2. rész: Funkcionális kapcsolat a memória és a jutalmazási központok között a feladatok és a pihenő között Nyomon követi a memória érzékenységét a jutalmazásra

további információ:ali.ma@wecistanche.com

Kérem kattintson ide az 1. részhez

kérem kattintson ide a 3. részhez

Elemzés nak,-nek variancia megközelítés

Annak tesztelésére, hogy a kapcsolódási minták kapcsolódnak-e amemóriaA jutalom iránti érzékenység és az, hogy ez a kapcsolat stabil-e a feladat szakaszaiban, a kapcsolódási értékeket két ismételt mérésű ANOVA-nak vetették alá. Az első ANOVA csak nyugalmi adatokat (előkódolás, utókódolás) tartalmazott, hasonlóan a nyugalmi állapot összekapcsolhatóságával kapcsolatos korábbi munkákhoz (Gruber et al., 2016). A második ANOVA mindhárom feladatszakaszt (kódolás előtti pihenő, kódolási feladat, kódolás utáni pihenő) tartalmazta, aluláteresztő szűrt pihenőidősorokkal a feladat idősoraival való összehasonlításhoz. A feladatszakasz, mint tárgyon belüli tényező mellett mindkét ANOVA-ban szerepeltmemóriastruktúra (hippocampus, PHC) és jutalmazási struktúra (ACC, midbrain, MPFC, OFC, VS) mint alanyon belüli tényezők és a modulátor státusza (modulátor, nem modulátor) mint alanyok közötti tényező.

Kattintson ideCistanche NZ a memóriához

A következő hatások vonatkoztak érdeklődésünkre: (1) a modulátor állapotának fő hatása és kölcsönhatásai, annak tesztelése, hogy a kapcsolódási minták összefüggenek-e az egyéni különbségekkelmemóriajutalom iránti érzékenység; (2) a feladatszakasz-tényező fő hatása és kölcsönhatásai, tesztelve azt az elképzelést, hogy a kapcsolódási minták viszonylag stabilak lehetnek a feladat és a pihenés során, valamint nyomon követhetik az egyéni különbségeketmemóriajutalom iránti érzékenység; (3) a jutalomrégió faktor kölcsönhatása a modulátor státuszával, tesztelve, hogy minden jutalomrégió hasonlóan vagy eltérően járul hozzá. Megjegyzendő, a jutalom régió fő hatása és a fő hatásamemóriaA régió nem volt érdekes, mivel az általános funkcionális kapcsolódási érték függhet a régiók közötti fizikai távolságtól és a régió méretétől, és nem feltétlenül értelmezhető könnyen (Honey és mtsai, 2009; Salvador és mtsai, 2005). Amikor interakciót találtunk, utánajártunk az interakció helyének vizsgálatával. Míg a jelentés az érdeklődés hatásaira összpontosít, a teljes ANOVA eredményeket táblázatokban közöljük. A Greenhouse Geisser korrekciókat adott esetben alkalmaztuk, a táblázatokban "GG"-ként jelentették. Annak igazolására, hogy eredményeinket nem a kezelés vezéreltememóriaA jutalomra mint bináris változóra való érzékenységet, mindkét ANOVA szignifikáns érdeklődésre számot tartó hatásait újra teszteltük az ANCOVA segítségével, a viselkedési jutalom moduláció folyamatos mérésével, mint kovariánssal.

Funkcionális kapcsolatok között kapcsolatokat

Az összehasonlítható vagy eltérő modulátor hatások megfigyelése több jutalom-ROI-n keresztül az ANOVA-ban, egy jelzést ad a jutalmazási régiók egyedi vagy egységes hozzájárulására a jutalom modulációhoz.memória. Annak érdekében, hogy közelebbről megvizsgálhassuk, hogy a jutalomrégiók ugyanannak a funkcionális hálózatnak a részét képezik-e, emellett megvizsgáltuk a keresztkorrelációs szerkezetüket. Két fő komponenselemzést végeztünk: az egyiket a csak nyugalmi kapcsolódási értékeken (nincs aluláteresztő szűrő a nagyfrekvenciás ingadozások információinak megőrzéséhez), a másikat pedig az összes kapcsolódási érték a feladat és a pihenés között (aluláteresztő szűrt idő használatával). sorozat az összehasonlítható feladat és pihenés előfeldolgozásához). Az összetevőket akkor vettük figyelembe a további elemzéshez, ha azok a variancia legalább 10 százalékát magyarázták. Minden egyes figyelembe vett komponensnél tovább teszteltük annak valószínűségét, hogy véletlenül kapunk ilyen komponenst, összehasonlítva a komponensek nulleloszlásával. A nulleloszlás meghatározásához 10,000 szimulált főkomponens-elemzést végeztünk a résztvevők közötti kapcsolódási értékek véletlenszerű keverésével kapott adatokon, minden egyes kapcsolathoz külön-külön. Az egyes komponensek (első leginformatívabb, második leginformatívabb stb.) varianciaszázalékát ezután összehasonlították a nulleloszlás magyarázott százalékával. Ugyanezeket az eredményeket kapjuk sajátértékek tesztelésével is.

