LPFC-organisation i uppskattning av emotion-varaktighetsskillnad

Översikt. n=50 deltagare från UC Santa Barbara och den större Santa Barbara-gemenskapen kommer att rekryteras och bjudas in att delta i en multi-session fMRI/TMS+fMRI-studie. Behörighetskriterier har beskrivits och inkluderar fMRI och TMS säkerhetskriterier.

Beteendeuppgift. För att testa hypotesen att den laterala frontalpolen (FPl) representerar känslor och temporala signaler och integrerar dem för att informera om kontextuella handlingsmålsrepresentationer i den mellanlaterala prefrontala cortex (mitten av LPFC), kommer vi att använda en väl validerad uppgift som manipulerar tid och emotionella valensfaktorer för att informera kontextberoende handlingsmål, Emotional Sequences Task. I varje försök ser deltagarna 12-sekunderssekvenser av 4 nya negativa och positiva bilder (händelser). Hälften av försöken har mer långvariga negativa (mot positiva) bildpresentationer, och vice versa, vilket ger större tidsmässiga bevis för antingen positiv eller negativ känslomässig valens. Mängden tidsmässiga bevis till förmån för en valens i en 12-sekundssekvens (∆ Temporala bevis: 1200ms vs 1800ms) varieras ortogonalt med avseende på den dominerande emotionella valensen genom att variera individuell bildpresentationstid (2000ms-4000ms; skakig). I slutet av varje sekvens anger deltagarna om den totala varaktigheten av positiva eller negativa händelser var längre med en knapptryckning (vänster vs. höger), enligt en handlingskartläggningsregel (Contextual Goal Cue).

Procedur. fMRI-förvärv. Med hjälp av en 64-kanals spole i 3T Prisma Siemens MRI-skanner som finns vid UCSB:s Brain Imaging Center (BIC), kommer vi att samla in helhjärnans EPI (flerbandsfaktor=3; 2,5 mm3 isotropa voxlar; TR=1,5 s; TE=30 ms ; FA=65°) och T1-vägda bilder för rumslig normalisering och TMS-neurnavigering (0,94 mm3; TR=2,5 s; TE=2,19 ms; FA=7°). fMRI-databearbetning och modellering. Efter vårt tidigare arbete (se(2)), kommer fMRI-databearbetning, i FSL och Python, att inkludera rörelse- och skivtidskorrigering, 3 mm FWHM-utjämning och anpassning till T1-rymden för att bibehålla inbyggd funktionell upplösning. Försöksmässiga BOLD-aktiveringsparametrar för känslomässiga sekvens- och handlingsförberedelseepoker kommer att erhållas med en kanonisk HRF i en minsta kvadraters alla (LS-A)(3) GLM, och regleras med hjälp av multivariat brusnormalisering(4) för att ta bort störande inter- voxel-korrelationer på grund av fysiologiskt brus och/eller instrumentbrus. Regioner av intresse (ROI). PFC-LPFC: FPI och mid-LPFC (BA46 & 9-46); mPFC: BA25 och BA32-Oxford PFC konsensusatlas(5-7) och ytbaserad segmentering i Freesurfer(8) anpassad till individuellt T1-utrymme. Amygdala ROIs-CITI-atlas(9) och ANTs-registrering till T1-utrymme. fMRI-analys: Översikt. Mål 1-1b: Vi kommer att modellera följande faktorer: dominerande känslomässig valens (positiv vs. negativ; härefter, emotion), # tidsbevis (1200 ms vs. 1 800 ms; härefter, tid) och handlingsmål (regelbaserade vänster vs. höger; härefter handling). MVPA. För att replikera vårt tidigare arbete(2), som visade linjär avkodning av emotionell valens i FPl, och handlingsmål i FPl och mitten av LPFC, kommer vi att använda en multivariat logistisk klassificerare som körs på z-poängd data för varje ämne, ROI och uppgift epok (känslomässiga sekvenser och handlingsförberedelser) i Nilearn. Klassificerarens prestanda kommer att utvärderas med hjälp av arean under kurvan (AUC; chansprestanda = 0,5) och korsvalidering av en körning (som ger körningsvis klassificerare AUC). Blandade modeller: Översikt. Här och genomgående använder vi blandade modeller (lme4(10)) som anger ämne och körs som slumpmässiga faktorer. Klassificerare blandade modeller. Klassificerare AUC testas mot slumpen med hjälp av blandade modeller som kombinerar körningsmässiga klassificerare AUC mellan försökspersoner. Representational Similarity Analysis (RSA). Fullfaktoriell RSA testar om likhetsstrukturen för multivoxel neurala aktivitetsmönster (d.v.s. den neurala likhetsmatrisen) förklaras av experimentella faktorer - här, emotionell valens, tid, handlingsmål och, kritiskt, deras interaktion (2) . Vi kommer att erhålla neurala likhetsmatriser för varje deltagare, ROI och uppgiftsepok genom att beräkna Pearson-korrelationer mellan par av försöksmässiga multivoxelmönster i en korrelationsmetod mellan körningar, vilket minimerar uppblåsta korrelationer på grund av databeroende och autokorrelation. RSA blandade modeller. Därefter kommer vi att anpassa en multipel regressionsmixad modell för varje ROI med hjälp av villkorsspecifika mallmatriser (varje mallmatris ingår i ämnesfeltermen). Vi kommer att passa regressorer för känslor, tid och känslor*tid (epoken för emotionella sekvenser). Denna modell testar huruvida tid och känslor signifikant förklarar likhetsstrukturen för FPl och mid-LPFC neurala aktivitetsmönster, och, kritiskt, om de interagerar (dvs i konjunktiva representationer (11,12)). För att testa om mid-LPFC och Fpl representerar åtgärdsmål, kommer vi att montera en åtgärdsmålregressor (åtgärdsförberedelseepok); en sekundär modell kommer att inkludera känslor och tid som interaktiva regressorer (emotion*action, time*action, emotion*time*action) för att undersöka om handlingsmålrepresentationer är oförändrade av valens i mitten av LPFC (vs. FPl) (som vi tidigare funnit(2)) eller om dessa faktorer är integrerade i mitten av LPFC i denna uppgift. Den beteendemässiga relevansen av tid, känsla och målsignaler i LPFC. Vi kommer att testa den förutsagda beteendeimporten av integrerade tids-emotion-signaler i Fpl genom att regressera anpassningen av emotion*time-regressorer i Fpl (RSA-betas) på noggrannhet i Emotional Sequences Task. Fpl-mid-LPFC-interaktioner: Funktionell anslutning och tvärregionala representationsbevis. Vi kommer att testa om FPls integrerade tids-emotion-signaler kan informera mid-LPFC-funktion genom att regressera (a) FPl:s emotion*time fits (RSA-betas) och (b) FPl-mid-LPFC:s funktionella anslutningar (PPI-betas) på mid-LPFC:s åtgärd -målsignaler (AUC). Statistisk rigor. Här och genomgående är alla p-värden FDR-justerade för att korrigera för flera jämförelser. Regional och representativ specificitet i LPFC testas formellt genom att ange region (FPl vs. mid-LPFC) som en interaktiv regressor i ovan beskrivna blandade modeller.

