Menselijke cerebellum- en corticocerebellaire verbindingen betrokken bij emotionele geheugenverbetering Deel 3

Alles bij elkaar heeft de DCM-analyse aangetoond dat van de25 cerebrale ROI’s die betrokken zijn bij emotionele geheugenverbetering13 ROI’s een verhoogde verbindingssterkte met het cerebellum vertoonden, meestal in de richting van het cerebellum naar corticale ROI’s, in twee gevallen in de tegenovergestelde richting en nog eens twee gevallen in beide richtingen.

Een gelukkige en positieve stemming kan het geheugen van mensen verbeteren. Dit komt omdat het emotionele geheugenverbeteringsmechanisme het voor mensen gemakkelijker maakt om belangrijke informatie in het langetermijngeheugen op te slaan. Onderzoek toont aan dat wanneer het menselijk lichaam sterke emoties ervaart, het lichaam katalytische stoffen vrijgeeft die emotiegerelateerde hersengebieden activeren, waardoor de cognitieve en leercentra van de hersenen worden beïnvloed. Met andere woorden, emotionele geheugenverbetering helpt ons de informatie dieper te onthouden.

In het dagelijks leven kunnen we ons geheugen verbeteren door onze emoties aan te passen. We kunnen een aantal activiteiten kiezen waardoor we ons gelukkig en op ons gemak voelen, zoals luisteren naar onze favoriete muziek, chatten met vrienden, wat ontspannende oefeningen doen, enz. Bovendien kunnen enkele eenvoudige gedragingen ons ook helpen een gelukkig humeur te behouden, zoals voldoende slaap, goed eten en matig bewegen.

Kortom, er is een nauw verband tussen emotionele geheugenverbetering en geheugen. Positieve emoties stimuleren delen van de hersenen die verband houden met het geheugen, waardoor het voor ons gemakkelijker wordt om informatie op te slaan in het langetermijngeheugen. We kunnen onszelf helpen ons geheugen te verbeteren en gelukkiger en vervulder in het leven te staan ​​door onze emoties te reguleren. Het is duidelijk dat we ons geheugen moeten verbeteren. Cistanche deserticola kan het geheugen aanzienlijk verbeteren omdat Cistanche deserticola een traditioneel Chinees medicinaal materiaal is met veel unieke effecten, waaronder het verbeteren van het geheugen. De werkzaamheid van gehakt komt voort uit de verschillende actieve ingrediënten die het bevat, waaronder zuren, polysachariden, flavonoïden, enz. Deze ingrediënten kunnen op verschillende manieren de gezondheid van de hersenen bevorderen.

Klik op 10 manieren kennen om het geheugen te verbeteren

Deze bevindingen suggereren dat het cerebellum een ​​integraal onderdeel is van een connectiviteitsnetwerk dat betrokken is bij het verbeteren van het emotionele geheugen. Uit deze resultaten kunnen we echter niet afleiden welke van deze verbindingen de belangrijkste zijn. Omdat ROI's functioneel en niet anatomisch werden gedefinieerd, kunnen we de precieze anatomische substraten van de corticale ROI's ook niet specificeren. We hebben voor deze aanpak gekozen omdat de gevoeligheid van het detecteren van de aanwezigheid van verbindingen kan worden vergroot door ROI's te gebruiken die overeenkomen met functionele grenzen (36).

Het gevolg van deze procedure is een verlies aan anatomische specificiteit en het onvermogen om onderscheid te maken tussen de bijdragen van verschillende anatomische structuren binnen een bepaalde ROI. Omdat de hier geteste DCM's bovendien slechts twee knooppunten omvatten, houden ze er geen rekening mee of de invloed tussen het cerebellum en een tweede ROI wordt gemedieerd door extra regio's. De waarden van onze connectiviteitsparameters weerspiegelen daarom potentieel zowel directe als indirecte verbindingen.

De huidige bevindingen kunnen bijdragen aan een beter begrip van het netwerk dat betrokken is bij emotionele geheugenverbetering onder fysiologische omstandigheden. Bovendien kunnen de bevindingen ook implicaties hebben voor het begrijpen van pathologische aandoeningen, zoals posttraumatische stressstoornis (PTSS), aangezien de vorming van een excessief sterk aversief geheugenspoor na een atraumatische gebeurtenis een belangrijk pathogeen mechanisme is bij de ontwikkeling van angstgerelateerde stoornissen (1, 62, 63). Terwijl het niet mogelijk zal zijn om de initiële geheugenvorming bij PTSD te onderzoeken met behulp van fMRI, kunnen studies de neurale correlaten van het ophalen van traumatische herinneringen onderzoeken. Een recente fMRI-studie volgde deze aanpak en vond een verhoogde hersenactivatie in het cerebellum (inclusief de vermis), occipitale gyri, supramarginale gyrus en amygdala tijdens traumaherinnering bij patiënten met PTSS (64).

Daarentegen zou hypoactiviteit van het cerebellum verband kunnen houden met aandoeningen met verminderde emotionele geheugenverbetering. Klinische onderzoeken geven inderdaad aan dat de pathologieën die het verbaal functioneren beïnvloeden, verband houden met een reeks cognitieve en emotionele stoornissen, waaronder symptomen van een autismespectrumstoornis (65, 66). Interessant genoeg vertonen patiënten met een autismespectrumstoornis tekorten in de emotionele verbetering van episodische herinneringen (67, 68). Het is mogelijk dat deze tekorten gedeeltelijk voortkomen uit structurele en functionele afwijkingen van de theamygdala die vaak bij deze aandoening worden waargenomen (69, 70). Op basis van de huidige resultaten kan dermale hypoplasie bij autismespectrumstoornissen echter ook bijdragen aan de verminderde emotionele verbetering van het episodisch geheugen. Deze hypothese zou getest moeten worden bij patiënten met autisme met verschillende gradaties van amygdala- en vermis-afwijkingen.

