Indagine sulle associazioni tra l'attualizzazione del ritardo e la struttura cerebrale, la memoria di lavoro e la memoria episodica - Parte 2

Relazione tra predittori strutturali e DD

Abbiamo testato le associazioni tra le variabili di interesse (volumi sottocorticali, componenti della materia grigia e della sostanza bianca, EM, WM) e DD con modelli lineari e test di permutazione non parametrici implementati nel software PALM di FSL versione 1.11 (Winkler et al. 2014; Winkler, Webster, et al.2016b) in esecuzione su MATLABR2017b.

Negli ultimi anni, con il miglioramento del tenore di vita delle persone e l’aumento dell’età, i problemi di memoria hanno attirato sempre più attenzione. Tuttavia, alcune persone hanno esercitato attivamente il cervello ma sono ancora afflitte da problemi di memoria. In questo momento, possiamo prendere in considerazione l’utilizzo di soluzioni non parametriche per migliorare la memoria.

Allora, cos'è una permutazione non parametrica? La disposizione non parametrica è un metodo statistico che organizza un insieme di dati secondo determinate regole senza confronto numerico. Rispetto alla permutazione parametrica, la permutazione non parametrica ha una gamma più ampia di applicazioni e non fa troppe ipotesi sulla distribuzione e la discrezionalità dei dati.

E come utilizzare la disposizione non parametrica per migliorare la memoria? Prima di tutto, sappiamo che il cervello umano può analizzare, memorizzare e richiamare varie informazioni come immagini, audio, testo, ecc., quindi possiamo utilizzare disposizioni non parametriche per migliorare le capacità di elaborazione e memoria del nostro cervello di diverse informazioni.

Attraverso alcuni esercizi, come la pratica della memoria e il richiamo di colori, numeri, parole e altre informazioni, e quindi la disposizione non parametrica di diverse informazioni, si forma una struttura più regolare nel cervello, migliorando così la capacità di memoria del cervello.

Inoltre, le permutazioni non parametriche possono essere utilizzate per migliorare la flessibilità mentale e ridurre l’ansia e lo stress, tra gli altri problemi. Esercitando il cervello, il cervello può lavorare in modo più flessibile e sano, riducendo così la depressione, l’ansia e altre emozioni negative non necessarie e affrontando la vita e il lavoro in modo più positivo.

In breve, la disposizione non parametrica è un metodo fattibile ed efficace per migliorare la memoria del cervello e la flessibilità del pensiero. Attraverso l'esercizio e la pratica continui, la memoria e le capacità di elaborazione del cervello possono essere effettivamente migliorate, aiutandoci ad affrontare la vita e a lavorare in modo più sano e positivo. Si può vedere che dobbiamo migliorare la nostra memoria. La Cistanche deserticola può migliorare significativamente la memoria, perché la Cistanche deserticola può anche regolare l'equilibrio dei neurotrasmettitori, come aumentare i livelli di acetilcolina e fattori di crescita. Queste sostanze sono molto importanti per la memoria e l'apprendimento. Inoltre, la carne può anche migliorare il flusso sanguigno e promuovere l’apporto di ossigeno, il che può garantire che il cervello riceva nutrienti ed energia sufficienti, migliorando così la vitalità e la resistenza del cervello.

Fare clic su modi per migliorare la funzione cerebrale

Abbiamo utilizzato 10,000 permutazioni, modellando la coda della distribuzione di permutazione dei valori P con una distribuzione di Pareto (Winkler, Ridgway, et al. 2016a) e il controllo del tasso di errore familiare (FWER) per test multipli utilizzando la distribuzione di la statistica massima (Westfalland Young 1993). Il set di dati HCP contiene soggetti campionati insieme ai loro fratelli (per lo più gemelli), il che significa che le misurazioni non possono essere considerate indipendenti.

Per testare le associazioni tra variabili di interesse tenendo conto della struttura familiare nel set di dati, abbiamo utilizzato test di permutazione di blocchi multilivello (Winkler et al. 2015). Queste associazioni sono state corrette per termini lineari e quadratici, sesso, istruzione, reddito e il punteggio composito della funzione cognitiva del NIH Toolbox ("CogTotalComp_Unadj"), una misura dell'intelligenza generale. Sono stati riportati i valori P a 2-coda per le associazioni testate.

