Istraživanje povezanosti diskontiranja kašnjenja 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 koji su implementirani u FSL-ovom softveru PALM verzija 1.11 (Winkler et al. 2014; Winkler, Webster, et. dr. 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 još uvijek ih muče problemi s pamćenjem. U ovom trenutku možemo razmotriti korištenje neparametarskih aranžmana za poboljšanje pamćenja.

Dakle, što je neparametarska permutacija? Neparametarsko sređivanje je statistička metoda koja sređuje skup podataka prema određenim pravilima bez numeričke usporedbe. U usporedbi s parametrijskom permutacijom, neparametarska permutacija ima širi raspon primjena i ne donosi previše pretpostavki o distribuciji i diskretnosti podataka.

I kako koristiti neparametarski raspored za poboljšanje pamćenja? Prije svega, znamo da ljudski mozak može analizirati, pamtiti i prisjetiti se raznih informacija kao što su slike, zvuk, tekst itd., tako da možemo koristiti neparametarske aranžmane za poboljšanje obrade i sposobnosti pamćenja različitih informacija našeg mozga.

Nekim vježbama, poput vježbanja pamćenja i prisjećanja boja, brojeva, riječi i drugih informacija, a potom i neparametarskog slaganja različitih informacija, u mozgu se formira pravilnija struktura, čime se pojačava sposobnost pamćenja mozga.

Osim toga, neparametarske permutacije mogu se koristiti za poboljšanje mentalne fleksibilnosti i smanjenje tjeskobe i stresa, među ostalim problemima. Vježbanjem mozga mozak može raditi fleksibilnije i zdravije, čime se smanjuje nepotrebna depresija, tjeskoba i druge negativne emocije te se pozitivnije suočava sa životom i radom.

Ukratko, neparametarski raspored je izvediva i učinkovita metoda za poboljšanje pamćenja mozga i fleksibilnosti mišljenja. Kontinuiranom vježbom i praksom, sposobnosti pamćenja i obrade mozga mogu se učinkovito poboljšati, pomažući nam da se zdravije i pozitivnije suočimo sa životom i radom. Vidi se da moramo poboljšati pamćenje. Cistanche deserticola može značajno poboljšati pamćenje, jer Cistanche deserticola također može regulirati ravnotežu neurotransmitera, poput povećanja razine acetilkolina i faktora rasta. Ove tvari su vrlo važne za pamćenje i učenje. Osim toga, meso također može poboljšati protok krvi i pospješiti opskrbu kisikom, što može osigurati da mozak dobije dovoljno hranjivih tvari i energije, čime se poboljšava vitalnost i izdržljivost mozga.

Kliknite na načine za poboljšanje rada mozga

Upotrijebili smo 10,000 permutacija, modelirajući rep distribucije permutacije P-vrijednosti s Pareto distribucijom (Winkler, Ridgway, et al. 2016a) i obiteljskom kontrolom stope pogreške (FWER) za više testova koristeći distribuciju maksimalna statistika (Westfalland Young 1993). HCP skup podataka sadrži subjekte koji su uzorkovani zajedno sa svojom braćom i sestrama (uglavnom njihovim blizancima), što znači da se mjerenja ne mogu smatrati neovisnima.

Kako bismo testirali povezanost između varijabli od interesa uzimajući u obzir obiteljsku strukturu u skupu podataka, upotrijebili smo višerazinsko blokovno permutacijsko testiranje (Winkler et al. 2015.). Ove su asocijacije ispravljene za linearne i kvadratne pojmove, spol, obrazovanje, prihod i kompozitni rezultat kognitivne funkcije NIH Toolbox-a ("CogTotalComp_Unadj"), mjere opće inteligencije. Izvijestite o 2-skrajnutim P-vrijednostima za testirane asocijacije.

