Část 2: Funkční propojení mezi paměťovými a odměnovými centry napříč úkoly a odpočinkem Sledujte citlivost paměti na odměnu
Mar 17, 2022
pro více information:ali.ma@wecistanche.com
Analýza z odchylka přístup
Testování, zda vzory připojení souvisejí spaměťcitlivost na odměnu a zda je tento vztah stabilní napříč fázemi úkolů, byly hodnoty konektivity předloženy dvěma opakovaným opatřením ANOVA. První ANOVA zahrnovala pouze klidová data (pre-encoding, post-encoding), podobně jako předchozí práce na konektivitě klidového stavu (Gruber et al., 2016). Druhá ANOVA zahrnovala všechny tři fáze úloh (odpočinek před kódováním, úloha kódování, odpočinek po kódování) s časovými řadami odpočinku filtrovaným dolním průchodem pro porovnání s časovými řadami úloh. Kromě fáze úkolu jako faktoru v rámci subjektu zahrnovaly obě ANOVA taképaměťstruktura (hipokampus, PHC) a struktura odměn (ACC, midbrain, MPFC, OFC, VS) jako faktory uvnitř subjektu a stav modulátoru (modulátor, nemodulátor) jako faktor mezi subjekty.
Klikněte naCistanche NZ pro paměť
Následující účinky byly relevantní pro naše otázky zájmu: (1) hlavní účinek a interakce stavu modulátoru, testování, zda vzorce konektivity souvisejí s individuálními rozdíly vpaměťcitlivost na odměnu; (2) hlavní účinek a interakce faktoru fáze úkolu, testování myšlenky, že vzorce konektivity mohou být relativně stabilní napříč úkolem a odpočinkem, jakož i sledování individuálních rozdílů vpaměťcitlivost na odměnu; (3) interakce faktoru oblasti odměny se statusem modulátoru, testování, zda všechny regiony odměn přispívají podobně nebo rozdílně. Za zmínku stojí, že hlavní účinek regionu odměny a hlavní účinekpaměťregion nebyl zajímavý, protože celková hodnota funkční konektivity může záviset na fyzické vzdálenosti mezi regiony a velikosti regionu a nemusí být snadno interpretovatelná (Honey et al., 2009; Salvador a kol., 2005). Když byla nalezena interakce, následovalo zkoumání místa interakce. Zatímco zpráva se zaměřuje na účinky zájmu, úplné výsledky ANOVA jsou uvedeny v tabulkách. V případě potřeby byly použity korekce skleníkového Geisseru, které jsou v tabulkách uvedeny jako "GG". Abychom ověřili, že naše zjištění nebyla motivována léčboupaměťcitlivost na odměnu jako binární proměnnou, znovu jsme testovali významné účinky zájmu z obou ANOVA pomocí ANCOVA, s nepřetržitým měřením modulace odměny chování jako kovariáty.
Funkční vztahy mezi konexe
Pozorování srovnatelných nebo diferenciálních efektů modulátoru napříč více návratností investic do odměn v ANOVA poskytuje jednu indikaci pro jedinečné nebo jednotné příspěvky oblastí odměn k modulaci odměnpaměť. Abychom mohli příměji otestovat, zda jsou regiony odměn součástí stejné funkční sítě, dále jsme zkoumali jejich křížovou korelační strukturu. Provedli jsme dvě hlavní analýzy komponent: jednu na hodnotách konektivity pouze pro odpočinek (žádný low-pass filtr pro udržení informací o kolísání vysokých frekvencí) a jednu, která zahrnovala všechny hodnoty konektivity napříč úkoly a odpočinky (pomocí low-pass filtrovaných časových řad pro srovnatelný úkol a předběžné zpracování odpočinku). Komponenty byly zvažovány pro další analýzu, když vysvětlovaly alespoň 10% rozptylu. Pro každou uvažovanou komponentu jsme dále testovali pravděpodobnost náhodného získání takové komponenty pomocí srovnání s nulovým rozdělením komponent. Abychom získali nulové rozdělení, provedli jsme 10 000 simulovaných analýz hlavních komponent na datech získaných náhodným mícháním hodnot konektivity mezi účastníky, zvlášť pro každé připojení. Procento rozptylu vysvětleného každou složkou (první nejvíce informativní, druhé nejvíce informativní atd.) bylo poté porovnáno s procentem vysvětlení nulového rozdělení. Stejné výsledky by byly získány testováním vlastních čísel.