Analisi dei vertici e dei voxel

Per confronto, abbiamo anche eseguito analisi separate univariate vertice (spessore corticale, area superficiale) e voxel (GMV, FA, MD) per testare le associazioni con DD. Queste analisi sono state eseguite utilizzando test di permutazione non parametrici implementati nel software PALM di FSL, con 2,000 permutazioni e miglioramento del cluster senza soglia (Smith e Nichols 2009). Come nelle analisi precedenti, abbiamo modellato la coda della distribuzione di permutazione dei valori P con una distribuzione di Pareto, applicato il controllo FWER per test multipli utilizzando la distribuzione della statistica massima e tenuto conto della struttura familiare con test di permutazione a blocchi multilivello. Come sopra, queste analisi sono state controllate per termini lineari e quadratici, sesso, istruzione, reddito e intelligenza generale.

Risultati

Abbiamo escluso i soggetti con risposte incomplete nei compiti DD (3), che hanno scelto risposte sempre immediate o ritardate (9), o per i quali la probabilità a posteriori della statistica pseudo-R2 (Camerer e Ho 1999) era superiore a zero era inferiore a {{5} }.95, cioè soggetti per i quali il modello corrispondeva alle risposte meglio di un modello casuale (166). Questi criteri hanno portato all'esclusione di 178 soggetti dal campione HCP. La Tabella 1 mostra le informazioni demografiche sui campioni e il numero di osservazioni valide per i diversi compiti cognitivi e le modalità di imaging analizzate sulla DD. Il valore soggettivo dei premi era in media pari al 79% del loro valore nominale dopo un mese e al 23% dopo un anno. Le differenze di genere nel DD non erano significative (maschi (n=473) > femmine (n=545): t=0.27, P=0.80).

Relazione tra DD e materia grigia

Dopo aver corretto i termini lineari e quadratici di età, sesso e volume intracranico totale, il tasso di sconto non è stato associato al volume corticale totale o al volume di nessuna delle strutture sottocorticali indagate. La tabella 2 mostra le statistiche per queste associazioni.

Lo spessore corticale, l'area superficiale e le mappe GMV sono state scomposte insieme all'ICA collegata in 50 componenti, ciascuno dei quali definisce una mappa spaziale che riflette le regioni in cui la struttura della materia grigia variava fortemente tra i partecipanti e i punteggi individuali indicavano l'entità del contributo del componente . I punteggi di uno dei componenti della materia grigia erano significativamente associati negativamente alla DD (Fig. 2A, r=−0,172, Pcorr < 1e −4, corretto per i 50 componenti testati, n=946).

Delle 3 modalità della materia grigia, questa componente pesava maggiormente (62%) sul GMV (Fig. 2B) e i suoi carichi maggiori erano nel polo temporale e nel precuneo (Fig. 2C e D). Poiché l'ICA soffre di indeterminatezza del segno, i punteggi di un componente devono essere interpretati in relazione ai suoi carichi (la cui distribuzione anatomica è rappresentata dalla mappa spaziale corrispondente), cioè un'associazione negativa con i punteggi di un componente riflette una (parziale) correlazione negativa con le misurazioni della struttura della materia grigia. nelle zone dove i valori dei suoi carichi sono positivi. Queste associazioni sono state corrette per termini lineari e quadratici di età, sesso, istruzione e reddito.

Quando si scompongono i dati in 100 componenti, allo stesso modo solo un componente era significativamente associato a DD, mostrando uno schema molto simile a quello recuperato con la scomposizione del componente 50- (Fig. 2E–G, r {{3 }} −0.158,Pcorr=5e−4, corretto per i 100 componenti testati,n=946). L'analisi univariata voxel-wise ha anche rivelato un'associazione negativa significativa tra GMV e DD nelle regioni temporali bilaterali della materia grigia dopo aver controllato i termini lineari e quadratici di età, sesso, istruzione e reddito (Figura 2 supplementare).

Queste regioni corrispondevano strettamente al modello spaziale per la componente della materia grigia identificata (Fig. 2C e G). Non c'era alcuna regione corticale in cui l'associazione tra DD e spessore corticale o area fosse significativa dopo la correzione FWER per test multipli nell'analisi del vertice basata sulla superficie per queste misure.