Vertex- i voxel-wise analiza

Za usporedbu, također smo proveli odvojene univarijatne vertex-wise (kortikalna debljina, površina) i voxelwise (GMV, FA, MD) analize kako bismo testirali povezanost s DD. Ove su analize provedene korištenjem neparametarskih permutacijskih testova implementiranih u FSL-ovom PALMsoftwareu, s 2,000 permutacije i poboljšanjem klastera bez praga (Smith i Nichols 2009). Kao i u prethodnim analizama, modelirali smo rep distribucije permutacije P-vrijednosti s Pareto distribucijom, primijenili FWER kontrolu za višestruke testove korištenjem distribucije maksimalne statistike i uzeli u obzir strukturu obitelji s testiranjem blok permutacije na više razina. Kao i gore, ove analize su kontrolirane za linearne i kvadratne pojmove, spol, obrazovanje, prihode i opću inteligenciju.

Rezultati

Isključili smo subjekte s nepotpunim odgovorima u DD zadacima (3), koji su odabrali ili uvijek trenutne ili odgođene odgovore (9), ili za koje je posteriorna vjerojatnost da je pseudo-R2 statistika (Camerer i Ho 1999.) iznad nule bila ispod {{5} }.95, tj. ispitanici za koje je model bolje odgovarao odgovorima od slučajnog modela (166). Ovi kriteriji doveli su do isključenja 178 ispitanika iz HCP uzorka. Tablica 1 prikazuje demografske podatke o uzorcima i broj valjanih opažanja za različite kognitivne zadatke i modalitete slike koji su analizirani o DD. Subjektivna vrijednost nagrada bila je u prosjeku 79% njihove nominalne vrijednosti nakon mjesec dana i 23% nakon godinu dana. Spolne razlike u DD nisu bile značajne (muški (n=473) > ženski (n=545): t=0.27, P=0.80).

Odnos između DD i sive tvari

Nakon korekcije za linearne i kvadratne dobne uvjete, spol i ukupni intrakranijalni volumen, diskontna stopa nije bila povezana s ukupnim kortikalnim volumenom ili volumenom bilo koje od istraživanih subkortikalnih struktura. Tablica 2 prikazuje statistiku za ove asocijacije.

Mape kortikalne debljine, površine i GMV rastavljene su zajedno s povezanom ICA u 50 komponenti, a svaka od njih definira prostornu mapu koja odražava regije u kojima je struktura sive tvari jako varirala među sudionicima i pojedinačne rezultate koji pokazuju veličinu doprinosa komponente . Rezultati jedne od komponenti sive tvari bili su značajno negativno povezani s DD (Slika 2A, r =−0,172, Pcorr < 1e−4, ispravljeno za 50 testiranih komponenti, n=946).

Od 3 modaliteta sive tvari, ova je komponenta imala najveću težinu (62%) na GMV (Slika 2B), a najveća opterećenja bila su u temporalnom polu i prekuneusu (Slika 2C i D). Budući da ICA pati od neodređenosti predznaka, rezultati komponente moraju se tumačiti s obzirom na njezino opterećenje (čija je anatomska distribucija predstavljena odgovarajućom prostornom kartom), tj. negativna povezanost s rezultatima jedne komponente odražava (djelomičnu) negativnu korelaciju s mjerenjima strukture sive tvari u područjima gdje su vrijednosti njegovih opterećenja pozitivne. Ove su povezanosti ispravljene za linearne i kvadratne uvjete dobi, spol, obrazovanje i prihod.

Prilikom rastavljanja podataka u 100 komponenti, slično je samo jedna komponenta značajno povezana s DD, pokazujući uzorak vrlo sličan onom dobivenom s 50-komponentnom dekompozicijom (Sl. 2E–G, r {{3 }} −0,158,Pcorr=5e−4, ispravljeno za 100 testiranih komponenti,n=946). Univarijatna vokselska analiza također je otkrila negativnu značajnu povezanost između GMV i DD u bilateralnim temporalnim regijama sive tvari nakon kontrole linearnih i kvadratnih uvjeta dobi, spola, obrazovanja i prihoda (Dodatna slika 2).

Ta su područja u potpunosti odgovarala prostornom uzorku za identificiranu komponentu sive tvari (sl. 2C i G). Nije bilo kortikalnog područja u kojem je povezanost između DD i kortikalne debljine ili područja bila značajna nakon FWER korekcije za višestruke testove u površinski baziranoj verteksnoj analizi za ova mjerenja.

