Investigarea asociațiilor între reducerea întârzierii cu structura creierului, memoria de lucru și memoria episodică Partea 2

Relația dintre predictorii structurali și DD

Am testat asocierile dintre variabilele de interes (volume subcorticale, componente de substanță cenușie și substanță albă, EM, WM) și DD cu modele liniare și teste de permutare neparametrică, așa cum sunt implementate în software-ul FSL PALM versiunea 1.11 (Winkler et al. 2014; Winkler, Webster, et. al. 2016b) rulează pe MATLABR2017b.

În ultimii ani, odată cu îmbunătățirea nivelului de viață al oamenilor și creșterea în vârstă, problemele de memorie au atras din ce în ce mai multă atenție. Cu toate acestea, unii oameni și-au exercitat activ creierul, dar sunt încă tulburați de probleme de memorie. În acest moment, putem lua în considerare utilizarea unor aranjamente non-parametrice pentru a îmbunătăți memoria.

Deci, ce este o permutare non-parametrică? Aranjamentul neparametric este o metodă statistică care aranjează un set de date după anumite reguli fără comparație numerică. În comparație cu permutarea parametrică, permutarea neparametrică are o gamă mai largă de aplicații și nu face prea multe presupuneri cu privire la distribuția și caracterul discret al datelor.

Și cum să folosiți aranjamentul non-parametric pentru a îmbunătăți memoria? În primul rând, știm că creierul uman poate analiza, memora și reaminti diverse informații, cum ar fi imagini, audio, text etc., astfel încât să putem folosi aranjamente neparametrice pentru a îmbunătăți capacitatea creierului nostru de procesare și memorie a diferitelor informații.

Prin unele exerciții, cum ar fi exersarea memoriei și a reamintirii culorilor, numerelor, cuvintelor și a altor informații, și apoi aranjarea neparametrică a diferitelor informații, se formează o structură mai regulată în creier, sporind astfel capacitatea de memorie a creierului.

În plus, permutările neparametrice pot fi folosite pentru a îmbunătăți flexibilitatea mentală și pentru a reduce anxietatea și stresul, printre alte probleme. Exersând creierul, creierul poate funcționa mai flexibil și mai sănătos, reducând astfel depresia, anxietatea și alte emoții negative inutile și să înfrunte viața și munca mai pozitiv.

Pe scurt, aranjamentul non-parametric este o metodă fezabilă și eficientă pentru a îmbunătăți memoria creierului și flexibilitatea gândirii. Prin exerciții și practici continue, memoria creierului și capacitățile de procesare pot fi îmbunătățite în mod eficient, ajutându-ne să înfruntăm viața și să muncim mai sănătos și mai pozitiv. Se poate observa că trebuie să ne îmbunătățim memoria. Cistanche deserticola poate îmbunătăți semnificativ memoria, deoarece Cistanche deserticola poate regla și echilibrul neurotransmițătorilor, cum ar fi creșterea nivelului de acetilcolină și a factorilor de creștere. Aceste substanțe sunt foarte importante pentru memorie și învățare. În plus, carnea poate, de asemenea, să îmbunătățească fluxul sanguin și să promoveze livrarea de oxigen, ceea ce poate asigura că creierul primește suficiente nutrienți și energie, îmbunătățind astfel vitalitatea și rezistența creierului.

Faceți clic pe cunoașteți modalități de îmbunătățire a funcției creierului

Am folosit 10,000 permutări, modelând coada distribuției de permutare a valorilor P cu o distribuție Pareto (Winkler, Ridgway, et al. 2016a) și controlul ratei de eroare în funcție de familie (FWER) pentru mai multe teste utilizând distribuția de statistica maximă (Westfalland Young 1993). Setul de date HCP conține subiecți care au fost eșantionați împreună cu frații lor (mai ales gemenii lor), ceea ce înseamnă că măsurătorile nu pot fi considerate independente.

Pentru a testa asocierile dintre variabilele de interes în timp ce ținem cont de structura familiei din setul de date, am folosit testarea de permutare a blocurilor pe mai multe niveluri (Winkler et al. 2015). Aceste asocieri au fost corectate pentru termeni liniari și quadratici, sex, educație, venit și scorul compus al funcției cognitive al NIH Toolbox ("CogTotalComp_Unadj"), o măsură a inteligenței generale. Au fost raportate 2-valori P cu coadă pentru asocierile testate.