Zatížení každé komponenty bylo porovnáno pro pět návratnosti investic odměn pomocí jednosměrné ANOVA a skóre komponent bylo poté vztaženo k modulaci odměn chování pomocí vícenásobné regrese. Použití redukce dimenzionality před vícenásobnou regresí nám umožnilo otestovat, jak základní komponenty nebo potenciální sítě regionů přispěly ke vztahu mezi konektivitou a chováním, přičemž jsme vzali v úvahu kolinearitu mezi hodnotami konektivity a omezili způsobem založeným na datech počet uvažovaných prediktorů.
Připojení vzor klasifikace
Zatímco tradiční inferenční testy, jako je analýza rozptylu, testují pravděpodobnost, že pozorované rozdíly mezi skupinami vznikly pouze náhodou, klasifikační přístupy strojového učení nám umožňují kvantifikovat příměji, jak dobře mohou být účastníci odlišeni od sebe na základě jejich vzorce konektivity. Použili jsme Support Vector Classification (SVC) k otestování míry, do jaké mohou být účastníci klasifikováni jako modulátory nebo nemodulátory na základě jejich vzoru konektivity napříč deseti připojeními ROI (2paměťROIs × 5 ROI odměn).
SVC byl implementován pomocí balíčku statistické analýzy "e1071" (Meyer, Dimitriadou, Hornik, Weingessel, & Leisch, 2017) a proveden samostatně v rámci každé fáze úkolu. Byly použity výchozí parametry pro nu-klasifikaci (C = 1, ε = 0,1, γ = 0,1, bez ladění) s jádrem radiální bázové funkce. Použili jsme přístup křížové validace leave-one-subject-out, trénovali jsme model na předmětech N-1 a poté jsme použili vyškolený klasifikátor k předpovědi stavu modulátoru zadrženého subjektu. Proces se opakoval, protože každý předmět byl postupně vyřazen z tréninkové sady a použit k testování modelu. Přesnost modelu byla zaznamenána jako procento správných klasifikací. K testování významnosti byl použit permutační test. Provedli jsme 5 000 simulací, pokaždé jsme náhodně zamíchali popisky stavu modulátoru napříč účastníky a poté vypočítali stejnou křížově ověřenou přesnost klasifikace jako u skutečných dat. Skutečná přesnost klasifikátoru byla porovnána s rozdělením simulovaných přesností klasifikace, aby se odvodila pravděpodobnost získání takové přesnosti pouze náhodou. Přesnost, ke které došlo s pravděpodobností menší nežp= 0,017 byla považována za významnou, což odráží Bonferroniho korekci ve třech fázích úloh pro celkovou alfa = 0,05.
Aby se ověřilo, že výsledky nebyly řízeny mediánovým rozděleným přístupem, byla použita regrese vektoru podpory (SVR) k předpovědi kontinuálních měření modulace odměn chování (skóre BRM) pro každého účastníka z konektivity měřené v každé fázi úkolu. Stejný statistický balíček, výchozí parametry a vynechání jednoho subjektu z křížového ověřování
přístup byl použit pro SVR stejně jako pro SVC. Předpokládané hodnoty BRM pro každý subjekt pak korelovaly s pozorovanými hodnotami BRM, aby bylo možné posoudit, zda jednotlivec
rozdíly ve vzorcích připojení obsahují informace o individuálních rozdílech v modulaci odměňování v chovánípaměť. Pro tři korelace jsme použili Bonferroniho korekce (alfa = 0,05/3 = 0,017).