Kako bismo osigurali da je povezanost s rezultatima sive tvari specifična za DD, a ne samo da odražava opću kognitivnu funkciju, ponovili smo ove analize dodajući mjeru opće inteligencije skupu kovarijati koje nisu od interesa. Ista komponenta još uvijek je bila jedina koja je bila značajno povezana s DD ({{0}}komponentna razgradnja: r=−0.145, Pcorr=0.001; { {6}}komponentna dekompozicija: r=−0,138, Pcorr=0.123), a rezultat univarijatne vokselske analize ostao je uglavnom nepromijenjen (dodatna slika 2).

Odnos između DD i bijele tvari

Podatke FA i MD zajedno smo rastavili na 50 komponenti. Niti jedna komponenta nije bila povezana s diskontnom stopom nakon kontrole višestrukih testova i kovarijacije za linearne i kvadratne uvjete dobi, spol, obrazovanje i prihod. Korištenje 100 komponenti ili dodatna kontrola za opću inteligenciju dali su slične rezultate. U skladu s tim, nije bilo regije u kojoj je povezanost između DD i FA ili MD bila značajna nakon korekcije FWER za višestruke testove u analizi voksela.

Rasprava

Nakon ispitivanja podataka o ponašanju i neuroslikanju velikog uzorka zdravih odraslih osoba, naši nalazi pokazuju da je veći DD bio 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 učinke male magnitude. Međutim, u suprotnosti s prijašnjim izvješćima, nismo pronašli dokaze o pouzdanoj povezanosti između DD i kortikalnog volumena, subkortikalnih volumena, mikrostrukturne organizacije bijele tvari i rezultata u WM ili EM zadacima.

Veći popust bio je povezan s manjim GMV u prednjim temporalnim regijama. Ovaj je rezultat bio robustan za promjenu broja povezanih ICA komponenti i kontrolu mjerenja opće inteligencije. Owenseta al. (2017) analizirali su kortikalni volumen iz T1-weightedscans u HCP skupu podataka i prijavili povezanost između kortikalnog volumena i DD u temporalnim regijama koje odgovaraju područjima u komponenti sive tvari identificiranoj našom analizom.

Povezanost s anteriortemporalnom sivom tvari je očekivana (budući da smo koristili isti skup podataka), ali naša studija proširuje prethodnu ispitivanjem kortikalne debljine i površine i GMV za subkortikalne regije, kao i mjere strukture bijele tvari. Osim činjenice da smo uključili temeljitiji skup strukturnih mjera, poštovali smo obiteljsku strukturu podataka u izračunavanju povezanosti između mjera strukture mozga i DD kako bismo izbjegli pristrane procjene koje mogu proizaći iz netočne pretpostavke neovisnosti opažanja (Winkleret sur. 2015.).

Također smo izvršili strožu selekciju subjekata, isključujući one koji su bili uspješni slučajno, i rastavili podatke u strukturne mreže kovarijancije (Pehlivanova et al. 2018), metodu koja omogućuje veću osjetljivost za otkrivanje povezanosti s DD skupnim prosjekom (u ponderiranoj način) vrijednosti strukturnih slika u regijama mozga i kombiniranje nekoliko modaliteta za proizvodnju robusnijih procjena. Doista, važna prednost korištenja ICA-a za dekompoziciju slikovnih podataka u kovarijancijskim mrežama u odnosu na vokselski pristup za analizu strukturnih podataka jest to što daje rezultate koji bi trebali biti manje šumni od vrijednosti temeljenih na vokselima jer se dobivaju kao ponderirani prosjek signala u sve voksele u mozgu, implementirajući smanjenje dimenzionalnosti koje može smanjiti rizik od pogrešaka tipa II, iako nauštrb nejasnog anatomskog razgraničenja.

anatomsko ocrtavanje.Za razliku od studije Owensa i sur. (2017.), u našoj analizi, odnos između kortikalnog volumena i DD nije postigao značaj. Ovo je odstupanje vjerojatno proizvod naših strožih izbora analize (uklanjanje subjekata koji su odgovarali nasumično, neparametarski testovi koji uzimaju u obzir strukturu obitelji podataka, stroža kontrola za zbunjujuće) i ukazuje na to da prethodno prijavljena povezanost između kortikalnog volumena i DD-a vjerojatno odgovara lažnom, a ne robustan nalaz. Čini se vjerojatnim da povezanost DD s mjerom globalnog kortikalnog volumena treba biti posredovana varijablama koje odražavaju općenitije aspekte kognicije od DD.

