Furman-2021-Rozšíření frontálního dopaminového tónu E.pdf, část 2

Důležité je, že kontextově první (CF) a kontextově poslední (CL) studie, bez ohledu na to, zda jsou selektivní nebo globální, se nerozlišují jinými faktory, jako je konflikt během výběru odpovědi.

Období výběru reakce se týká času na přemýšlení a rozhodování, který potřebujeme, když čelíme různým volbám. Paměť je schopnost našeho mozku ukládat a získávat informace z minulých zkušeností a učení. Nemusí se zdát, že tyto dva spolu příliš souvisí, ale úzce spolu souvisí.

Zaprvé, zda je doba výběru odpovědi krátká nebo dlouhá, často závisí na naší odbornosti v úkolu a na množství znalostí, které máme. Když se blíže seznámíme s určitou úlohou, zjistíme, že doba výběru odpovědi při provádění této úlohy je kratší. Je to proto, že náš mozek již ukládá relevantní informace do dlouhodobé paměti a dokáže tyto informace rychle získat a použít. Naopak, když čelíme něčemu novému a neznámému, potřebujeme delší čas na přemýšlení, abychom se rozhodli, protože potřebujeme opakovaně zvažovat a porovnávat v krátkodobé paměti. To má vliv i na naši paměť, protože potřebujeme ukládat nové informace do krátkodobé paměti a následně je převádět na dlouhodobou paměť, což může trvat déle a více energie.

Za druhé, když tvrdě pracujeme na zlepšení naší paměti, nepřímo to také ovlivňuje dobu výběru odpovědi. Když například aktivně zvyšujeme své základní znalosti a paměťové schopnosti čtením knih, navštěvováním kurzů a prováděním tréninku paměti, zjistíme, že když čelíme novým úkolům, doba výběru odpovědi je kratší, protože můžeme rychleji získat relevantní informace z dlouhodobá paměť. To také posiluje naši důvěru a zlepšuje naši schopnost ovládat naše kognitivní a emocionální stavy.

Stručně řečeno, existuje úzký vztah mezi periodou výběru odpovědi a pamětí. I když nám může trvat déle, než se rozhodneme, když čelíme novým věcem, prací na zlepšení naší paměti můžeme zlepšit naši kognitivní účinnost a přesnost, což nám usnadní dělat správná rozhodnutí. Vyzýváme proto každého, aby se aktivně učil, zůstal zvědavý a dále zkoumal, což nám pomůže zlepšit dobu výběru odpovědí a paměť, díky čemuž se staneme lepší verzí nás samých. Je vidět, že potřebujeme zlepšit paměť a Cistanche deserticola může výrazně zlepšit paměť, protože Cistanche deserticola má antioxidační, protizánětlivé a anti-aging účinky, které mohou pomoci snížit oxidační a zánětlivé reakce v mozku, a tím chránit zdraví nervového systému. Kromě toho může Cistanche deserticola také podporovat růst a opravu nervových buněk, čímž zlepšuje konektivitu a funkci neuronových sítí. Tyto účinky mohou pomoci zlepšit paměť, rychlost učení a myšlení a mohou také zabránit rozvoji kognitivní dysfunkce a neurodegenerativních onemocnění.

Kliknutím na možnost Know zlepšíte krátkodobou paměť

Například podmínky CF-G a CL-G zahrnují správnou odpověď, která obsahuje symbol a písmeno prezentované během zkoušky. Navíc, jak již bylo zmíněno dříve, některé globální studie obsahují stejnou položku v cílové i fóliové odpovědi, aby se zajistilo, že se subjekty nemohou jednoduše soustředit na jednu, spíše než na obě položky. Analýza chování.

V souladu s předchozími studiemi (Chatham & Badre, 2013; Chatham et al., 2014) jsme se zaměřili především na dobu odezvy (RT), spíše než na přesnost. Přesnost jako binární (správné/špatné) měřítko výsledku je relativně necitlivá na změny v efektivitě úkolu. Zatímco skutečné poruchy údržby a hradlování by se mohly odrazit ve změnách přesnosti, neefektivita by nikoli; místo toho by se reakce jednoduše zpomalily.

Abychom se vypořádali s hypotézou, že tolkapon by měl přednostně snížit počet neefektivních studií, i když podíl nakonec správných studií zůstane nezměněn, použili jsme měřítko citlivé na distribuci odpovědí mezi studiemi, a zejména na počet neefektivních (dlouhé RT) odpovědí. . Je třeba poznamenat, že zatímco RT odráží kombinaci faktorů, včetně časného vizuálního zpracování a motorické přípravy, požadavky na včasné vizuální zpracování jsou v rámci úkolu shodné a naše předchozí práce potvrdila, že tolkapon významně nezrychluje motorické reakce (Furman a kol., 2020; Kayser a kol. Kayser et al., 2015).

