Preiskovanje povezav zmanjšanja zamude s strukturo možganov, delovnim spominom in epizodnim spominom 2. del

Razmerje med strukturnimi napovedovalci in DD

Preizkusili smo povezave med spremenljivkami, ki nas zanimajo (subkortikalni volumni, komponente sive in bele snovi, EM, WM) in DD z linearnimi modeli in neparametričnimi permutacijskimi testi, kot so implementirani v programski opremi FSL PALM različica 1.11 (Winkler et al. 2014; Winkler, Webster et al. al. 2016b), ki deluje na MATLABR2017b.

V zadnjih letih, z izboljšanjem življenjskega standarda ljudi in naraščanjem starosti, težave s spominom vzbujajo vse več pozornosti. Vendar pa so nekateri ljudje aktivno razgibali svoje možgane, vendar jih še vedno mučijo težave s spominom. V tem času lahko razmislimo o uporabi neparametričnih ureditev za izboljšanje spomina.

Torej, kaj je neparametrična permutacija? Neparametrična ureditev je statistična metoda, ki niz podatkov uredi po določenih pravilih brez numerične primerjave. V primerjavi s parametrično permutacijo ima neparametrična permutacija širši obseg uporabe in ne daje preveč predpostavk o porazdelitvi in ​​diskretnosti podatkov.

In kako uporabiti neparametrično ureditev za izboljšanje spomina? Prvič, vemo, da lahko človeški možgani analizirajo, si zapomnijo in prikličejo različne informacije, kot so slike, zvok, besedilo itd., tako da lahko uporabimo neparametrične ureditve za izboljšanje obdelave in pomnjenja različnih informacij v naših možganih.

Z nekaterimi vajami, kot je vadba pomnjenja in priklica barv, števil, besed in drugih informacij ter nato neparametričnega razvrščanja različnih informacij, se v možganih oblikuje bolj pravilna struktura in s tem krepi spominska sposobnost možganov.

Poleg tega se lahko neparametrične permutacije med drugim uporabljajo za izboljšanje duševne prožnosti in zmanjšanje tesnobe in stresa. Z vadbo možganov lahko možgani delujejo bolj prožno in zdravo, s čimer zmanjšajo nepotrebno depresijo, tesnobo in druga negativna čustva ter se bolj pozitivno soočajo z življenjem in delom.

Skratka, neparametrična ureditev je izvedljiva in učinkovita metoda za izboljšanje možganskega spomina in prožnosti mišljenja. Z nenehno vadbo in prakso je mogoče učinkovito izboljšati možganski spomin in sposobnosti obdelave, kar nam pomaga bolj zdravo in pozitivno soočiti se z življenjem in delom. Vidi se, da moramo izboljšati spomin. Cistanche deserticola lahko bistveno izboljša spomin, saj lahko Cistanche deserticola uravnava tudi ravnovesje nevrotransmiterjev, kot je povečanje ravni acetilholina in rastnih faktorjev. Te snovi so zelo pomembne za spomin in učenje. Poleg tega lahko meso izboljša pretok krvi in ​​pospeši dostavo kisika, kar lahko zagotovi, da možgani prejmejo dovolj hranilnih snovi in ​​energije ter tako izboljšajo vitalnost in vzdržljivost možganov.

Kliknite Spoznajte načine za izboljšanje delovanja možganov

Uporabili smo 10 000 permutacij, modelirali rep permutacijske porazdelitve P-vrednosti s Paretovo porazdelitvijo (Winkler, Ridgway et al. 2016a) in družinsko kontrolo stopnje napak (FWER) za več testov z uporabo porazdelitve največjo statistiko (Westfalland Young 1993). Nabor podatkov HCP vsebuje subjekte, ki so bili vzorčeni skupaj s svojimi brati in sestrami (večinoma njihovimi dvojčki), kar pomeni, da meritev ni mogoče šteti za neodvisne.

Za testiranje povezav med zanimivimi spremenljivkami ob upoštevanju družinske strukture v naboru podatkov smo uporabili večnivojsko permutacijsko testiranje blokov (Winkler et al. 2015). Te povezave so bile popravljene za linearne in kvadratne izraze, spol, izobrazbo, dohodek in sestavljen rezultat kognitivnih funkcij orodjarne NIH ("CogTotalComp_Unadj"), merilo splošne inteligence. Sporočite 2-vrednosti P z repom za testirane povezave.