Er zijn steeds meer aanwijzingen dat het cerebellum, in het bijzonder de cerebellaire vermis, en zijn verbindingen met verschillende hersengebieden, waaronder het limbisch systeem, betrokken zijn bij emotionele functies, waaronder emotionele perceptie, emotionele herkenning, emotionele verwerking en angstconditionering (27, 71). . De huidige bevindingen suggereren nu dat het cerebellum ook deel uitmaakt van een circuit dat betrokken is bij de emotionele verbetering van het episodisch geheugen. Binnen dit circuit ontvangt het cerebellum input van verschillende hersengebieden, waaronder het cingulaat, terwijl de amygdala/hippocampus en verschillende andere hersengebieden input ontvangen van het cerebellum. Deze bevindingen vergroten de kennis over de rol van het cerebellum in complexe cognitieve en emotionele processen en kunnen relevant zijn voor het begrip van psychiatrische stoornissen met afwijkende emotionele circuits, zoals PTSS of een autismespectrumstoornis.

Materialen en methodes

Deelnemers. We rekruteerden gezonde, jonge deelnemers (872 vrouwen, 546 mannen, gemiddelde leeftijd=22.39 jaar, SD=3.27). Er werd voornamelijk geadverteerd op de Universiteit van Bazel en in lokale kranten. De deelnemers waren vrij van enige neurologische of psychiatrische aandoening, gebruikten ten tijde van het experiment geen medicijnen (behalve hormonale anticonceptiva) en waren tussen de 18 en 35 jaar oud. De fysieke en mentale gezondheid werd beoordeeld op basis van standaardvragenlijsten. Het experiment werd goedgekeurd door de ethische commissie van het kanton Bazel, Zwitserland. Alle deelnemers gaven schriftelijke geïnformeerde toestemming voordat ze aan het onderzoek deelnamen. Vóór de analyse werd de steekproef verdeeld in een ontdekkingssteekproef (n=945, 2/3 van alle deelnemers) en een replicatiesteekproef (n=473, 1/3 van alle deelnemers) door deelnemers willekeurig toe te wijzen aan één van de monsters. Randomisatie werd uitgevoerd met behulp van de Matlab-functie rand perm. Er waren geen significante verschillen tussen de ontdekkings- en replicatiemonsters wat betreft leeftijd, geslacht of verbetering van emotioneel geheugen (P Groter dan of gelijk aan 0.33, {{ 16}}zijdig testen, n=1,418).

Experimenteren: Procedure. Deelnemers ondergingen vier opeenvolgende taken: een taak voor het coderen van afbeeldingen, een werkgeheugentaak, een geheugentest voor vrije herinnering en een cognitieve taak. De deelnemers werden eerst geïnstrueerd en vervolgens getraind in de beeldcoderings- en werkgeheugentaken. Na de training werden ze in de scanner geplaatst en kregen ze oordopjes en een koptelefoon om het scannergeluid te verminderen. Hun hoofd werd met kleine kussentjes in de spoel gefixeerd en hen werd verteld niet te bewegen. Foto's werden in de scanner gepresenteerd met behulp van een MR-compatibele bril met vloeibare kristallen (VisualSystem; NordicNeuroLab, Bergen, Noorwegen). Indien nodig werd oogcorrectie toegepast. De taak voor het coderen van afbeeldingen duurde ongeveer 20 minuten. Onmiddellijk daarna voerden de deelnemers een werkgeheugentaak uit in de scanner gedurende ongeveer 10 minuten. In het huidige onderzoek werd de werkgeheugentaak gebruikt als afleidingstaak tussen het coderen en het terughalen van geheugentests. Daarom hebben we de gegevens van de werkgeheugentaak zelf niet geanalyseerd (zie referentie 72 voor een beschrijving van de taak). Na het verlaten van de scanner kregen de deelnemers een onaangekondigde gratis herinneringstest van de afbeeldingen in een aparte ruimte (geen tijdslimiet). voor deze taak is ingesteld). Na de gratis terugroepactie werden de deelnemers opnieuw in de scanner geplaatst en voerden ze een herkenningstaak uit (zie referentie 73 voor een beschrijving van de taak). De deelnemers ontvingen 25 Zwitserse frank/uur voor deelname. Vanwege organisatorische beperkingen moesten we de ruimte waarin afbeeldingen werden opgeroepen veranderen, wat betekende dat sommige deelnemers afbeeldingen in een iets andere omgeving ophaalden.