Časné požadavky na vizuální zpracování a motorickou přípravu by tedy neměly rozlišovat podmínky úkolu na základě měření souvisejících s RT. Všechna behaviorální data byla před analýzou předzpracována. Protože se primární pozornost soustředila na reakční časy, data, která ovlivnila stabilní měření RT, byla odstraněna. Jak bylo uvedeno dříve, 3 z 11 vyloučených subjektů byli vyřazeni, protože ve všech studiích neodpovídali s větší než náhodnou přesností.

U každého ze 49 zadržených subjektů bylo ze všech analýz odstraněno prvních 10 pokusů každého sezení; kromě toho byly z analýzy RT vyloučeny všechny nesprávné studie a jakékoli studie s RT vyššími než 5 standardních odchylek mimo průměrnou RT pro daný subjekt (Chatham & Badre, 2013; Chatham et al., 2014). Tato odlehlá prahová hodnota byla zvolena tak, aby vyvážila dvě obavy: touhu vyhnout se cenzuře neefektivních RT, ale také cíl vyhnout se velmi dlouhým RT, které by byly zkresleny faktory nesouvisejícími s úkolem (např. kvůli selhání při sledování obrazovky počítače).

U všech subjektů byla odstraněna pouze 1 studie, protože nespadala do požadovaného rozsahu RT. K řešení změn v průměrné RT souvisejících s tolkaponem byl použit model lineárních smíšených účinků. Model byl dodatečně zkonstruován pro testování účinků souvisejících s tolkaponem na distribuci RT (viz níže) pro každou podmínku úkolu (Chatham et al., 2014), protože měření průměrné RT neřeší potenciálně jemnější změny v distribuci RT napříč experimentálními manipulacemi. . Koncepčně se změny v účinnosti údržby nebo hradlování nemusí projevit ve zkouškách, pro které jsou tyto procesy již optimalizovány.

Zkoušky s velmi rychlými RT mohou například odrážet silné procesy údržby a hradlování, pro které může mít jakákoliv manipulace jen malý pozorovatelný prospěšný účinek. Naproti tomu studie s velmi pomalými RT mohou odrážet neefektivní procesy údržby a hradlování, které by se s lékem mohly zlepšit. Podobně iftolkapon zhoršil účinnost hradlování nebo udržování, tyto účinky mohou být nejvíce viditelné na rychlém konci distribuce RT.

Abychom změřili jakékoli takové účinky, zvolili jsme přístup, který se dříve používal u tohoto úkolu (Chatham et al., 2014), abychom rozdělili data RT pro každého účastníka a podmínku do 10 decilů, seřazených podle RT od nejrychlejšího po nejpomalejší, a použili jsme průměrné hodnoty RT na decil jako závislá proměnná v naší analýze. Tento přístup dovoloval vyhodnotit s lékem související změny ve sklonu napříč decily ("RT sklon"), stejně jako střední změnu v RT.

V modelu faktory zahrnovaly lék (tolkapon nebo placebo; kódovaná léčba), stav úkolu (CF-S, CF-G, CL-S nebo CL-G; kódovaný součtem) a decil (1-10; pořadové číslo) , stejně jako všechny interakce. Aby se zohlednil potenciální nelineární účinek tolkaponu na distribuci RT, byla zahrnuta srovnatelná sada interakčních podmínek pro decile2 ("decil squared"). Nakonec byly jako kontrolní opatření zahrnuty interakce s pořadím drogové relace (droga jako první nebo droga jako poslední; suma kódovaná). Zpočátku byla vytvořena struktura maximálních náhodných efektů, aby se minimalizovaly chyby typu I (Barr, Levy, Scheepers, & Tily, 2013).

Náhodné účinky zahrnovaly zachycení subjektu, stejně jako sklony léku, stav úkolu a decil/decil2 a jejich interakce a korelaci mezi náhodnými sklony a zachycením subjektu. Tento model se nepodařilo konvergovat; tak, v souladu s protokolem uvedeným v (Bates, Kliegl, Vasishth, & Baayen, 2015), byla přesunuta korelace mezi náhodnými sklony a průniky. F-testy byly vypočítány pro fixní efekty pomocí Satterthwaiteovy metody pro aproximaci stupňů volnosti. Analýzy byly provedeny pomocí knihoven „lme4“ (Bates et al., 2015) a „afex“ (Singmann et al., 2018) v R (R Core Team, 2017).

Odhad mezních průměrů a trendů, stejně jako následné z-testy, byly provedeny pomocí balíčku „průměrů“ (Lenth, 2018). Pro úplnost byla analyzována i zkušební přesnost.

