Organisation LPFC dans l'estimation de la différence émotion-durée

Aperçu. n = 50 participants de l'UC Santa Barbara et de la communauté plus large de Santa Barbara seront recrutés et invités à participer à une étude IRMf/TMS+IRMf en plusieurs sessions. Les critères d'éligibilité ont été décrits et incluent les critères de sécurité de l'IRMf et du TMS.

Tâche comportementale. Pour tester l'hypothèse selon laquelle le pôle frontal latéral (FPl) représente les émotions et les signaux temporels et les intègre pour éclairer les représentations contextuelles des objectifs d'action dans le cortex préfrontal médio-latéral (mi-LPFC), nous utiliserons une tâche bien validée qui manipule le temps. et des facteurs de valence émotionnelle pour éclairer les objectifs d'action dépendants du contexte, la tâche des séquences émotionnelles. Dans chaque essai, les participants visualisent des séquences de 12 s de 4 nouvelles images négatives et positives (événements). La moitié des essais présentent des présentations d'images négatives (vs positives) de plus longue durée, et vice versa, produisant de plus grandes preuves temporelles d'une valence émotionnelle positive ou négative. La quantité de preuves temporelles en faveur d'une valence dans une séquence de 12 s (∆ Preuve temporelle : 1 200 ms contre 1 800 ms) varie orthogonalement par rapport à la valence émotionnelle prédominante en faisant varier les temps de présentation des images individuelles (2 000 ms-4 000 ms ; instable). À la fin de chaque séquence, les participants indiquent si la durée totale des événements positifs ou négatifs a été plus longue en appuyant sur un bouton (gauche ou droite), en suivant une règle de cartographie des actions (indice d'objectif contextuel).

Procédure. Acquisition IRMf. À l'aide d'une bobine à 64 canaux dans le scanner IRM 3T Prisma Siemens situé au Brain Imaging Center (BIC) de l'UCSB, nous collecterons des EPI du cerveau entier (facteur multibande = 3 ; voxels isotropes de 2,5 mm3 ; TR = 1,5 s ; TE = 30 ms ; FA=65°) et images pondérées T1 pour la normalisation spatiale et la neuronavigation TMS (0,94 mm3 ; TR=2,5 s ; TE=2,19 ms ; FA=7°). Traitement et modélisation des données IRMf. Suite à nos travaux antérieurs (voir (2)), le traitement des données IRMf, en FSL et Python, inclura la correction du mouvement et du temps de tranche, le lissage FWHM de 3 mm et l'alignement sur l'espace T1 en maintenant la résolution fonctionnelle native. Les paramètres d'activation BOLD par essai pour les époques de séquence émotionnelle et de préparation d'action seront obtenus à l'aide d'un HRF canonique dans un GLM des moindres carrés (LS-A)(3), et régularisés à l'aide d'une normalisation de bruit multivariée(4) pour éliminer les nuisances inter- corrélations de voxels dues au bruit physiologique et/ou instrumental. Régions d’intérêt (ROI). PFC-LPFC : FPl et mid-LPFC (BA46 & 9-46) ; mPFC : atlas consensuel BA25 et BA32-Oxford PFC (5-7) et segmentation basée sur la surface dans Freesurfer (8) alignée sur l'espace T1 individuel. Atlas des ROI d'Amygdale-CITI (9) et enregistrement des ANT dans l'espace T1. Analyse IRMf : aperçu. Objectifs 1-1b : Nous modéliserons les facteurs suivants : valence émotionnelle prédominante (positive contre négative ; ci-après, émotion), # preuves temporelles (1 200 ms contre 1 800 ms ; ci-après, temps) et objectifs d'action (gauche basée sur des règles vs. à droite ; ci-après, action). MVPA. Pour reproduire nos travaux antérieurs (2), qui ont montré un décodage linéaire de la valence émotionnelle dans FPl et des objectifs d'action dans FPl et mid-LPFC, nous utiliserons un classificateur logistique multivarié exécuté sur des données notées z pour chaque sujet, retour sur investissement et tâche. époque (séquences émotionnelles et préparation à l’action) dans Nilearn. Les performances du classificateur seront évaluées en utilisant l'aire sous la courbe (AUC ; performance aléatoire = 0,5) et la validation croisée sans interruption (donnant des AUC du classificateur par exécution). Modèles mixtes : aperçu. Ici et partout, nous utilisons des modèles mixtes (lme4(10)) entrant dans le sujet et exécutés comme facteurs aléatoires. Modèles mixtes de classificateur. L'AUC du classificateur est testée par hasard à l'aide de modèles mixtes combinant les AUC du classificateur par exécution pour tous les sujets. Analyse de similarité représentationnelle (RSA). La RSA entièrement factorielle teste si la structure de similarité inter-essais des modèles d'activité neuronale multivoxel (c'est-à-dire la matrice de similarité neuronale) est expliquée par des facteurs expérimentaux - ici, la valence émotionnelle, le temps, les objectifs d'action et, de manière critique, leur interaction (2). . Nous obtiendrons des matrices de similarité neuronale pour chaque participant, retour sur investissement et époque de tâche en calculant les corrélations de Pearson entre des paires de modèles multivoxels par essai dans une approche de corrélation entre les exécutions, qui minimise les corrélations gonflées dues aux dépendances des données et à l'autocorrélation. Modèles mixtes RSA. Ensuite, nous ajusterons un modèle mixte de régression multiple pour chaque retour sur investissement à l'aide de matrices modèles spécifiques à des conditions (chaque matrice modèle est incluse dans le terme d'erreur du sujet). Nous ajusterons les régresseurs émotion, temps et émotion*temps (époque des séquences émotionnelles). Ce modèle teste si le temps et l'émotion expliquent de manière significative la structure de similarité des modèles d'activité neuronale FPl et Mid-LPFC et, surtout, s'ils interagissent (c'est-à-dire dans des représentations conjonctives (11, 12)). Pour tester si le milieu du LPFC et le FPl représentent des objectifs d'action, nous ajusterons un régresseur d'objectif d'action (époque de préparation d'action) ; un modèle secondaire inclura l'émotion et le temps en tant que régresseurs interactifs (émotion*action, temps*action, émotion*temps*action) pour examiner si les représentations des objectifs d'action ne sont pas modifiées par la valence au milieu du LPFC (vs. FPl) (comme nous l'avons trouvé précédemment(2)) ou si ces facteurs sont intégrés au milieu du LPFC dans cette tâche. La pertinence comportementale du temps, de l'émotion et des signaux d'objectif dans LPFC. Nous testerons l'importation comportementale prévue des signaux temps-émotion intégrés dans FPl en régressant l'ajustement des régresseurs émotion*temps dans FPl (RSA bêtas) sur l'exactitude dans la tâche des séquences émotionnelles. Interactions FPl-mid-LPFC : connectivité fonctionnelle et preuves de représentation interrégionales. Nous testerons si les signaux temps-émotion intégrés de FPl peuvent éclairer le fonctionnement du Mid-LPFC en régressant (a) les ajustements émotion*temps de FPl (bêtas RSA) et (b) la connectivité fonctionnelle de FPl-mid-LPFC (bêtas PPI) sur l'action du Mid-LPFC. -signaux d'objectif (AUC). Rigueur statistique. Ici et partout, toutes les valeurs p sont ajustées par le FDR pour corriger les comparaisons multiples. La spécificité régionale et représentationnelle dans LPFC est formellement testée en entrant la région (FPl vs mid-LPFC) en tant que régresseur interactif dans les modèles mixtes décrits ci-dessus.