Experiment: Ontwerp van een taak voor het coderen van afbeeldingen. Stimuli bestonden uit 72 afbeeldingen (24 positief, 24 negatief en 24 neutraal) die werden geselecteerd uit het International Affective Picture System (IAPS) (74) en uit interne gestandaardiseerde afbeeldingensets waarmee we de afbeeldingen konden vergelijken op visuele complexiteit en inhoud. (bijvoorbeeld menselijke aanwezigheid). Foto's ontvangen van de IAPS werden geclassificeerd volgens de IAPS-valentiebeoordeling. Acht van de 24 neutrale foto's zijn niet ontvangen van de IAPS. Deze foto's zijn beoordeeld op basis van een interne waardering (11). Op basis van normatieve valentiescores (van 1 tot 9) werden afbeeldingen toegewezen aan negatief (2,3 ± 0.6), neutraal (5.0 ± 0.3) en positief ( 7,6 ± 0.4)omstandigheden, resulterend in 24 foto's voor elke valentie. Positieve stimuli werden aanvankelijk geselecteerd om overeen te komen met de opwindingsbeoordelingen van negatieve stimuli op basis van gegevens uit een pilotstudie bij 20 deelnemers die niet in het onderzoek waren opgenomen. Er werden vier extra foto's gepresenteerd van neutrale objecten. Twee van deze afbeeldingen werden aan het begin en twee aan het einde van de afbeeldingstaak gepresenteerd. Deze afbeeldingen werden uitgesloten van de evaluatie van de herinneringsprestaties om te controleren op voorrang en recentheidseffecten in het geheugen. Voorbeelden van afbeeldingen waren onder meer erotiek, sport en aantrekkelijke dieren vanwege de positieve waarde; lichamelijk letsel, slangen en aanvalsscènes voor de negatieve waarde; en neutrale gezichten, huishoudelijke voorwerpen en gebouwen voor de neutrale toestand. Daarnaast zijn er 24 gecodeerde afbeeldingen gebruikt. De achtergrond van de gecodeerde afbeeldingen bevatte de kleurinformatie van alle afbeeldingen die in het experiment werden gebruikt (behalve primacy- en recentheidsafbeeldingen), bedekt met een kristal- en vervormingsfilter (Adobe Photoshop CS3). Op de voorgrond werd een grotendeels transparant geometrisch object (een rechthoek of ellips met verschillende grootte en oriëntatie) getoond. Voor het huidige onderzoek waren de gecodeerde afbeeldingen niet van belang.

De afbeeldingen werden gedurende 2,5 seconden in een quasi-willekeurige volgorde gepresenteerd, zodat er maximaal vier afbeeldingen van dezelfde categorie achter elkaar voorkwamen. Vóór elke beeldpresentatie verscheen er gedurende 500 ms een fixatiekruis op het scherm. De aanvangstijd van de stimulus werd binnen 3 seconden (1 herhalingstijd [TR]) per valentiecategorie geschommeld rond het begin van de scan. Tijdens de intertrialperiode beoordeelden de deelnemers elk van de 72 afbeeldingen op basis van valentie (negatief, neutraal of positief) en opwinding (groot, gemiddeld of klein) op een 3-puntschaal (zelfbeoordelingspop) door op een knop met hun dominante hand. Voor gecodeerde afbeeldingen beoordeelden de deelnemers de vorm (verticaal, symmetrisch of horizontaal) en de grootte (groot, middelgroot of klein) van het geometrische object op de voorgrond. Voor de beeldpresentatie werd de software Presentation (Neurobehavioral Systems, Inc., Berkeley, CA; https://www.neurobs.com) gebruikt.

Gedragsgegevens: verbetering van emotioneel geheugen. Om de vrije herinnering te documenteren, moesten de deelnemers een beschrijving van de teruggeroepen afbeeldingen opschrijven. Een afbeelding werd als correct herinnerd beoordeeld als de beoordelaar de gepresenteerde afbeelding kon identificeren op basis van de beschrijving van de deelnemer. Twee getrainde onderzoekers beoordeelden de beschrijvingen onafhankelijk van elkaar op het succes van de herinnering (interbeoordelaarsbetrouwbaarheid > 99%). Een derde onafhankelijke beoordelaar besliste over afbeeldingen die verschillend werden beoordeeld. Voor elke deelnemer berekenden we hoe vaak emotionele beelden werden opgeroepen in vergelijking met neutrale beelden: ([herinnerde zich positief – herinnerde zich neutraal] + [herinnerde zich negatief – herinnerde zich neutraal])/2. Gegevenspunten werden uitgezet en bleken ongeveer normaal verdeeld te zijn (SI-bijlage, figuur S1). Tweezijdige t-tests werden toegepast om te testen of de emotionele geheugenprestaties significant verschilden van nul. Daarnaast hebben we getest op de effecten van mogelijke confounders. We gebruikten een 2-voorbeeld-t-test om te beoordelen of de emotionele geheugenprestaties afhankelijk waren van seks. We gebruikten de lineaire correlatiecoëfficiënten van Pearson om herinneringsprestaties te associëren met leeftijd. Er werden tweezijdige t-toetsen toegepast om te testen of de correlatiecoëfficiënt significant verschilde van nul.

Beeldvorming: MRI-acquisitie. Metingen werden uitgevoerd op een SiemensMagnetom Verio 3 T MR-eenheid voor het hele lichaam uitgerust met een 12-kanaals hoofdspoel. Functionele tijdreeksen werden verkregen met een single-shot echo-planaire sequentie met behulp van parallelle beeldvorming (GRAPPA). We hebben de volgende acquisitieparameters gebruikt: echotijd (TE)=35 ms; gezichtsveld (FOV)=22 cm; acquisitiematrix =80 × 80, geïnterpoleerd naar 128 × 128; voxelgrootte=2.75 × 2,75 × 4 mm3;GRAPPA versnellingsfactor R=2.0. Met behulp van een midsagittaal verkenningsbeeld werden 32 aaneengesloten axiale plakjes, geplaatst langs het anterieure-posterieure commissuurvlak, die de hele hersenen bedekken met een TR=3,000 ms (= 82 graad) verkregen met behulp van een oplopende interleaved reeks. De eerste twee acquisities werden weggegooid vanwege T1time-constante verzadigingseffecten. Er werd een T1-gewogen anatomisch beeld met hoge resolutie verkregen met behulp van een door magnetisatie voorbereide gradiënt-echoreeks (TR =2,000 ms; TE=3.37 ms; TI {{ 31}},000 ms; spiegelhoek=8 graad; 176 segmenten; gezichtsveld =256 mm; voxelgrootte=1 × 1 x 1 mm3).