Vertex- in voxel-wise analize

Za primerjavo smo izvedli tudi ločene univariatevertex-wise (kortikalna debelina, površina) in voxelwise (GMV, FA, MD) analize za testiranje povezav z DD. Te analize so bile izvedene z uporabo neparametričnih permutacijskih testov, kot so implementirani v programski opremi FSL PALM, z 2,000 permutacijami in izboljšanjem gruče brez praga (Smith in Nichols 2009). Tako kot v prejšnjih analizah smo rep permutacijske porazdelitve P-vrednosti modelirali s Paretovo porazdelitvijo, uporabili kontrolo FWER za več testov z uporabo porazdelitve maksimalne statistike in upoštevali družinsko strukturo z večnivojskim blokovnim permutacijskim testiranjem. Tako kot zgoraj so bile te analize nadzorovane za linearne in kvadratne izraze, spol, izobrazbo, dohodek in splošno inteligenco.

Rezultati

Izključili smo subjekte z nepopolnimi odgovori pri nalogah DD (3), ki so izbrali vedno takojšnje ali zapoznele odgovore (9) ali pri katerih je bila posteriorna verjetnost, da bo statistika psevdo-R2 (Camerer in Ho 1999) nad ničlo, pod {{5} }.95, tj. subjekti, pri katerih je model bolje ustrezal odzivom kot naključni model (166). Ta merila so vodila do izključitve 178 subjektov iz vzorca HCP. Tabela 1 prikazuje demografske podatke o vzorcih in številu veljavnih opazovanj za različne kognitivne naloge in načine slikanja, ki so bili analizirani glede DD. Subjektivna vrednost nagrad je bila po enem mesecu v povprečju 79 % njihove nominalne vrednosti, po enem letu pa 23 %. Razlike med spoloma pri DD niso bile pomembne (moški (n=473) > ženski (n=545): t=0.27, P=0.80).

Odnos med DD in sivo snovjo

Po korekciji za linearne in kvadratne starostne izraze, spol in skupni intrakranialni volumen diskontna stopnja ni bila povezana s skupnim kortikalnim volumnom ali volumnom katere koli od preiskovanih subkortikalnih struktur. Tabela 2 prikazuje statistiko za te povezave.

Zemljevidi debeline skorje, površine in GMV so bili skupaj s povezanim ICA razdeljeni na 50 komponent, pri čemer je vsaka definirala prostorsko karto, ki odraža regije, kjer se je struktura sive snovi med udeleženci močno spreminjala, in posamezne ocene, ki kažejo na velikost prispevka komponente . Rezultati ene od komponent sive snovi so bili znatno negativno povezani z DD (slika 2A, r =-0,172, Pcorr < 1e-4, popravljeno za 50 testiranih komponent, n=946).

Od treh modalitet sive snovi je imela ta komponenta največjo težo (62 %) na GMV (slika 2B), njene največje obremenitve pa so bile v temporalnem polu in prekuneusu (sliki 2C in D). Ker ICA trpi zaradi nedoločenosti predznaka, je treba ocene komponente razlagati glede na njene obremenitve (katere anatomsko porazdelitev predstavlja ustrezen prostorski zemljevid), tj. negativna povezava z ocenami ene komponente odraža (delno) negativno korelacijo z meritvami strukture sive snovi na področjih, kjer so vrednosti njegovih obremenitev pozitivne. Te povezave so bile popravljene za linearne in kvadratne starostne izraze, spol, izobrazbo in dohodek.

Pri razgradnji podatkov v 100 komponentah je bila podobno samo ena komponenta pomembno povezana z DD, kar kaže vzorec, ki je zelo podoben tistemu, ki je bil pridobljen z 50-komponentno razgradnjo (sl. 2E–G, r {{3 }} −0,158,Pcorr=5e−4, popravljeno za 100 testiranih komponent, n=946). Univariatna vokselna analiza je tudi pokazala negativno pomembno povezavo med GMV in DD v dvostranskih temporalnih regijah sive snovi po nadzoru linearnih in kvadratnih izrazov starosti, spola, izobrazbe in dohodka (dodatna slika 2).

Te regije so se natančno ujemale s prostorskim vzorcem za identificirano komponento sive snovi (sliki 2C in G). Ni bilo kortikalne regije, kjer bi bila povezava med DD in kortikalno debelino ali območjem pomembna po popravku FWER za večkratne teste v površinski analizi vertex-wise za te meritve.

Da bi zagotovili, da je povezava z rezultati sive snovi specifična za DD in ne le odraža splošno kognitivno funkcijo, smo ponovili te analize in dodali mero splošne inteligence naboru nepomembnih sospremenljivk. Ista komponenta je bila še vedno edina, ki je bila pomembno povezana z DD ({{0}}komponentna razgradnja: r=−0.145, Pcorr=0.001; { {6}}komponentna razgradnja: r=−0,138, Pcorr=0.123) in rezultat univariatne vokselne analize je ostal v veliki meri nespremenjen (dodatna slika 2).