Binomický zobecněný model smíšených účinků zahrnoval fixní faktory lék, stav úkolu a jejich interakci. Po vypuštění pojmů, aby se umožnila konvergence a zabránilo se singulárnímu přizpůsobení, konečná struktura náhodných efektů zahrnovala náhodné úseky pro subjekt a náhodné sklony léku v subjektu. K určení významnosti termínů pevných efektů byly použity testy poměru pravděpodobnosti.

Parametry MRI. MRI skenování bylo provedeno na Siemens MAGNETOM Trio 3T MR Scannerat Henry H. Wheeler, Jr. Brain Imaging Center na University of California, Berkeley.

Anatomické snímky se skládaly z 160 řezů pořízených pomocí T1-váženého protokolu MP-RAGE (TR= 2300 ms, TE=2,98 ms, FOV=256 mm, velikost matice=256 x 256, velikost voxelu=1 mm3). Funkční snímky v klidovém stavu byly získány, když subjekty tiše ležely s otevřenýma očima, a skládaly se z 35 řezů získaných pomocí gradientového echoplanárního zobrazovacího protokolu (TR=1900 ms, TE =24 ms, FOV=225 mm, velikost matice=96 x 96, velikost voxelu=3.0 mm x 3,0 mm x 3,5 mm). Předzpracování fMRI. Předzpracování fMRI bylo provedeno pomocí softwarových balíků AFNI (http://afni.nimh.nih.gov) a FSL (http://www.fmrib.ox.ac.uk/fsl/). Funkční obrazy v klidovém stavu byly převedeny do formátu 4D NIFTI a opraveny na časové posuny řezu.
Korekce pohybu byla provedena pomocí programu AFNI 3dvolreg, s referenčním objemem nastaveným na střední snímek. Souběžná registrace s anatomickým skenem byla provedena pomocí programu AFNI 3dAllineate a anatomické snímky byly nejprve normalizovány na standardní objem (MNI_N27) pomocí programu FSL. Stejné normalizační parametry byly později aplikovány na statistické mapy nativního prostoru pro generování skupinových statistických map.

Analýza konektivity v klidovém stavu. Data v klidovém stavu byla vyhlazena 5mm FWHMGaussian kernel před dočasným pásmovým filtrem mezi 0.009 Hz a 0,08 Hz, aby se snížil vliv srdečních a respiračních artefaktů (Fox et al., 2005). Parametry pohybu a bílá hmota a komorová časová řada, ale nikoli globální průměrný signál, byly zahrnuty jako regresory, které nebyly během předběžného zpracování zajímavé, nezávisle na následných analýzách konektivity. Poté byly vybrány oblasti zájmu (ROI) v rámci laterálního prefrontálního kortexu na základě (a) jejich zvýšené aktivity a ústřední role v tomto a souvisejících úkolech (Badre, Kayser, & D'Esposito, 2010; Chatham et al., 2014), a (b) hypotézu, že na tolkaponu by tyto oblasti, zvláště ty, které jsou více blízko motorické odpovědi, vykazovaly zvýšenou konektivitu s vizuálními oblastmi v zadní kůře.

Konkrétně byly tyto oblasti umístěny v levé a pravé dorzální premotorické kůře (PMd, s MNI, souřadnice ±30, -12, 66) a levé a pravé pre-premotorické kůře (pPMd, s MNI, souřadnice ±36, 8, 34) (Badre a kol., 2010; Chatham a kol., 2014).

Každá oblast zájmu byla definována sadou souřadnic MNI, které tvořily střed koule s poloměrem 8 mm. Časové průběhy definované průměrováním napříč voxely v každé z těchto oblastí byly poté korelovány odděleně se všemi ostatními voxely v mozku a korelační koeficienty byly Fisherově transformovány, aby bylo možné použít parametrické statistické testy.

Výsledné individuální mozkové mapy byly před aplikací skupinové statistiky normalizovány na šablonu MNI. Abychom prozkoumali vztah mezi účinky drog na behaviorální výkonnost a změnami funkční konektivity souvisejícími s drogami, nejprve jsme vypočítali rozdíl mezi mapami konektivity placeba a tolkaponu pro každého účastníka a oblast semene a poté jsme vypočítali korelaci mezi těmito mapami rozdílů a proměnnými náhodného účinku odpovídajícími subjektu. – co se týče decilového účinku léku („celkový sklon RT“) a léku x decilu x CF-G ×efektu (vypočteno jako aditivní účinek „decilu léku“ a „decilu léku x CF-G“; × ×dále jen „ Sklon RT pro podmínku CF-G") odhadnutý v našem behaviorálním modelu (viz Behaviorální analýza).

