Organizacja LPFC w szacowaniu różnicy czasu trwania emocji

Przegląd. n=50 uczestników z Uniwersytetu Kalifornijskiego w Santa Barbara i większej społeczności Santa Barbara zostanie zrekrutowanych i zaproszonych do udziału w wielosesyjnym badaniu fMRI/TMS+fMRI. Opisano kryteria kwalifikacyjne, które obejmują kryteria bezpieczeństwa fMRI i TMS.

Zadanie behawioralne. Aby przetestować hipotezę, że boczny biegun czołowy (FPl) reprezentuje emocje i sygnały czasowe oraz integruje je, aby zapewnić kontekstowe reprezentacje celów działania w środkowo-bocznej korze przedczołowej (środkowej części LPFC), użyjemy dobrze potwierdzonego zadania manipulującego czasem oraz czynniki wartościowości emocjonalnej, które kształtują zależne od kontekstu cele działania, zadanie dotyczące sekwencji emocjonalnych. W każdej próbie uczestnicy oglądają 12-sekundowe sekwencje 4 nowych negatywnych i pozytywnych obrazów (zdarzeń). Połowa badań obejmuje trwalsze prezentacje obrazów negatywnych (w porównaniu z pozytywnymi) i odwrotnie, dostarczając większych czasowych dowodów na pozytywną lub negatywną wartościowość emocjonalną. Ilość dowodów czasowych na korzyść jednej wartościowości w 12-sekundowej sekwencji (∆ Dowody czasowe: 1200 ms vs 1800 ms) zmienia się ortogonalnie w odniesieniu do dominującej wartościowości emocjonalnej poprzez zmianę czasu prezentacji poszczególnych obrazów (2000 ms–4000 ms; roztrzęsiony). Na końcu każdej sekwencji uczestnicy wskazują, czy całkowity czas trwania pozytywnych czy negatywnych zdarzeń był dłuższy po naciśnięciu przycisku (lewy vs prawy), zgodnie z zasadą mapowania akcji (kontekstowa wskazówka celu).

Procedura. Pozyskanie fMRI. Używając 64-kanałowej cewki w skanerze MRI 3T Prisma Siemens znajdującym się w Brain Imaging Center (BIC) UCSB, będziemy zbierać EPI całego mózgu (współczynnik wielopasmowy = 3; woksele izotropowe 2,5 mm3; TR = 1,5 s; TE = 30 ms ; FA=65°) i obrazy T1-zależne do normalizacji przestrzennej i neuronawigacji TMS (0,94 mm3; TR=2,5 s; TE=2,19 ms; FA=7°). Przetwarzanie i modelowanie danych fMRI. Zgodnie z naszymi wcześniejszymi pracami (patrz (2)) przetwarzanie danych fMRI w FSL i Python będzie obejmować korekcję ruchu i czasu przekroju, wygładzanie 3 mm FWHM i wyrównanie do przestrzeni T1 z zachowaniem natywnej rozdzielczości funkcjonalnej. Próbne parametry aktywacji BOLD dla okresów sekwencji emocjonalnej i przygotowania działania zostaną uzyskane przy użyciu kanonicznego HRF w GLM metodą najmniejszych kwadratów (LS-A)(3) i uregulowane przy użyciu wielowymiarowej normalizacji szumu(4) w celu usunięcia uciążliwości między- korelacje wokseli spowodowane hałasem fizjologicznym i/lub szumem instrumentu. Regiony zainteresowania (ROI). PFC-LPFC: FP1 i średnie LPFC (BA46 i 9-46); mPFC: atlas konsensusu BA25 i BA32-Oxford PFC (5-7) oraz segmentacja powierzchniowa w Freesurfer(8) dostosowana do indywidualnej przestrzeni T1. Atlas ROI-CITI ciała migdałowatego(9) i rejestracja ANT w przestrzeni T1. Analiza fMRI: przegląd. Cele 1-1b: Będziemy modelować następujące czynniki: dominująca wartościowość emocjonalna (pozytywna vs. negatywna; dalej emocje), # dowody czasowe (1200 ms vs. 1800 ms; dalej czas) i cele działania (oparte na regułach lewa vs. po prawej; dalej działanie). MVPA. Aby odtworzyć naszą wcześniejszą pracę(2), która pokazała liniowe dekodowanie wartościowości emocjonalnej w FP1 oraz cele działania w FP1 i środkowym LPFC, użyjemy wielowymiarowego klasyfikatora logistycznego działającego na danych z punktacją Z dla każdego przedmiotu, ROI i zadania epoka (sekwencje emocjonalne i przygotowanie akcji) w Nilearn. Wydajność klasyfikatora zostanie oceniona przy użyciu pola pod krzywą (AUC; wydajność przypadkowa = 0,5) i walidacji krzyżowej typu „pozostaw jedno-wyjście” (uzyskując AUC klasyfikatora w zależności od przebiegu). Modele mieszane: przegląd. Tutaj i w całym tekście używamy modeli mieszanych (lme4(10)), wprowadzając temat i uruchamiając jako czynniki losowe. Modele mieszane klasyfikatorów. AUC klasyfikatora testuje się pod kątem przypadku przy użyciu modeli mieszanych łączących AUC klasyfikatorów w zależności od podmiotu. Reprezentacyjna analiza podobieństwa (RSA). Pełnoczynnikowy RSA sprawdza, czy międzypróbowa struktura podobieństwa wielowokselowych wzorców aktywności neuronowej (tj. macierz podobieństwa neuronowego) jest wyjaśniona czynnikami eksperymentalnymi – w tym przypadku wartościowością emocjonalną, czasem, celami działania i, co najważniejsze, ich interakcją(2) . Uzyskamy macierze podobieństwa neuronowego dla każdego uczestnika, ROI i epoki zadania, obliczając korelacje Pearsona między parami próbnych wzorców multivoxeli w podejściu korelacji między seriami, które minimalizuje zawyżone korelacje wynikające z zależności danych i autokorelacji. Modele mieszane RSA. Następnie dopasujemy mieszany model regresji wielokrotnej dla każdego ROI przy użyciu macierzy szablonów specyficznych dla warunku (każda macierz szablonu jest uwzględniona w składniku błędu przedmiotowego). Dopasujemy regresory emocji, czasu i emocji*czasu (epoka sekwencji emocjonalnych). Model ten sprawdza, czy czas i emocje znacząco wyjaśniają strukturę podobieństwa wzorców aktywności neuronowej FP1 i środkowego LPFC oraz, co najważniejsze, czy oddziałują one na siebie (tj. w reprezentacjach koniunkcyjnych(11,12)). Aby sprawdzić, czy średnie LPFC i FPl reprezentują cele działania, dopasujemy regresor celu działania (epoka przygotowania działania); model wtórny obejmie emocje i czas jako interaktywne regresory (emocja*akcja, czas*akcja, emocja*czas*akcja) w celu sprawdzenia, czy reprezentacje celu działania nie są zmieniane przez wartościowość w środkowym LPFC (w porównaniu z modelem wtórnym). FPl) (jak wcześniej ustaliliśmy(2)) lub czy te czynniki są zintegrowane w tym zadaniu w środkowym LPFC. Znaczenie behawioralne czasu, emocji i sygnałów celu w LPFC. Przetestujemy przewidywany import behawioralny zintegrowanych sygnałów czas-emocja w FP1 poprzez regresję dopasowania regresorów emocji*czas w FP1 (beta RSA) na dokładność zadania Sekwencje emocjonalne. Interakcje FPl-mid-LPFC: łączność funkcjonalna i dowody reprezentacyjne międzyregionalne. Przetestujemy, czy zintegrowane sygnały czasowo-emocjonalne FPl mogą wpływać na funkcję środkowego LPFC poprzez regresję (a) dopasowań emocji*czasu FPl (wersje beta RSA) i (b) łączność funkcjonalna FPl-mid-LPFC (beta PPI) na działaniu środkowego LPFC -sygnały bramkowe (AUC). Rygor statystyczny. Tutaj i w całym tekście wszystkie wartości p są korygowane za pomocą FDR w celu skorygowania wielokrotnych porównań. Specyfika regionalna i reprezentatywna w LPFC jest formalnie testowana poprzez wprowadzenie regionu (FP1 vs. środkowy LPFC) jako interaktywnego regresora w opisanych powyżej modelach mieszanych.

