Del 2:Funksjonell tilkobling mellom minne- og belønningssentre på tvers av oppgave- og hvilespor Minnefølsomhet for belønning
Mar 17, 2022
for mer informasjon:ali.ma@wecistanche.com
Analyse av forskjell nærme seg
For å teste om tilkoblingsmønstre knyttet tilhukommelsefølsomhet for belønning og om dette forholdet er stabilt på tvers av oppgavestadier, ble tilkoblingsverdiene sendt til to ANOVA-er med gjentatte mål. Den første ANOVA inkluderte bare hviledata (pre-encoding, post-encoding), i likhet med tidligere arbeid med hviletilstand-tilkobling (Gruber et al., 2016). Den andre ANOVA inkluderte alle tre oppgavestadiene (pre-encoding hvile, kodingsoppgave, post-encoding hvile), med lavpassfiltrerte hviletidsserier for sammenligning med oppgavetidsserier. I tillegg til oppgavestadiet som en innen-fagsfaktor, inkluderte begge ANOVAene ogsåhukommelsestruktur (hippocampus, PHC) og belønningsstruktur (ACC, midbrain, MPFC, OFC, VS) som innen-fagsfaktorer og modulatorstatus (modulator, ikke-modulator) som en mellom-fagsfaktor.
Klikk for åCistanche NZ for minne
Følgende effekter var relevante for spørsmålene våre av interesse: (1) hovedeffekten og interaksjonene av modulatorstatus, tester om tilkoblingsmønstre relatert til individuelle forskjeller ihukommelsefølsomhet for belønning; (2) hovedeffekten og interaksjonene til oppgavestadiefaktoren, tester ideen om at tilkoblingsmønstre kan være relativt stabile på tvers av oppgave og hvile, samt spore individuelle forskjeller ihukommelsefølsomhet for belønning; (3) interaksjonene mellom belønningsregionfaktoren og modulatorstatusen, tester om alle belønningsregioner bidrar på samme måte eller forskjellig. Av notatet, den viktigste effekten av belønning regionen og den viktigste effekten avhukommelseregionen var ikke av interesse da den generelle funksjonelle tilkoblingsverdien kan avhenge av den fysiske avstanden mellom regioner og størrelsen på en region, og kan ikke være lett å tolke (Honey et al., 2009; Salvador et al., 2005). Når en interaksjon ble funnet, fulgte vi opp med en undersøkelse av stedet for interaksjonen. Mens rapporten fokuserer på effektene av interesse, er fullstendige ANOVA-resultater rapportert i tabeller. Greenhouse Geisser korreksjoner ble brukt når det var hensiktsmessig, rapportert i tabellene som "GG." For å validere at funnene våre ikke var drevet av behandlinghukommelsefølsomhet for belønning som en binær variabel, testet vi på nytt signifikante effekter av interesse fra begge ANOVA-ene ved å bruke ANCOVA, med det kontinuerlige målet på atferdsbelønningsmodulering som en kovariat.
Funksjonell forhold blant forbindelser
Observasjon av sammenlignbare eller differensielle modulatoreffekter på tvers av flere belønnings-ROI-er i ANOVA-ene gir én indikasjon på unike eller ensartede bidrag fra belønningsregioner til belønningsmodulering avhukommelse. For å teste mer direkte om belønningsregionene er en del av det samme funksjonelle nettverket, undersøkte vi i tillegg deres krysskorrelasjonelle struktur. Vi utførte to hovedkomponentanalyser: en på tilkoblingsverdier for kun hvile (ingen lavpassfilter for å opprettholde informasjon om høyfrekvente svingninger), og en som inkluderte alle tilkoblingsverdiene på tvers av oppgave og hvile (ved bruk av lavpassfiltrert tid serie for den sammenlignbare oppgave- og hvileforbehandlingen). Komponenter ble vurdert for videre analyse da de forklarte minst 10 prosent av variansen. For hver vurderte komponent testet vi videre sannsynligheten for å få en slik komponent ved en tilfeldighet, ved å bruke en sammenligning med en nullfordeling av komponenter. For å få nullfordelingen utførte vi 10,000 simulerte hovedkomponentanalyser på data oppnådd ved tilfeldig stokking av tilkoblingsverdier på tvers av deltakere, separat for hver tilkobling. Prosenten av varians forklart av hver komponent (først mest informativ, nest mest informativ, etc.) ble deretter sammenlignet med nullfordelingens prosent forklart. De samme resultatene ville oppnås ved å teste egenverdier.