Analize de vârf și voxel

Pentru comparație, am efectuat, de asemenea, analize separate univariate vertex (grosime corticală, suprafață) și voxelwise (GMV, FA, MD) pentru a testa asocierile cu DD. Aceste analize au fost efectuate folosind teste de permutare neparametrică, așa cum sunt implementate în software-ul PALM al FSL, cu 2,000 permutări și îmbunătățire a clusterelor fără prag (Smith și Nichols 2009). Ca și în analizele anterioare, am modelat coada distribuției de permutare a valorilor P cu o distribuție Pareto, am aplicat controlul FWER pentru mai multe teste folosind distribuția statisticii maxime și am luat în considerare structura familiei cu testarea permutării blocului pe mai multe niveluri. La fel ca mai sus, aceste analize au fost controlate pentru termeni liniari și quadratici, sex, educație, venit și inteligență generală.

Rezultate

Am exclus subiecții cu răspunsuri incomplete în sarcinile DD (3), care au ales fie răspunsuri imediate întârziate (9), fie pentru care probabilitatea posterioară ca statistica pseudo-R2 (Camerer și Ho 1999) să fie peste zero a fost sub {{5} }.95, adică subiecții pentru care modelul a adaptat răspunsurile mai bine decât un model de șansă (166). Aceste criterii au condus la excluderea a 178 de subiecți din eșantionul HCP. Tabelul 1 prezintă informații demografice despre eșantioane și numărul de observații valide pentru diferitele sarcini cognitive și modalități de imagistică care au fost analizate despre DD. Valoarea subiectivă a recompenselor a fost în medie de 79% din valoarea lor nominală după o lună și de 23% după un an. Diferențele de gen în DD nu au fost semnificative (bărbați (n=473) > femei (n=545): t=0,27, P=0,80).

Relația dintre DD și materia cenușie

După corectarea termenilor de vârstă liniară și pătratică, sex și volum intracranian total, rata de actualizare nu a fost asociată cu volumul cortical total sau cu volumul oricăreia dintre structurile subcorticale investigate. Tabelul 2 afișează statisticile pentru aceste asociații.

Hărțile de grosime corticală, suprafață și GMV au fost descompuse împreună cu ICA-ul legat în 50 componente, fiecare dintre ele definind o hartă spațială care reflectă regiunile în care structura materiei cenușii a variat puternic între participanți și scorurile individuale indicând amploarea contribuției componentei. . Scorurile uneia dintre componentele materiei cenușii au fost asociate în mod semnificativ negativ cu DD (Fig. 2A, r =-0,172, Pcorr < 1e-4, corectat pentru cele 50 de componente testate, n=946).

Dintre cele 3 modalități de materie cenușie, această componentă a ponderat cel mai mult (62%) pe GMV (Fig. 2B), iar cele mai mari încărcări ale sale au fost în polul temporal și precuneus (Fig. 2C și D). Deoarece ICA suferă de nedeterminare a semnelor, scorurile unei componente trebuie interpretate în ceea ce privește încărcările sale (a cărei distribuție anatomică este reprezentată de harta spațială corespunzătoare), adică o asociere negativă cu scorurile unei componente reflectă o corelație (parțială) negativă cu măsurătorile structurii materiei cenușii. în zonele în care valorile încărcărilor sale sunt pozitive. Aceste asocieri au fost corectate pentru termeni de vârstă liniară și pătratică, sex, educație și venit.

La descompunerea datelor în 100 componente, în mod similar, o singură componentă a fost asociată în mod semnificativ cu DD, arătând un model foarte asemănător cu cel regăsit cu descompunerea componentei {50-(Fig. 2E–G, r {{3) }} −0,158,Pcorr=5e−4, corectat pentru cele 100 de componente testate,n=946). Analiza univariată în funcție de voxel a evidențiat, de asemenea, o asociere semnificativă negativă între GMV și DD în regiunile bilaterale ale materiei cenușii temporale după controlul pentru termeni liniari și patratici de vârstă, sex, educație și venit (Figura 2 suplimentară).

Aceste regiuni se potriveau îndeaproape cu modelul spațial pentru componenta de substanță cenușie identificată (Fig. 2C și G). Nu a existat nicio regiune corticală în care asocierea dintre DD și grosimea corticală sau aria să fi fost semnificativă după corecția FWER pentru teste multiple în analiza de vârf pe suprafață pentru aceste măsuri.