Beeldvorming: Softwarepakket voor statistische analyse van beeldgegevens. We gebruikten de statistische parametrische mapping (SPM) software SPM12 versie 6685 (Wellcome Trust Centre for Neuroimaging, Londen, VK; https://www.fil.ion.ucl.ac. uk/spam/) geïmplementeerd in Matlab R2016a.

Beeldvorming: voorverwerking en normalisatie van echo planaire beeldvormingsvolumes (EPI). De volumes werden slice-time-gecorrigeerd tot de eerste slice, opnieuw uitgelijnd met behulp van de optie "register to mean", en mede-geregistreerd op het anatomische beeld door een genormaliseerde driedimensionale rigide lichaamstransformatie toe te passen. Succesvolle coregistratie werd voor elke deelnemer visueel geverifieerd. Elk volume werd gemaskeerd met het anatomische T1-beeld van de deelnemer om voxels buiten de hersenen uit te sluiten. De echo planaire beeldvormingsvolumes (EPI) werden genormaliseerd naar de ruimte van het Montreal Neurological Institute (MNI) en afgevlakt met een volledige breedte van 8 mm bij een half-maximale (FWHM) Gaussische kernel door toepassing van DARTEL, wat leidde tot een verbeterde registratie tussen deelnemers (75, 76). .

De tussengevoegde reeks die werd gebruikt om functionele tijdreeksen te verwerven, maakte het een vereiste om slice-time-correctie te gebruiken als de eerste voorverwerkingsstap (77). Correctiemethoden voor slice-timing kunnen met succes slice-timing-effecten compenseren(78). Met name bij DCM voor fMRI wordt de richting van de causaliteit niet geïdentificeerd door temporele prioriteit. In plaats daarvan wordt causaliteit belichaamd door de wiskundige vorm van de differentiële toestandsvergelijking van elke regio. De toestandsvergelijkingen van een bepaald model definiëren de systeemstructuur (bijvoorbeeld de connectiviteit tussen regio's) en schrijven expliciet voor hoe de dynamiek binnen het systeem ontstaat (39). Daarom zijn er eerder verschillende DCM-onderzoeken met vergelijkbare TR's uitgevoerd (79-81).

Beeldvorming: modellering van voxel-gewijze activiteit. Voor elke deelnemer werden algemene lineaire modellen (GLM's) gespecificeerd om voxels te identificeren die door de taak werden geactiveerd. Regressoren die het begin en de duur van stimulusgebeurtenissen modelleren, werden gecombineerd met een canonieke hemodynamische responsfunctie. Nauwkeuriger gezegd omvatte het model regressoren voor het indrukken van knoppen, gemodelleerd als stick/delta-functies, beeldpresentaties (positief, neutraal, negatief, gecodeerd, primacy en recentheid) gemodelleerd met een tijdperk/boxcar-functie (duur: 2,5 s), en beoordelingsschalen gemodelleerd met een Epoche/boxcar-functie met variabele duur (afhankelijk van wanneer de daaropvolgende druk op de knop plaatsvond). Seriële correlaties werden verwijderd met behulp van een autoregressief model van de eerste orde, en een hoogdoorlaatfilter (128 s) werd toegepast om laagfrequente ruis te verwijderen. Daarnaast zijn zes bewegingsparameters als hinderlijke covariabelen ingevoerd. We hebben twee verschillende soorten GLM's gedefinieerd. Eén type GLM werd gebruikt om voxels te identificeren die verband hielden met succesvolle emotionele geheugencodering.

Hier werden positieve, negatieve en neutrale stimuli afzonderlijk gemodelleerd, afhankelijk van of ze later werden opgeroepen of niet. De resulterende parameterschattingen werden gecontrasteerd om voxels te identificeren die geassocieerd zijn met succesvolle emotionele geheugencodering ([herinnerde emotionele beelden – niet-herinnerde emotionele beelden] – [herinnerde neutrale beelden – niet-herinnerde neutrale beelden]). Dit contrast was beschikbaar bij 944 van de 945 deelnemers aan de ontdekkingssteekproef (1 proefpersoon herinnerde zich geen neutrale afbeeldingen) en bij 470 van de 473 deelnemers aan de replicatiesteekproef (3 proefpersonen herinnerden zich geen neutrale afbeeldingen). . Om potentiële valentiegerelateerde effecten op de activiteit van het cerebellum te onderzoeken, hebben we bovendien vergeleken of de activiteit gerelateerd aan succesvolle geheugencodering verschilde tussen positieve en negatieve afbeeldingen. Dit kwam overeen met het volgende contrast:([herinnerde zich negatieve beelden – niet-herinnerde negatieve beelden] – [herinnerde positieve beelden – niet-herinnerde positieve beelden]). Een ander type GLM werd gespecificeerd om voxels te identificeren die verband houden met de codering van emotionele beelden, ongeacht het geheugen. We specificeerden regressoren voor positieve, neutrale en negatieve beelden, ongeacht of de beelden werden opgeroepen of niet, en contrasteerden de resulterende parameterschattingen (emotionele beelden – neutrale beelden). We hebben Family-wise Error (FWE)-correctie toegepast voor meerdere vergelijkingen op het niveau van het hele brein met alle contrasten (Pwhole-brain-FWE-gecorrigeerd < 0.05). Correctie voor meerdere vergelijkingen op clusterniveau werd toegepast om te testen op valentiegerelateerde effecten in het cerebellaire cluster (Pklein-volume-gecorrigeerd <0,001, clusteromvang k=10).

