Décodage des dynamiques émotionnelles dans le trouble bipolaire

Cette étude de neuroimagerie examine les mécanismes neuronaux sous-jacents à la dynamique émotionnelle et à l'instabilité de l'humeur chez les personnes atteintes de trouble bipolaire (TB). Le trouble bipolaire se caractérise par des fluctuations rapides et intenses de l'humeur, mais la base neurobiologique de ces transitions, c'est-à-dire comment le cerveau passe d'un état émotionnel à un autre en temps réel, reste mal comprise. L'étude vise à identifier les processus cérébraux momentanés qui entraînent la labilité émotionnelle et à explorer si l'amplification des émotions positives peut stabiliser les états émotionnels et neuronaux dans le TB.

Conception de l'étude

Il s'agit d'une étude menée au Laureate Institute for Brain Research (LIBR) à Tulsa, dans l'Oklahoma. L'étude inclut 72 participants au total : 36 adultes diagnostiqués avec un trouble bipolaire de type I ou II (actuellement dans un état dépressif ou mixte) et 36 participants témoins sains sans antécédents psychiatriques. Les participants effectueront deux visites :

• Une session de préparation pour le consentement, les entretiens cliniques et la complétion de questionnaires, et
• Une session d'IRM qui inclut à la fois l'IRMf au repos et l'IRMf basée sur des tâches.

Les données seront collectées à l'aide de méthodes multimodales, incluant l'imagerie par résonance magnétique fonctionnelle (IRMf), l'imagerie de diffusion (DWI), l'IRM structurelle et la surveillance physiologique (fréquence cardiaque, respiration). Des mesures comportementales et émotionnelles seront enregistrées tout au long de l'étude pour aligner les données neuronales avec l'expérience émotionnelle subjective.

Justification scientifique L'instabilité de l'humeur est une caractéristique déterminante et invalidante du trouble bipolaire, associée à des déficits dans la régulation des émotions et le contrôle cognitif. Des travaux antérieurs en neuroimagerie ont identifié des altérations dans le circuit préfrontal-limbique, incluant une diminution de l'activation dans les régions régulatrices comme le cortex cingulaire antérieur (ACC) et le cortex préfrontal (PFC), et une augmentation de l'activation dans les régions sensibles aux émotions comme l'amygdale. Cependant, la plupart des études examinent des états d'humeur statiques plutôt que les fluctuations dynamiques de l'expérience émotionnelle.

La présente étude applique l'apprentissage automatique, la science de la complexité et la théorie du contrôle des réseaux pour quantifier et modéliser la dynamique des états émotionnels. En décodant l'activité cérébrale pendant les tâches de régulation des émotions, la recherche vise à caractériser comment les états émotionnels évoluent dans le temps, comment cela diffère dans le TB par rapport aux témoins sains, et si des stratégies de régulation ciblées, spécifiquement l'amplification des émotions positives, peuvent moduler cette dynamique.

Objectifs spécifiques et hypothèses Objectif 1 : Décoder les états émotionnels momentanés à partir des données d'IRMf cérébrale globale en utilisant des approches d'apprentissage automatique.

Hypothèse 1 : Un classifieur d'apprentissage automatique peut distinguer avec précision différents états émotionnels (par exemple, rumination vs réflexion positive) à partir des motifs d'activation IRMf. Les participants TB présenteront des trajectoires d'état plus instables et fluctuantes que les témoins sains.

Objectif 2 : Quantifier la dynamique émotionnelle en utilisant des métriques de la science de la complexité et de la théorie du contrôle des réseaux.

Hypothèse 2 : Les individus avec TB montreront une plus grande métastabilité émotionnelle et une échelle fractale plus faible - indicateurs d'une plus grande irrégularité temporelle dans l'activité cérébrale - par rapport aux témoins sains. L'analyse de la théorie du contrôle des réseaux identifiera les régions cérébrales qui contribuent aux transitions d'état.

Objectif 3 : Examiner les effets de l'amplification des émotions positives sur la stabilité émotionnelle et la dynamique des réseaux cérébraux.

Hypothèse 3 : La régulation de l'affect positif engagera les régions de contrôle cognitif (par exemple, PFC dorsolatéral, ACC) et favorisera des trajectoires émotionnelles plus stables chez les participants TB.

