Zkoumání asociací zpožděného diskontování se strukturou mozku, pracovní pamětí a epizodickou pamětí, část 2

Vztah mezi strukturálními prediktory a DD

Testovali jsme asociace mezi proměnnými zájmu (subkortikální objemy, složky šedé hmoty a bílé hmoty, EM, WM) a DD pomocí lineárních modelů a neparametrických permutačních testů implementovaných v softwaru FSL PALM verze 1.11 (Winkler et al. 2014; Winkler, Webster, et kol. 2016b) běžící na MATLABR2017b.

V posledních letech, se zlepšováním životní úrovně lidí a rostoucím věkem, přitahují problémy s pamětí stále větší pozornost. Někteří lidé však aktivně cvičili svůj mozek, ale stále je trápí problémy s pamětí. V tuto chvíli můžeme zvážit použití neparametrických uspořádání pro zlepšení paměti.

Co je tedy neparametrická permutace? Neparametrické uspořádání je statistická metoda, která uspořádá soubor dat podle určitých pravidel bez číselného srovnání. Ve srovnání s parametrickou permutací má neparametrická permutace širší rozsah aplikací a nevytváří příliš mnoho předpokladů o distribuci a diskrétnosti dat.

A jak využít neparametrické uspořádání ke zlepšení paměti? Za prvé víme, že lidský mozek dokáže analyzovat, zapamatovat si a vybavit si různé informace, jako jsou obrázky, zvuk, text atd., takže můžeme použít neparametrická uspořádání ke zlepšení schopností našeho mozku zpracovávat a pamatovat různé informace.

Některými cvičeními, jako je procvičování paměti a vybavování si barev, čísel, slov a dalších informací a následně neparametrické uspořádání různých informací, se v mozku vytváří pravidelnější struktura, čímž se zlepšuje paměťová schopnost mozku.

Kromě toho mohou být neparametrické permutace použity mimo jiné ke zlepšení mentální flexibility a snížení úzkosti a stresu. Cvičením mozku může mozek pracovat flexibilněji a zdravěji, a tím snížit zbytečné deprese, úzkosti a další negativní emoce a čelit životu a práci pozitivněji.

Stručně řečeno, neparametrické uspořádání je proveditelná a účinná metoda ke zlepšení paměti mozku a flexibility myšlení. Nepřetržitým cvičením a cvičením lze účinně zlepšit paměť a zpracovatelské schopnosti mozku, což nám pomůže čelit životu a pracovat zdravěji a pozitivněji. Je vidět, že potřebujeme zlepšit paměť. Cistanche deserticola může výrazně zlepšit paměť, protože Cistanche deserticola může také regulovat rovnováhu neurotransmiterů, jako je zvýšení hladiny acetylcholinu a růstových faktorů. Tyto látky jsou velmi důležité pro paměť a učení. Kromě toho může maso také zlepšit průtok krve a podporovat dodávku kyslíku, což může zajistit, že mozek dostane dostatek živin a energie, a tím zlepší mozkovou vitalitu a vytrvalost.

Klikněte na možnost poznat způsoby, jak zlepšit funkci mozku

Použili jsme 10,{1}} permutací, modelovali jsme konec permutačního rozdělení P-hodnot s aParetovým rozdělením (Winkler, Ridgway, et al. 2016a) a kontrolou rodinné chybovosti (FWER) pro více testů využívajících rozdělení maximální statistika (Westfalland Young 1993). Datový soubor HCP obsahuje subjekty, které byly odebrány společně se svými sourozenci (většinou jejich dvojčaty), což znamená, že měření nelze považovat za nezávislá.

K testování asociací mezi zájmovými proměnnými při zohlednění rodinné struktury v datovém souboru jsme použili multilevelblock permutační testování (Winkler et al. 2015). Tyto asociace byly opraveny pro lineární a kvadratické výrazy, pohlaví, vzdělání, příjem a složené skóre kognitivních funkcí NIH Toolbox ("CogTotalComp_Unadj"), což je míra obecné inteligence. Byly hlášeny 2-okrajové P-hodnoty pro testované asociace.

