Organizace LPFC v odhadu rozdílu mezi emocemi a trváním

Přehled. n=50 účastníků z UC Santa Barbara a větší komunity v Santa Barbaře bude přijato a pozváno k účasti ve studii fMRI/TMS+fMRI s více sezeními. Kritéria způsobilosti byla popsána a zahrnují bezpečnostní kritéria fMRI a TMS.

Behaviorální úkol. Abychom otestovali hypotézu, že laterální frontální pól (FPl) představuje emoce a časové signály a integruje je do reprezentace kontextuálních akčních cílů ve středolaterálním prefrontálním kortexu (střední LPFC), použijeme dobře ověřenou úlohu, která manipuluje s časem. a faktory emoční valence k informování o cílech akcí závislých na kontextu, úkolu Emoční sekvence. V každé studii účastníci sledují 12sekundové sekvence 4 nových negativních a pozitivních obrázků (událostí). Polovina studií obsahuje déletrvající negativní (vs. pozitivní) obrazové prezentace a naopak, poskytující větší časové důkazy pro pozitivní nebo negativní emoční valenci. Množství časových důkazů ve prospěch jedné valence ve 12sekundové sekvenci (∆ Časové důkazy: 1200 ms vs 1800 ms) se mění ortogonálně s ohledem na převládající emoční valenci měnícími se časy prezentace jednotlivých obrázků (2000 ms-4000 ms; jittered). Na konci každé sekvence účastníci označí, zda byla celková doba trvání pozitivních nebo negativních událostí delší, stisknutím tlačítka (vlevo vs. vpravo), podle pravidla mapování akcí (kontextové narážka na cíl).

Postup. akvizice fMRI. Pomocí 64kanálové cívky v 3T Prisma Siemens MRI skeneru umístěném v Brain Imaging Center (BIC) UCSB budeme shromažďovat EPI celého mozku (multipásmový faktor=3; 2,5 mm3 izotropní voxely; TR=1,5 s; TE=30 ms FA=65°) a T1-vážené snímky pro prostorovou normalizaci a TMS neuronavigaci (0,94 mm3; TR=2,5 s; TE=2,19 ms; FA=7°). Zpracování a modelování dat fMRI. V návaznosti na naši předchozí práci (viz(2) bude zpracování dat fMRI ve FSL a Pythonu zahrnovat korekci času pohybu a řezu, 3mm FWHM vyhlazování a zarovnání do prostoru T1 při zachování přirozeného funkčního rozlišení. Trial-wise BOLD aktivační parametry pro epochy emoční sekvence a přípravy akce budou získány pomocí kanonické HRF v GLM s nejmenšími čtverci (LS-A)(3) a regulovány pomocí multivariační normalizace šumu(4), aby se odstranily rušivé inter- voxelové korelace způsobené fyziologickým a/nebo přístrojovým šumem. Oblasti zájmu (ROI). PFC-LPFC: FP1 a střední LPFC (BA46 & 9-46); mPFC: BA25 a BA32-Oxford PFC konsenzuální atlas(5-7) a povrchová segmentace ve Freesurfer(8) zarovnané s individuálním prostorem T1. Amygdala ROIs-CITI atlas(9) a registrace ANT do prostoru T1. fMRI analýza: Přehled. Cíle 1-1b: Budeme modelovat následující faktory: převládající emoční valenci (pozitivní vs. negativní; dále emoce), # dočasný důkaz (1200 ms vs. 1800 ms; dále čas) a akční cíle (na základě pravidel levice vs. správně; dále akce). MVPA. Abychom replikovali naši předchozí práci (2), která ukázala lineární dekódování emocionální valence ve FPl a akční cíle ve FPl a střední LPFC, použijeme multivariační logistický klasifikátor běžící na datech skórovaných z pro každý subjekt, ROI a úkol. epocha (emocionální sekvence a akční příprava) v Nilearnu. Výkon klasifikátoru bude vyhodnocen pomocí plochy pod křivkou (AUC; náhodný výkon = 0,5) a křížové validace typu „nevyhovující-jeden výběh“ (výtěžek AUC klasifikátoru po běhu). Smíšené modely: Přehled. Zde a všude používáme smíšené modely (lme4(10)), které zadávají předmět a běh jako náhodné faktory. Smíšené modely klasifikátoru. AUC klasifikátoru se testuje proti náhodě pomocí smíšených modelů kombinujících průběžné AUC klasifikátoru mezi subjekty. Analýza reprezentativní podobnosti (RSA). Full-faktoriální RSA testuje, zda je struktura podobnosti mezi testy multivoxelových vzorců neurální aktivity (tj. matice neurální podobnosti) vysvětlena experimentálními faktory – zde emocionální valence, čas, akční cíle a kriticky jejich interakce(2) . Získáme matice neurální podobnosti pro každého účastníka, ROI a epochu úkolu výpočtem Pearsonových korelací mezi páry zkušebních multivoxelových vzorů v meziběhovém korelačním přístupu, který minimalizuje nafouknuté korelace kvůli závislostem na datech a autokorelaci. RSA smíšené modely. Dále přizpůsobíme vícenásobný regresní smíšený model pro každou ROI pomocí šablonových matic specifických pro podmínky (každá šablonová matice je zahrnuta v předmětu chyby). Přizpůsobíme regresory emocí, času a emocí*času (epocha emocionálních sekvencí). Tento model testuje, zda čas a emoce významně vysvětlují podobnostní strukturu vzorců FPl a střední LPFC neurální aktivity a kriticky, zda se vzájemně ovlivňují (tj. v konjunktivních reprezentacích (11, 12)). Abychom otestovali, zda střední LPFC a FPl představují akční cíle, použijeme regresor akčního cíle (epocha přípravy akce); sekundární model bude zahrnovat emoce a čas jako interaktivní regresory (emoce*akce, čas*akce, emoce*čas*akce), aby se zjistilo, zda reprezentace akčního cíle nejsou ovlivněny valencí uprostřed LPFC (vs. FPl) (jak jsme již dříve zjistili(2)) nebo zda jsou tyto faktory v této úloze integrovány v polovině LPFC. Behaviorální význam signálu času, emocí a cílů v LPFC. Budeme testovat předpokládaný behaviorální import integrovaných časo-emočních signálů ve FPl regresí přizpůsobení regresorů emoce*čas ve FPl (RSA beta) na přesnost v úloze Emotional Sequences Task. Interakce FPl-střední LPFC: Funkční konektivita a meziregionální reprezentativní důkaz. Budeme testovat, zda integrované signály časových emocí FPl mohou informovat funkci středního LPFC regresí (a) Emotion*time fits (RSA beta) a (b) funkční konektivity FPl-mid-LPFC (PPI beta) na akci středního LPFC. -cílové signály (AUC). Statistická přísnost. Zde a v celém textu jsou všechny hodnoty p upraveny podle FDR, aby byly opraveny pro vícenásobná srovnání. Regionální a reprezentativní specificita v LPFC je formálně testována zadáním regionu (FPl vs. střední LPFC) jako interaktivního regresoru ve výše popsaných smíšených modelech.