Az egyes komponensek terheléseit az öt jutalom-ROI tekintetében egyirányú ANOVA-val hasonlították össze, majd a komponensek pontszámait többszörös regresszió segítségével a viselkedési jutalom modulációhoz viszonyították. A többszörös regresszió előtti dimenziócsökkentés alkalmazása lehetővé tette számunkra annak tesztelését, hogy a mögöttes komponensek vagy potenciális régióhálózatok hogyan járultak hozzá a konnektivitás-viselkedés kapcsolathoz, miközben figyelembe vettük a kapcsolódási értékek közötti kollinearitást, és adatvezérelt módon korlátoztuk a figyelembe vett prediktorok számát. .

Kapcsolódás minta osztályozás

Míg a hagyományos következtetési tesztek, például a varianciaanalízis annak valószínűségét tesztelik, hogy a csoportok között megfigyelt különbségek pusztán véletlenül alakultak ki, a gépi tanulási osztályozási megközelítések lehetővé teszik számunkra, hogy pontosabban számszerűsítsük, mennyire lehet megkülönböztetni a résztvevőket a kapcsolódási mintájuk alapján. A Support Vector Classification (SVC) segítségével teszteltük, hogy a résztvevők milyen mértékben osztályozhatók modulátorokként vagy nem modulátorokként a tíz ROI-kapcsolaton keresztüli kapcsolódási mintájuk alapján (2memóriaROI × 5 jutalom ROI).

Az SVC-t az „e1071” (Meyer, Dimitriadou, Hornik, Weingessel és Leisch, 2017) statisztikai elemzési csomag segítségével valósították meg, és minden feladatszakaszon belül külön-külön végezték el. A nu-osztályozás alapértelmezett paramétereit (C=1, ε= 0.1,=0.1, nincs hangolás) használtuk radiális bázisfüggvény kernellel. Az egy-egy alany elhagyása keresztellenőrzési megközelítést alkalmaztunk, a modellt N-1 alanyon tanítottuk, majd a betanított osztályozót alkalmaztuk a visszatartott alany modulátor státuszának előrejelzésére. A folyamatot megismételtük, mivel az egyes alanyokat felváltva kizárták a képzési sorozatból, és felhasználták a modell tesztelésére. A modell pontosságát a helyes besorolások százalékában rögzítettük. A szignifikancia tesztelésére permutációs tesztet használtunk. 5,000 szimulációt hajtottunk végre, minden alkalommal véletlenszerűen összekeverve a modulátor állapotcímkéit a résztvevők között, majd ugyanazt az egy-egy alany kihagyása keresztellenőrzött besorolási pontosságot számítottuk ki, mint a valós adatoknál. Az osztályozó valós pontosságát a szimulált osztályozási pontosságok eloszlásával hasonlítottuk össze, hogy kiszámítsuk annak valószínűségét, hogy ilyen pontosságot csak véletlenül kapunk. Az a pontosság, amely kisebb valószínűséggel fordult elő, mintpA=0.017 értéket szignifikánsnak tekintették, ami a Bonferroni-korrekciót tükrözi a három feladatszakaszban egy általános alfa=0.05 esetén.

