情绪持续时间差异估计中的 LPFC 组织

概述。 来自加州大学圣巴巴拉分校和更大的圣巴巴拉社区的 n=50 名参与者将被招募并邀请参加多期 fMRI/TMS+fMRI 研究。 已经描述了资格标准，包括功能磁共振成像和 TMS 安全标准。

行为任务。 为了测试外侧额极 (FPl) 代表情感和时间信号并将它们整合起来以告知中外侧前额叶皮层 (mid-LPFC) 中的上下文动作目标表示的假设，我们将使用一个经过充分验证的操纵时间的任务和情感效价因素来告知上下文相关的行动目标，即情感序列任务。 在每次试验中，参与者观看 12 秒的 4 个新颖的负面和正面图像（事件）序列。 一半的试验以更持久的负面（与正面）图片呈现为特色，反之亦然，从而产生更多关于正面或负面情绪效价的时间证据。 支持 12 秒序列中一种价的时间证据数量（Δ 时间证据：1200 毫秒与 1800 毫秒）通过改变单个图片呈现时间（2000 毫秒-4000 毫秒；抖动）相对于主要情感价正交变化。 在每个序列结束时，参与者遵循动作映射规则（上下文目标提示），通过按下按钮（左与右）来指示积极或消极事件的总持续时间是否更长。

程序。 功能磁共振成像采集。 使用位于 UCSB 脑成像中心 (BIC) 的 3T Prisma 西门子 MRI 扫描仪中的 64 通道线圈，我们将收集全脑 EPI（多频带因子=3；2.5 mm3 各向同性体素；TR=1.5 s；TE=30 ms ；FA=65°）和用于空间归一化和 TMS 神经导航的 T1 加权图像（0.94 mm3；TR=2.5 s；TE=2.19 ms；FA=7°）。 fMRI 数据处理和建模。 继我们之前的工作（参见（2））之后，FSL 和 Python 中的 fMRI 数据处理将包括运动和切片时间校正、3mm FWHM 平滑以及与 T1 空间的对齐，以保持原始功能分辨率。 将使用最小二乘 (LS-A)(3) GLM 中的规范 HRF 获得情感序列和动作准备时期的试验性 BOLD 激活参数，并使用多元噪声归一化 (4) 进行正则化，以消除干扰间的干扰。由于生理和/或仪器噪声而导致的体素相关性。 感兴趣区域 (ROI)。 PFC-LPFC：FPl 和中 LPFC (BA46 & 9-46)； mPFC：BA25 和 BA32-Oxford PFC 共识图集 (5-7) 以及 Freesurfer(8) 中基于表面的分割与单独的 T1 空间对齐。 杏仁核 ROIs-CITI 图集(9) 和 ANT 注册到 T1 空间。 功能磁共振成像分析：概述。 目标 1-1b：我们将对以下因素进行建模：主要情绪效价（积极与消极；以下称为情绪）、时间证据（1200 毫秒与 1800 毫秒；以下称为时间）以及行动目标（基于规则的左与右）。正确；此后为行动）。 MVPA。 为了复制我们之前的工作（2），该工作显示了 FPl 中的情感效价以及 FPl 和中 LPFC 中的行动目标的线性解码，我们将使用对每个受试者、ROI 和任务的 z 评分数据运行的多元逻辑分类器Nilearn 中的纪元（情感序列和动作准备）。 将使用曲线下面积（AUC；机会性能 = 0.5）和留一运行交叉验证（产生运行方式分类器 AUC）来评估分类器性能。 混合模型：概述。 在这里和整个过程中，我们使用混合模型（lme4（10））输入主题并作为随机因素运行。 分类器混合模型。 使用混合模型结合跨受试者的运行分类器 AUC 来测试分类器 AUC。 代表性相似性分析（RSA）。 全因子 RSA 测试多体素神经活动模式的试验间相似性结构（即神经相似性矩阵）是否可以通过实验因素来解释 - 这里是情绪效价、时间、行动目标，以及至关重要的它们的相互作用 (2) 。 我们将通过计算运行间相关方法中的试验多体素模式对之间的皮尔逊相关性来获得每个参与者、ROI 和任务时期的神经相似性矩阵，该方法最大限度地减少由于数据依赖性和自相关性而导致的夸大相关性。 RSA 混合模型。 接下来，我们将使用特定于条件的模板矩阵（每个模板矩阵包含在主题误差项中）为每个 ROI 拟合多元回归混合模型。 我们将拟合情感、时间和情感*时间回归量（情感序列纪元）。 该模型测试时间和情绪是否显着解释 FP1 和中 LPFC 神经活动模式的相似结构，并且更重要的是，它们是否相互作用（即，在联合表征中（11,12））。 为了测试mid-LPFC和FPl是否代表行动目标，我们将拟合一个行动目标回归器（行动准备时期）；第二个模型将包括情感和时间作为交互回归量（情感*行动、时间*行动、情感*时间*行动），以检查行动目标表征是否不会因中LPFC中的效价而改变（与中LPFC相比）。 FPl）（正如我们之前发现的（2））或这些因素是否在此任务中整合到中 LPFC 中。 LPFC 中时间、情绪和目标信号的行为相关性。 我们将通过回归 FPl 中情感*时间回归量（RSA betas）对情感序列任务准确性的拟合来测试 FPl 中集成时间情感信号的预测行为导入。 FPl-mid-LPFC 相互作用：功能连接和跨区域代表性证据。 我们将通过回归（a）FPl的情绪*时间拟合（RSA beta）和（b）FPl-mid-LPFC的功能连接（PPI beta）对中LPFC的作用进行回归来测试FPl的集成时间-情感信号是否可以通知中LPFC功能-目标信号（AUC）。 统计严谨性。 此处及全文中，所有 p 值均经过 FDR 调整以校正多重比较。 LPFC 中的区域和代表性特异性通过输入区域（FP1 与中 LPFC）作为上述混合模型中的交互回归量来正式测试。