Komplementární Připojení analýzy
Kromě hlavních zajímavých otázek poskytuje současná studie údaje vhodné k řešení otázek z předchozích studií o modulaci odměnpaměť. Provedli jsme dvě sady průzkumných analýz, které udržují zaměření na konektivitu a mohou být pro čtenáře informativní, i když se přímo nezabývají hlavními cíli studie.
Korelace mezi Připojení změny a chování—The ANOVA, PCA,
a přístupy strojového učení jsou vhodné pro testování role širokého souboru oblastí odměn a hypotézy otisků prstů konektivity, zejména pro větší soubor souvisejících připojení, která jsou zde zvažována. Naproti tomu předchozí studie o modulaci odměnpaměťse obvykle zaměřují na jednotlivá připojení a účinky související s učením a hlásí korelace prvního řádu týkající se zvýšení konektivity kódování před až po. Zatímco nepřiměřená role post-kódovacího odpočinku by mohla být indikována významným modulátorem interakce podle fáze úlohy v naší ANOVA, chtěli jsme také generovat data přímo srovnatelná s předchozími studiemi. Proto jsme dodatečně vypočítali změny připojení před odesláním pro každé připojení a korelovali je s BRM. Protože zvýšená dostupnost dopaminu v mediálním temporálním laloku může obecně zlepšit kódování (Duncan et al., 2014; Lisman et al., 2011), jsme také korelovali hodnoty konektivity s celkovou mírou stažení pro každého účastníka.
Přední a zadní rozdíly vtenhipokampus—Předchozí práce navrhuje
existují funkční rozdíly mezi přední a zadní částí hipokampu (Brunec et al., 2018; McKenzie a kol., 2014; Poppenk, Evensmoen, Moscovitch, & Nadel, 2013). V kontextu učení motivovaného odměnou však důkazy o rozdílných příspěvcích předního a zadního hipokampu chybí nebo jsou v rozporu (Murty et al., 2017; Wolosin et al., 2013). Provedli jsme průzkumné analýzy vzorců přední/zadní hipokampální konektivity, abychom otestovali, zda jejich vzorce konektivity nebo změny konektivity jsou odlišně spojeny s chováním v našem paradigmatu.
Střední řez roI hipokampu každého účastníka byl použit jako hranice pro přední a zadní dělení. Pro účastníky, kteří měli lichý počet řezů v jejich hipokampu ROI, byl střední řez přiřazen zadní části. Návratnost investic byla poté použita k extrahování časových řad během každého odpočinku a kontroly úloh. Propojení mezi předním a zadním hipokampem s každou oblastí odměny bylo měřeno pomocí výše uvedených postupů. Funkční rozdíly mezi předním a zadním hipokampem byly testovány pomocí opakovaných měření ANOVA s hipokampální ROI (přední, zadní) × fázi úlohy (pre-kódování, kódování, post-kódování) × odměnou ROI (ACC, midbrain, MPFC, OFC, VS) jako faktory uvnitř subjektu a stav modulátoru jako faktor mezi subjekty. Hlavním zájmem byla interakce mezi návratností investic do hipokampu a stavem modulátoru, která testovala, zda přední a zadní hipokampus diferencovaně souvisí s
modulace odměnpaměť.