Annak ellenőrzésére, hogy az eredményeket nem a medián osztott megközelítés vezérelte, a támogatási vektor regressziót (SVR) alkalmaztuk a viselkedési jutalom moduláció (BRM pontszám) folyamatos mérésére minden résztvevő esetében az egyes feladatszakaszokban mért kapcsolat alapján. Ugyanaz a statisztikai csomag, az alapértelmezett paraméterek és a keresztellenőrzés elhagyása

ezt a megközelítést használták az SVR-hez, ahogyan az SVC-hez is. Az egyes alanyok megjósolt BRM-értékeit ezután korreláltuk a megfigyelt BRM-értékekkel, hogy felmérjük, vajon az egyén-e

A kapcsolódási minták különbségei információkat tartalmaznak a viselkedési jutalom modulációjának egyéni különbségeirőlmemória. Bonferroni-korrekciókat alkalmaztunk a három korrelációra (alpha=0.05/3=0.017).

Kiegészítő csatlakoztathatóság elemzések

A főbb érdeklődésre számot tartó kérdések mellett a jelen tanulmány olyan adatokat szolgáltat, amelyek alkalmasak a jutalom modulációval kapcsolatos korábbi tanulmányok kérdéseinek megválaszolásáramemória. Két olyan feltáró jellegű elemzést végeztünk, amelyek továbbra is az összekapcsolhatóságra helyezik a hangsúlyt, és tájékoztató jellegűek lehetnek az olvasók számára, még akkor is, ha közvetlenül nem foglalkoznak a tanulmány fő céljaival.

Összefüggések között csatlakoztathatóság változtatások és viselkedés-Az ANOVA, PCA,

és a gépi tanulási megközelítések kiválóan alkalmasak a jutalmazási régiók széles skálájának szerepének és a konnektivitás ujjlenyomat-hipotézisének tesztelésére, különösen az itt tárgyalt kapcsolódó kapcsolatok nagyobb halmazára. Ezzel szemben a jutalom modulációval kapcsolatos korábbi tanulmányokmemóriajellemzően az egyszeri kapcsolatokra és a tanulással kapcsolatos hatásokra összpontosítottak, és elsőrendű összefüggésekről számoltak be, amelyek a kódolás előtti és utáni összekapcsolhatóságának növekedésével kapcsolatosak. Míg a kódolás utáni pihenés aránytalan szerepére utalhat egy jelentős modulátor a feladatszakasz interakciójával az ANOVA-ban, a korábbi tanulmányokkal közvetlenül összehasonlítható adatokat is szerettünk volna generálni. Így minden egyes kapcsolathoz kiszámoltuk a csatlakozás előtti változásokat, és korreláltuk azokat a BRM-mel. Mivel a megnövekedett dopamin elérhetősége a mediális halántéklebenyben általánosságban javíthatja a kódolást (Duncan és mtsai, 2014; Lisman és mtsai, 2011), a kapcsolódási értékeket az egyes résztvevők általános visszahívási arányával is összefüggésbe hoztuk.

Elülső és hátulsó különbségek belülazhippocampus -A korábbi munkák azt sugallják

funkcionális különbségek vannak a hippokampusz elülső és hátsó része között (Brunec et al., 2018; McKenzie et al., 2014; Poppenk, Evensmoen, Moscovitch és Nadel, 2013). A jutalmazással motivált tanulással összefüggésben azonban hiányzik a bizonyíték az elülső és a hátsó hippocampus eltérő hozzájárulására, vagy ellentmondásos (Murty és mtsai, 2017; Wolosin és mtsai, 2013). Feltáró elemzéseket végeztünk az elülső/hátsó hippokampusz kapcsolódási mintáiról, hogy teszteljük, hogy konnektivitási mintáik vagy konnektivitásváltozásaik eltérően kapcsolódnak-e paradigmánk viselkedéséhez.

Az egyes résztvevők hippocampus ROI-jának középső szeletét az elülső és a hátsó részleg határaként használták. Azon résztvevők esetében, akiknek páratlan számú szelet volt a hippocampus ROI-jában, a középső szeletet a hátsó részhez rendelték hozzá. A ROI-kat ezután az idősorok kinyerésére használták minden pihenő és feladat vizsgálat során. Az elülső és a hátsó hippocampus közötti kapcsolatot minden jutalomrégióval a fent vázolt eljárásokkal mértük. Az elülső és hátsó hippocampus közötti funkcionális különbségeket ismételt mérésű ANOVA-val tesztelték hippokampusz ROI-val (anterior, posterior) × feladatszakasz (előkódolás, kódolás, utókódolás) × jutalom ROI (ACC, középagy, MPFC, OFC, VS) mint tárgyon belüli tényezők és a modulátor státusz mint alanyok közötti faktor. A fő érdeklődés a hippokampusz ROI és a modulátor állapota közötti kölcsönhatás volt, annak tesztelése, hogy az elülső és a hátsó hippocampus különbözik-e

jutalom modulációjamemória.