我们将让实验 1.1（目标 1）的参与者参加 3 个 TMS+fMRI 课程，目标是 FPl、中 LPFC 和非 PFC 对照 (S1)（受试者之间的顺序平衡）。 每次 TMS 管理后都会进行情绪序列任务的功能磁共振成像扫描。 实验 1.2 测试 FPl 功能在 (a) 通知中 LPFC 中的行动目标表征和 (b) 任务表现（需要准确跟踪时间扩展的情绪信息）方面的因果作用；与实验 1.3 和实验 1.4 相比，实验 1.3 的目标是中 LPFC 中的行动目标信号，实验 1.4 的目标是非 PFC 控制 (S1)。

程序。 信息引导的 TMS。 继其他人 (13) 和我们 (1) 最近的工作之后，个性化 LPFC TMS 站点将针对任务相关分类器证据的峰值位置 - FPl 中的情绪效价，以及 LPFC 中部的行动目标 - 正如球形探照灯所揭示的那样（ 7.5 毫米半径）在基线（实验 1.1；目标 1）获得的 fMRI 数据上运行，并受到相关解剖 ROI 的约束（参见 ROI，目标 1）。 S1 目标是根据解剖学定义的 (14-17)。 鉴于在认知控制 (18-20) 和情绪调节 (15,21) 期间左 LPFC 与右 LPFC 的参与更加一致，TMS 站点将先验地限制在左半球。 TMS 协议。 TMS 将使用 Magstim Horizo​​n Lite 磁刺激器和 8 字形线圈进行传输。 使用 T1 加权扫描和计算机立体定位系统 (Brainsight) 实现精确的 TMS 定位。 与我们之前的工作一样，我们将使用离线 cTBS 协议（每 200 毫秒 3 个脉冲的 50Hz 序列；40 秒；Huang 等人，2005），该协议可在刺激后最多 60 分钟内减少皮质活动。 问卷调查。 我们将使用 PANAS(22) 和 STAI(23) 评估 TMS 前后的情绪。 功能磁共振成像分析。 我们将进行 MVPA 和 RSA（详见目标 1）。 统计严谨性。 参见目标 1；这里，通过输入TMS位点（FPl vs. mid-LPFC vs. Control/S1)作为上述混合模型（分类器AUC和RSA）中的交互因素来测试TMS位点特异性；所有 p 值 FDR 均针对多重比较进行校正。