LPFC-Organisation bei der Schätzung der Emotionsdauerdifferenz

Überblick. n=50 Teilnehmer von der UC Santa Barbara und der größeren Santa Barbara-Gemeinde werden rekrutiert und zur Teilnahme an einer fMRT/TMS+fMRT-Studie mit mehreren Sitzungen eingeladen. Die Zulassungskriterien wurden beschrieben und umfassen fMRT- und TMS-Sicherheitskriterien.

Verhaltensaufgabe. Um die Hypothese zu testen, dass der laterale Frontalpol (FPl) Emotionen und zeitliche Signale repräsentiert und diese integriert, um kontextuelle Handlungszieldarstellungen im mittleren lateralen präfrontalen Kortex (mittlerer LPFC) zu informieren, werden wir eine gut validierte Aufgabe verwenden, die die Zeit manipuliert und emotionale Valenzfaktoren zur Information über kontextabhängige Handlungsziele, die Emotional Sequences Task. In jedem Versuch sehen sich die Teilnehmer 12-s-Sequenzen von 4 neuartigen negativen und positiven Bildern (Ereignissen) an. Die Hälfte der Versuche beinhaltet länger anhaltende negative (im Vergleich zu positiven) Bildpräsentationen und umgekehrt, was zu größeren zeitlichen Belegen für positive oder negative emotionale Valenz führt. Die Menge der zeitlichen Beweise zugunsten einer Valenz in einer 12-s-Sequenz (∆ zeitliche Beweise: 1200 ms vs. 1800 ms) wird orthogonal in Bezug auf die vorherrschende emotionale Valenz variiert, indem die individuellen Bildpräsentationszeiten variiert werden (2000 ms–4000 ms; zittert). Am Ende jeder Sequenz geben die Teilnehmer per Knopfdruck (Links vs. Rechts) an, ob die Gesamtdauer positiver oder negativer Ereignisse länger war, und folgen dabei einer Action-Mapping-Regel (Contextual Goal Cue).