Přivedeme účastníky z experimentu 1.1 (cíl 1) na 3 sezení TMS+fMRI zaměřené na FPl, střední LPFC a kontrolu bez PFC (S1) (vyvážené pořadí mezi subjekty). Po každém podání TMS bude následovat fMRI skenování úlohy Emotional Sequences Task. Experiment 1.2 testuje kauzální roli funkce FPl v (a) informování reprezentací akčních cílů uprostřed LPFC a (b) plnění úkolů (vyžadujících přesné sledování časově rozšířených emočních informací); ve srovnání s Experimentem 1.3, který se zaměřuje na signály akčního cíle uprostřed LPFC, a Experimentem 1.4, který se zaměřuje na kontrolu bez PFC (S1).

Postup. Informačním průvodcem TMS. Po nedávné práci ostatních(13) a naší(1) se individualizované stránky LPFC TMS zaměří na nejvyšší umístění klasifikátoru relevantního pro úkol – emocionální valence ve FPl a akční cíle v polovině LPFC – jak odhalil sférický světlomet ( 7,5 mm poloměr) běží na datech fMRI získaných na začátku (Experiment 1.1; Cíl 1) omezených relevantními anatomickými ROI (viz ROI, Cíl 1). Cíle S1 jsou definovány na základě anatomie (14-17). Místa TMS budou a priori omezena na levou hemisféru vzhledem k konzistentnějšímu zapojení levé vs. pravé LPFC během kognitivní kontroly (18-20) a regulace emocí (15, 21). protokol TMS. TMS bude dodáván pomocí magnetického stimulátoru Magstim Horizon Lite a osmičkové cívky. Přesného cílení TMS je dosaženo pomocí T1-vážených skenů a počítačového stereotaxického systému (Brainsight). Stejně jako v naší předchozí práci budeme používat offline protokol cTBS (50Hz sledy 3 pulzů každých 200 ms; 40 s; Huang et al. 2005), který snižuje kortikální aktivitu až na 60 minut po stimulaci. Dotazníky. Zhodnotíme náladu před a po TMS pomocí PANAS(22) a STAI(23). fMRI analýza. Provedeme MVPA a RSA (podrobně v cíli 1). Statistická přísnost. Viz cíl 1; zde se testuje specificita místa TMS zadáním místa TMS (FPl vs. střední LPFC vs. kontrola/S1) jako interaktivního faktoru ve výše popsaných smíšených modelech (klasifikátor AUC a RSA); všechny p-hodnoty FDR korigované pro vícenásobná srovnání.