LPFC-organisasjon i estimering av emosjon-varighetsforskjell

Oversikt. n=50 deltakere fra UC Santa Barbara og det større Santa Barbara-samfunnet vil bli rekruttert og invitert til å delta i en fMRI/TMS+fMRI-studie med flere økter. Kvalifikasjonskriterier er beskrevet og inkluderer fMRI og TMS sikkerhetskriterier.

Atferdsoppgave. For å teste hypotesen om at den laterale frontale polen (FPl) representerer følelser og tidsmessige signaler og integrerer dem for å informere kontekstuelle handlingsmålrepresentasjoner i den midtlaterale prefrontale cortex (midt-LPFC), vil vi bruke en godt validert oppgave som manipulerer tid og emosjonelle valensfaktorer for å informere kontekstavhengige handlingsmål, Emotional Sequences Task. I hver prøve ser deltakerne 12-sekunders sekvenser av 4 nye negative og positive bilder (hendelser). Halvparten av forsøkene har langvarige negative (vs. positive) bildepresentasjoner, og omvendt, og gir større tidsmessige bevis for enten positiv eller negativ emosjonell valens. Mengden av tidsmessige bevis til fordel for én valens i en 12-sekunders sekvens (∆ Tidsmessige bevis: 1200ms vs 1800ms) varierer ortogonalt med hensyn til den dominerende emosjonelle valensen ved å variere individuelle bildepresentasjonstider (2000ms-4000ms; rystet). På slutten av hver sekvens angir deltakerne om den totale varigheten av positive eller negative hendelser var lengre med et knappetrykk (venstre vs. høyre), etter en handlingskartleggingsregel (kontekstuell målsignal).

Fremgangsmåte. fMRI-anskaffelse. Ved å bruke en 64-kanals spole i 3T Prisma Siemens MR-skanneren som ligger ved UCSBs Brain Imaging Center (BIC), vil vi samle inn helhjerne-EPI (flerbåndsfaktor=3; 2,5 mm3 isotropiske voksler; TR=1,5 s; TE=30 ms ; FA=65°) og T1-vektede bilder for romlig normalisering og TMS-nevronavigering (0,94 mm3; TR=2,5 s; TE=2,19 ms; FA=7°). fMRI databehandling og modellering. Etter vårt tidligere arbeid (se (2)), vil fMRI-databehandling, i FSL og Python, inkludere korrigering av bevegelse og skivetid, 3 mm FWHM-utjevning og justering til T1-rom som opprettholder naturlig funksjonell oppløsning. Prøvevise BOLD-aktiveringsparametere for epoker for emosjonell sekvens og handlingsforberedelse vil bli oppnådd ved å bruke en kanonisk HRF i en Least-Squares All (LS-A)(3) GLM, og regulert ved bruk av multivariat støynormalisering(4) for å fjerne forstyrrende inter- voxel-korrelasjoner på grunn av fysiologisk og/eller instrumentstøy. Regioner av interesse (ROI). PFC-LPFC: FPI og midt-LPFC (BA46 & 9-46); mPFC: BA25 og BA32-Oxford PFC konsensusatlas(5-7) og overflatebasert segmentering i Freesurfer(8) justert til individuell T1-rom. Amygdala ROIs-CITI atlas(9) og ANTs registrering til T1 plass. fMRI-analyse: Oversikt. Mål 1-1b: Vi vil modellere følgende faktorer: dominerende emosjonell valens (positiv vs. negativ; heretter, følelser), # tidsbevis (1200ms vs. 1800ms; heretter, tid), og handlingsmål (regelbasert venstre vs. høyre; heretter handling). MVPA. For å gjenskape vårt tidligere arbeid(2), som viste lineær dekoding av emosjonell valens i FPl, og handlingsmål i FPl og midt-LPFC, vil vi bruke en multivariat logistisk klassifikator som kjøres på z-skårede data for hvert emne, ROI og oppgave epoke (emosjonelle sekvenser og handlingsforberedelse) i Nilearn. Klassifiseringsytelse vil bli evaluert ved å bruke arealet under kurven (AUC; sjanseytelse = 0,5) og kryssvalidering for å la én kjøre ut (som gir kjøringsvise klassifiserings-AUCer). Blandede modeller: Oversikt. Her og gjennom bruker vi blandede modeller (lme4(10)) som går inn i emnet og kjører som tilfeldige faktorer. Klassifisering blandede modeller. Classifier AUC er testet mot tilfeldigheter ved å bruke blandede modeller som kombinerer løpsmessige klassifiserings-AUCer på tvers av fag. Representative Similarity Analysis (RSA). Fullfaktoriell RSA tester om likhetsstrukturen mellom forsøkene til multivoxel nevrale aktivitetsmønstre (dvs. den nevrale likhetsmatrisen) er forklart av eksperimentelle faktorer – her, emosjonell valens, tid, handlingsmål og, kritisk, deres interaksjon (2) . Vi vil oppnå nevrale likhetsmatriser for hver deltaker, ROI og oppgaveepoke ved å beregne Pearson-korrelasjoner mellom par av prøvevise multivoxel-mønstre i en korrelasjonstilnærming mellom kjøringer, som minimerer oppblåste korrelasjoner på grunn av dataavhengigheter og autokorrelasjon. RSA blandede modeller. Deretter vil vi tilpasse en multippel regresjon blandet modell for hver ROI ved å bruke tilstandsspesifikke malmatriser (hver malmatrise er inkludert i emnefeilbegrepet). Vi vil tilpasse følelses-, tid- og emosjon*tidsregressorer (emosjonelle sekvenser). Denne modellen tester om tid og følelser signifikant forklarer likhetsstrukturen til FPl og mid-LPFC nevrale aktivitetsmønstre, og, kritisk, om de interagerer (dvs. i konjunktive representasjoner (11,12)). For å teste om mid-LPFC og Fpl representerer handlingsmål, vil vi tilpasse en handlingsmålregressor (aksjonsforberedelsesepoke); en sekundær modell vil inkludere følelser og tid som interaktive regressorer (emosjon*handling, tid*handling, emosjon*tid*handling) for å undersøke om handlingsmålrepresentasjoner er uendret av valens i midten av LPFC (vs. FPl) (som vi tidligere fant(2)) eller om disse faktorene er integrert i midten av LPFC i denne oppgaven. Atferdsrelevansen til tid, følelser og målsignaler i LPFC. Vi vil teste den forutsagte atferdsmessige importen av integrerte tidsfølelsessignaler i FPl ved å regressere tilpasningen til emosjon*tidsregressorer i FPl (RSA-betas) på nøyaktighet i oppgaven Emotional Sequences. Fpl-midt-LPFC-interaksjoner: Funksjonell tilkobling og tverrregionale representasjonsbevis. Vi vil teste om FPls integrerte tidsfølelsessignaler kan informere midt-LPFC-funksjonen ved å regressere (a) FPls emosjon*tidstilpasninger (RSA-beta) og (b) FPl-midt-LPFCs funksjonelle tilkobling (PPI-betas) på mid-LPFCs handling -målsignaler (AUC). Statistisk strenghet. Her og gjennom er alle p-verdier FDR-justert for å korrigere for flere sammenligninger. Regional og representasjonsspesifisitet i LPFC testes formelt ved å angi region (FPl vs. mid-LPFC) som en interaktiv regressor i de ovenfor beskrevne blandede modellene.