Eredmények

Viselkedési eredmények

Átlagos összesített visszahívási teljesítmény 0.48 (SD= 0.19). A 2 (jutalomjelző vizuális forma) × 3 (jutalom jelzés értéke) ismételt mérési ANOVA kimutatta a jutalom értékének marginálisan szignifikáns hatását (F(1.18,27.03) = 3.86, p= 0.054, η2p= 0.14, GG), jelentős másodfokú (F(1,23) = 9.93, p= 0.004, η2p= 0.30) lineáris hatás helyett (F(1,23) = 1.97, p= 0.174). A páronkénti nyomon követés kimutatta, hogy a négyzetes hatást a dollárpróbák jobb felidézése okozta (M= 0.53, SD= 0.20; t(23) = 2.41, p= 0.024), és váratlanul, filléres próbák (M= 0.47, SD= 0.22; t(23) = 2.45, p= 0.022) összehasonlítva a filléres próbákkal (M= 0.44, SD= 0.22). A dollár- és pennypróbák közötti különbség nem érte el a jelentőségét (t(23) = 1.40, p= 0.174). A vizuális formának nem volt fő hatása (F(1,23) = 0.04, p= 0.840, η2p= 0.002) sem interakció a forma és az érték között (F(2,46) = 1.66, p= 0.202, η2p= 0.07). Így a pontosságokat a vizuális formában összecsuktuk, és minden további elemzéshez felhasználtuk. Az egyes jutalomértékek és formafeltételek jelzett visszahívási arányait a 3a. ábra mutatja be.

Egy különálló viselkedési minta (n=20) feltárta az érték jelentős fő hatását (F(1.23, 27.6) = 14.1, p= 0.001, GG), hasonlóképpen lineárisnak írják le (F(1,19) = 15.5, p= 0.001) vagy másodfokú (F(1,19) = 10.8, p= 0.004). Az fMRI mintához hasonlóan a jelzett visszahívási pontosság nagyobb volt a dolláros kísérleteknél (M= 0.61, SD= 0.19), mint a filléres próbáknál (M= 0.44, SD= 0.21; t(19) = 3.83, p= 0.001). Az fMRI mintától eltérően a viselkedési minta amemóriaelőny a dollárpróbáknál a filléres próbákhoz képest (M= 0.44, SD= 0.19; t(19)=3.94, p=0.001), és nincs különbség a filléres és filléres próbák között (t(19)=0.17, p=0.87 ).

Míg az fMRI mintában a visszahívási pontosság U-alakú mintája váratlan volt, és nem ismétlődött meg a különálló viselkedési mintában, a nemlineáris jutalmazási hatások valószínűek (Elliott, Newman, Longe és Deakin, 2003). Például a filléres próbákat a (semleges) filléres próbákhoz képest veszteségként foghatták fel, így a kódolás szempontjából kiemelkedőbbek (Bartra, McGuire és Kable, 2013; Seymour és McClure, 2008; Shigemune, Tsukiura, Kambara és Kawashima, 2014; Tversky és Kahneman, 1981). Mivel a dollár és a filléres próbák közötti különbség nem volt szignifikáns, és mivel mind a penny, mind a dollár növelhette a jutalomra érzékeny személyek figyelmét, ehelyett amemóriaegy dollár előnye a tízcentes kísérletekkel szemben (a viselkedési és az fMRI mintákon is megismételve) az egyéni különbségek mértékekéntmemóriasensitivity 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 az átlagtól), ezeknek a pontszámoknak a rangsorát használtuk minden további elemzésben a korreláció soránmemóriajutalom iránti érzékenység a kapcsolódási intézkedésekkel. A dollárpénzes különbségpontszámra mint nyers viselkedési jutalom modulációs (nyers BRM) pontszámra, az összes későbbi elemzéshez használt rangsor szerinti mérőszámra pedig viselkedési jutalom modulációs (BRM) pontszámként hivatkozunk.