Vertexové a voxelové analýzy

Pro srovnání jsme také provedli samostatné univariatevertex-wise (kortikální tloušťka, plocha povrchu) a voxelwise (GMV, FA, MD) analýzy pro testování asociací s DD. Tyto analýzy byly provedeny pomocí neparametrických permutačních testů implementovaných v softwaru PALM společnosti FSL se 2,{2}} permutacemi a bezprahovým clusterenhancementem (Smith a Nichols 2009). Stejně jako v předchozích analýzách jsme modelovali konec permutačního rozdělení P-hodnot s Paretovým rozdělením, aplikovali FWER kontrolu pro více testů pomocí rozdělení maximální statistiky a zohlednili strukturu rodiny pomocí víceúrovňového blokového permutačního testování. Stejně jako výše byly tyto analýzy kontrolovány pro lineární a kvadratické pojmy, pohlaví, vzdělání, příjem a obecnou inteligenci.

Výsledek

Vyloučili jsme subjekty s neúplnými odpověďmi v úkolech DD (3), kteří zvolili buď vždy okamžité nebo zpožděné odpovědi (9), nebo u nichž byla zadní pravděpodobnost pseudo-R2 statistiky (Camerer a Ho 1999) nad nulou pod {{5} }.95, tj. subjekty, pro které model odpovídal odpovědím lépe než náhodný model (166). Tato kritéria vedla k vyloučení 178 subjektů ze vzorku HCP. Tabulka 1 zobrazuje demografické informace o vzorcích a počet platných pozorování pro různé kognitivní úkoly a zobrazovací modality, které byly analyzovány o DD. Subjektivní hodnota odměn byla po měsíci v průměru 79 % jejich nominální hodnoty a po roce 23 %. Rozdíly mezi pohlavími v DD nebyly významné (muž (n=473) > žena (n=545):t=0,27, P=0,80).

Vztah mezi DD a šedou hmotou

Po korekci na lineární a kvadratické věkové členy, pohlaví a celkový intrakraniální objem nebyla diskontní sazba spojena s celkovým kortikálním objemem nebo objemem kterékoli ze zkoumaných subkortikálních struktur. Tabulka 2 zobrazuje statistiky těchto asociací.

Kortikální tloušťka, povrch a GMV mapy byly rozloženy společně s propojeným ICA v 5 0 složkách, přičemž každá z nich definovala prostorovou mapu odrážející oblasti, kde se struktura šedé hmoty mezi účastníky silně lišila, a individuální skóre udávající velikost příspěvku složky . Skóre jedné ze složek šedé hmoty bylo významně negativně spojeno s DD (obr. 2A, r =−0,172, Pcorr < 1e−4, korigováno pro 50 testovaných složek, n ​​= 946).

Ze 3 modalit šedé hmoty měla tato složka největší váhu (62 %) na GMV (obr. 2B) a její největší zatížení bylo v temporalpole a precuneu (obr. 2C a D). Protože ICA trpí znaménkovou neurčitostí, skóre komponenty musí být interpretováno s ohledem na její zatížení (jejichž anatomické rozložení je reprezentováno odpovídající prostorovou mapou), tj. negativní asociace se skóre jedné komponenty odráží (částečnou) negativní korelaci s měřením struktury šedé hmoty. v oblastech, kde jsou hodnoty jeho zatížení kladné. Tyto asociace byly opraveny pro lineární a kvadratické věkové podmínky, pohlaví, vzdělání a příjem.

Při rozkladu dat na 100 komponent byla podobně pouze jedna komponenta významně spojena s DD, což ukazuje vzor velmi podobný vzoru získanému pomocí 50-komponentního rozkladu (obr. 2E–G, r {{3 }} −0,158,Pcorr=5e−4, opraveno pro 100 testovaných komponent, n=946). Jednorozměrná voxelová analýza také odhalila negativní významnou souvislost mezi GMV a DD v bilaterálních oblastech časové šedé hmoty po kontrole lineárních a kvadratických věkových podmínek, pohlaví, vzdělání a příjmu (doplňkový obrázek 2).

Tyto oblasti se těsně shodovaly s prostorovým vzorem pro identifikovanou složku šedé hmoty (obr. 2C a G). Nebyla nalezena žádná kortikální oblast, kde by byla asociace mezi DD a kortikální tloušťkou nebo oblastí signifikantní po korekci FWER pro vícenásobné testy v povrchové vertexové analýze pro tato měření.