Belastninger på hver komponent ble sammenlignet for de fem belønnings-ROI-ene ved å bruke enveis ANOVA, og komponentpoeng ble deretter relatert til atferdsbelønningsmodulering ved bruk av multippel regresjon. Ved å bruke dimensjonalitetsreduksjon før multippel regresjon tillot oss å teste hvordan underliggende komponenter, eller potensielle nettverk av regioner, bidro til tilkoblings-atferdsforholdet mens vi tok hensyn til kollineariteten mellom tilkoblingsverdier og begrenset på en datadrevet måte antallet prediktorer som ble vurdert. .
Tilkobling mønster klassifisering
Mens tradisjonelle slutningstester, for eksempel variansanalyse, tester sannsynligheten for at observerte forskjeller mellom grupper oppsto ved en tilfeldighet alene, lar maskinlæringsklassifiseringstilnærminger oss mer direkte kvantifisere hvor godt deltakerne kan skilles fra hverandre basert på deres tilkoblingsmønster. Vi brukte Support Vector Classification (SVC) for å teste i hvilken grad deltakere kan klassifiseres som enten modulatorer eller ikke-modulatorer basert på deres tilkoblingsmønster på tvers av de ti ROI-forbindelsene (2hukommelseROIs × 5 belønnings-ROIs).
SVC ble implementert ved hjelp av "e1071" (Meyer, Dimitriadou, Hornik, Weingessel, & Leisch, 2017) statistisk analysepakke og utført separat i hvert oppgavestadium. Standardparametrene for nu-klassifisering ble brukt (C=1, ε= 0.1,=0.1, ingen tuning) med en radiell basisfunksjonskjerne. Vi brukte en kryssvalideringstilnærming for la-ett-fag ut, trente modellen på N-1-emner og brukte deretter den trente klassifikatoren for å forutsi det tilbakeholdte emnets modulatorstatus. Prosessen ble gjentatt etter hvert som hvert emne etter tur ble holdt tilbake fra treningssettet og brukt til å teste modellen. Nøyaktigheten for modellen ble registrert som prosentandelen av korrekte klassifiseringer. En permutasjonstest ble brukt for å teste for signifikans. Vi utførte 5,000 simuleringer, hver gang tilfeldig blandet modulatorstatusetikettene på tvers av deltakerne og deretter beregnet den samme kryssvaliderte klassifiseringsnøyaktigheten som med de virkelige dataene. Den sanne klassifiseringsnøyaktigheten ble sammenlignet med fordelingen av de simulerte klassifiseringsnøyaktighetene for å utlede sannsynligheten for å oppnå slik nøyaktighet ved en tilfeldighet alene. Nøyaktighet som skjedde med sannsynlighet mindre ennp= 0.017 ble ansett som signifikant, noe som gjenspeiler Bonferroni-korreksjon over tre oppgavestadier for en samlet alfa=0.05.
For å bekrefte at resultatene ikke ble drevet av median split-tilnærmingen, ble Support Vector Regression (SVR) brukt til å forutsi de kontinuerlige målene for atferdsbelønningsmodulering (BRM-poengsum) for hver deltaker fra tilkobling målt på hvert oppgavestadium. Den samme statistiske pakken, standardparametere og kryssvalidering av ett emne ute
tilnærmingen ble brukt for SVR som ble brukt for SVC. De predikerte BRM-verdiene for hvert individ ble deretter korrelert med de observerte BRM-verdiene for å vurdere om individet
forskjeller i tilkoblingsmønstre inneholder informasjon om individuelle forskjeller i atferdsbelønningsmodulering avhukommelse. Vi brukte Bonferroni-korrigeringer for de tre korrelasjonene (alfa=0.05/3=0.017).