Zabierzemy uczestników z Eksperymentu 1.1 (Cel 1) na 3 sesje TMS + fMRI ukierunkowane na FP1, średnie LPFC i kontrolę inną niż PFC (S1) (kolejność zrównoważona między podmiotami). Po każdym podaniu TMS nastąpi skanowanie fMRI zadania dotyczącego sekwencji emocjonalnych. Eksperyment 1.2 sprawdza przyczynową rolę funkcji FP1 w (a) informowaniu o reprezentacjach celu i działania w środkowym LPFC oraz (b) wykonywaniu zadań (wymagających dokładnego śledzenia czasowo rozciągniętych informacji emocjonalnych); w porównaniu z Eksperymentem 1.3, który koncentruje się na sygnałach celu działania w środkowym LPFC, i Eksperymencie 1.4, który koncentruje się na kontroli innej niż PFC (S1).

Procedura. TMS oparty na informacjach. Podążając za niedawną pracą innych(13) i naszą(1), zindywidualizowane ośrodki LPFC TMS będą obierać za cel szczytową lokalizację dowodów klasyfikatora istotnych dla zadania – wartość emocjonalną w FPl i cele działania w połowie LPFC – jak ujawnione przez reflektor sferyczny ( promień 7,5 mm) przeprowadzono na danych fMRI uzyskanych na początku badania (Eksperyment 1.1; Cel 1) ograniczonymi odpowiednimi anatomicznymi ROI (patrz ROI, Cel 1). Cele S1 są definiowane na podstawie anatomii (14-17). Miejsca TMS będą a priori ograniczone do lewej półkuli, biorąc pod uwagę bardziej spójne zaangażowanie lewej i prawej LPFC podczas kontroli poznawczej (18-20) i regulacji emocji (15,21). Protokół TMS. TMS będzie dostarczany przy użyciu stymulatora magnetycznego Magstim Horizon Lite i cewki w kształcie ósemki. Precyzyjne namierzanie TMS osiąga się za pomocą skanów ważonych T1 i skomputeryzowanego systemu stereotaktycznego (Brainsight). Podobnie jak w naszej wcześniejszej pracy, będziemy używać protokołu cTBS offline (ciągi 3 impulsów 50 Hz co 200 ms; 40 s; Huang i in. 2005), który zmniejsza aktywność kory mózgowej do 60 minut po stymulacji. Kwestionariusze. Ocenimy nastrój przed i po TMS za pomocą PANAS(22) i STAI(23). Analiza fMRI. Przeprowadzimy MVPA i RSA (szczegóły w Celu 1). Rygor statystyczny. Zobacz Cel 1; tutaj specyficzność miejsca TMS jest testowana poprzez wprowadzenie miejsca TMS (FP1 vs. średnie LPFC vs. Kontrola/S1) jako czynnika interaktywnego w opisanych powyżej modelach mieszanych (klasyfikator AUC i RSA); wszystkie wartości p FDR skorygowane dla wielokrotnych porównań.