Odnos med DD in belo snovjo

Podatke FA in MD smo skupaj razgradili na 50 komponent. Nobena od komponent ni bila povezana z diskontno stopnjo po kontroli več testov in kovarij za linearne in kvadratne starostne izraze, spol, izobrazbo in dohodek. Uporaba 100 komponent ali dodatna kontrola splošne inteligence je dala podobne rezultate. V skladu s tem ni bilo regije, kjer bi bila povezava med DD in FA ali MD pomembna po popravku FWER za več testov v analizi voxel-wise.

Diskusija

Po pregledu vedenjskih in nevroslikarskih podatkov velikega vzorca zdravih odraslih so naše ugotovitve pokazale, da je bil večji DD predviden z manjšim anteriornim temporalnim GMV. Velikost vzorca nabora podatkov HCP, večja od tiste iz večine prejšnjih študij, ki povezujejo DD in strukturo možganov, nam je dala moč, da zanesljivo zajamemo učinke tako majhnega obsega. Vendar v nasprotju s prejšnjimi poročili nismo našli dokazov o zanesljivi povezavi med DD in kortikalnim volumnom, subkortikalnim volumnom, mikrostrukturno organizacijo bele snovi in ​​rezultati pri nalogah WM ali EM.

Večje znižanje je bilo povezano z manjšim GMV v anteriornih temporalnih regijah. Ta rezultat je bil močan pri spreminjanju števila povezanih komponent ICA in nadzoru merila splošne inteligence. Owenset al. (2017) so analizirali kortikalni volumen iz T1-uteženih pregledov v naboru podatkov HCP in poročali o povezavah med kortikalnim volumnom in DD v temporalnih regijah, ki ustrezajo področjem v komponenti sive snovi, ki jih je identificirala naša analiza.

Povezava z anteriortemporalno sivo snovjo je pričakovana (ker smo uporabili isti nabor podatkov), vendar naša študija razširja prejšnjo s preučevanjem kortikalne debeline in površine ter GMV za subkortikalne regije, kot tudi meritev strukture bele snovi. Poleg dejstva, da smo vključili temeljitejši nabor strukturnih ukrepov, smo spoštovali družinsko strukturo podatkov pri izračunu povezav med merami možganske strukture in DD, da bi se izognili pristranskim ocenam, ki bi lahko izhajale iz napačne predpostavke o neodvisnosti opazovanj (Winkleret sod. 2015).

Izvedli smo tudi strožjo selekcijo preiskovancev, pri čemer smo izključili tiste, ki so bili uspešni, in razčlenili podatke v strukturnih kovariančnih mrežah (Pehlivanova et al. 2018), metodi, ki omogoča večjo občutljivost za odkrivanje povezav z DD s skupnim povprečenjem (v tehtanem način) vrednosti strukturnih slik po možganskih regijah in združevanje več modalitet za izdelavo bolj zanesljivih ocen. Pomembna prednost uporabe ICA za razgradnjo slikovnih podatkov v kovariančnih omrežjih v primerjavi z vokselnim pristopom za analizo strukturnih podatkov je dejansko ta, da daje rezultate, ki bi morali biti manj šumni kot vrednosti, ki temeljijo na vokselih, ker so pridobljeni kot tehtano povprečje signala v vseh vokslov po možganih, z izvajanjem zmanjšanja dimenzionalnosti, ki lahko zmanjša tveganje za napake tipa II, čeprav na račun nejasne anatomske razmejitve.

anatomsko razmejitev.V nasprotju s študijo Owens et al. (2017) v naši analizi razmerje med kortikalnim volumnom in DD ni doseglo pomena. Ta razlika je verjetno rezultat naših strožjih analiz (odstranitev subjektov, ki so se naključno odzvali, neparametrični testi, ki upoštevajo strukturo družine podatkov, strožji nadzor za zmedo) in kaže, da prej poročana povezava med kortikalnim volumnom in DD morda ustreza lažni in ne robustna ugotovitev. Zdi se verjetno, da bi morala biti povezava DD z merilom globalnega kortikalnega volumna posredovana s spremenljivkami, ki odražajo bolj splošne vidike kognicije kot DD.