Utfyllende tilkobling analyser
I tillegg til hovedspørsmålene av interesse, gir den nåværende studien data som er egnet for å ta opp spørsmål fra tidligere studier om belønningsmodulering avhukommelse. Vi gjennomførte to sett med utforskende analyser som opprettholder fokuset på tilkobling og kan være informative for leserne, selv om de ikke direkte tar for seg hovedmålene for studien.
Korrelasjoner mellom tilkobling Endringer og oppførsel-ANOVA, PCA,
og maskinlæringstilnærminger er godt egnet for å teste rollen til et bredt sett av belønningsregioner og hypotesen om tilkoblingsfingeravtrykk, spesielt for det større settet med relaterte forbindelser som vurderes her. I motsetning til tidligere studier om belønningsmodulering avhukommelsehar typisk fokusert på enkeltforbindelser og læringsrelaterte effekter, og rapportert førsteordens korrelasjoner knyttet til økninger i pre-to-post-koding. Mens en uforholdsmessig rolle av hvile etter koding kan indikeres av en betydelig modulator ved oppgavestadiuminteraksjon i vår ANOVA, ønsket vi også å generere data direkte sammenlignbare med tidligere studier. Vi beregnet derfor i tillegg pre-to-post tilkoblingsendringer for hver tilkobling og korrelerte dem med BRM. Fordi økt tilgjengelighet av dopamin i den mediale tinninglappen kan forbedre koding generelt (Duncan et al., 2014; Lisman et al., 2011), korrelerte vi også tilkoblingsverdiene med generelle tilbakekallingsfrekvenser for hver deltaker.
Fremre og bakre forskjeller innenfordehippocampus—Tidligere arbeid tyder på
det er funksjonelle forskjeller mellom fremre og bakre del av hippocampus (Brunec et al., 2018; McKenzie et al., 2014; Poppenk, Evensmoen, Moscovitch, & Nadel, 2013). I sammenheng med belønningsmotivert læring er imidlertid bevis for differensielle bidrag fra fremre og bakre hippocampus mangelfull eller motstridende (Murty et al., 2017; Wolosin et al., 2013). Vi har utført utforskende analyser av fremre/posteriore hippocampale tilkoblingsmønstre for å teste om deres tilkoblingsmønstre eller tilkoblingsendringer er differensielt relatert til atferd i vårt paradigme.
Den midterste delen av hver deltakers hippocampus ROI ble brukt som en grense for de fremre og bakre delingene. For deltakere som hadde et oddetall skiver i hippocampus ROI, ble den midterste skiven tilordnet den bakre delen. ROI-ene ble deretter brukt til å trekke ut tidsserien under hver hvile- og oppgaveskanning. Tilkobling mellom fremre og bakre hippocampus med hver belønningsregion ble målt ved å bruke prosedyrene skissert ovenfor. Funksjonelle forskjeller mellom fremre og bakre hippocampus ble testet ved bruk av gjentatte målinger ANOVA med hippocampus ROI (anterior, posterior) × oppgavestadium (pre-koding, koding, post-encoding) × belønnings-ROI (ACC, midbrain, MPFC, OFC, VS) som innen-fagsfaktorer og modulatorstatus som en mellom-fagsfaktor. Av hovedinteresse var interaksjonen mellom hippocampus ROI og modulatorstatus, som testet om fremre og bakre hippocampus forskjellig relatert til
belønningsmodulering avhukommelse.