Vi kommer att ta med deltagare från Experiment 1.1 (Mål 1) för 3 TMS+fMRI-sessioner inriktade på FPl, mid-LPFC och en icke-PFC-kontroll (S1) (order motvikt mellan ämnen). Varje TMS-administration kommer att följas av fMRI-skanning av emotionella sekvensuppgiften. Experiment 1.2 testar en orsaksroll för FPl-funktion i (a) informerande av handlingsmålrepresentationer i mitten av LPFC och (b) uppgiftsutförande (kräver korrekt spårning av tidsmässigt utökad känslomässig information); jämfört med Experiment 1.3, som riktar sig mot handlingsmålsignaler i mitten av LPFC, och Experiment 1.4, som riktar sig till en icke-PFC-kontroll (S1).

Procedur. Informationsstyrt TMS. Efter andras(13) och vårt(1) senaste arbete, kommer individualiserade LPFC TMS-webbplatser att inrikta sig på toppplatsen för uppgiftsrelevant klassificerare bevis - emotionell valens i FPl och handlingsmål i mitten av LPFC - som avslöjas av en sfärisk strålkastare ( 7,5 mm radie) körs på fMRI-data som erhållits vid baslinjen (experiment 1.1; mål 1) begränsat av relevanta anatomiska ROI (se ROI, mål 1). S1-mål definieras utifrån anatomi (14-17). TMS-platser kommer a-priori att vara begränsade till den vänstra hjärnhalvan med tanke på mer konsekvent engagemang av vänster vs höger LPFC under kognitiv kontroll (18-20) och känsloreglering (15,21). TMS-protokoll. TMS kommer att levereras med en Magstim Horizon Lite magnetisk stimulator och en åttatalsspole. Exakt TMS-inriktning uppnås med hjälp av T1-vägda skanningar och datoriserat stereotaxiskt system (Brainsight). Som i vårt tidigare arbete kommer vi att använda ett offline cTBS-protokoll (50Hz tåg med 3 pulser var 200:e ms; 40 s; Huang et al. 2005), vilket minskar kortikal aktivitet i upp till 60 minuter efter stimulering. Frågeformulär. Vi kommer att bedöma humör före och efter TMS med PANAS(22) och STAI(23). fMRI-analys. Vi kommer att genomföra MVPA och RSA (detaljerat i Mål 1). Statistisk rigor. Se mål 1; här testas TMS-ställesspecificitet genom att gå in på TMS-ställe (FPl vs. mid-LPFC vs. Control/S1) som en interaktiv faktor i ovan beskrivna blandade modeller (klassificerare AUC och RSA); alla p-värden FDR korrigerade för flera jämförelser.