Pentru a ne asigura că asocierea cu scorurile de materie cenușie a fost specifică DD și nu reflectă doar funcția cognitivă generală, am repetat aceste analize adăugând o măsură a inteligenței generale la setul de covariate fără interes. Aceeași componentă a fost încă singura care a fost asociată semnificativ cu DD ({{0}}descompunerea componentelor: r=−0,145, Pcorr=0}}},=0,001; { {6}}descompunerea componentelor: r=-0,138, Pcorr=0,123), iar rezultatul analizei univariate în funcție de voxel a rămas în mare parte neschimbat (Figura 2 suplimentară).

Relația dintre DD și substanța albă

Am descompus datele FA și MD împreună în 50 de componente. Niciuna dintre componente nu a fost asociată cu rata de actualizare după controlul pentru teste multiple și covariarea termenilor de vârstă liniară și pătratică, sex, educație și venit. Utilizarea a 100 de componente sau controlul suplimentar pentru inteligența generală a dat rezultate similare. În mod corespunzător, nu a existat nicio regiune în care asocierea dintre DD și FA sau MD a fost semnificativă după corecția FWER pentru mai multe teste în analiza voxel-wise.

Discuţie

După examinarea datelor comportamentale și neuroimagistice de la un eșantion mare de adulți sănătoși, constatările noastre arată că un DD mai mare a fost prezis de GMV temporal anterior mai mic. Dimensiunea eșantionului setului de date HCP, mai mare decât cea din majoritatea studiilor anterioare care leagă DD și structura creierului, ne-a oferit puterea de a captura în mod fiabil efectele de o amploare mică. Cu toate acestea, în contradicție cu rapoartele anterioare, nu am găsit nicio dovadă a unei asocieri de încredere între DD și volumul cortical, volumele subcorticale, organizarea microstructurală a substanței albe și scorurile în sarcinile WM sau EM.

O reducere mai mare a fost asociată cu GMV mai mici în regiunile temporale anterioare. Acest rezultat a fost robust pentru schimbarea numărului de componente ICA conectate și controlul pentru o măsură de inteligență generală. Owenset al. (2017) au analizat volumul cortical din scanările ponderate T1-în setul de date HCP și au raportat asocieri între volumul cortical și DD în regiunile temporale corespunzătoare zonelor din componenta materiei cenușii identificate de analiza noastră.

Este de așteptat asocierea cu substanța cenușie antetemporală (deoarece am folosit același set de date), dar studiul nostru îl extinde pe cel anterior examinând și grosimea corticalei și aria suprafeței și GMV pentru regiunile subcorticale, precum și măsurile structurii materiei albe. Dincolo de faptul că am inclus un set mai amănunțit de măsuri structurale, am respectat structura familială a datelor în calcularea asociilor dintre măsurile structurii creierului și DD pentru a evita estimările părtinitoare care pot rezulta din asumarea incorectă a independenței observațiilor (Winkleret al. 2015).

Am efectuat, de asemenea, o selecție mai riguroasă a subiecților, excluzându-i pe cei care aveau performanță la întâmplare, și am descompus datele în rețele de covarianță structurală (Pehlivanova et al. 2018), o metodă care oferă o sensibilitate mai mare pentru a detecta asocierile cu DD prin medierea împreună (într-un mod ponderat). mod) valorile imaginilor structurale din regiunile creierului și combinarea mai multor modalități pentru a produce estimări mai robuste. Într-adevăr, un avantaj important al utilizării ICA pentru a descompune datele imagistice în rețelele de covarianță față de o abordare în funcție de voxel pentru analiza datelor structurale este că oferă scoruri care ar trebui să fie mai puțin zgomotoase decât valorile bazate pe voxel, deoarece sunt obținute ca medie ponderată a semnalului în toți voxelii din creier, implementând reducerea dimensionalității care poate reduce riscul erorilor de tip II, deși în detrimentul unei delimitări vagueranatomice.

delimitare anatomică.Spre deosebire de studiul lui Owens et al. (2017), în analiza noastră, relația dintre volumul cortical și DD nu a atins semnificație. Este probabil ca această divergență să fie rezultatul opțiunilor noastre de analiză mai stricte (eliminarea subiecților care răspund la întâmplare, teste neparametrice care țin cont de structura familiei de date, control mai strict pentru confuzii) și indică faptul că asocierea raportată anterior între volumul cortical și DD corespunde, mai degrabă, unei false decât constatare abătută. Pare plauzibil ca o asociere a DD cu o măsură a volumului cortical global să fie mediată de variabile care reflectă aspecte mai generale ale cogniției decât DD.