Resultater
Atferdsmessig resultater
Gjennomsnittlig total cued recall ytelse var 0.48 (SD= 0.19). En 2 (visuell form for belønningssignal) × 3 (belønningssignalverdi) gjentatte mål ANOVA avslørte en marginalt signifikant effekt av belønningsverdi (F(1.18,27.03) = 3.86, p= 0.054, η2p= 0.14, GG), med en signifikant kvadratisk (F(1,23) = 9.93, p= 0.004, η2p= 0.30) i stedet for en lineær effekt (F(1,23) = 1.97, p= 0.174). Oppfølging parvise sammenligninger avslørte at den kvadratiske effekten ble drevet av større tilbakekalling på dollarprøver (M= 0.53, SD= 0.20; t(23) = 2.41, p= 0.024), og uventet, penny-prøver (M= 0.47, SD= 0.22; t(23) = 2.45, p= 0.022) sammenlignet med prøveperioder (M= 0.44, SD= 0.22). Forskjellen mellom dollar- og penny-prøver fikk ikke betydning (t(23) = 1.40, p= 0.174). Det var ingen hovedeffekt av visuell form (F(1,23) = 0.04, p= 0.840, η2p= 0.002) eller en interaksjon mellom form og verdi (F(2,46) = 1.66, p= 0.202, η2p= 0.07). Dermed ble nøyaktighetene kollapset på tvers av visuell form og brukt for alle påfølgende analyser. Cued tilbakekallingsrater for hver belønningsverdi og formtilstand er presentert i Fig.3a.
En separat atferdsprøve (n=20) avslørte en signifikant hovedeffekt av verdi (F(1.23, 27.6) = 14.1, p= 0.001, GG), sammenlignet beskrevet som lineær (F(1,19) = 15.5, p= 0.001) eller kvadratisk (F(1,19) = 10.8, p= 0.004). I likhet med fMRI-prøven, var cued recall-nøyaktighet større for dollarforsøk (M= 0.61, SD= 0.19) enn for kroneprøver (M= 0.44, SD= 0.21; t(19) = 3.83, p= 0.001). I motsetning til fMRI-prøven, viste atferdsprøven enhukommelsefordel for dollarprøver sammenlignet med penny-prøver (M= 0.44, SD= 0.19; t(19)=3.94, p=0.001) og ingen forskjeller mellom penny- og dime-prøver (t(19)=0.17, p=0.87 ).
Mens det U-formede mønsteret av gjenkallingsnøyaktigheter i fMRI-prøven var uventet og ikke replikerte i den separate atferdsprøven, er ikke-lineære belønningseffekter plausible (Elliott, Newman, Longe, & Deakin, 2003). For eksempel kan penny-forsøk ha blitt oppfattet som et tap i forhold til de (nøytrale) kroneprøvene, noe som gjør dem mer fremtredende for koding (Bartra, McGuire, & Kable, 2013; Seymour & McClure, 2008; Shigemune, Tsukiura, Kambara, & Kawashima, 2014; Tversky & Kahneman, 1981). Fordi forskjellen mellom dollar- og penny-prøver ikke var signifikant, og fordi både penny og dollar kan ha økt fremtreden for individer som er følsomme for belønning, brukte vi i stedethukommelsefordelen med en dollar over dime-forsøk (replisert på tvers av både atferds- og fMRI-prøver) som et mål på individuelle forskjeller ihukommelsesensitivity to reward. The raw dollar minus dime difference scores ranged from −0.25 to 0.75 (median of 0.07) and were not significantly correlated with the overall accuracy (Fig. 3b), suggesting that reward modulation of memory affected which events are preferentially remembered rather than providing an overall memory advantage. Because the raw difference scores were skewed by an outlier (>3 SD fra gjennomsnittet), brukte vi en rangeringsrekkefølge for disse skårene i alle påfølgende analyser når vi korrelertehukommelsefølsomhet for belønning med tilkoblingstiltak. Vi refererer til dollar-dime-forskjellsscore som en rå BRM-poengsum og rangeringsrekkefølge som brukes for alle påfølgende analyser som en BRM-score (Behavioral Reward Modulation).