Výsledky
Behaviorální výsledky
Průměrný celkový výkon cued recall byl 0,48 (SD= 0,19). Opakovaná měření 2 (vizuální forma tága odměny) × 3 (hodnota tága odměny) ANOVA odhalila nepatrně významný vliv hodnoty odměny (F(1,18,27,03) = 3,86,p= 0.054, η2p= 0,14, GG), s významnou kvadratikou (F(1,23) = 9,93,p= 0.004, η2p= 0,30) spíše než lineární efekt (F(1,23) = 1,97,p= 0,174). Následná párová srovnání odhalila, že kvadratický efekt byl způsoben větším stažením z dolarových pokusů (M= 0,53,SD= 0,20;t(23) = 2,41,p= 0,024) a neočekávaně penny pokusy (M= 0,47,SD= 0,22;t(23) = 2,45,p= 0,022) ve srovnání s desetníkovými pokusy (M= 0,44,SD= 0,22). Rozdíl mezi dolarovými a penny pokusy nedosáhl významu (t(23) = 1,40,p= 0,174). Vizuální forma neměla žádný hlavní účinek (F(1,23) = 0,04,p= 0.840, η2p= 0,002) ani interakce mezi tvarem a hodnotou (F(2,46) = 1,66,p= 0.202, η2p= 0,07). Přesnost tak byla sbalena napříč vizuální formou a použita pro všechny následné analýzy. Sazby Cued recall pro každou hodnotu odměny a podmínku formuláře jsou uvedeny na obr. 3a.
Samostatný vzorek chování (n = 20) odhalil významný hlavní účinek hodnoty (F(1,23, 27,6) = 14,1,p= 0,001, GG), srovnatelně popsané jako lineární (F(1,19) = 15,5,p= 0,001) nebo kvadratické (F(1,19) = 10,8,p= 0,004). Podobně jako u vzorku fMRI byla přesnost vyvolání cued vyšší u dolarových pokusů (M= 0,61,SD= 0,19) než u desetníkových pokusů (M= 0,44,SD= 0,21;t(19) = 3,83,p= 0,001). Na rozdíl od vzorku fMRI vykazoval vzorek chovánípaměťvýhoda pro dolarové zkoušky ve srovnání s penny trials (M= 0,44,SD= 0,19; t(19) = 3,94, p = 0,001) a žádné rozdíly mezi penny a desetníkovými pokusy (t(19) = 0,17, p = 0,87).
Zatímco vzor přesnosti vyvolání ve tvaru písmene U ve vzorku fMRI byl neočekávaný a nereplikoval se v samostatném vzorku chování, nelineární efekty odměny jsou věrohodné (Elliott, Newman, Longe, & Deakin, 2003). Například penny pokusy mohly být vnímány jako ztráta ve vztahu k (neutrálním) desetníkovým zkouškám, což je činí výraznějšími pro kódování (Bartra, McGuire, & Kable, 2013; Seymour & McClure, 2008; Shigemune, Tsukiura, Kambara, & Kawashima, 2014; Tversky & Kahneman, 1981). Vzhledem k tomu, že rozdíl mezi dolarovými a pennyovými zkouškami nebyl významný a protože jak penny, tak dolar mohly zvýšit význam pro jednotlivce citlivé na odměnu, místo toho jsme použilipaměťvýhoda dolaru nad desetníkovými studiemi (replikovanými napříč behaviorálními i fMRI vzorky) jako měřítko individuálních rozdílů vpaměťcitlivost na odměnu. Hrubé skóre dolaru minus desetník se pohybovalo od −0,25 do 0,75 (medián 0,07) a nebylo významně korelováno s celkovou přesností (obr. 3b), což naznačuje, že modulace odměny paměti ovlivnila, které události jsou přednostně zapamatovány, spíše než aby poskytovaly celkovou výhodu paměti. Vzhledem k tomu, že hrubé rozdílové skóre bylo zkresleno odchylkou (>3 SD od průměru), použili jsme pořadí těchto skóre ve všech následných analýzách při korelacipaměťcitlivost na odměnu s opatřeními v oblasti konektivity. Rozdílové skóre dolar-desetník označujeme jako surové skóre modulace odměn za chování (surové BRM) a měřítko pořadí používané pro všechny následné analýzy jako skóre modulace odměny za chování (BRM).
