LPFC Organisation i Emotion-Varighed Difference Estimation

Oversigt. n=50 deltagere fra UC Santa Barbara og det større Santa Barbara-samfund vil blive rekrutteret og inviteret til at deltage i en multi-session fMRI/TMS+fMRI undersøgelse. Berettigelseskriterier er blevet beskrevet og inkluderer fMRI- og TMS-sikkerhedskriterier.

Adfærdsopgave. For at teste hypotesen om, at den laterale frontale pol (FPl) repræsenterer følelser og tidsmæssige signaler og integrerer dem for at informere kontekstuelle handlingsmålrepræsentationer i den midt-laterale præfrontale cortex (midt-LPFC), vil vi bruge en velvalideret opgave, der manipulerer tid og følelsesmæssige valensfaktorer til at informere kontekstafhængige handlingsmål, Emotional Sequences Task. I hvert forsøg ser deltagerne 12-sek. sekvenser af 4 nye negative og positive billeder (hændelser). Halvdelen af ​​forsøgene har længerevarende negative (vs. positive) billedpræsentationer og omvendt, hvilket giver større tidsmæssig evidens for enten positiv eller negativ følelsesmæssig valens. Mængden af ​​tidsmæssig evidens til fordel for én valens i en 12-sek. sekvens (∆ Tidsmæssig evidens: 1200ms vs 1800ms) varieres ortogonalt i forhold til den dominerende følelsesmæssige valens ved at variere individuelle billedpræsentationstider (2000ms-4000ms; rystet). I slutningen af ​​hver sekvens angiver deltagerne, om den samlede varighed af positive eller negative hændelser var længere med et tryk på knappen (venstre vs. højre), efter en handlings-mapping-regel (kontekstuelle mål-cue).

Procedure. fMRI erhvervelse. Ved at bruge en 64-kanals spole i 3T Prisma Siemens MRI-scanneren placeret på UCSB's Brain Imaging Center (BIC), vil vi indsamle helhjerne-EPI'er (multibåndsfaktor=3; 2,5 mm3 isotrope voxels; TR=1,5 s; TE=30 ms ; FA=65°) og T1-vægtede billeder til rumlig normalisering og TMS neuronavigation (0,94 mm3; TR=2,5 s; TE=2,19 ms; FA=7°). fMRI databehandling og modellering. Efter vores tidligere arbejde (se (2)), vil fMRI-databehandling, i FSL og Python, omfatte bevægelses- og skivetidskorrektion, 3 mm FWHM-udjævning og justering til T1-rum, der opretholder native funktionel opløsning. Forsøgsvise BOLD-aktiveringsparametre for følelsesmæssige sekvens- og handlingsforberedelsesepoker vil blive opnået ved hjælp af en kanonisk HRF i en Least-Squares All (LS-A)(3) GLM og regulariseret ved hjælp af multivariat støjnormalisering(4) for at fjerne generende inter- voxel-korrelationer på grund af fysiologisk og/eller instrumentstøj. Regioner af interesse (ROI'er). PFC-LPFC: FPI og mid-LPFC (BA46 & 9-46); mPFC: BA25 og BA32-Oxford PFC konsensusatlas(5-7) og overfladebaseret segmentering i Freesurfer(8) tilpasset individuelt T1-rum. Amygdala ROIs-CITI atlas(9) og ANTs registrering til T1 space. fMRI-analyse: Oversigt. Mål 1-1b: Vi vil modellere følgende faktorer: overvejende følelsesmæssig valens (positiv vs. negativ; herefter, følelser), # tidsmæssigt bevis (1200ms vs. 1800ms; herefter, tid) og handlingsmål (regelbaseret venstre vs. højre; herefter handling). MVPA. For at replikere vores tidligere arbejde(2), som viste lineær afkodning af følelsesmæssig valens i FPl, og handlingsmål i FPl og midt-LPFC, vil vi bruge en multivariat logistisk klassifikator, der kører på z-scorede data for hvert emne, ROI og opgave epoke (følelsesmæssige sekvenser og handlingsforberedelse) i Nilearn. Klassificeringspræstation vil blive evalueret ved hjælp af arealet under kurven (AUC; chancepræstation = 0,5) og krydsvalidering efter en-udløb (som giver kørselsvise klassificerings-AUC'er). Blandede modeller: Oversigt. Her og hele vejen igennem bruger vi blandede modeller (lme4(10)), der indtaster emne og kører som tilfældige faktorer. Klassificering blandede modeller. Classifier AUC er testet mod tilfældigheder ved hjælp af blandede modeller, der kombinerer kørselsvise klassificerings-AUC'er på tværs af emner. Repræsentativ lighedsanalyse (RSA). Fuldfaktoriel RSA tester, om lighedsstrukturen mellem multivoxel neurale aktivitetsmønstre (dvs. den neurale lighedsmatrix) er forklaret af eksperimentelle faktorer - her, følelsesmæssig valens, tid, handlingsmål og, kritisk, deres interaktion (2) . Vi vil opnå neurale lighedsmatricer for hver deltager, ROI og opgaveepoke ved at beregne Pearson-korrelationer mellem par af trial-wise multivoxel-mønstre i en mellem-runs korrelationstilgang, som minimerer oppustede korrelationer på grund af dataafhængigheder og autokorrelation. RSA blandede modeller. Dernæst vil vi tilpasse en multipel regression blandet model for hver ROI ved hjælp af tilstandsspecifikke skabelonmatricer (hver skabelonmatrix er inkluderet i emnefejltermen). Vi vil tilpasse følelses-, tid- og følelses*tidsregressorer (epoke med følelsesmæssige sekvenser). Denne model tester, om tid og følelser signifikant forklarer lighedsstrukturen af ​​FPl og mid-LPFC neurale aktivitetsmønstre, og, kritisk, om de interagerer (dvs. i konjunktive repræsentationer (11,12)). For at teste om mid-LPFC og Fpl repræsenterer handlingsmål, vil vi montere en handlingsmålregressor (handlingsforberedelsesepoke); en sekundær model vil inkludere følelser og tid som interaktive regressorer (følelse*handling, tid*handling, følelse*tid*handling) for at undersøge, om handlingsmålrepræsentationer er uændrede af valens i midten af ​​LPFC (vs. FPl) (som vi tidligere fandt(2)), eller om disse faktorer er integreret i midten af ​​LPFC i denne opgave. Den adfærdsmæssige relevans af tid, følelser og målsignaler i LPFC. Vi vil teste den forudsagte adfærdsmæssige import af integrerede tidsfølelsessignaler i FPI ved at regressere tilpasningen af ​​emotion*tidsregressorer i FPI (RSA-betaer) på nøjagtighed i Emotional Sequences Task. Fpl-midt-LPFC-interaktioner: Funktionel tilslutning og tværregional repræsentationsbevis. Vi vil teste, om FPl's integrerede tidsfølelsessignaler kan informere mid-LPFC-funktion ved at regressere (a) FPl's emotion*time fits (RSA-betaer) og (b) FPl-mid-LPFC's funktionelle forbindelse (PPI-betaer) på mid-LPFC's handling -målsignaler (AUC). Statistisk rigor. Her og hele vejen igennem er alle p-værdier FDR-justeret for at korrigere for flere sammenligninger. Regional og repræsentationel specificitet i LPFC testes formelt ved at indtaste region (FPl vs. mid-LPFC) som en interaktiv regressor i ovenfor beskrevne blandede modeller.