Kljub veliki velikosti vzorca nabora podatkov HCP nismo našli dokazov o pomembni povezavi med strukturo bele snovi in ​​DD. Prejšnje študije, ki so pokazale traktografske rekonstrukcije v manjših vzorcih, so poročale o negativnih povezavah med DD in meritvami moči strukturne povezljivosti (npr. številom pretokov) v specifičnih traktih bele snovi s PFC (van den Bos et al. 2015; Hänggi et al. 2016; Hamptonet al. 2017) .

V nasprotju s tistimi študijami, ki so preučevale moč povezljivosti, smo analizirali zemljevide FA, obdelane s TBSS, tehniko, ki omogoča obsežno analizo regij bele snovi in ​​je primernejša za raziskovalno analizo obsežnih naborov podatkov zaradi računskih stroškov in stroškov dela, povezanih z izvajanje celovitega traktografskega kartiranja velikega števila tem. Kolikor nam je znano, je vzorec v naši analizi bistveno večji kot v prejšnjih študijah, ki povezujejo belo snov z diskontiranjem. Opažamo pa, da je nedavna študija, ki je uporabila TBSS pri 302 starejših osebah brez demence (Han et al. 2018) (povprečna starost=81.38 let, SD=7.57 let, 75,5 % žensk) poročala o razširjeni negativne povezave med temporalnim diskontiranjem in FA v bilateralnem frontalnem, frontostriatalnem in temporoparietalnem traktu. Nestrinjanje z našimi rezultati se lahko odzove na demografske razlike v vzorcih.

Glede na obsežno naravo njihovih povezav lahko njihove ugotovitve odražajo degenerativne mehanizme, povezane s staranjem, v nasprotju z bolj omejenim vzorcem, ki bi ga pričakovali za določen ukrep, kot je DD. Poleg tega Han et al. ni nadzoroval ravni dohodka. Ko smo v naši analizi samo prilagajali krmo in spol, smo identificirali nadaljnje komponente sive in bele snovi, ki so imele ocene v pomembni korelaciji z diskontnimi stopnjami (glejte Dodatni material). Medtem ko so veliki vzorci zmožni zaznati manjše učinke, obstaja tudi večje tveganje za odkrivanje povezav, ki nastanejo samo zaradi zmede spremenljivk, zaradi česar je ključnega pomena prilagoditev za ustrezne spremenljivke.

Nedavno delo (Marek et al. 2022) je poudarilo pomen uporabe velikih vzorcev v študijah povezav med možgani in vedenjem po vsej možganih in pokazalo, da bi morale tipične velikosti vzorcev za te študije povzročiti neponovljive učinke in napihnjene velikosti učinkov. Ob predpostavki, da je resnični učinek približno 0,15 (primerljivo z velikostjo učinka za komponento sive snovi, ki smo jo identificirali in združljivo z rezultati Mareka et al. 2022), bi bilo potrebnih več kot 250 subjektov, da bi dosegli moč 80 %. Večina prejšnjih študij na področju DD je bila torej premalo cenjena, kar pojasnjuje nedoslednosti v literaturi, omenjene v razdelku 1. Upoštevajte, da se ta zaključek nanaša samo na povezave med možgani in vedenjem in ne preveč funkcionalnih študij kartiranja možganov o DD, ki bi morale zahtevati manjše velikosti vzorcev za odkrivanje resničnih učinkov , zato ni protislovja med našimi rezultati in ugotovitvami iz teh študij.

Nismo našli povezave med naklonjenostjo takojšnjim nagradam in nobenim od testov WM (LSWMT in 2-back). Podobno v podatkih HCP ni bilo povezave DD z verbalnim ali neverbalnim EM. Ti rezultati so v skladu z nedavno študijo (Yeh et al. 2021), ki jo dopolnjujemo z vključitvijo 2-povratne naloge in strožje statistične obravnave za analizo podatkov o strukturi možganov. Čeprav Shamosh et al. (2008) so poročali o povezavi med nižjo WM in naklonjenostjo takojšnjim nagradam, ta korelacija ni bila specifična za WM, saj po njihovih podatkih ta sposobnost ni pojasnila variance v DD, ki presega tisto, ki jo pojasnjuje splošna inteligenca. Pri popravljanju povezav samo za starost in spol je bil DD v značilni negativni korelaciji z rezultati LSWMT, 2-back in verbalnimi rezultati EM (glejte dodatno gradivo), vendar ta korelacija ni bila več pomembna pri prilagajanju za spremenljivke socialno-ekonomskega statusa (ki bi že morale delno upoštevati splošna kognitivna funkcija). Tako naši zgornji premisleki glede lažnih povezav zaradi motečih spremenljivk in neponovljivih ugotovitev pri uporabi majhnih vzorcev veljajo tudi za te analize.

