Организация LPFC при оценке разницы продолжительности эмоций

Обзор. n = 50 участников из Калифорнийского университета в Санта-Барбаре и более крупного сообщества Санта-Барбары будут набраны и приглашены для участия в многосессионном исследовании фМРТ/ТМС+фМРТ. Критерии отбора были описаны и включают критерии безопасности фМРТ и ТМС.

Поведенческая задача. Чтобы проверить гипотезу о том, что латеральный лобный полюс (FPl) представляет эмоции и временные сигналы и интегрирует их для информирования о контекстных представлениях целей действий в средней латеральной префронтальной коре (mid-LPFC), мы будем использовать хорошо проверенную задачу, которая управляет временем. и факторы эмоциональной валентности для информирования о контекстно-зависимых целях действий, задача «Эмоциональные последовательности». В каждом испытании участники просматривают 12-секундные последовательности из 4 новых негативных и позитивных изображений (событий). В половине испытаний характерны более продолжительные негативные (по сравнению с позитивными) представления изображений, и наоборот, что дает больше временных доказательств либо положительной, либо отрицательной эмоциональной валентности. Количество временных свидетельств в пользу одной валентности в 12-секундной последовательности (∆ Временные свидетельства: 1200 мс против 1800 мс) варьируется ортогонально относительно преобладающей эмоциональной валентности за счет изменения времени представления отдельных изображений (2000–4000 мс; дрожание). В конце каждой последовательности участники указывают, была ли общая продолжительность положительных или отрицательных событий дольше при нажатии кнопки (левая или правая), следуя правилу сопоставления действий (контекстная подсказка цели).

Процедура. Получение фМРТ. Используя 64-канальную катушку в МРТ-сканере 3T Prisma Siemens, расположенном в Центре визуализации мозга (BIC) UCSB, мы будем собирать EPI всего мозга (многоканальный коэффициент = 3; изотропные воксели 2,5 мм3; TR = 1,5 с; TE = 30 мс). ; FA=65°) и Т1-взвешенные изображения для пространственной нормализации и ТМС нейронавигации (0,94 мм3; TR=2,5 с; TE=2,19 мс; FA=7°). Обработка и моделирование данных фМРТ. Следуя нашей предыдущей работе (см. (2)), обработка данных фМРТ в FSL и Python будет включать коррекцию движения и времени среза, сглаживание на полувысоте 3 мм и выравнивание по пространству T1 с сохранением собственного функционального разрешения. Параметры активации BOLD для пробных периодов эмоциональной последовательности и подготовки к действию будут получены с использованием канонического HRF в методе наименьших квадратов (LS-A)(3) GLM и упорядочены с использованием многомерной нормализации шума(4) для устранения неприятных помех. воксельные корреляции из-за физиологического и/или инструментального шума. Области интереса (ROI). PFC-LPFC: FPl и средний LPFC (BA46 и 9-46); mPFC: BA25 и BA32-Оксфордский консенсусный атлас PFC (5-7) и поверхностная сегментация в Freesurfer (8), согласованная с индивидуальным пространством T1. Атлас ROI-CITI миндалевидного тела (9) и регистрация ANT в пространстве T1. фМРТ-анализ: обзор. Цели 1-1b: Мы будем моделировать следующие факторы: преобладающая эмоциональная валентность (положительная или отрицательная; здесь и далее — эмоции), # временные доказательства (1200 мс против 1800 мс; здесь и далее — время) и цели действий (левые на основе правил или левые, основанные на правилах). право; далее действие). МВПА. Чтобы повторить нашу предыдущую работу (2), которая показала линейное декодирование эмоциональной валентности в FPl и целей действия в FPl и средней LPFC, мы будем использовать многомерный логистический классификатор, работающий на данных с z-значением для каждого субъекта, рентабельности инвестиций и задачи. эпоха (эмоциональные последовательности и подготовка действий) в Nilearn. Эффективность классификатора будет оцениваться с использованием площади под кривой (AUC; вероятность эффективности = 0,5) и перекрестной проверки с исключением одного отклонения (получение AUC для прогонного классификатора). Смешанные модели: обзор. Здесь и далее мы используем смешанные модели (lme4(10)), вводя предмет и рассматривая их как случайные факторы. Классификатор смешанных моделей. AUC классификатора проверяется на случайность с использованием смешанных моделей, объединяющих AUC классификатора по всем субъектам. Анализ репрезентативного сходства (RSA). Полнофакторный RSA проверяет, объясняется ли структура сходства между попытками многовоксельных паттернов нейронной активности (т. е. матрица нейронного сходства) экспериментальными факторами — здесь эмоциональной валентностью, временем, целями действий и, что особенно важно, их взаимодействием (2). . Мы получим матрицы сходства нейронов для каждого участника, рентабельности инвестиций и эпохи задач путем вычисления корреляций Пирсона между парами многовоксельных шаблонов пробных испытаний в подходе межпрогонной корреляции, который минимизирует завышенные корреляции из-за зависимостей данных и автокорреляции. Смешанные модели RSA. Далее мы подгоним смешанную модель множественной регрессии для каждой рентабельности инвестиций, используя матрицы шаблонов для конкретных условий (каждая матрица шаблона включена в термин предметной ошибки). Подберем эмоцию, время и регрессоры эмоция*время (эпоха эмоциональных последовательностей). Эта модель проверяет, могут ли время и эмоции существенно объяснить структуру сходства паттернов нейронной активности FPl и средней LPFC, и, что особенно важно, взаимодействуют ли они (т. е. в конъюнктивных представлениях (11,12)). Чтобы проверить, представляют ли средние LPFC и FPl цели действий, мы подберем регрессор цели действия (эпоху подготовки действий); вторичная модель будет включать эмоции и время в качестве интерактивных регрессоров (эмоция*действие, время*действие, эмоция*время*действие), чтобы проверить, не изменяются ли представления цели действия под действием валентности в середине LPFC (по сравнению с валентностью). FPl) (как мы ранее обнаружили (2)) или интегрируются ли эти факторы в середине LPFC в этой задаче. Поведенческая значимость сигналов времени, эмоций и целей в LPFC. Мы проверим прогнозируемую поведенческую значимость интегрированных сигналов времени и эмоций в FPl путем регрессии соответствия регрессоров эмоция*время в FPl (бета-версии RSA) по точности в задаче «Эмоциональные последовательности». Взаимодействия FPl-mid-LPFC: функциональная связность и межрегиональные репрезентативные данные. Мы проверим, могут ли интегрированные сигналы времени и эмоций FPl влиять на функцию средней LPFC путем регрессии (а) соответствия эмоциям*времени FPl (бета-версии RSA) и (б) функциональной связи FPl-mid-LPFC (беты PPI) на действие средней LPFC. -сигналы ворот (AUC). Статистическая строгость. Здесь и далее все значения p скорректированы с учетом FDR для поправки на множественные сравнения. Региональная и репрезентативная специфичность в LPFC формально проверяется путем ввода региона (FPl против среднего LPFC) в качестве интерактивного регрессора в описанных выше смешанных моделях.