Vi vil bringe deltagere fra eksperiment 1.1 (Mål 1) til 3 TMS+fMRI-sessioner rettet mod FPl, mid-LPFC og en ikke-PFC-kontrol (S1) (rækkefølge modvægtet på tværs af emner). Hver TMS-administration vil blive efterfulgt af fMRI-scanning af den følelsesmæssige sekvensopgave. Eksperiment 1.2 tester en kausal rolle for FPl-funktionen i (a) at informere handling-mål repræsentationer i midten af ​​LPFC og (b) opgaveudførelse (kræver nøjagtig sporing af tidsmæssigt udvidet følelsesmæssig information); sammenlignet med eksperiment 1.3, som retter sig mod handling-mål-signaler midt i LPFC, og eksperiment 1.4, som retter sig mod en ikke-PFC-kontrol (S1).

Procedure. Informationsstyret TMS. Efter andres(13) og vores(1) nylige arbejde vil individualiserede LPFC TMS-websteder målrette topplaceringen af ​​opgaverelevant klassifikator-evidens - følelsesmæssig valens i FPl og handlingsmål midt i LPFC - som afsløret af et sfærisk søgelys ( 7,5 mm radius) kørt på fMRI-data opnået ved baseline (eksperiment 1.1; mål 1) begrænset af relevante anatomiske ROI'er (se ROI'er, mål 1). S1-mål er defineret ud fra anatomi(14-17). TMS-steder vil på forhånd være begrænset til venstre hjernehalvdel givet mere konsekvent engagement af venstre vs. højre LPFC under kognitiv kontrol(18-20) og følelsesregulering(15,21). TMS protokol. TMS vil blive leveret ved hjælp af en Magstim Horizon Lite magnetisk stimulator og en ottetalsspole. Præcis TMS-målretning opnås ved hjælp af T1-vægtede scanninger og computeriseret stereotaksisk system (Brainsight). Som i vores tidligere arbejde vil vi bruge en offline cTBS-protokol (50Hz-tog af 3 pulser hver 200 ms; 40 s; Huang et al. 2005), som reducerer kortikal aktivitet i op til 60 minutter efter stimulering. Spørgeskemaer. Vi vil vurdere humør før og efter TMS ved hjælp af PANAS(22) og STAI(23). fMRI analyse. Vi vil gennemføre MVPA og RSA (detaljeret i mål 1). Statistisk rigor. Se mål 1; her testes TMS-stedspecificitet ved at indtaste TMS-sted (FPl vs. mid-LPFC vs. Kontrol/S1) som en interaktiv faktor i ovenfor beskrevne blandede modeller (klassifikator AUC og RSA); alle p-værdier FDR korrigeret for flere sammenligninger.