Pro účely vizualizace a analýzy jsme také zkonstruovali dichotomizovanou míru modulace odměnypaměťpomocí mediánového rozdělení skóre BRM. Tento přístup vytvořil dvě skupiny účastníků, které označujeme jako modulátory (citlivé na odměnu) a nemodulátory (necitlivé na odměnu). Provedli jsme potvrzující analýzy, abychom ověřili, že medián rozdělení účastníků přinesl rozumné seskupení. Obrázek 3c ukazuje přesnost vyvolání na hodnotu zvlášť pro každou skupinu. U nemodulátorů (jednosměrná ANOVA) nedošlo k žádnému efektu hodnoty odměnyF(1,15;12,7) = 1,36,p= 0,273, GG), přičemž hrubé skóre BRM (rozdíl dolar-desetník) se neliší od nuly (M= −0,02,t(11) = −0,98,p= 0,348), potvrzující, žepaměťvýkonnost v této skupině nebyla významně ovlivněna hodnotou odměny. Naproti tomu modulátory vykazovaly efekt hodnoty odměny (jednosměrná ANOVAF(1,18,13,01) = 8,69,p= 0.009, η2p= 0,44, GG), s větší přesností pro dolarové zkoušky než pro desetníkové pokusy (tj. významné surové skóre BRM;M= 0,21;t(11) = 3,59,p= 0,004) a větší přesnost pro dolarové pokusy než pro penny pokusy (t(11) = 2,43,p= 0,033). Medián rozdělení tedy vygeneroval dvě rozumné skupiny účastníků, které se liší ve svémpaměťcitlivost na odměnu.
ANOVA výsledky
Pouze pro odpočinek ANOVA—Nejprve jsme se zabývali vztahem mezi konektivitou odpočinku apaměťcitlivost na odměnu v opakovaných měřeních ANOVA s dobou odpočinku (pre-kódování, post-kódování),paměťROI (hipokampus, PHC) a návratnost investic (ACC, střední mozek, MPFC, OFC, VS) jako faktory uvnitř subjektů a stav modulátoru jako faktor mezi subjekty. Časové řady odpočinku nebyly pro tuto analýzu filtrovány dolním průchodem, protože takový krok předběžného zpracování se obvykle nepoužívá během analýz časových řad odpočinku, protože může odstranit smysluplné vysokofrekvenční fluktuace. Všechna spojení jsou znázorněna na obr. 4a a úplné výsledky ANOVA jsou uvedeny v tabulce 1.
Stav modulátoru byl okrajově významný (p= 0,051), s modulátory (M= 0,36,SD= 0,10), vykazující numericky větší připojení k hipokampu/PHC za odměnu než nemodulátory (M= 0,29,SD= 0,06). Stav modulátoru významně interagoval se strukturou odměn. Tato interakce byla poháněna větší konektivitou hipokampu/PHC s ACC, OFC a VS v modulátorech než v nepohybátorech (všechnyt> 2.15, všep< 0.045),="" with="" no="" effect="" ofmodulator="" status="" in="" hippocampus/phc-midbrain="" and="" hippocampus/phc-mpfc="" connectivity="" (both="">t< 1.4,="">p> 0,18). Při modulaci odměnypaměťbylo považováno za kontinuální měření pomocí ANCOVA, výsledky byly podobné, ale slabší. Hlavní účinek BRM (r(22) = 0,35;F(1,22) = 3,12,p= 0.091, η2P= 0,12) zůstala okrajově významná, ale interakce mezi strukturou odměn a BRM nikoli (F(2,83,62,22) = 1,99,p= 0,128, GG).
ANOVA navíc odhalila hlavní efekt doby odpočinku, kdy se konektivita zvyšuje z předběžného kódování (M= 0,30,SD= 0,10) na zbytkovou kontrolu po kódování (M= 0,36,SD= 0,11). Doba odpočinku neinteragovala se stavem modulátoru (p> 0.6) nebo BRM v ANCOVA (p> 0.3), což naznačuje, že ačkoli se celková konektivita zvýšila z pre-kódování na post-encoding, její vztah k chování se významně nezměnil.