Unatoč velikoj veličini uzorka HCP skupa podataka, nismo pronašli dokaze o značajnoj povezanosti između strukture bijele tvari i DD-a. Prethodne studije koje su pokazale traktografske rekonstrukcije u manjim uzorcima prijavile su negativne povezanosti između DD i strukturnih mjera snage povezanosti (npr. broja strujnica) u određenim traktovima bijele tvari s PFC-om (van den Bos i sur. 2015; Hänggi i sur. 2016; Hamptonet sur. 2017) .

Za razliku od onih studija koje istražuju snagu povezanosti, analizirali smo FA mape obrađene TBSS-om, tehnikom koja omogućuje široku analizu područja bijele tvari i prikladnija je za istraživačku analizu skupova podataka velikih razmjera, zbog troškova računanja i rada povezanih s izvođenje sveobuhvatnog traktografskog mapiranja na velikom broju subjekata. Koliko znamo, uzorak u našoj analizi znatno je veći nego u prethodnim studijama koje povezuju bijelu tvar s diskontiranjem. Napominjemo, međutim, da je nedavna studija koja je koristila TBSS na 302 starija ispitanika bez demencije (Han et al. 2018.) (prosječna dob=81.38 godina, SD=7.57 godina, 75,5% žena) prijavila široko rasprostranjeno negativne povezanosti između temporalnog diskontiranja i FA u bilateralnom frontalnom, frontostriatalnom i temporoparijetalnom traktu. Neslaganje s našim rezultatima može biti odgovor na demografske razlike u uzorcima.

S obzirom na opsežnu prirodu njihovih povezanosti, 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 i sur. nije kontrolirao razinu prihoda. Doista, kada smo u našoj analizi prilagođavali samo krmnu hranu i spol, identificirali smo dodatne komponente sive i bijele tvari koje su imale rezultate u značajnoj korelaciji s diskontnim stopama (vidi Dodatni materijal). Iako su veliki uzorci sposobni detektirati manje učinke, također postoji veći rizik od detektiranja asocijacija koje proizvode samo zbunjujuće varijable, zbog čega je ključna prilagodba za odgovarajuće kovarijable.

Nedavni rad (Marek et al. 2022) naglasio je važnost korištenja velikih uzoraka u studijama povezanosti mozga i ponašanja u cijelom mozgu i pokazao da bi tipične veličine uzorka za te studije trebale dovesti do neponovljivih učinaka i napuhanih veličina učinaka. Uz pretpostavku da je stvarni učinak oko 0,15 (usporediv s veličinom učinka za komponentu sive tvari, identificirali smo i kompatibilan s rezultatima Marek et al. 2022.), bilo bi potrebno više od 250 ispitanika da se postigne snaga od 80%. Većina prijašnjih studija u području DD-a stoga je bila nedovoljno snažna, što objašnjava nedosljednosti u literaturi spomenute u Odjeljku 1. Imajte na umu da se ovaj zaključak odnosi samo na asocijacije mozak-ponašanje, a ne previše funkcionalne studije mapiranja mozga o DD-u, koje bi trebale zahtijevati manje veličine uzorka za otkrivanje stvarnih učinaka , i stoga nema proturječja između naših rezultata i nalaza iz tih studija.