Beeldvorming: groepsstatistieken van voxel-gewijze activiteit. Om de activiteit te bepalen die verband houdt met "succesvolle emotionele geheugencodering" en met "het coderen van emotionele beelden", werden contrastkaarten ingevoerd in een random-effects-model (analyse op het tweede niveau) met behulp van GLM Flex (Martinos Center en Massachusetts General Hospital, Charlestown, MA; https ://habs.mgh.harvard.edu/researchers/datatools/glm-flex-fast2/). We hebben gecontroleerd voor het effect van geslacht, leeftijd, één wijziging in de scannersoftware en twee wijzigingen in de gradiëntspoelen door deze als covariaten op te nemen. We hebben GLM Flex gebruikt omdat EPI-sequenties lijden aan signaalverlies door de aanwezigheid van inhomogeniteiten in het magnetische veld die dicht bij de grenzen van luchtweefsel kunnen optreden. De in DARTEL toegepaste normalisatieprocedure transformeerde zowel voxels met signaal als voxels met signaalverlies nauwkeurig naar MNI-ruimte. InSPM leidde signaalverlies op een MNI-coördinaat in een functioneel beeld van slechts één deelnemer tot de uitsluiting van de voxel op deze coördinaat uit de analyse op groepsniveau. Bijgevolg nam de waarschijnlijkheid dat een voxel werd uitgesloten toe met de steekproefomvang. GLM Flex omzeilde dit probleem door een variabel aantal deelnemers aan elke voxel toe te staan. Het minimum aantal deelnemers per voxel werd ingesteld op 2/3 van alle deelnemers.

Beeldvorming: definitie van ROI's: functioneel gedefinieerd masker. Omdat de gevoeligheid van het detecteren van de aanwezigheid van verbindingen kan worden vergroot door ROI's te gebruiken die overeenkomen met werkelijke functionele grenzen (36), hebben we ROI's functioneel gedefinieerd in plaats van anatomisch. Specifiek hebben we binnen het ontdekkingsmonster (n=945) een functioneel afgeleid masker gebruikt en vervolgens een datagestuurde clusterbenadering op groepsniveau gebruikt om voorbewerkte en genormaliseerde EPI-volumes in ruimtelijk coherente en temporeel homogene gebieden te verdelen (37). . Het masker bestond uit voxels die positief geassocieerd waren met succesvolle emotionele geheugencodering binnen de ontdekkingssteekproef (Pwhole-brain-FWE-gecorrigeerd < 0.05). De geïdentificeerde voxels werden vervolgens bovendien gemaskeerd met de codering van emotioneel beeldcontrast (Pwhole-brain-FWE-gecorrigeerd <0,05) om ervoor te zorgen dat alle opgenomen voxels ook een positief effect vertoonden op emotiecodering (99% van alle voxels die significant zijn in de "succesvolle emotionele geheugencodering contrast" waren ook significant in de "codering van het contrast van emotionele beelden").

Beeldvorming: definitie van ROI's – Verkavelingsprocedure. Voxels binnen het functioneel gedefinieerde masker werden zodanig gecombineerd tot ROI's dat de gelijkenis tussen voxels binnen hetzelfde cluster werd gemaximaliseerd in vergelijking met de gelijkenis tussen voxels in verschillende clusters, met behulp van een genormaliseerde snijmethode waarin een ruimtelijke beperking was opgenomen (37). Voor rekengemak werd de indeling uitgevoerd op basis van de EPI-volumes van 200 deelnemers die willekeurig uit de ontdekkingssteekproef waren getrokken. Deze volumes werden afgevlakt met een Gaussiaanse kernel van 6 mmFWHM, in overeenstemming met een recent artikel (37). Clustering werd eerst binnen elke deelnemer uitgevoerd, gevolgd door groepsclustering op het tweede niveau, zoals aanbevolen door Craddock et al. (37). We hebben de voxels binnen het masker onderverdeeld in 30 ROI's, omdat we ontdekten dat dit aantal tot voldoende ruimtelijke specificiteit leidt, terwijl het nog steeds beheersbaar is wat betreft de rekenlast die wordt veroorzaakt door de berekening van de connectiviteit met DCM. Eén van deze ROI's bevatte geïsoleerde voxels en discrete kleine clusters die niet ruimtelijk coherent waren. Deze ROI (ROI 11), die 60 voxels bevatte, werd dus uit verdere analyse verwijderd.

Connectiviteitsanalyse: extractie van tijdsverloop. We hebben tijdscursussen per deelnemer en ROI's geëxtraheerd uit niet-afgevlakte en niet-genormaliseerde gegevens met behulp van de hieronder beschreven procedure. Merk op dat we uit niet-afgevlakte gegevens hebben gehaald, omdat afvlakking schadelijk kan zijn voor de schatting van de connectiviteit, omdat het leidt tot een vermenging van bloedoxygenatieniveau-afhankelijke tijdsverlopen tussen nabijgelegen regio's (36).

1. Functionele ROI's in kaart brengen van MNI-ruimte naar native deelnemersruimte: De ROI's zoals bepaald in de verkavelingsprocedure werden gegenereerd in MNIspace. We hebben daarom hun locatie in kaart gebracht in de oorspronkelijke deelnemersruimte door het normalisatiewarpveld van elke deelnemer om te keren.