Významnost z hlediska mapy (p < 0.001, opraveno pro vícenásobná srovnání) byla stanovena aplikací korekce velikosti clusteru (20 voxelů) odvozené z programů AFNI 3dFWHMx a 3dClustSim na data původně prahovaná na hodnota p < 0,0001, nekorigovaná.

Výsledky: 49 subjektů dokončilo úkol s hierarchickou pracovní pamětí, ve kterém byli povinni používat kontextové podněty označené čísly, aby si vybavili symboly a/nebo písmena po celou dobu trvání pokusu (obrázek 1A-E). V souladu s předchozí prací (Chatham et al., 2014) byly hodnoceny čtyři podmínky úkolu: nejprve kontext, selektivní (CF-S); kontext první, globální (CF-G); kontextuální, selektivní (CL-S); a kontext poslední, globální (CL-G).

Je pozoruhodné, že každá z těchto podmínek klade rozdílné strategické požadavky na vstupní hradlování, výstupní hradlování a údržbu (Metody a obrázek 1F). Pro tyto podmínky jsme hodnotili jak střední hodnoty RT, tak i změnu v distribuci RT napříč deseti uspořádanými decily pro každou podmínku úlohy (Chatham et al., 2014). Tato hodnota „směrnice RT“ lépe odráží rozložení reakčních časů pro každou podmínku. Konkrétně, na rozdíl od střední RT nebo přesnosti, řeší možnost, že zvýšení kortikálního dopaminového tonu nemusí zlepšit údržbu ve všech studiích, ale místo toho může přednostně zlepšit neefektivní údržbu nebo narušit efektivní údržbu napříč podtypy zkoušek (viz Metody).

I když se přesnost lišila podle stavu úkolu (2(3)=174.23, str<0.0001), there was no significant effect of drug (  2 (1)=0.03, p=0.87), nor interaction of drug and condition (  2 (3)=1.83, p=0.61), on task accuracy (see Table 1). Our analysis of RT revealed a significant main effect of task condition on RT (F[3,114.79]=420.87, p < 0.0001), consistent with previous work using this paradigm (Chatham et al., 2014). Interactions of condition x decile (F[3,80.1]=26.19, p < 0.0001) and of condition x decile 2 (F[3,57.87]=17.07, p < 0.0001), and the hypothesized 3-way interactions of condition x decile x drug (F[3,59.65]=3.50, p = 0.02), and of condition x decile 2 x drug (F[3,83.22]=3.05, p = 0.03) were also identified (see Table 1). 

Je třeba poznamenat, že tyto {{0}}způsobové interakce přetrvávaly navzdory 4-způsobu interakce stav x decil x lék x pořadí relace (F[3,59,65]=2.96, p{ {7}}.04 srovnatelný výraz „stav x decile2 x lék x pořadí návštěvy“ nebyl významný, F[3,83.22]=1.59, p=0.2; ). Nebyl žádný jednoduchý účinek léku na RT(F[1,49,68]=0.03, p=0.86) a interakce léku x decil (F[1, 47.36]=0.34, p=0.56), drugx decile2 (F[1,63.41]=1.36, p=0.25) a lék x stav (F[3,76.84]=0.76, p=0.52) byly zcela nevýznamné. Jak se očekávalo, jednoduché účinky decilu (F[1,58,43]=1078,76, p < 0,0001) a decilu2 (F[1,44,22]=485,78, p < 0,0001) byly významné, ale tyto účinky jsou přímým důsledkem návrhu analýzy a nebyly dále zkoumány.

Odhadované mezní průměry pro stav a trendy specifické pro daný stav napříč decilem a decilem2 pro relace placeba i tolkaponu jsou uvedeny v tabulce 1. Následné z-testy určily, že 3-způsob interakce, který nás zajímá (lék x stav x decil) byl způsoben, alespoň částečně, významným účinkem tolkaponu (vs. placebo) na sklon RT pro studie CF-G (odhad trendu=-6.2, SE= 2.7, z { {11}}.3, p=0.02).

Tento účinek na sklon RT byl také zřejmý ve stavu CF-G v datech (obrázek 2B) a v souladu s naší hypotézou, že účinek tolkaponu by měl být nejzřetelnější, když jsou nároky na údržbu vysoké a požadavky na (výstupní) hradlování nízké (obrázek 1F ).

Navíc, protože optimalizované behaviorální reakce by měly mít kratší RT, je toto snížení sklonu RT v souladu s hypotézou, že tolkapon by měl zlepšit efektivitu procesů údržby tak, že by se měl snížit podíl pokusů s delšími RT.

For more information:1950477648nn@gmail.com