LPFC-organisaatio tunne-kesto-eron arvioinnissa

Yleiskatsaus. n = 50 osallistujaa UC Santa Barbarasta ja suuremmasta Santa Barbaran yhteisöstä rekrytoidaan ja kutsutaan osallistumaan usean istunnon fMRI/TMS+fMRI-tutkimukseen. Kelpoisuuskriteerit on kuvattu, ja ne sisältävät fMRI- ja TMS-turvallisuuskriteerit.

Käyttäytymistehtävä. Testataksemme hypoteesia, jonka mukaan lateraalinen frontaalinen napa (FPl) edustaa tunteita ja ajallisia signaaleja ja integroi ne kontekstuaalisten toimintotavoitteiden esityksiin keskisivuisessa prefrontaalikorteksissa (mid-LPFC), käytämme hyvin validoitua tehtävää, joka manipuloi aikaa. ja emotionaaliset valenssitekijät, jotka kertovat kontekstista riippuvaisista toimintatavoitteista, Emotional Sequences Task. Jokaisessa kokeessa osallistujat katselevat 12 sekunnin jaksoja, joissa on neljä uutta negatiivista ja positiivista kuvaa (tapahtumaa). Puolet kokeista sisältää pidempään kestäviä negatiivisia (vs. positiivisia) kuvaesityksiä ja päinvastoin, mikä tuottaa enemmän ajallista näyttöä joko positiivisesta tai negatiivisesta tunnevalenssista. Ajallisen todisteen määrää yhden valenssin puolesta 12 sekunnin jaksossa (∆ ajallinen näyttö: 1200 ms vs 1800 ms) vaihdellaan ortogonaalisesti vallitsevan tunnevalenssin suhteen vaihtelemalla yksittäisten kuvien esitysaikoja (2000 ms-4000 ms; värinää). Jokaisen sekvenssin lopussa osallistujat ilmoittavat, oliko positiivisten vai negatiivisten tapahtumien kokonaiskesto pidempi painikkeen painalluksella (vasen vs. oikea) toimintokartoitussäännön (Contextual Goal Cue) mukaisesti.