Omejitev naše študije je, da naše analize niso bile vnaprej registrirane, zato navedenih povezav ni mogoče šteti za potrditvene. Kljub temu verjamemo, da je pomemben prispevek teh rezultatov zagotavljanje natančnejših ocen velikosti učinkov za razmerja med kognitivnimi merami, strukturnim slikanjem in medčasovnimi odločitvami zaradi precej večje velikosti vzorca prejšnjih študij. Druga omejitev je nizka zanesljivost diskontnih stopenj. Parametre naloge so kritizirali zaradi njihove nizke zanesljivosti med preizkusi in ponovnimi preizkusi (Enkavi et al. 2019) in, v povezani domeni preferenc glede tveganja, zaradi pomanjkanja doslednosti med eksperimentalnimi paradigmami (Pedroni et al. 2017). Ti razlogi lahko delno pojasnijo pomanjkanje povezav s strukturo možganov, ki smo jih ugotovili, in nizko ponovljivost ugotovitev v študijah. Ključna prihodnja pot bi morala biti oblikovanje novih paradigem za merjenje DD z izboljšano zanesljivostjo. Možna pot naprej je lahko v izpeljavi povzetkov rezultatov, ki združujejo več parametrov naloge za doseganje večje zanesljivosti in z uporabo večvariantnih metod za povečanje možnosti odkrivanja povezav med možgani in vedenjem (Moutoussis et al. 2021).

Glede na pomen DD pri preučevanju psihopatologije je temeljnega pomena, da se trdno določi njegov temeljni nevrobiološki oder. Z izkoriščanjem velikega nabora podatkov o slikanju nevronov ta študija pomaga uskladiti razlike v literaturi o korelatih sive in bele snovi DD. Ta vedenjska lastnost je bila negativno povezana z GMV v anteriornih temporalnih regijah in, kar je pomembno, je bil ugotovljeni strukturni učinek majhen, tako da je malo verjetno, da bi ga zaznali v vzorcih z velikostjo, primerljivo s tisto, ugotovljeno v številnih sorodnih študijah. Skratka, povezave s kognitivnimi sposobnostmi in strukturo možganov so lahko šibkejše, kot kažejo prejšnja poročila. Naši rezultati zahtevajo razvoj robustnejših meritev DD in izvajanje nevroslikarskih študij večjih velikosti vzorcev, kot je običajno na tem področju, ter ustrezen nadzor za morebitne zmede.

Zahvala

Zahvaljujemo se Matsu Eriksonu in Kajsi Burström za zbiranje podatkov. Hvaležni smo za nabor podatkov z odprtim dostopom, ki ga je zagotovil projekt Human Connectome, WU-MinnConsortium (glavna raziskovalca: David Van Essen in Kamil Ugurbil; 1U54MH091657).

Dodatno gradivo

Dodatno gradivo je na voljo na spletni strani Cerebral Cortexonline.

financiranje

To delo je podprl švedski raziskovalni svet (štivilka štipendije VR521-2013-2589 za MG-M), raziskovalna nagrada Aleksandra von Humboldta (LB) in donacija fundacije AF Jochnick (LB).

Izjava o navzkrižju interesov: dr. Zeb Kurth-Nelson je zaposlen pri DeepMind. Preostali avtorji izjavljajo nasprotje interesov.

Reference

1. Addis DR, Wong AT, Schacter DL. Spominjanje preteklosti in predstavljanje prihodnosti: skupni in različni nevronski substrati med konstrukcijo in elaboracijo dogodka. Nevropsihologija. 2007: 45: 1363–1377.

2. Ahn WY, Rass O, Fridberg DJ, Bishara AJ, Forsyth JK, Breier A, Busemeyer JR, Hetrick WP, Bolbecker AR, O'Donnell BF. Časovno znižanje nagrad pri bolnikih z bipolarno motnjo in shizofrenijo. J Abnorm Psychol. 2011: 120: 911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Strmo diskontiranje zamude in zasvojenost: meta-analiza neprekinjenih asociacij. Zasvojenost. 2017: 112: 51–62.

4. Ashburner J, Friston KJ. Morfometrija na podlagi vokselov – metode. NeuroImage. 2000: 821: 805–821.

5.Barch DM, Burgess GC, Harms MP, Petersen SE, Schlaggar BL, Corbetta M, Glasser MF, Curtiss S, Dixit S, Feldt C, et al. Funkcija v človeškem konektomu: Task-fMRI in individualne razlike v vedenju. NeuroImage. 2013: 80: 169–189.

For more information:1950477648nn@gmail.com