Vizualizálási és elemzési célokra elkészítettük a jutalom moduláció dichotomizált mértékét ismemóriaa BRM-pontszámok medián felosztását használva. Ez a megközelítés a résztvevők két csoportját hozta létre, amelyeket modulátoroknak (jutalomra érzékenyeknek) és nem modulátoroknak (jutalmakra érzéketleneknek) nevezünk. Megerősítő elemzéseket végeztünk annak igazolására, hogy a résztvevők medián megoszlása ​​ésszerű csoportosítást eredményezett. A 3c. ábra a jelzett visszahívási pontosságot mutatja értékenként, csoportonként külön-külön. A jutalom értékének nem volt hatása a nem modulátorokban (egyirányú ANOVAF(1.15,12.7) = 1.36, p= 0.273, GG), a nyers BRM pontszámokkal (dollár-dime különbség) nem különbözik nullától (M= −0.02, t(11) = −0.98, p= 0.348), megerősítve eztmemóriaebben a csoportban a teljesítményt nem befolyásolta szignifikánsan a jutalomérték. Ezzel szemben a modulátorok a jutalomérték hatását mutatták (egyirányú ANOVAF(1.18,13.01) = 8.69, p= 0.009, η2p= 0.44, GG), nagyobb pontossággal a dolláros próbáknál, mint a filléres próbáknál (azaz jelentős nyers BRM-pontszámok;M= 0.21; t(11) = 3.59, p= 0.004), és nagyobb pontosság a dolláros próbáknál, mint a pennypróbáknál (t(11) = 2.43, p= 0.033). Így a medián felosztás a résztvevők két értelmes csoportját hozta létre, amelyek különböznek egymástólmemóriajutalom iránti érzékenység.

ANOVA eredmények

Csak pihenésre ANOVA-Elsőként a pihenőkapcsolat kapcsolatával foglalkoztunk ésmemóriajutalom iránti érzékenység egy ismételt mérésű ANOVA-ban pihenőidővel (előkódolás, utókódolás),memóriaROI (hippocampus, PHC) és jutalmazza a ROI-t (ACC, midbrain, MPFC, OFC, VS), mint az alanyokon belüli tényezőket és a modulátor állapotát, mint az alanyok közötti tényezőt. A nyugalmi idősorokat nem szűrtük aluláteresztőn ehhez az elemzéshez, mivel ilyen előfeldolgozási lépést általában nem alkalmaznak a pihenőidő-sorok elemzése során, mivel ez eltávolíthatja a jelentős nagyfrekvenciás ingadozásokat. Az összes kapcsolatot a 4a. ábra mutatja, a teljes ANOVA eredményeket pedig az 1. táblázat tartalmazza.

A modulátor státusza marginálisan szignifikáns volt (p= 0.051), modulátorokkal (M= 0.36, SD= 0.10), amely számszerűen nagyobb hippocampus/PHC-jutalmazó hálózati kapcsolatot mutat, mint a nem modulátorok (M= 0.29, SD= 0.06). A modulátor státusza jelentősen befolyásolta a jutalom szerkezetét. Ezt a kölcsönhatást a nagyobb hippocampus/PHC kapcsolat vezérelte az ACC, OFC és VS modulátorokban, mint a nem modulátorokban (mindt>2.15, mindp< 0.045),="" with="" no="" effect="" ofmodulator="" status="" in="" hippocampus/phc-midbrain="" and="" hippocampus/phc-mpfc="" connectivity="" (both="">t< 1.4,="">p>0.18). Amikor jutalom modulációmemóriafolyamatos mérésként kezeltük ANCOVA alkalmazásával, az eredmények hasonlóak voltak, de gyengébbek. A BRM fő hatása (r(22) = 0.35; F(1,22) = 3.12, p= 0.091, η2P= 0.12) marginálisan szignifikáns maradt, de a jutalomstruktúra és a BRM közötti kölcsönhatás nem (F(2.83,62.22) = 1.99, p= 0.128, GG).

Az ANOVA emellett a pihenőidő fő hatását is feltárta, mivel az összeköttetés az előkódoláshoz képest nőtt (M= 0.30, SD= 0.10) a kódolás utáni pihenővizsgálathoz (M= 0.36, SD= 0.11). A pihenőidő nem volt kölcsönhatásban a modulátor állapotával (p>0.6) vagy BRM az ANCOVA-ban (p>0.3), ami azt jelzi, hogy bár az általános kapcsolódás az előkódolásról az utókódolásra nőtt, a viselkedéshez való viszonya nem változott jelentősen.