Nous amènerons des participants de l'expérience 1.1 (objectif 1) pour 3 sessions TMS + IRMf ciblant FPl, mid-LPFC et un contrôle non-PFC (S1) (ordre contrebalancé entre les sujets). Chaque administration TMS sera suivie d'une analyse IRMf de la tâche des séquences émotionnelles. L'expérience 1.2 teste le rôle causal de la fonction FPl dans (a) l'information des représentations d'objectifs d'action au milieu du LPFC et (b) l'exécution de tâches (nécessitant un suivi précis des informations émotionnelles étendues dans le temps) ; par rapport à l'expérience 1.3, qui cible les signaux d'objectif d'action au milieu du LPFC, et à l'expérience 1.4, qui cible un contrôle non-PFC (S1).

Procédure. TMS guidé par l'information. À la suite de travaux récents d'autres (13) et de nos (1), les sites LPFC TMS individualisés cibleront l'emplacement maximal des preuves de classificateur pertinentes pour la tâche - la valence émotionnelle dans le FPl et les objectifs d'action au milieu du LPFC - comme révélé par un projecteur sphérique ( Rayon de 7,5 mm) exécuté sur les données IRMf obtenues au départ (expérience 1.1 ; objectif 1) limitées par les ROI anatomiques pertinentes (voir ROI, objectif 1). Les cibles S1 sont définies en fonction de l'anatomie (14-17). Les sites TMS seront a priori limités à l'hémisphère gauche étant donné un engagement plus cohérent du LPFC gauche par rapport au LPFC droit pendant le contrôle cognitif (18-20) et la régulation des émotions (15,21). Protocole TMS. Le TMS sera délivré à l'aide d'un stimulateur magnétique Magstim Horizon Lite et d'une bobine en huit. Un ciblage précis du TMS est obtenu à l'aide d'analyses pondérées T1 et d'un système stéréotaxique informatisé (Brainsight). Comme dans nos travaux antérieurs, nous utiliserons un protocole cTBS hors ligne (trains 50 Hz de 3 impulsions toutes les 200 ms ; 40 s ; Huang et al. 2005), qui réduit l'activité corticale jusqu'à 60 min après la stimulation. Questionnaires. Nous évaluerons l'humeur avant et après le TMS à l'aide du PANAS (22) et du STAI (23). Analyse IRMf. Nous réaliserons MVPA et RSA (détaillé dans l'objectif 1). Rigueur statistique. Voir Objectif 1 ; ici, la spécificité du site TMS est testée en entrant dans le site TMS (FPl vs mid-LPFC vs Control/S1) en tant que facteur interactif dans les modèles mixtes décrits ci-dessus (classificateur AUC et RSA) ; toutes les valeurs p FDR corrigées pour des comparaisons multiples.