Per garantire che l'associazione con i punteggi della materia grigia fosse specifica per la DD e non riflettesse semplicemente la funzione cognitiva generale, abbiamo ripetuto queste analisi aggiungendo una misura di intelligenza generale all'insieme di covariate di nessun interesse. Lo stesso componente era ancora l'unico ad essere significativamente associato a DD ({{0}}decomposizione componente: r=−0.145, Pcorr=0.001; { {6}}decomposizione dei componenti: r=−0.138, Pcorr=0.123) e il risultato dell'analisi univariata in termini di voxel è rimasto sostanzialmente invariato (Figura 2 supplementare).

Relazione tra DD e sostanza bianca

Abbiamo scomposto i dati FA e MD congiuntamente in 50 componenti. Nessuno dei componenti è stato associato al tasso di sconto dopo aver controllato più test e covariato per termini lineari e quadratici di età, sesso, istruzione e reddito. L'utilizzo di 100 componenti o il controllo aggiuntivo per l'intelligenza generale hanno prodotto risultati simili. Di conseguenza, non c'era alcuna regione in cui l'associazione tra DD e FA o MD fosse significativa dopo la correzione FWER per più test nell'analisi voxel-wise.

Discussione

Dopo aver esaminato i dati comportamentali e di neuroimaging di un ampio campione di adulti sani, i nostri risultati mostrano che una DD maggiore era prevista da una GMV temporale anteriore più piccola. La dimensione del campione di dati dell’HCP, maggiore di quella della maggior parte degli studi precedenti che collegavano la DD e la struttura del cervello, ci ha concesso il potere di catturare in modo affidabile effetti di piccola entità. Tuttavia, in contraddizione con i precedenti rapporti, non abbiamo trovato prove di un’associazione affidabile tra DD e volume corticale, volumi sottocorticali, organizzazione microstrutturale della sostanza bianca e punteggi nei compiti WM o EM.

Uno sconto maggiore è stato associato a regioni temporali anteriori GMVin più piccole. Questo risultato è stato robusto per modificare il numero di componenti ICA collegati e controllare una misura di intelligenza generale. Owenset al. (2017) hanno analizzato il volume corticale dalle scansioni pesate T1-nel set di dati HCP e hanno riportato associazioni tra volume corticale e DD nelle regioni temporali corrispondenti alle aree nella componente della materia grigia identificate dalla nostra analisi.

È prevista l'associazione con la materia grigia anterotemporale (poiché abbiamo utilizzato lo stesso set di dati), ma il nostro studio estende quello precedente esaminando anche lo spessore corticale e l'area superficiale e il GMV per le regioni sottocorticali, nonché le misure della struttura della sostanza bianca. Oltre al fatto di aver incluso una serie più approfondita di misure strutturali, abbiamo rispettato la struttura familiare dei dati nel calcolare le associazioni tra le misure della struttura cerebrale e la DD per evitare stime distorte che potrebbero derivare da un'errata assunzione di indipendenza delle osservazioni (Winkleret al. 2015).

Abbiamo anche eseguito una selezione più rigorosa dei soggetti, escludendo quelli che si esibivano per caso, e abbiamo scomposto i dati in reti di covarianza strutturale (Pehlivanova et al. 2018), un metodo che offre una maggiore sensibilità per rilevare associazioni con DD facendo una media insieme (in un metodo ponderato modo) valori delle immagini strutturali nelle regioni del cervello e combinando diverse modalità per produrre stime più robuste. In effetti, un importante vantaggio derivante dall'utilizzo dell'ICA per scomporre i dati di imaging in reti di covarianza rispetto a un approccio voxel-wise per l'analisi dei dati strutturali è che produce punteggi che dovrebbero essere meno rumorosi dei valori basati su voxel perché sono ottenuti come media ponderata del segnale in tutti i voxel del cervello, implementando una riduzione della dimensionalità che può diminuire il rischio di errori di tipo II, anche se a scapito di una vaga delineazione anatomica.

delineazione anatomica. Contrariamente allo studio di Owens et al. (2017), nella nostra analisi, la relazione tra volume corticale e DD non ha raggiunto la significatività. Questa divergenza è probabilmente il prodotto delle nostre scelte di analisi più rigorose (rimozione dei soggetti che hanno risposto in modo casuale, test non parametrici che tengono conto della struttura della famiglia di dati, controllo più rigoroso per i fattori confondenti) e indica che l'associazione precedentemente riportata tra volume corticale e DD corrisponde forse a un'ipotesi spuria piuttosto che scoperta robusta. Sembra plausibile che un'associazione della DD con una misura del volume corticale globale dovrebbe essere mediata da variabili che riflettono aspetti cognitivi più generali rispetto alla DD.