Abychom zajistili, že asociace se skóre šedé hmoty byla specifická pro DD a ne pouze odrážela obecnou kognitivní funkci, zopakovali jsme tyto analýzy přidáním míry obecné inteligence k souboru nezájímavých kovariát. Stejná složka byla stále jediná, která byla významně spojena s DD ({{0}}komponenta rozklad: r=−0.145, Pcorr=0.001; { {6}}komponentní rozklad: r=−0,138, Pcorr=0,123) a výsledek jednorozměrné voxelové analýzy zůstal do značné míry nezměněn (doplňkový obrázek 2).

Vztah mezi DD a bílou hmotou

Data FA a MD jsme rozložili společně na 50 komponent. Žádná ze složek nebyla spojena s diskontní sazbou po kontrole pro více testů a kovariací pro lineární a kvadratické věkové podmínky, pohlaví, vzdělání a příjem. Použití 100 komponent nebo dodatečné ovládání pro všeobecnou inteligenci přineslo podobné výsledky. V souladu s tím neexistovala žádná oblast, kde by asociace mezi DD a FA nebo MD byla významná po korekci FWER pro více testů ve voxelové analýze.

Diskuse

Po prozkoumání behaviorálních a neuroimagingových dat od velkého vzorku zdravých dospělých, naše zjištění ukazují, že větší DD předpověděl menší přední temporalGMV. Velikost vzorku datové sady HCP, větší než u většiny předchozích studií spojujících DD a strukturu mozku, nám poskytla schopnost spolehlivě zachytit účinky malého rozsahu. V rozporu s předchozími zprávami jsme však nenašli žádný důkaz spolehlivého spojení mezi DD a kortikálním objemem, subkortikálními objemy, mikrostrukturální organizací bílé hmoty a skóre v úkolech WM nebo EM.

Větší diskontování bylo spojeno s menšími předními časovými oblastmi GMVin. Tento výsledek byl robustní pro změnu počtu propojených komponent ICA a řízení míry obecné inteligence. Owenset al. (2017) analyzovali kortikální objem z T1-vážených skenů v souboru dat HCP a uvedli asociace mezi kortikálním objemem a DD v časových oblastech, které odpovídají oblastem ve složce šedé hmoty identifikovaným naší analýzou.

Očekává se souvislost s anteriortemporální šedou hmotou (jak jsme použili stejný soubor dat), ale naše studie rozšiřuje předchozí tím, že také zkoumá kortikální tloušťku a povrch a GMV pro subkortikální oblasti, stejně jako měření struktury bílé hmoty. Kromě toho, že jsme zahrnuli důkladnější soubor strukturálních opatření, respektovali jsme rodinnou strukturu dat při výpočtu asociací mezi mírami struktury mozku a DD, abychom se vyhnuli zkresleným odhadům, které mohou vyplývat z nesprávného předpokladu nezávislosti pozorování (Winkleret al. 2015).

Provedli jsme také přísnější výběr subjektů, vyjma těch, kteří předváděli příležitost, a rozložili data ve strukturních kovariančních sítích (Pehlivanova et al. 2018), což je metoda, která poskytuje větší citlivost k detekci asociací s DD společným průměrováním (ve váženém způsobem) hodnot strukturních obrazů napříč oblastmi mozku a kombinováním několika modalit pro vytvoření robustnějších odhadů. Důležitou výhodou použití ICA k rozkladu zobrazovacích dat v kovariančních sítích oproti voxelovému přístupu pro analýzu strukturálních dat je skutečně to, že poskytuje skóre, která by měla být méně hlučná než hodnoty založené na voxelu, protože se získávají jako vážený průměr signálu v všechny voxely v mozku, implementuje redukci rozměrů, která může snížit riziko chyb typu II, i když na úkor vágueranatomického vymezení.

anatomické vymezení. Na rozdíl od studie Owense et al. (2017), v naší analýze, vztah mezi kortikálním objemem a DD nedosáhl významnosti. Tato divergence je pravděpodobně výsledkem našich přísnějších analytických voleb (odstranění subjektů reagující náhodně, neparametrické testy zohledňující strukturu datové rodiny, přísnější kontrola zmatků) a naznačuje, že dříve uváděná asociace mezi kortikálním objemem a DD pravděpodobně odpovídá spíše falešnému než arobustní nález. Zdá se pravděpodobné, že asociace DD s mírou globálního kortikálního objemu by měla být zprostředkována proměnnými, které odrážejí obecnější aspekty kognice než DD.