În ciuda dimensiunii mari a eșantionului setului de date HCP, nu am găsit nicio dovadă a unei asocieri semnificative între structura materiei albe și DD. Studiile anterioare care arată reconstrucții tractografice în eșantioane mai mici au raportat asocieri negative între DD și măsurile de rezistență a conectivității structurale (de exemplu, numărul de linii) în anumite tracturi de substanță albă la PFC (van den Bos et al. 2015; Hänggi et al. 2016; Hamptonet al. 2017) .

Spre deosebire de acele studii care investighează puterea conectivității, am analizat hărțile FA procesate cu TBSS, o tehnică care permite o analiză amplă a regiunilor materiei albe și este mai potrivită pentru analiza exploratorie a seturilor de date la scară largă, datorită costurilor de calcul și de muncă asociate cu efectuarea cartografierii tractografice cuprinzătoare pe un număr mare de subiecți. După cunoștințele noastre, eșantionul din analiza noastră este substanțial mai mare decât în ​​studiile anterioare care leagă materia albă de reducere. Totuși, remarcăm că un studiu recent care a folosit TBSS pe 302 subiecți mai în vârstă fără demență (Han și colab. 2018) (vârsta medie=81,38 ani, SD=7,57 ani, 75,5% femei) a raportat o răspândire pe scară largă asocieri negative între decontarea temporală și FA în tracturile frontale bilaterale, frontostriatale și temporoparietale. Dezacordul cu rezultatele noastre poate răspunde la diferențele demografice dintre eșantioane.

Având în vedere natura extinsă a asociațiilor lor, constatările lor pot reflecta mecanisme degenerative legate de îmbătrânire, spre deosebire de modelul mai restrâns care ar fi de așteptat pentru o măsură specifică, cum ar fi DD. În plus, Han și colab. nu a controlat nivelul veniturilor. Într-adevăr, atunci când am ajustat doar furajul și sexul în analiza noastră, am identificat alte componente ale materiei cenușii și albe care aveau scoruri corelate semnificativ cu ratele de reducere (a se vedea Materialul suplimentar). În timp ce eșantioanele mari sunt capabile să detecteze efecte mai mici, există, de asemenea, un risc mai mare de a detecta asocieri produse doar de variabile de confuzie, ceea ce face esențială ajustarea pentru covariatele corespunzătoare.

Lucrări recente (Marek și colab. 2022) au subliniat importanța utilizării de eșantioane mari în studiile de asociere între creier și comportament și au arătat că dimensiunile tipice ale eșantioanelor pentru aceste studii ar trebui să conducă la efecte ireproductibile și mărimi ale efectelor umflate. Presupunând că efectul adevărat este de aproximativ 0,15 (comparabil cu mărimea efectului pentru componenta materiei cenușii, am identificat și compatibil cu rezultatele din Marek et al. 2022), ar fi nevoie de peste 250 de subiecți pentru a obține o putere de 80%. Cele mai multe studii anterioare din zona DD au fost astfel insuficiente, ceea ce explică inconsecvențele din literatură menționate în Secțiunea 1. Vă rugăm să rețineți că această concluzie se aplică numai asocierilor creier-comportament și nu prea studiilor funcționale de cartografiere a creierului asupra DD, care ar trebui să necesite dimensiuni mai mici ale eșantioanelor pentru a detecta efectele adevărate. și, prin urmare, nu există nicio contradicție între rezultatele noastre și constatările din acele studii.

Nu am putut găsi o asociere între o preferință pentru recompense imediate și oricare dintre testele WM (LSWMT și 2-înapoi). În mod similar, nu a existat nicio asociere a DD cu EM verbală sau nonverbală în datele HCP. Aceste rezultate sunt în conformitate cu un studiu recent (Yeh et al. 2021), pe care îl completăm prin includerea 2-sarcina din spate și un tratament statistic mai strict, pentru analiza datelor structurale ale creierului. Deși Shamosh și colab. (2008) au raportat o legătură între WM mai scăzut și o preferință pentru recompense imediate, această corelație nu era specifică WM, deoarece în datele lor această abilitate nu explica variația DD dincolo de cea explicată de inteligența generală. Când s-au corectat asocierile numai pentru vârstă și sex, DD a fost corelat negativ semnificativ cu scorurile LSWMT, 2-spate și verbal EM (vezi Materialul suplimentar), dar această corelație nu a mai fost semnificativă la ajustarea pentru variabilele statutului socioeconomic (care ar trebui să țină seama deja parțial de funcţia cognitivă generală). Astfel, considerațiile noastre de mai sus cu privire la asocierile false din cauza variabilelor neplăcute și a constatărilor ireproductibile atunci când se utilizează eșantioane mici se aplică și acestor analize.

