LPFC-organisatie bij het schatten van verschillen in emotieduur

Overzicht. n=50 deelnemers uit de UC Santa Barbara en de grotere gemeenschap van Santa Barbara zullen worden gerekruteerd en uitgenodigd om deel te nemen aan een fMRI/TMS+fMRI-onderzoek met meerdere sessies. De geschiktheidscriteria zijn beschreven en omvatten fMRI- en TMS-veiligheidscriteria.

Gedragstaak. Om de hypothese te testen dat de laterale frontale pool (FPl) emotie- en temporele signalen vertegenwoordigt en deze integreert om contextuele actiedoelrepresentaties in de midlaterale prefrontale cortex (mid-LPFC) te informeren, zullen we een goed gevalideerde taak gebruiken die de tijd manipuleert en emotionele valentiefactoren om contextafhankelijke actiedoelen te informeren, de Emotional Sequences Task. In elke proef bekijken de deelnemers sequenties van 12 seconden van 4 nieuwe negatieve en positieve beelden (gebeurtenissen). De helft van de onderzoeken bevat langduriger negatieve (vs. positieve) beeldpresentaties, en vice versa, wat meer tijdelijk bewijs oplevert voor positieve of negatieve emotionele valentie. De hoeveelheid temporeel bewijs ten gunste van één valentie in een reeks van 12 seconden (∆ Temporeel bewijs: 1200 ms versus 1800 ms) wordt orthogonaal gevarieerd met betrekking tot de overheersende emotionele valentie door de presentatietijden van individuele afbeeldingen te variëren (2000 ms - 4000 ms; jitter). Aan het einde van elke reeks geven deelnemers aan of de totale duur van positieve of negatieve gebeurtenissen langer was met een druk op de knop (links versus rechts), volgens een regel voor het in kaart brengen van acties (Contextual Goal Cue).

Procedure. fMRI-acquisitie. Met behulp van een 64-kanaals spoel in de 3T Prisma Siemens MRI-scanner die zich in het Brain Imaging Center (BIC) van UCSB bevindt, zullen we EPI's van het hele brein verzamelen (multibandfactor = 3; 2,5 mm3 isotrope voxels; TR = 1,5 s; TE = 30 ms ; FA=65°) en T1-gewogen beelden voor ruimtelijke normalisatie en TMS-neuronavigatie (0,94 mm3; TR=2,5 s; TE=2,19 ms; FA=7°). fMRI-gegevensverwerking en -modellering. In navolging van ons eerdere werk (zie (2)) zal fMRI-gegevensverwerking, in FSL en Python, bewegings- en slice-tijdcorrectie, 3 mm FWHM-afvlakking en uitlijning met T1-ruimte omvatten, waarbij de oorspronkelijke functionele resolutie behouden blijft. Proefsgewijs zullen BOLD-activeringsparameters voor emotionele sequenties en actievoorbereidingsepochs worden verkregen met behulp van een canonieke HRF in een Least-Squares All (LS-A)(3) GLM, en geregulariseerd met behulp van multivariate ruisnormalisatie(4) om hinderlijke inter- voxelcorrelaties als gevolg van fysiologische en/of instrumentruis. Interessante regio's (ROI's). PFC-LPFC: FPl en midden-LPFC (BA46 & 9-46); mPFC: BA25 en BA32-Oxford PFC-consensusatlas (5-7) en oppervlaktegebaseerde segmentatie in Freesurfer (8) afgestemd op individuele T1-ruimte. Amygdala ROIs-CITI atlas(9) en ANTs-registratie in T1-ruimte. fMRI-analyse: overzicht. Doelstellingen 1-1b: We zullen de volgende factoren modelleren: overheersende emotionele valentie (positief vs. negatief; hiernamaals, emotie), temporeel bewijs (1200 ms vs. 1800 ms; hiernamaals, tijd) en actiedoelen (op regels gebaseerd links vs. rechts; hierna, actie). MVPA. Om ons eerdere werk(2), dat lineaire decodering van emotionele valentie in FPl en actiedoelen in FPl en mid-LPFC aantoonde, te repliceren, zullen we een multivariate logistieke classificatie gebruiken die wordt uitgevoerd op z-gescoorde gegevens voor elk onderwerp, ROI en taak. tijdperk (emotionele sequenties en actievoorbereiding) in Nilearn. De prestaties van de classificator zullen worden geëvalueerd met behulp van het gebied onder de curve (AUC; kansprestatie = 0,5) en kruisvalidatie van één run-out (wat run-wise classifier-AUC's oplevert). Gemengde modellen: overzicht. Hier en overal gebruiken we gemengde modellen (lme4(10)) die het onderwerp invoeren en uitvoeren als willekeurige factoren. Classificator gemengde modellen. De AUC van de classificator wordt getoetst aan het toeval met behulp van gemengde modellen die run-wise classifier-AUC's voor verschillende onderwerpen combineren. Representatieve gelijkenisanalyse (RSA). Full-factoriële RSA test of de inter-triale gelijkenisstructuur van multivoxel neurale activiteitspatronen (dat wil zeggen de neurale gelijkenismatrix) wordt verklaard door experimentele factoren - hier emotionele valentie, tijd, actiedoelen en, cruciaal, hun interactie (2) . We zullen neurale gelijkenismatrices verkrijgen voor elke deelnemer, ROI en taaktijdperk door Pearson-correlaties te berekenen tussen paren proefgewijze multivoxelpatronen in een correlatiebenadering tussen runs, die opgeblazen correlaties als gevolg van gegevensafhankelijkheden en autocorrelatie minimaliseert. RSA gemengde modellen. Vervolgens passen we voor elke ROI een gemengd model met meerdere regressies toe, met behulp van conditiespecifieke sjabloonmatrices (elke sjabloonmatrix is ​​opgenomen in de term subject error). We zullen emotie, tijd en emotie*tijdregressors (epoche van emotionele sequenties) inpassen. Dit model test of tijd en emotie de gelijkenisstructuur van neurale activiteitspatronen van FPI en mid-LPFC significant verklaren, en, kritisch, of ze op elkaar inwerken (dat wil zeggen in conjunctieve representaties (11,12)). Om te testen of mid-LPFC en FPl actiedoelen vertegenwoordigen, passen we een actiedoelregressor toe (actievoorbereidingsperiode); een secundair model zal emotie en tijd omvatten als interactieve regressoren (emotie*actie, tijd*actie, emotie*tijd*actie) om te onderzoeken of representaties van actiedoelen onveranderd blijven door valentie in het midden van de LPFC (vs. FPl) (zoals we eerder hebben gevonden(2)) of dat deze factoren in het midden van de LPFC bij deze taak zijn geïntegreerd. De gedragsrelevantie van tijd-, emotie- en doelsignalen in LPFC. We zullen de voorspelde gedragsimport van geïntegreerde tijd-emotiesignalen in FPl testen door de fit van emotie*tijd-regressoren in FPl (RSA-bèta's) te regressie op nauwkeurigheid in de Emotionele Sequentietaak. FPl-mid-LPFC-interacties: functionele connectiviteit en interregionaal representatief bewijs. We zullen testen of de geïntegreerde tijd-emotiesignalen van FPl de mid-LPFC-functie kunnen informeren door (a) de emotie*tijd-aanvallen van FPl (RSA-bèta's) en (b) de functionele connectiviteit van FPl-mid-LPFC (PPI-bèta's) op de actie van mid-LPFC te verminderen -doelsignalen (AUC). Statistische nauwkeurigheid. Hier en overal zijn alle p-waarden FDR-aangepast om te corrigeren voor meerdere vergelijkingen. Regionale en representatieve specificiteit in LPFC wordt formeel getest door de regio (FPl vs. mid-LPFC) in te voeren als een interactieve regressor in de hierboven beschreven gemengde modellen.