Tâches et procédures expérimentales

• Visite 1 (Session de préparation) :

Les participants subiront un consentement éclairé, un dépistage psychiatrique (en utilisant le MINI), et une série de questionnaires standardisés évaluant l'humeur, la régulation des émotions, l'anxiété, la rumination et la capacité hédonique (par exemple, MADRS, YMRS, PANAS-X, DERS, ERQ, STAI, échelles PROMIS).

Les participants se remémoreront également huit événements autobiographiques - quatre positifs (réminiscence) et quatre négatifs (rumination) - et rédigeront de brèves descriptions par mots-clés pour chacun. Ces indices personnalisés seront utilisés plus tard dans la tâche IRM pour susciter des états émotionnels sans révéler de contenu personnel.

• Visite 2 (Session d'IRM) :

Les participants effectueront à la fois des IRM au repos et basées sur des tâches d'une durée allant jusqu'à deux heures. Les signaux physiologiques (fréquence cardiaque et respiration) seront enregistrés simultanément pour éliminer les artefacts physiologiques et examiner les corrélats autonomes de l'émotion.

Les séquences IRM incluent :

• Des scans structurels T1 à haute résolution
• Des scans de diffusion pour la connectivité de la matière blanche
• IRMf au repos (durée de 12 minutes)
• IRMf de tâche : Tâche Think and Regulate Affective States (TReAT)

Aperçu de la tâche TReAT

La tâche Think and Regulate Affective States (TReAT) est un paradigme novateur conçu pour modéliser le traitement émotionnel du monde réel. Les participants reçoivent de brefs mots-indices correspondant à leurs événements autobiographiques personnels et alternent entre plusieurs types de blocs :

• Blocs Think : Les participants pensent à l'événement indiqué, s'immergeant dans l'expérience émotionnelle associée.
• Blocs d'évaluation : Immédiatement après, ils évaluent la valence émotionnelle (positive-négative) et l'éveil en utilisant l'Affective Slider.
• Blocs de régulation : Les participants tentent d'amplifier l'humeur positive tout en se concentrant sur le même indice.
• Blocs d'attention : Les participants effectuent une brève tâche d'attention sur la direction des flèches (6 essais, 2 secondes chacun) pour décharger la charge cognitive entre les blocs émotionnels.
• Blocs de repos : Les participants fixent une croix, avec pour instruction de se détendre et de vider leurs pensées.

Ces blocs sont répétés sur quatre runs d'IRMf, chacun durant environ 12-15 minutes. La conception permet de modéliser à la fois les états émotionnels spontanés et régulés, permettant un décodage temporel fin de la dynamique émotionnelle.

Après chaque run, les participants évaluent la fatigue, la somnolence et l'engagement émotionnel. Les questionnaires post-scan (par exemple, PANAS-X, STAI-S, Questionnaire de feedback) évaluent le confort émotionnel et physique.

Plan d'analyse des données Les données d'IRMf seront prétraitées en utilisant des pipelines standard et analysées avec une analyse de motifs multivariée (MVPA) pour classifier les états émotionnels. Les analyses de trajectoire dans l'espace d'état examineront comment les états cérébraux décodés fluctuent dans le temps au sein des sujets et entre eux. Les mesures de métastabilité, d'échelle fractale et de contrôlabilité des réseaux quantifieront la complexité temporelle et la flexibilité des réseaux cérébraux.

Les comparaisons intergroupes (TB vs HC) évalueront si les participants TB présentent une plus grande irrégularité temporelle ou une énergie de contrôle réduite dans les circuits liés aux émotions. La modulation de ces paramètres par la régulation des émotions positives sera testée en utilisant des contrastes intra-sujets des blocs Régulation vs Think.

Signification scientifique et clinique Cette étude intègre des méthodes computationnelles de pointe : l'apprentissage automatique, les métriques de complexité et la théorie du contrôle des réseaux pour décoder la structure temporelle de la régulation des émotions dans le trouble bipolaire. En identifiant les signatures neurobiologiques de l'instabilité et en testant si la régulation de l'affect positif stabilise cette dynamique, ce travail vise à combler le fossé entre la neuroscience affective et la psychiatrie personnalisée.

L'ensemble de données résultant contribuera aux Archives de données du National Institute of Mental Health (NIMH) et informera les futures études à grande échelle ciblant les biomarqueurs de la dysrégulation émotionnelle. En fin de compte, cette recherche jettera les bases de traitements adaptatifs, pilotés par l'état cérébral, qui répondent dynamiquement aux états émotionnels des patients, offrant de nouvelles stratégies pour la stabilisation de l'humeur dans le trouble bipolaire.