Verfahren. fMRT-Erfassung. Mit einer 64-Kanal-Spule im 3T Prisma Siemens MRT-Scanner im Brain Imaging Center (BIC) der UCSB werden wir EPIs des gesamten Gehirns sammeln (Multibandfaktor = 3; 2,5 mm3 isotrope Voxel; TR = 1,5 s; TE = 30 ms). ; FA=65°) und T1-gewichtete Bilder für räumliche Normalisierung und TMS-Neuronavigation (0,94 mm3; TR=2,5 s; TE=2,19 ms; FA=7°). fMRT-Datenverarbeitung und -modellierung. Im Anschluss an unsere vorherige Arbeit (siehe (2)) wird die fMRI-Datenverarbeitung in FSL und Python Bewegungs- und Schichtzeitkorrektur, 3-mm-FWHM-Glättung und Ausrichtung auf den T1-Raum umfassen, wobei die native funktionale Auflösung erhalten bleibt. Versuchsweise werden BOLD-Aktivierungsparameter für emotionale Sequenz- und Handlungsvorbereitungsepochen mithilfe einer kanonischen HRF in einem Least-Squares All (LS-A)(3)-GLM ermittelt und mithilfe multivariater Rauschnormalisierung(4) reguliert, um störende Interferenzen zu beseitigen. Voxelkorrelationen aufgrund von physiologischem und/oder instrumentellem Rauschen. Interessengebiete (ROIs). PFC-LPFC: FPl und mittleres LPFC (BA46 & 9-46); mPFC: BA25- und BA32-Oxford-PFC-Konsensatlas (5–7) und oberflächenbasierte Segmentierung in Freesurfer (8), abgestimmt auf den individuellen T1-Raum. Amygdala ROIs-CITI-Atlas (9) und ANTs-Registrierung im T1-Raum. fMRT-Analyse: Übersicht. Ziele 1-1b: Wir werden die folgenden Faktoren modellieren: vorherrschende emotionale Valenz (positiv vs. negativ; im Folgenden Emotion), # zeitliche Evidenz (1200 ms vs. 1800 ms; im Folgenden Zeit) und Handlungsziele (regelbasiertes Links vs. rechts; im Folgenden Handlung). MVPA. Um unsere frühere Arbeit (2) zu reproduzieren, die eine lineare Dekodierung der emotionalen Valenz in FPl und der Handlungsziele in FPl und mittlerem LPFC zeigte, werden wir einen multivariaten logistischen Klassifikator verwenden, der auf Z-bewerteten Daten für jedes Subjekt, jeden ROI und jede Aufgabe ausgeführt wird Epoche (emotionale Sequenzen und Handlungsvorbereitung) in Nilearn. Die Leistung des Klassifikators wird anhand der Fläche unter der Kurve (AUC; Zufallsleistung = 0,5) und der Leave-One-Run-Out-Kreuzvalidierung (die laufweise Klassifikator-AUCs ergibt) bewertet. Gemischte Modelle: Übersicht. Hier und überall verwenden wir gemischte Modelle (lme4(10)), die Subjekt und Lauf als Zufallsfaktoren eingeben. Gemischte Klassifikatormodelle. Die Klassifikator-AUC wird mithilfe gemischter Modelle, die die laufweisen Klassifikator-AUCs verschiedener Probanden kombinieren, zufällig getestet. Darstellungsähnlichkeitsanalyse (RSA). Vollfaktorielle RSA testet, ob die Ähnlichkeitsstruktur von Multivoxel-Neuronalaktivitätsmustern zwischen Versuchen (d. h. die neuronale Ähnlichkeitsmatrix) durch experimentelle Faktoren erklärt wird – hier emotionale Valenz, Zeit, Handlungsziele und, was entscheidend ist, deren Interaktion(2) . Wir werden neuronale Ähnlichkeitsmatrizen für jeden Teilnehmer, jeden ROI und jede Aufgabenepoche erhalten, indem wir Pearson-Korrelationen zwischen Paaren von versuchsweisen Multivoxelmustern in einem Korrelationsansatz zwischen Durchläufen berechnen, der überhöhte Korrelationen aufgrund von Datenabhängigkeiten und Autokorrelation minimiert. Gemischte RSA-Modelle. Als Nächstes passen wir ein gemischtes Mehrfachregressionsmodell für jeden ROI mithilfe bedingungsspezifischer Vorlagenmatrizen an (jede Vorlagenmatrix ist im Subjektfehlerterm enthalten). Wir werden Emotions-, Zeit- und Emotion*Zeit-Regressoren anpassen (Epoche der emotionalen Sequenzen). Dieses Modell testet, ob Zeit und Emotionen die Ähnlichkeitsstruktur von FPl- und Mid-LPFC-Neuronalaktivitätsmustern signifikant erklären und, was entscheidend ist, ob sie interagieren (d. h. in konjunktiven Darstellungen (11,12)). Um zu testen, ob Mid-LPFC und FPl Aktionsziele darstellen, werden wir einen Aktionsziel-Regressor (Aktionsvorbereitungsepoche) anpassen. Ein sekundäres Modell wird Emotion und Zeit als interaktive Regressoren (Emotion*Aktion, Zeit*Aktion, Emotion*Zeit*Aktion) einbeziehen, um zu untersuchen, ob die Darstellung von Aktionszielen durch die Valenz in der Mitte des LPFC unverändert bleibt (vs. FPl) (wie wir zuvor gefunden haben(2)) oder ob diese Faktoren in der Mitte von LPFC in diese Aufgabe integriert sind. Die Verhaltensrelevanz von Zeit-, Emotions- und Zielsignalen bei LPFC. Wir werden den vorhergesagten Verhaltensimport integrierter Zeit-Emotionssignale in FPl testen, indem wir die Anpassung von Emotion*Zeit-Regressoren in FPl (RSA-Betas) auf die Genauigkeit in der Aufgabe „Emotionale Sequenzen“ zurückführen. FPl-mid-LPFC-Wechselwirkungen: Funktionelle Konnektivität und überregionale repräsentative Beweise. Wir werden testen, ob die integrierten Zeit-Emotionssignale von FPl die Funktion der mittleren LPFC beeinflussen können, indem wir (a) die Emotion*Zeit-Anpassungen (RSA-Betas) von FPl und (b) die funktionale Konnektivität (PPI-Betas) von FPl-mid-LPFC auf die Aktion der mittleren LPFC zurückführen -Zielsignale (AUC). Statistische Genauigkeit. Hier und überall werden alle p-Werte FDR-angepasst, um Mehrfachvergleiche zu korrigieren. Die regionale und repräsentative Spezifität in LPFC wird formal getestet, indem die Region (FPl vs. Mid-LPFC) als interaktiver Regressor in die oben beschriebenen gemischten Modelle eingegeben wird.