Nismo uspjeli pronaći povezanost između preferencije trenutnih nagrada i bilo kojeg od WM testova (LSWMT i 2-back). Slično tome, nije bilo povezanosti DD s verbalnim ili neverbalnim EM u HCP podacima. Ovi su rezultati u skladu s nedavnom studijom (Yeh et al. 2021.), koju nadopunjujemo uključivanjem 2-zadatka unazad i strožim statističkim tretmanom za analizu podataka o strukturi mozga. Iako su Shamosh i sur. (2008.) su izvijestili o vezi između nižeg WM-a i sklonosti trenutnim nagradama, ta korelacija nije specifična za WM, budući da prema njihovim podacima ta sposobnost nije objasnila varijancu u DD-u osim one koja se objašnjava općom inteligencijom. Kada se ispravljaju asocijacije samo za dob i spol, DD je bio u značajnoj negativnoj korelaciji s LSWMT, 2-leđnim i verbalnim EM rezultatima (vidi Dodatni materijal), ali ta korelacija više nije bila značajna kada se prilagođavaju varijable socioekonomskog statusa (što bi već trebalo djelomično uzeti u obzir opća kognitivna funkcija). Stoga se naša gornja razmatranja u vezi s lažnim poveznicama zbog neugodnih varijabli i neponovljivih nalaza pri korištenju malih uzoraka također odnose na ove analize.

Ograničenje naše studije je to što naše analize nisu bile unaprijed registrirane, te se stoga prijavljene povezanosti ne mogu smatrati potvrdnim. Unatoč tome, vjerujemo da je važan doprinos ovih rezultata u pružanju preciznijih procjena veličine učinka za odnose između kognitivnih mjera, strukturalne slike i intertemporalnih izbora zbog znatno veće veličine uzorka prethodnih studija. Još jedno ograničenje je niska pouzdanost diskontnih stopa. Parametri zadatka kritizirani su zbog svoje niske pouzdanosti test-retest (Enkavi et al. 2019) i, u povezanoj domeni preferencija rizika, zbog nedostatka dosljednosti među eksperimentalnim paradigmama (Pedroni et al. 2017). Ovi razlozi mogu djelomično objasniti nedostatak povezanosti sa strukturom mozga koje smo pronašli i nisku ponovljivost nalaza u studijama. Ključni put u budućnosti trebao bi biti dizajniranje novih paradigmi za mjerenje DD s poboljšanom pouzdanošću. Mogući put naprijed mogao bi ležati u izvođenju sažetih rezultata kombiniranjem nekoliko parametara zadatka kako bi se postigla veća pouzdanost i korištenjem multivarijatnih metoda za povećanje šanse za pronalaženje asocijacija između mozga i ponašanja (Moutoussis et al. 2021).

Uzimajući u obzir važnost DD-a u proučavanju psihopatologije, temeljno je čvrsto odrediti njegovu temeljnu neurobiološku skelu. Iskorištavanjem velikog skupa neuroslikačkih podataka, ova studija pomaže pomiriti razlike u literaturi o korelatima 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 učinak bio je malen, tako da je malo vjerojatno da će biti otkriven u uzorcima veličine usporedive s onom pronađenom u mnogim srodnim studijama. Sve u svemu, povezanost s kognitivnim sposobnostima i strukturom mozga mogla bi biti slabija nego što prethodna izvješća sugeriraju. Naši rezultati pozivaju na razvoj robusnijih mjera DD i provedbu studija neuroimaginga na većim veličinama uzoraka nego što je to uobičajeno na terenu, kao i odgovarajuću kontrolu za moguće zbunjujuće faktore.

Priznanja

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

Dopunski materijal

Dodatni materijal dostupan je na Cerebral Cortexonline.

Financiranje

Ovaj rad poduprlo je Švedsko istraživačko vijeće (grant broj VR521-2013-2589 MG-M), Nagrada za istraživanje Alexander von Humboldt (LB) i donacija Zaklade AF Jochnick (LB).

Izjava o sukobu interesa: dr. Zeb Kurth-Nelson zaposlen je u DeepMindu. Preostali autori proglašavaju sukob interesa.

Reference

1. Addis DR, Wong AT, Schacter DL. Sjećanje na prošlost i zamišljanje budućnosti: zajednički i različiti neuralni supstrati tijekom konstrukcije 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 smanjenje nagrada kod pacijenata s bipolarnim poremećajem i shizofrenijom. J Abnorm Psychol. 2011:120:911-921.

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

4. Ashburner J, Friston KJ. Morfometrija temeljena na vokselu—Metode. 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: Zadatak-fMRI i individualne razlike u ponašanju. NeuroImage. 2013: 80: 169-189.

For more information:1950477648nn@gmail.com