значно більший розмір вибірки попередніх досліджень. Іншим обмеженням є низька надійність дисконтних ставок. Параметри завдання піддавалися критиці за їх низьку надійність тестування та повторного тестування (Enkavi та ін. 2019) і, у пов’язаній сфері переваг ризику, за відсутність узгодженості між експериментальними парадигмами (Педроні та ін. 2017). Ці причини можуть частково пояснити відсутність зв’язків зі структурою мозку, які ми виявили, і низьку відтворюваність результатів досліджень. Вирішальним майбутнім напрямком має стати розробка нових парадигм для вимірювання DD з підвищеною надійністю. Можливий шлях вперед може полягати в отриманні зведених балів, що поєднують кілька параметрів завдання для досягнення більшої надійності та використання багатоваріантних методів для збільшення шансів виявлення асоціацій між мозком і поведінкою (Moutoussis et al. 2021).

Враховуючи важливість ДД у вивченні психопатології, важливо чітко визначити нейробіологічні каркаси, що лежать в її основі. Використовуючи великий набір даних нейровізуалізації, це дослідження допомагає узгодити розбіжності в літературі щодо корелятів сірої та білої речовини ДД. Ця поведінкова риса була негативно пов’язана з GMV у передніх скроневих областях, і, що важливо, виявлений структурний ефект був невеликим, таким чином, що його навряд чи можна було б виявити у зразках із розміром, який можна порівняти з тим, що було виявлено в багатьох відповідних дослідженнях. Загалом, асоціації з когнітивними здібностями та структурою мозку можуть бути слабкішими, ніж свідчать попередні звіти. Наші результати вимагають розробки більш надійних вимірювань DD і впровадження нейровізуалізаційних досліджень із більшими розмірами вибірки, ніж те, що було звичайним у цій галузі, а також належного контролю для можливих спотворень.

Подяки

Ми дякуємо Матсу Еріксону та Кайсі Бурстрьом за збір даних. Ми вдячні за набір даних із відкритим доступом, наданий проектом Human Connectome, WU-MinnConsortium (головні дослідники: Девід Ван Ессен і Каміл Угурбіл; 1U54MH091657).

Додатковий матеріал

Додатковий матеріал доступний на сайті Cerebral Cortexonline.

Фінансування

Цю роботу підтримала Шведська дослідницька рада (номер гранту VR521-2013-2589 для MG-M), науково-дослідницька премія Олександра фон Гумбольдта (LB) і пожертвування від Фонду А. Ф. Йохніка (LB).

Заява про конфлікт інтересів: доктор Зеб Курт-Нельсон працює в DeepMind. Решта авторів заявляють про конфлікт інтересів.

Список літератури

1. Аддіс Д.Р., Вонг А.Т., Шактер Д.Л. Згадування минулого та уявлення майбутнього: загальні та відмінні нейронні субстрати під час побудови та розробки події. Нейропсихологія. 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. Тимчасова знижка винагород у пацієнтів з біполярним розладом і шизофренією. J Abnorm Psychol. 2011: 120: 911-921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Круте дисконтування затримки та адиктивна поведінка: мета-аналіз безперервних асоціацій. залежність. 2017: 112: 51–62.

4. Ешбернер Дж., Фрістон К.Дж. Воксельна морфометрія — методи. Нейрозображення. 2000: 821: 805-821.

5.Барч Д.М., Берджесс Г.К., Хармс М.П., ​​Петерсен С.Е., Шлаггар Б.Л., Корбетта М., Глассер М.Ф., Кертисс С., Діксіт С., Фельдт К. та ін. Функція в коннектомі людини: завдання-фМРТ та індивідуальні відмінності в поведінці. НейроІмідж. 2013: 80: 169–189.

For more information:1950477648nn@gmail.com