For visualiserings- og analyseformål konstruerte vi også et dikotomisert mål for belønningsmodulering avhukommelseved å bruke en mediandeling av BRM-poengsum. Denne tilnærmingen skapte to grupper av deltakere som vi refererer til som modulatorer (sensitive for belønning) og ikke-modulatorer (ufølsomme for belønning). Vi utførte bekreftende analyser for å validere at mediandelingen av deltakere ga fornuftige grupperinger. Figur 3c viser cued recall-nøyaktighet per verdi, separat for hver gruppe. Det var ingen effekt av belønningsverdi i ikke-modulatorer (enveis ANOVAF(1.15,12.7) = 1.36, p= 0.273, GG), med rå BRM-poengsum (dollar-dime-forskjell) som ikke er forskjellig fra null (M= −0.02, t(11) = −0.98, p= 0.348), som bekrefter dethukommelseytelsen i denne gruppen ble ikke signifikant påvirket av belønningsverdien. Derimot viste modulatorer en effekt av belønningsverdi (enveis ANOVAF(1.18,13.01) = 8.69, p= 0.009, η2p= 0.44, GG), med større nøyaktighet for dollarprøver enn for kroneprøver (dvs. betydelige rå BRM-score;M= 0.21; t(11) = 3.59, p= 0.004), og større nøyaktighet for dollarprøver enn for penny-prøver (t(11) = 2.43, p= 0.033). Dermed genererte mediandelingen to fornuftige grupper av deltakere som er forskjellige i dereshukommelsefølsomhet for belønning.
ANOVA resultater
Kun hvile ANOVA—Vi tok først opp forholdet mellom hvile-tilkobling oghukommelsefølsomhet for belønning i en ANOVA med gjentatte tiltak med hvileperiode (pre-encoding, post-encoding),hukommelseROI (hippocampus, PHC), og belønnings-ROI (ACC, midbrain, MPFC, OFC, VS) som innen-fagsfaktorer og modulatorstatus som en mellom-fagsfaktor. Hviletidsseriene ble ikke lavpassfiltrert for denne analysen, da et slikt forbehandlingstrinn vanligvis ikke brukes under hviletidsserieanalyser, da det kan fjerne meningsfulle høyfrekvente svingninger. Alle koblinger er avbildet i fig. 4a, og de fullstendige ANOVA-resultatene er rapportert i tabell 1.
Modulatorstatus var marginalt signifikant (p= 0.051), med modulatorer (M= 0.36, SD= 0.10), som viser numerisk større nettverkstilkobling for hippocampus/PHC-belønning enn ikke-modulatorer (M= 0.29, SD= 0.06). Modulatorstatus interagerte betydelig med belønningsstrukturen. Denne interaksjonen ble drevet av større hippocampus/PHC-tilkobling med ACC, OFC og VS i modulatorer enn ikke-modulatorer (allet>2.15, altp< 0.045),="" with="" no="" effect="" ofmodulator="" status="" in="" hippocampus/phc-midbrain="" and="" hippocampus/phc-mpfc="" connectivity="" (both="">t< 1.4,="">p>0.18). Når belønning modulering avhukommelseble behandlet som et kontinuerlig mål ved bruk av ANCOVA, var resultatene like, men svakere. Hovedeffekten av BRM (r(22) = 0.35; F(1,22) = 3.12, p= 0.091, η2P= 0.12) forble marginalt signifikant, men interaksjonen mellom belønningsstruktur og BRM gjorde det ikke (F(2.83,62.22) = 1.99, p= 0.128, GG).
ANOVA avslørte i tillegg en hovedeffekt av hvileperioden, med tilkobling som økte fra forhåndskodingen (M= 0.30, SD= 0.10) til hvileskanning etter koding (M= 0.36, SD= 0.11). Hvileperioden interagerte ikke med modulatorstatus (p>0.6) eller BRM i ANCOVA (p>0.3), som indikerer at selv om den generelle tilkoblingen økte fra forhåndskoding til etterkoding, endret ikke forholdet til atferd seg vesentlig.