2. Tijdsverloopextractie uit functionele ROI's: Vóór de daadwerkelijke modellering van connectiviteit binnen het DCM-framework werden deelnemerspecifieke tijdsverlopen uit elke ROI geëxtraheerd. Het doel van deze stap was om tijdcursussen te extraheren uit geactiveerde voxels op het niveau van één deelnemer. De effectgrootte van de codering van het emotionele beeldcontrast was aanzienlijk groter dan de effectgrootte van het succesvolle emotionele geheugencontrast, waardoor de eerste geschikter werd voor het onderscheiden van taakgerelateerde voxels van voxels zonder relevante signalen op het niveau van één deelnemer. Op groepsniveau waren alle gebieden die in deze analyse waren opgenomen significant geassocieerd met succesvolle emotionele geheugencodering, waardoor werd verzekerd dat alle ROI's relevant waren voor succesvolle emotionele geheugencodering. Voor elke ROI en deelnemer identificeerden we vervolgens significante voxels voor het emotionele > neutrale contrast, bij een ongecorrigeerde drempel van P < 0.05, met een minimale clustergrootte van drie voxels. Een samenvatting van het tijdsverloop werd uit al die voxels gehaald met behulp van SPM's "Volume of Interest" -extractietool. In detail werd voor alle geselecteerde voxels binnen een ROI een PCA uitgevoerd. Tijdpunten waren de observaties en voxels waren de variabelen. De PCA retourneerde een reeks componenten, geordend op basis van de variantie die door elke component werd verklaard. Elke component werd geassocieerd met een vector van gewichten (één waarde per voxel), die de bijdrage van elke voxel aan die component weerspiegelde. De eerste eigenvariaat weerspiegelde het tijdsverloop van de hoofdcomponent die bijdroeg aan de respons van een regio en werd geselecteerd als representatief tijdsverloop voor de ROI. De tijdsverlopen werden gecorrigeerd voor bewegingsartefacten door bewegingsparameters als covariaten toe te voegen aan het lineaire model.

Van alle 29 functionele ROI's werden tijdsverlopen met succes geëxtraheerd in 97,88% van alle gevallen in de ontdekkingssteekproef, en in 97,57% van alle gevallen in de replicatiesteekproef, omdat ze een robuuste taakafhankelijke activering vertoonden volgens onze hierboven geschetste significantiedrempel. Gegevens van alle ROI's bij alle deelnemers waren een voorwaarde voor het uitvoeren van DCM, omdat het doel van DCM is om verschillende modellen voor een waargenomen activering te vergelijken (38, 39). Daarom hebben we een deelnemer uitgesloten van een bepaalde DCM als een ROI geen activering vertoonde in overeenstemming met de hierboven gedefinieerde criteria. Van alle ROI's liet ROI 9 het kleinste percentage deelnemers zien met robuuste activering (ontdekkingssteekproef 88,36%; replicatiesteekproef 85,84%). Zie SI-bijlage, tabel S1 voor het aantal deelnemers per DCM, en SI-bijlage, tabel S2 voor percentages uitgesloten deelnemers per ROI.

Mogelijke redenen voor het gebrek aan voldoende sterke activering bij sommige deelnemers hadden te maken met ruis in de gegevens of gegevensverlies, maar kunnen ook het gebruik van verschillende cognitieve strategieën weerspiegelen.

Connectiviteitsanalyse: DCM. DCM kan worden toegepast om specifieke hypothesen te testen met betrekking tot de aanwezigheid, richting en modulatoren van effectieve connectiviteit tussen een reeks vooraf gedefinieerde hersengebieden. DCM wordt elders in detail beschreven (38, 39). Kortom, neurale interacties tussen regio's worden uitgedrukt door differentiaalvergelijkingen, die beschrijven 1) hoe de activiteit in één hersengebied dynamiek (dat wil zeggen de snelheid van verandering) veroorzaakt in een ander hersengebied en 2) hoe deze interacties veranderen onder invloed van experimentele omstandigheden. Hier vergeleken we de omstandigheden voor emotionele en neutrale afbeeldingen, waarbij we nagingen of een afbeelding later werd opgeroepen of niet. DCM streeft naar neurofysiologische interpreteerbaarheid door een expliciet onderscheid te maken tussen het ‘neurale niveau’ en het ‘hemodynamische niveau’ (82). Dit wordt bereikt door een biofysisch gemotiveerd en geparametriseerd voorwaarts model om te keren dat de gemodelleerde neurale dynamiek koppelt aan de gemeten hemodynamische tijdsverlopen (38). . De connectiviteitsparameters kunnen daarom worden geïnterpreteerd als een invloed tussen neurale populaties (39). Onze conclusie over connectiviteit was afhankelijk van de onderliggende wiskundige aannames die waren opgenomen in de parametrisering van DCM. Deze aannames zijn kritisch beoordeeld (83).

We hebben DCM verkozen boven andere methoden omdat het verschillende voordelen biedt. DCMinfers connectiviteit door neurale dynamiek te modelleren met een systeem van differentiaalvergelijkingen. Daarom kunnen de richting van de invloed en de toestandsafhankelijke modulatie van de verbindingssterkte op betekenisvollere wijze worden bepaald dan met statische connectiviteitsmodellen zoals correlatie- of structurele vergelijkingsmodellen (82, 84, 85).