We zullen deelnemers uit Experiment 1.1 (Doel 1) meenemen voor 3 TMS+fMRI-sessies gericht op FPl, mid-LPFC en een niet-PFC-controle (S1) (volgorde gecompenseerd over de onderwerpen heen). Elke TMS-afname zal worden gevolgd door een fMRI-scan van de emotionele reeksen-taak. Experiment 1.2 test een causale rol van de FPl-functie bij (a) het informeren van actie-doelrepresentaties in het midden van de LPFC en (b) taakuitvoering (waarvoor een nauwkeurige tracking van in de tijd uitgebreide emotionele informatie vereist is); vergeleken met Experiment 1.3, dat zich richt op actie-doelsignalen halverwege de LPFC, en Experiment 1.4, dat zich richt op een niet-PFC-controle (S1).

Procedure. Informatiegestuurde TMS. In navolging van het recente werk van anderen (13) en ons (1), zullen geïndividualiseerde LPFC TMS-sites zich richten op de pieklocatie van taakrelevante classifier-bewijsmateriaal - emotionele valentie in FPl en actiedoelen halverwege de LPFC - zoals onthuld door een bolvormig zoeklicht ( 7,5 mm straal) uitgevoerd op fMRI-gegevens verkregen bij aanvang (experiment 1.1; doel 1), beperkt door relevante anatomische ROI's (zie ROI's, doel 1). S1-doelen worden gedefinieerd op basis van anatomie (14-17). TMS-sites zullen a priori beperkt zijn tot de linkerhersenhelft, gezien de consistentere betrokkenheid van links versus rechts LPFC tijdens cognitieve controle (18-20) en emotieregulatie (15,21). TMS-protocol. TMS wordt geleverd met behulp van een Magstim Horizon Lite magnetische stimulator en een achtvormige spoel. Nauwkeurige TMS-targeting wordt bereikt met behulp van T1-gewogen scans en een geautomatiseerd stereotaxisch systeem (Brainsight). Net als in ons eerdere werk zullen we een offline cTBS-protocol gebruiken (50 Hz-treinen van 3 pulsen elke 200 ms; 40 s; Huang et al. 2005), dat de corticale activiteit tot 60 minuten na stimulatie vermindert. Vragenlijsten. We zullen de stemming vóór en na TMS beoordelen met behulp van de PANAS(22) en STAI(23). fMRI-analyse. We zullen MVPA en RSA uitvoeren (gedetailleerd in Doel 1). Statistische nauwkeurigheid. Zie Doel 1; hier wordt de TMS-plaatsspecificiteit getest door de TMS-plaats (FPl vs. midden-LPFC vs. Controle/S1) in te voeren als een interactieve factor in de hierboven beschreven gemengde modellen (classificator AUC en RSA); alle p-waarden FDR gecorrigeerd voor meerdere vergelijkingen.