Navzdory velké velikosti vzorku souboru dat HCP jsme nenašli žádné důkazy o významné souvislosti mezi strukturou bílé hmoty a DD. Předchozí studie ukazující traktografické rekonstrukce v menších vzorcích uváděly negativní souvislosti mezi DD a strukturálními měřeními síly konektivity (např. počtem proudnic) ve specifických traktech bílé hmoty k PFC (van den Bos et al. 2015; Hänggi et al. 2016; Hamptonet al. 2017) .

Na rozdíl od těchto studií zkoumajících sílu konektivity jsme analyzovali mapy FA zpracované pomocí TBSS, což je technika, která umožňuje rozsáhlou analýzu oblastí bílé hmoty a je vhodnější pro průzkumnou analýzu rozsáhlých datových souborů kvůli výpočetním a pracovním nákladům spojeným s provádění komplexního traktografického mapování na velkém počtu subjektů. Pokud je nám známo, vzorek v naší analýze je podstatně větší než předchozí studie spojující bílou hmotu s diskontováním. Upozorňujeme však, že nedávná studie využívající TBSS na 302 starších subjektech bez demence (Han et al. 2018) (průměrný věk=81,38 let, SD=7,57 let, 75,5 % ženy) uvedla negativní asociace mezi časovým diskontováním a FA v bilaterálních frontálních, frontostriatálních a temporoparietálních traktech. Nesouhlas s našimi výsledky může reagovat na demografické rozdíly ve vzorcích.

Vzhledem k rozsáhlé povaze jejich asociací mohou jejich nálezy odrážet degenerativní mechanismy související se stárnutím, na rozdíl od omezenějšího vzoru, který by se dal očekávat pro konkrétní opatření, jako je DD. Kromě toho Han a kol. nekontrolovala výši příjmu. Když jsme v naší analýze pouze upravovali krmivo a pohlaví, identifikovali jsme další složky šedé a bílé hmoty, které měly skóre významně korelující s diskontními sazbami (viz doplňkový materiál). Zatímco velké vzorky jsou schopny detekovat menší efekty, existuje také vyšší riziko detekce asociací pouze produkovaných matoucími proměnnými, což činí klíčem k úpravě pro příslušné kovariáty.

Nedávná práce (Marek et al. 2022) zdůraznila důležitost použití velkých vzorků ve studiích asociace mozku a chování v celém mozku a ukázala, že typické velikosti vzorků pro tyto studie by měly vést k nereprodukovatelným účinkům a nafouknutým velikostem účinků. Za předpokladu, že skutečný účinek je přibližně 0,15 (srovnatelný s velikostí účinku pro složku šedé hmoty, kterou jsme identifikovali a kompatibilní s výsledky od Marka et al. 2022), by bylo zapotřebí více než 250 subjektů k dosažení síly 80 %. Většina předchozích studií v oblasti DD tak byla podhodnocena, což vysvětluje nesrovnalosti v literatuře uvedené v části 1. Vezměte prosím na vědomí, že tento závěr se vztahuje pouze na asociace mozku a chování a ne příliš funkční studie mapování mozku na DD, které by měly vyžadovat menší velikosti vzorků k detekci skutečných účinků. , a proto neexistuje žádný rozpor mezi našimi výsledky a zjištěními z těchto studií.

Nenašli jsme spojitost mezi preferencí okamžitých odměn a žádným z testů WM (LSWMT a 2-zpět). Podobně v datech HCP nebyla žádná asociace DD s verbálním ani neverbálním EM. Tyto výsledky jsou v souladu s nedávnou studií (Yeh et al. 2021), kterou doplňujeme o 2-zpětný úkol a přísnější statistické zpracování pro analýzu dat o struktuře mozku. Ačkoli Shamosh a kol. (2008) uvedli souvislost mezi nižší WMan a preferencí okamžitých odměn, tato korelace nebyla specifická pro WM, protože v jejich datech tato schopnost nevysvětlovala rozptyl v DD nad rámec toho, co vysvětluje obecná inteligence. Při opravě asociací pouze pro věk a pohlaví byla DD významně negativně korelována s LSWMT, 2-zpětným a verbálním EM skóre (viz doplňkový materiál), ale tato korelace již nebyla významná při úpravě proměnných socioekonomického stavu (které by již měly částečně zohledňovat obecné kognitivní funkce). Naše výše uvedené úvahy týkající se falešných asociací v důsledku obtěžujících proměnných a nereprodukovatelných zjištění při použití malých vzorků platí i pro tyto analýzy.