Connectiviteitsanalyse: DCM – Modelruimte. We gebruikten een post-hoc modelselectieprocedure, die de schatting van slechts één volledig model vereist om het modelbewijs voor alle mogelijke verbindingsarchitecturen te vinden (40), waardoor een uitgebreide modelvergelijking werd uitgevoerd. We hebben deze selectieprocedure gebruikt in plaats van een traditionele vergelijking van een beperkt aantal a priori-modellen, omdat dit algoritme de rekenlast aanzienlijk vermindert door de connectiviteitsparameters van geneste submodellen te benaderen op basis van de gevolgtrekking op één volledig model. Hoewel het interessant zou zijn geweest om alle 26 clusters in één enkel model op te nemen, was dit rekenkundig niet haalbaar. We hebben alle paarsgewijze verbindingen tussen de ROI van het cerebellum en de resterende 25 ROI's onderzocht door een reeks 2-knoop-DCM's te definiëren waarbij de ROI in het cerebellum systematisch werd gekoppeld aan een van de andere ROI's. Connectiviteitsparameters vertegenwoordigen de netto connectiviteit tussen ROI's, dwz ze houden er geen rekening mee of de invloed tussen twee ROI's al dan niet wordt gemedieerd door extra regio's, tenzij deze extra regio's expliciet zijn opgenomen in het DCM-model. Omdat de hier geteste DCM's slechts twee knooppunten omvatten, onderzochten ze niet of de invloed tussen het cerebellum en een tweede ROI werd gemedieerd door extra regio's. De waarden van onze connectiviteitsparameters weerspiegelden daarom mogelijk zowel directe als indirecte verbindingen. We hebben bilineaire, deterministische DCM met twee toestanden toegepast (versie DCM12)(86). We hebben wederzijdse intrinsieke verbindingen tussen elke ROI gespecificeerd. Extrinsieke inputs voor ROI's sturen het netwerk aan en kwantificeren hoe ROI's reageren op externe stimuli. Er werden vier verschillende invoerregressoren gedefinieerd, bestaande uit 1) emotionele en neutrale afbeeldingen, 2) gecodeerde afbeeldingen, 3) het indrukken van knoppen en 4) weergave van de beoordelingsschaal. Elk van de inputregressors zou bij alle ROI's het netwerk kunnen binnendringen. De sterkte van de intrinsieke verbindingen tussen ROI's zou kunnen worden gemoduleerd door de volgende omstandigheden: emotioneel herinnerde afbeeldingen, emotioneel niet-herinnerde afbeeldingen, neutrale herinnerde afbeeldingen en neutrale niet-herinnerde afbeeldingen.

Voor een Bayesiaans perspectief op meerdere vergelijkingen, zie referenties (87, 88). Met name hebben we de resultaten van het ontdekkingsmonster gerepliceerd in een tweede monster.

Connectiviteitsanalyse: DCM - Modelschatting. We gebruikten een efficiënte post-hoc modelselectie die de schatting van slechts één volledig model vereiste om 1) het modelbewijs te vinden voor alle mogelijke verbindingsarchitecturen met Bayesiaanse modelselectie (BMS), 2) posterieure waarschijnlijkheden die voortvloeien uit gevolgtrekkingen op familieniveau om de waarschijnlijkheid te bepalen voor een contrast van parameterschattingen, en3) Bayesiaanse parametergemiddelden over alle mogelijke modellen die laten zien of het contrast van parameterschattingen verschilde van nul (40, 84, 89). Omdat we BMS met vaste effecten gebruikten, gingen we ervan uit dat het optimale model voor elke deelnemer in de populatie hetzelfde was (39). Schatting van DCM-modellen werd uitgevoerd bij de sciCORE (https://scicore.unibas.ch/) wetenschappelijke computerkernfaciliteit aan de Universiteit van Basel.

Connectiviteitsanalyse: DCM: parameteranalyse. We gebruikten Bayesiaanse inferentie om te beoordelen of de verbindingssterkte was toegenomen tijdens succesvolle emotionele geheugencodering. Concreet hebben we de posterieure verwachtingen en posterieure covarianties gebruikt om de posterieure waarschijnlijkheid te berekenen dat het contrast tussen modulatoren van verbindingssterkte groter dan nul was. Het contrast voor succesvolle emotionele geheugencodering werd opgebouwd door de modulatoren van de volgende omstandigheden af ​​te trekken: (herinnerde emotionele beelden – niet-herinnerde emotionele beelden) – (herinnerde neutrale beelden – niet-herinnerde neutrale beelden). Ten eerste identificeerden we binnen de ontdekkingssteekproef die verbindingen met een posterieure waarschijnlijkheid van contrast groter dan {{0}}.99. Ten tweede analyseerden we deze verbanden in de replicatiesteekproef, waarbij we testten of ook zij een posterieure kans op contrast hadden groter dan 0.99. In beschrijvende termen kan de toegepaste waarschijnlijkheidsdrempel van 0,99 worden geïnterpreteerd als een zeer sterk bewijs voor een effect(42, 43). We hebben ons gericht op toenamen in plaats van afnamen in verbindingssterkte, omdat ROI's werden gedefinieerd op basis van voxels met verhoogde activiteit.

Berekeningen over de verbindingssterkte waren gebaseerd op de sterkte van het contrast in het replicatiemonster. Verbindingen werden gevisualiseerd met behulp van de cirkelbibliotheek in R (90).

Segmentatie van anatomisch beeld. Het anatomische beeld van elke deelnemer werd automatisch gesegmenteerd in corticale en subcorticale structuren met behulp van FreeSurfer versie 4.5 (91). De etikettering van de corticale gyri was gebaseerd op de Desikan-Killiany-atlas (92), wat 35 corticale en zeven subcorticale gebieden per hemisfeer opleverde. Merk op dat de toegepaste segmentatie- en labelingtechniek een nauwkeurigheid biedt die vergelijkbaar is met handmatige labeling door experts (91, 92).