Vi vil ta med deltakere fra eksperiment 1.1 (Mål 1) for 3 TMS+fMRI-økter rettet mot FPl, mid-LPFC og en ikke-PFC-kontroll (S1) (rekkefølge motvekt på tvers av fag). Hver TMS-administrasjon vil bli fulgt av fMRI-skanning av oppgaven Emotional Sequences. Eksperiment 1.2 tester en kausal rolle for Fpl-funksjonen i (a) informere handling-mål representasjoner i midten av LPFC og (b) oppgaveutførelse (krever nøyaktig sporing av tidsmessig utvidet emosjonell informasjon); sammenlignet med eksperiment 1.3, som retter seg mot handling-mål-signaler i midten av LPFC, og eksperiment 1.4, som retter seg mot en ikke-PFC-kontroll (S1).

Fremgangsmåte. Informasjonsveiledet TMS. Etter andres(13) og vårt(1) nylige arbeid, vil individualiserte LPFC TMS-nettsteder målrette seg mot toppplasseringen av oppgaverelevant klassifiseringsbevis - emosjonell valens i FPl, og handlingsmål i midten av LPFC - som avslørt av et sfærisk søkelys ( 7,5 mm radius) kjørt på fMRI-data innhentet ved baseline (eksperiment 1.1; mål 1) begrenset av relevante anatomiske ROI-er (se ROI-er, mål 1). S1-mål er definert basert på anatomi(14-17). TMS-steder vil på forhånd være begrenset til venstre hjernehalvdel gitt mer konsekvent engasjement av venstre vs. høyre LPFC under kognitiv kontroll (18-20) og emosjonsregulering (15,21). TMS-protokoll. TMS vil bli levert ved hjelp av en Magstim Horizon Lite magnetisk stimulator og en åttetallsspole. Nøyaktig TMS-målretting oppnås ved hjelp av T1-veide skanninger og datastyrt stereotaksisk system (Brainsight). Som i vårt tidligere arbeid, vil vi bruke en offline cTBS-protokoll (50Hz tog med 3 pulser hver 200 ms; 40 s; Huang et al. 2005), som reduserer kortikal aktivitet i opptil 60 minutter etter stimulering. Spørreskjemaer. Vi vil vurdere humør før og etter TMS ved å bruke PANAS(22) og STAI(23). fMRI-analyse. Vi vil gjennomføre MVPA og RSA (detaljert i mål 1). Statistisk strenghet. Se mål 1; her testes TMS-stedspesifisitet ved å angi TMS-sted (FPl vs. mid-LPFC vs. Control/S1) som en interaktiv faktor i ovenfor beskrevne blandede modeller (klassifikator AUC og RSA); alle p-verdier FDR korrigert for flere sammenligninger.