O limitare a studiului nostru este că analizele noastre nu au fost preînregistrate și, prin urmare, asociațiile raportate nu pot fi considerate confirmatoare. Cu toate acestea, credem că o contribuție importantă a acestor rezultate este furnizarea de estimări mai precise ale mărimii efectului pentru relațiile dintre măsurile cognitive, imagistica structurală și opțiunile intertemporale, datorită dimensiunii eșantionului considerabil mai mare a studiilor anterioare. O altă limitare este fiabilitatea scăzută a ratelor de actualizare. Parametrii sarcinilor au fost criticați pentru fiabilitatea lor scăzută de testare-retestare (Enkavi et al. 2019) și, în domeniul aferent preferințelor de risc, pentru lipsa de coerență în paradigmele experimentale (Pedroni et al.2017). Aceste motive pot explica parțial lipsa de asocieri cu structura creierului pe care le-am găsit și reproductibilitatea scăzută a constatărilor din studii. O cale de viitor crucială ar trebui să fie proiectarea unor paradigme noi pentru a măsura DD cu o fiabilitate îmbunătățită. O posibilă cale de avans poate consta în obținerea de scoruri rezumate care combină mai mulți parametri de sarcină pentru a obține o fiabilitate mai mare și utilizarea metodelor multivariate pentru a crește șansele de a găsi asocieri creier-comportament (Moutoussis et al.2021).

Având în vedere importanța DD în studiul psihopatologiei, este fundamental să se determine în mod robust schelele neurobiologice subiacente. Prin valorificarea unui set mare de date neuroimagistice, prezentul studiu ajută la reconcilierea disparităților din literatura de specialitate privind corelațiile substanței cenușii și albe ale DD. Această trăsătură comportamentală a fost asociată negativ cu GMV în regiunile temporale anterioare și, important, efectul structural identificat a fost mic, astfel încât ar fi puțin probabil să fie detectat în eșantioane cu o dimensiune comparabilă cu cea găsită în multe studii conexe. Per total, asocierile cu abilitățile cognitive și structura creierului pot fi mai slabe decât sugerează rapoartele anterioare. Rezultatele noastre solicită dezvoltarea unor măsuri mai solide ale DD și implementarea unor studii de neuroimagistică cu dimensiuni mai mari ale eșantionului decât ceea ce a fost obișnuit în domeniu, precum și un control adecvat pentru posibilii factori de confuzie.

Mulțumiri

Mulțumim lui Mats Erikson și Kajsa Burström pentru colectarea datelor. Suntem recunoscători pentru setul de date cu acces deschis oferit de Human Connectome Project, WU-MinnConsortium (investigatori principali: David Van Essen și Kamil Ugurbil; 1U54MH091657).

Material suplimentar

Materialul suplimentar este disponibil la Cerebral Cortexonline.

Finanțarea

Această lucrare a fost susținută de Consiliul de Cercetare Suedez (numărul de grant VR521-2013-2589 către MG-M), un premiu de cercetare Alexander von Humboldt (LB) și donație de la Fundația AF Jochnick (LB).

Declarație privind conflictul de interese: Dr. Zeb Kurth-Nelson este angajat de DeepMind. Autorii rămași nu declară conflict de interese.

Referințe

1. Addis DR, Wong AT, Schacter DL. Amintirea trecutului și imaginarea viitorului: substraturi neuronale comune și distincte în timpul construcției și elaborării evenimentului. Neurophologie. 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. Reducerea temporală a recompenselor la pacienții cu tulburare bipolară și schizofrenie. J Abnorm Psychol. 2011:120:911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Discounting abrupt delay and addictive behavior: a meta-analysis of continuousassociations. Dependenta. 2017:112:51–62.

4. Ashburner J, Friston KJ. Morfometrie bazată pe voxel-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 și colab. Funcția în conectomul uman: Sarcina-fMRI și diferențele individuale în comportament. NeuroImage. 2013:80:169–189.

For more information:1950477648nn@gmail.com