Anatomische lokalisatie van ROI's op basis van een populatiegemiddelde anatomische probabilistische atlas. Segmentaties van corticale en subcorticale structuren afkomstig van FreeSurfer (zie paragraaf hierboven) werden gebruikt om een ​​populatiegemiddelde probabilistische anatomische atlas samen te stellen, gebaseerd op gegevens van 1,000 van de 1.418 deelnemers. Individuele gesegmenteerde anatomische beelden werden genormaliseerd naar de studiespecifieke anatomische sjabloonruimte met behulp van het eerder berekende warpveld van de deelnemers en werden affien-geregistreerd in de MNI-ruimte. Interpolatie van de dichtstbijzijnde buur werd toegepast om de labeling van de verschillende structuren te behouden. De genormaliseerde segmentaties werden uiteindelijk gemiddeld over de deelnemers om een ​​populatiegemiddelde probabilistische atlas te creëren. Aan elke voxel van het sjabloon zou bijgevolg een waarschijnlijkheid kunnen worden toegekend om tot een bepaalde anatomische structuur te behoren.

Deze populatiegemiddelde probabilistische atlas werd gebruikt om de anatomische locatie van coördinaten en ROI's te rapporteren. Percentages per coördinaat gaven de populatiegemiddelde waarschijnlijkheid van een anatomisch label aan. Verder rapporteerden we het gemiddelde percentage regionale correspondentie per ROI. Per ROI hebben we bepaald welke anatomische labels door de voxels werden overspannen. Vervolgens hebben we de kansen per label voor alle voxels binnen de ROI opgeteld en deze som gedeeld door het totale aantal voxels in het masker. Er zou een overeenkomst van 100% optreden als alle voxels van een ROI zich binnen hetzelfde anatomische gebied zouden bevinden, en elke voxel zelf een waarschijnlijkheid van 100% zou hebben om zich in dit gebied te bevinden.

Beschikbaarheid van gegevens, materialen en software. Individuele kaarten op het eerste niveau voor de twee interessante contrasten (succesvolle codering van emotioneel geheugen en codering van emotionele beelden) zijn beschikbaar in het Open Science Framework (OSF, https://osf.io/ghtvy) (93), samen met de individuele covariaten. Individuele eerste-niveau- en VOI-bestanden zijn beschikbaar op Figshare (https://figshare.com/projects/CBDCM/149317) (94). De overeenkomstige kaarten op groepsniveau zonder drempelwaarde, evenals het binaire masker van de functionele ROI's, zijn gedeponeerd in Neurovault (https://neurovault.org/collections/12932) (95). De DCM-bestanden op groepsniveau zijn beschikbaar in OSF (https://osf.io/ghtvy) (93).

DANKWOORD. Wij danken Elmar Merkle, Christoph Stippich en OliverBieri voor het verlenen van toegang tot de fMRI-faciliteiten van het Universitair Ziekenhuis Basel. Dit werk werd gefinancierd door de Swiss National Science Foundation (Sinergia GrantCRSI33_130080 aan DJ-FdQ en AP). MF werd gefinancierd door het Onderzoeksfonds voor Junior Onderzoekers van de Universiteit van Bazel (subsidie ​​DPE2141). Berekeningen werden uitgevoerd in de wetenschappelijke computercore-faciliteit sciCORE (https://scicore.unibas.ch/) aan de Universiteit van Basel. De auteurs verklaren dat er geen concurrerende financiële belangen zijn.

Referentie

1. D. de Quervain, L. Schwabe, B. Roozendaal, Stress, glucocorticoïden en geheugen: implicaties voor de behandeling van angstgerelateerde stoornissen. Nat. Ds. Neurosci. 18, 7–19 (2017).

2. JL McGaugh, The Making of Lasting Memory (Weidenfeld & Nicolson, 2003).

3. JL McGaugh, Geheugen – Een eeuw van consolidatie. Wetenschap 287, 248–251 (2000).

4. B. Roozendaal, JL McGaugh, Geheugenmodulatie. Gedrag Neurowetenschappen 125, 797-824 (2011).

5. KS LaBar, R. Cabeza, cognitieve neurowetenschappen van emotioneel geheugen. Nat. Ds. Neurosci. 7, 54-64(2006).

6. SB Hamann, TD Ely, ST Grafton, CD Kilts, Amygdala-activiteit gerelateerd aan verbeterd geheugen voor aangename en aversieve stimuli. Nat. Neurowetenschappen 2, 289–293 (1999).

7. T. Canli, Z. Zhao, J. Brewer, JDE Gabrieli, L. Cahill, Gebeurtenisgerelateerde activering in de menselijke amygdala associeert met later geheugen voor individuele emotionele ervaringen.J. Neurowetenschappen 20, RC99 (2000).

8. AH van Stegeren et al., Noradrenaline medieert de activering van de amygdala bij mannen en vrouwen tijdens het coderen van emotioneel materiaal. Neurobeeld 24, 898-909 (2005).

9. MW Cole et al., Multi-task connectiviteit onthult flexibele hubs voor adaptieve taakcontrole.Nat. Neurowetenschappen 16, 1348-1355 (2013).

10. RM Todd, TW Schmitz, J. Susskind, AK Anderson, Gedeelde neurale substraten van emotioneel verbeterde perceptuele en geheugensteuntjes. Voorkant. Gedrag Neurowetenschappen 7, 40 (2013).

For more information:1950477648nn@gmail.com