Wir werden Teilnehmer aus Experiment 1.1 (Ziel 1) für 3 TMS+fMRI-Sitzungen mitbringen, die auf FPl, mittlere LPFC und eine Nicht-PFC-Kontrolle (S1) abzielen (Reihenfolge bei allen Probanden ausgeglichen). Auf jede TMS-Verabreichung folgt ein fMRT-Scan der Aufgabe „Emotionale Sequenzen“. Experiment 1.2 testet eine kausale Rolle der FPl-Funktion bei (a) der Information über Handlungszieldarstellungen in der Mitte des LPFC und (b) der Aufgabenerfüllung (die eine genaue Verfolgung zeitlich ausgedehnter emotionaler Informationen erfordert); im Vergleich zu Experiment 1.3, das auf Aktions-Zielsignale in der Mitte des LPFC abzielt, und Experiment 1.4, das auf eine Nicht-PFC-Kontrolle (S1) abzielt.

Verfahren. Informationsgesteuertes TMS. In Anlehnung an die jüngsten Arbeiten anderer (13) und unserer (1) zielen individualisierte LPFC-TMS-Sites auf den Spitzenort aufgabenrelevanter Klassifizierungsnachweise ab – emotionale Valenz in FPl und Handlungsziele in der Mitte von LPFC – wie durch einen sphärischen Suchscheinwerfer aufgedeckt ( 7,5 mm Radius) laufen auf fMRT-Daten, die zu Studienbeginn erhalten wurden (Experiment 1.1; Ziel 1), eingeschränkt durch relevante anatomische ROIs (siehe ROIs, Ziel 1). S1-Ziele werden basierend auf der Anatomie definiert (14-17). TMS-Standorte werden von vornherein auf die linke Hemisphäre beschränkt, da die linke vs. rechte LPFC während der kognitiven Kontrolle (18–20) und der Emotionsregulation (15,21) konsistenter eingesetzt wird. TMS-Protokoll. TMS wird mit einem Magnetstimulator Magstim Horizon Lite und einer Spule in Form einer Acht verabreicht. Präzises TMS-Targeting wird mithilfe von T1-gewichteten Scans und einem computergestützten stereotaktischen System (Brainsight) erreicht. Wie in unserer vorherigen Arbeit werden wir ein Offline-cTBS-Protokoll (50-Hz-Züge mit 3 Impulsen alle 200 ms; 40 s; Huang et al. 2005) verwenden, das die kortikale Aktivität bis zu 60 Minuten nach der Stimulation reduziert. Fragebögen. Wir werden die Stimmung vor und nach TMS mithilfe von PANAS (22) und STAI (23) beurteilen. fMRT-Analyse. Wir werden MVPA und RSA durchführen (detailliert in Ziel 1). Statistische Genauigkeit. Siehe Ziel 1; hier wird die TMS-Standortspezifität getestet, indem der TMS-Standort (FPl vs. Mid-LPFC vs. Control/S1) als interaktiver Faktor in die oben beschriebenen gemischten Modelle (Klassifikator AUC und RSA) eingegeben wird; alle p-Werte FDR-korrigiert für mehrere Vergleiche.