Omezením naší studie je, že naše analýzy nebyly předregistrovány, a proto nelze nahlášené souvislosti považovat za potvrzující. Domníváme se však, že důležitým přínosem těchto výsledků je poskytování přesnějších odhadů efektů pro vztahy mezi kognitivními měřítky, strukturálním zobrazováním a intertemporálními volbami kvůli podstatně většímu vzorku předchozích studií. Dalším omezením je nízká spolehlivost diskontních sazeb. Parametry úkolu byly kritizovány pro jejich nízkou spolehlivost test-retest (Enkavi et al. 2019) a v související doméně rizikových preferencí pro nedostatek konzistence napříč experimentálními paradigmaty (Pedroni et al. 2017). Tyto důvody mohou částečně vysvětlit nedostatek asociací se strukturou mozku, které jsme našli, a nízkou reprodukovatelnost zjištění napříč studiemi. Rozhodující budoucí cesta by pak měla být navržení nových paradigmat pro měření DD se zlepšenou spolehlivostí. Možný postup může spočívat v odvození souhrnných skóre kombinujících několik parametrů úkolu k dosažení vyšší spolehlivosti a použití vícerozměrných metod ke zvýšení šancí na nalezení asociací mozek a chování (Moutoussis et al. 2021).

Vzhledem k důležitosti DD při studiu psychopatologie je zásadní důkladně určit její základní neurobiologické lešení. Využitím velkého souboru neuroimagingových dat tato studie pomáhá sladit rozdíly v literatuře o korelátech šedé a bílé hmoty DD. Tento behaviorální rys byl negativně spojen s GMV v předních temporálních oblastech a důležité je, že identifikovaný strukturální účinek byl malý, takže by bylo nepravděpodobné, že by byl detekován ve vzorcích o velikosti srovnatelné s tou zjištěnou v mnoha souvisejících studiích. Celkově vzato mohou být asociace s kognitivními schopnostmi a strukturou mozku slabší, než naznačují předchozí zprávy. Naše výsledky volají po vývoji robustnějších měření DD a implementaci neurozobrazovacích studií větších velikostí vzorků, než jaké bylo v této oblasti běžné, a také po vhodné kontrole možných zmatků.

Poděkování

Děkujeme Matsi Eriksonovi a Kajse Burström za sběr dat. Jsme vděční za datovou sadu s otevřeným přístupem, kterou poskytuje Human Connectome Project, WU-MinnConsortium (hlavní řešitelé: David Van Essen a Kamil Ugurbil; 1U54MH091657).

Doplňkový materiál

Doplňkový materiál je k dispozici na Cerebral Cortexonline.

Financování

Tato práce byla podpořena švédskou výzkumnou radou (číslo grantu VR{0}} pro MG-M), cenou Alexandra von Humboldta za výzkum (LB) a darem Nadace AF Jochnicka (LB).

Prohlášení o střetu zájmů: Dr. Zeb Kurth-Nelson je zaměstnán v DeepMind. Zbývající autoři neuvádějí žádný střet zájmů.

Reference

1. Addis DR, Wong AT, Schacter DL. Pamatování na minulost a představování si budoucnosti: běžné a odlišné neurální substráty během konstrukce a zpracování události. Neuropsychologie. 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. Dočasné diskontování odměn u pacientů s bipolární poruchou a schizofrenií. J Abnorm Psychol. 2011:120:911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Strmé diskontování zpoždění a návykové chování: metaanalýza spojitých asociací. Závislost. 2017:112:51–62.

4. Ashburner J, Friston KJ. Morfometrie založená na voxelu — Metody. 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 a kol. Funkce v lidském konektomu: Task-fMRI a individuální rozdíly v chování. NeuroImage. 2013:80:169–189.

For more information:1950477648nn@gmail.com