Menettely. fMRI-hankinta. UCSB:n Brain Imaging Centerissä (BIC) sijaitsevan 3T Prisma Siemens MRI-skannerin 64-kanavaisen kelan avulla keräämme kokoaivojen EPI:itä (monikaistatekijä = 3; 2,5 mm3 isotrooppisia vokseleita; TR = 1,5 s; TE = 30 ms FA=65°) ja T1-painotetut kuvat spatiaalista normalisointia ja TMS-neuronavigaatiota varten (0,94 mm3; TR=2,5 s; TE=2,19 ms; FA=7°). fMRI-tietojen käsittely ja mallintaminen. Aiemman työmme (katso (2)) jälkeen fMRI-tietojen käsittely FSL:ssä ja Pythonissa sisältää liike- ja viipaleaikakorjauksen, 3 mm:n FWHM-tasoituksen ja kohdistuksen T1-avaruuteen säilyttäen alkuperäisen toiminnallisen resoluution. Kokeilukohtaiset BOLD-aktivointiparametrit emotionaalisille sekvenssi- ja toiminnan valmisteluvaiheille saadaan käyttämällä kanonista HRF:ää pienimmän neliösumman (LS-A)(3) GLM:ssä ja normalisoidaan käyttämällä monimuuttujakohinan normalisointia(4) häiriöiden poistamiseksi. fysiologisista ja/tai instrumenteista johtuvia vokselikorrelaatioita. Kiinnostavat alueet (ROI). PFC-LPFC: FPl ja mid-LPFC (BA46 & 9-46); mPFC: BA25 ja BA32-Oxford PFC-konsensusatlas(5-7) ja pintapohjainen segmentointi Freesurferissa(8) kohdistettuna yksittäiseen T1-avaruuteen. Amygdala ROIs-CITI atlas(9) ja ANT:ien rekisteröinti T1-avaruuteen. fMRI-analyysi: Yleiskatsaus. Tavoitteet 1-1b: Mallinnamme seuraavat tekijät: vallitseva tunnevalenssi (positiivinen vs. negatiivinen; tämän jälkeen tunne), # ajallinen näyttö (1200 ms vs. 1800 ms; jäljempänä aika) ja toimintatavoitteet (sääntöihin perustuva vasen vs. oikein; jäljempänä toiminta). MVPA. Toistaaksemme aikaisemman työmme(2), joka osoitti tunnevalenssin lineaarisen dekoodauksen FPl:ssä ja toimintatavoitteet FPl:ssä ja keski-LPFC:ssä, käytämme monimuuttujaista logistista luokittelijaa, joka ajetaan z-pisteillä jokaiselle aiheelle, ROI:lle ja tehtävälle. epoch (emotionaaliset jaksot ja toiminnan valmistelu) Nilearnissa. Luokittimen suorituskyky arvioidaan käyttämällä käyrän alla olevaa pinta-alaa (AUC; todennäköisyys = 0,5) ja jätä yhden loppumisen ristiinvalidointia (saattaa run-wise luokittimen AUC:t). Sekamallit: Yleiskatsaus. Tässä ja läpi koko ajan käytämme sekamalleja (lme4(10)), jotka syöttävät aiheen ja ajetaan satunnaistekijöinä. Luokittelijat Sekamallit. Luokittelijan AUC testataan sattumanvaraisuutta vastaan ​​käyttämällä sekamalleja, joissa yhdistetään eri koehenkilöiden run-wise luokittimen AUC-arvot. Edustava samankaltaisuusanalyysi (RSA). Täysifaktorinen RSA testaa, selitetäänkö monivokselin hermoaktiivisuusmallien (eli hermoston samankaltaisuusmatriisin) kokeiden välistä samankaltaisuusrakennetta kokeellisilla tekijöillä - tässä, tunnevalenssilla, aika, toiminnan tavoitteet ja kriittisesti niiden vuorovaikutus (2) . Hankimme hermoston samankaltaisuusmatriisit kullekin osallistujalle, ROI:lle ja tehtäväkaudelle laskemalla Pearson-korrelaatioita kokeilukohtaisten monivokselikuvioiden parien välillä ajojen välisellä korrelaatiomenetelmällä, joka minimoi datariippuvuudesta ja autokorrelaatiosta johtuvat paisuneet korrelaatiot. RSA sekamallit. Seuraavaksi sovitamme usean regression sekamallin kullekin ROI:lle käyttämällä ehtokohtaisia ​​mallimatriiseja (jokainen mallimatriisi sisältyy aihevirhetermiin). Sovitamme tunteen, ajan ja tunne*ajan regressorit (emotional-sequences epoch). Tämä malli testaa, selittävätkö aika ja tunteet merkittävästi FPl:n ja keski-LPFC:n hermoaktiivisuusmallien samankaltaisuusrakennetta, ja kriittisesti, ovatko ne vuorovaikutuksessa (eli konjunktiivisissa esityksissä (11, 12)). Testataksemme, edustavatko keski-LPFC ja FPl toimintatavoitteita, sovitamme toimintatavoitteen regressorin (toiminnan valmisteluaika); toissijainen malli sisältää tunteen ja ajan vuorovaikutteisina regressoreina (tunne*toiminta, aika*toiminta, tunne*aika*toiminta) sen tutkimiseksi, ovatko toiminnan tavoitteen esitykset muuttumattomia valenssilla LPFC:n puolivälissä (vs. FPl) (kuten aiemmin havaitsimme (2)) vai onko nämä tekijät integroitu LPFC:n keskivaiheeseen tässä tehtävässä. Ajan, tunteen ja tavoitesignaalien käyttäytymisen merkitys LPFC:ssä. Testaamme integroitujen aika-emotionaalisten signaalien ennustettua käyttäytymistuontia FPl:ssä regressoimalla tunne*ajan regressorien sovitusta FPl:ssä (RSA beeta) Emotional Sequences -tehtävän tarkkuuteen. FPl-mid-LPFC-vuorovaikutukset: Toiminnallinen liitettävyys ja alueiden välinen edustavuus. Testaamme, voivatko FPl:n integroidut aika-emotionaaliset signaalit tiedottaa mid-LPFC-toiminnosta regressoimalla (a) FPl:n tunne*aikasovitukset (RSA-beta) ja (b) FPl-mid-LPFC:n toiminnallinen yhteys (PPI-beetat) keski-LPFC:n toimintaan. -maalisignaalit (AUC). Tilastollinen tiukka. Tässä ja kaikkialla kaikki p-arvot on FDR-säädetty useiden vertailujen korjaamiseksi. LPFC:n alueellinen ja edustava spesifisyys testataan muodollisesti syöttämällä alue (FPl vs. mid-LPFC) interaktiiviseksi regressoriksi edellä kuvatuissa sekamalleissa.