Мы пригласим участников эксперимента 1.1 (цель 1) на 3 сеанса ТМС+фМРТ, нацеленных на FPl, среднюю LPFC и контрольную группу без PFC (S1) (порядок уравновешен по субъектам). За каждым введением ТМС будет следовать фМРТ-сканирование задачи «Эмоциональные последовательности». Эксперимент 1.2 проверяет причинную роль функции FPl в (а) информировании о представлениях цели действия в середине LPFC и (б) выполнении задачи (требующем точного отслеживания расширенной во времени эмоциональной информации); по сравнению с экспериментом 1.3, который нацелен на сигналы действия-цели в середине LPFC, и экспериментом 1.4, который нацелен на контроль без PFC (S1).

Процедура. Информационно-ориентированная ТМС. Следуя недавним работам других(13) и нашей(1), индивидуализированные сайты LPFC TMS будут нацелены на пиковое расположение свидетельств классификатора, релевантных для задачи - эмоциональную валентность в FPl и цели действий в середине LPFC - как показано сферическим прожектором ( радиусом 7,5 мм) на основе данных фМРТ, полученных на исходном уровне (Эксперимент 1.1; цель 1), ограниченных соответствующими анатомическими зонами интереса (см. ROI, цель 1). Цели S1 определяются на основе анатомии (14-17). Сайты ТМС будут априори ограничены левым полушарием, учитывая более последовательное взаимодействие левого и правого LPFC во время когнитивного контроля (18-20) и регуляции эмоций (15,21). Протокол ТМС. ТМС будет проводиться с использованием магнитного стимулятора Magstim Horizon Lite и катушки в форме восьмерки. Точное нацеливание на ТМС достигается с помощью Т1-взвешенного сканирования и компьютеризированной стереотаксической системы (Brainsight). Как и в нашей предыдущей работе, мы будем использовать автономный протокол cTBS (последовательности 3 импульсов 50 Гц каждые 200 мс; 40 с; Хуанг и др., 2005), который снижает кортикальную активность на срок до 60 минут после стимуляции. Анкеты. Мы будем оценивать настроение до и после ТМС, используя PANAS(22) и STAI(23). фМРТ-анализ. Мы проведем MVPA и RSA (подробно описано в цели 1). Статистическая строгость. См. Цель 1; здесь специфичность сайта TMS проверяется путем ввода сайта TMS (FPl против среднего LPFC против контроля/S1) в качестве интерактивного фактора в описанных выше смешанных моделях (классификатор AUC и RSA); все p-значения FDR скорректированы для множественных сравнений.