Tuomme osallistujat kokeesta 1.1 (tavoite 1) kolmeen TMS+fMRI-istuntoon, jotka kohdistetaan FPl:lle, keskitason LPFC:lle ja ei-PFC-kontrollille (S1) (järjestys tasapainotettu eri kohteiden välillä). Jokaista TMS-hallintaa seuraa Emotional Sequences -tehtävän fMRI-skannaus. Kokeessa 1.2 testataan FPl-funktion kausaalista roolia (a) toiminta-tavoiteesitysten tiedottamisessa LPFC:n puolivälissä ja (b) tehtävän suorituksessa (vaatii ajallisesti laajennetun tunneinformaation tarkkaa seurantaa); verrattuna kokeeseen 1.3, joka kohdistuu toiminta-tavoitesignaaleihin LPFC:n puolivälissä, ja kokeeseen 1.4, joka kohdistuu ei-PFC-kontrolliin (S1).

Menettely. Tietoohjattu TMS. Muiden (13) ja meidän (1) viimeaikaisten töiden jälkeen yksilöidyt LPFC TMS -sivustot kohdistavat tehtävien kannalta merkityksellisen luokittelijan todisteiden huippusijaintiin - tunnevalenssiin FPl:ssä ja toimintatavoitteisiin LPFC:n puolivälissä - kuten pallomainen valonheitin paljastaa ( 7,5 mm:n säde) ajetaan lähtötasolla saaduilla fMRI-tiedoilla (koe 1.1; tavoite 1), joita rajoittavat asiaankuuluvat anatomiset ROI:t (katso ROI:t, tavoite 1). S1-kohteet määritellään anatomian perusteella(14-17). TMS-paikat rajoitetaan ensisijaisesti vasempaan pallonpuoliskoon, koska vasen vs. oikea LPFC toimii johdonmukaisemmin kognitiivisen ohjauksen (18-20) ja tunteiden säätelyn (15,21) aikana. TMS-protokolla. TMS toimitetaan Magstim Horizon Lite -magneettistimulaattorilla ja kahdeksaslukuisella kelalla. Tarkka TMS-kohdistus saavutetaan käyttämällä T1-painotettuja skannauksia ja tietokoneistettua stereotaksista järjestelmää (Brainsight). Kuten aikaisemmassakin työssämme, käytämme offline-cTBS-protokollaa (50 Hz:n 3 pulssin sarja 200 ms välein; 40 s; Huang et al. 2005), joka vähentää aivokuoren aktiivisuutta jopa 60 minuutiksi stimulaation jälkeen. Kyselylomakkeet. Arvioimme mielialan ennen ja jälkeen TMS:ää käyttämällä PANAS(22) ja STAI(23). fMRI-analyysi. Suoritamme MVPA:n ja RSA:n (yksityiskohtaisesti tavoitteessa 1). Tilastollinen tiukka. Katso tavoite 1; tässä TMS-paikkaspesifisyys testataan syöttämällä TMS-paikka (FPl vs. mid-LPFC vs. Control/S1) interaktiiviseksi tekijäksi edellä kuvatuissa sekamalleissa (luokittaja AUC ja RSA); kaikki p-arvot FDR korjattu useita vertailuja varten.