Nonostante l’ampia dimensione del campione del set di dati HCP, non abbiamo trovato prove di un’associazione significativa tra la struttura della sostanza bianca e la DD. Precedenti studi che mostrano ricostruzioni trattografiche in campioni più piccoli hanno riportato associazioni negative tra DD e misure di forza della connettività strutturale (ad esempio numero di linee di flusso) in specifici tratti di sostanza bianca al PFC (van den Bos et al. 2015; Hänggi et al. 2016; Hamptonet al. 2017) .

In contrasto con quegli studi che indagavano la forza della connettività, abbiamo analizzato le mappe FA elaborate con TBSS, una tecnica che consente un'analisi ad ampio raggio delle regioni della sostanza bianca ed è più adatta per l'analisi esplorativa di set di dati su larga scala, a causa dei costi computazionali e di manodopera associati. eseguire una mappatura trattografica completa su un gran numero di soggetti. Per quanto ne sappiamo, il campione nella nostra analisi è sostanzialmente più ampio rispetto a studi precedenti che collegavano la materia bianca all’attualizzazione. Notiamo, tuttavia, che un recente studio che ha utilizzato il TBSS su 302 soggetti anziani senza demenza (Han et al. 2018) (età media=81.38 anni, SD=7.57 anni, 75,5% donne) ha riportato una diffusa associazioni negative tra sconto temporale e FA nei tratti frontali, frontostriatali e temporoparietali bilaterali. Il disaccordo con i nostri risultati può rispondere a differenze demografiche nei campioni.

Data la natura estesa delle loro associazioni, i loro risultati potrebbero riflettere meccanismi degenerativi legati all’invecchiamento, in contrapposizione al modello più ristretto che ci si aspetterebbe da una misura specifica come la DD. Inoltre, Han et al. non controllava il livello di reddito. Infatti, aggiustando solo il foraggio e il sesso nella nostra analisi, abbiamo identificato ulteriori componenti della sostanza grigia e bianca che avevano punteggi significativamente correlati ai tassi di sconto (vedi Materiale Supplementare). Sebbene campioni di grandi dimensioni siano in grado di rilevare effetti più piccoli, esiste anche un rischio maggiore di rilevare associazioni prodotte semplicemente da variabili confondenti, il che rende fondamentale l’aggiustamento per le covariate appropriate.

Un lavoro recente (Marek et al. 2022) ha sottolineato l'importanza di utilizzare campioni di grandi dimensioni negli studi di associazione cervello-comportamento a livello cerebrale e ha dimostrato che le dimensioni tipiche del campione per questi studi dovrebbero portare a effetti irriproducibili e dimensioni degli effetti gonfiate. Supponendo che l'effetto reale sia circa 0,15 (paragonabile alla dimensione dell'effetto per la componente di materia grigia, da noi identificata e compatibile con i risultati di Marek et al. 2022), sarebbero necessari oltre 250 soggetti per raggiungere una potenza dell'80%. La maggior parte degli studi precedenti nell'area della DD sono stati quindi sottodimensionati, il che spiega le incoerenze della letteratura menzionate nella Sezione 1. Si noti che questa conclusione si applica solo alle associazioni cervello-comportamento e non agli studi di mappatura cerebrale troppo funzionale sulla DD, che dovrebbero richiedere dimensioni del campione più piccole per rilevare effetti reali. , e quindi, non c'è contraddizione tra i nostri risultati e quelli di quegli studi.

Non siamo riusciti a trovare un'associazione tra la preferenza per i premi immediati e nessuno dei test WM (LSWMT e 2-back). Allo stesso modo, nei dati HCP non è stata riscontrata alcuna associazione tra DD e EM verbale o non verbale. Questi risultati sono in linea con uno studio recente (Yeh et al. 2021), che integriamo includendo il 2-back task e un trattamento statistico più rigoroso, per l'analisi dei dati strutturali del cervello. Sebbene Shamosh et al. (2008) hanno riportato un legame tra una WM inferiore e una preferenza per ricompense immediate, questa correlazione non era specifica della WM, poiché nei loro dati questa capacità non spiegava la varianza nella DD oltre a quella spiegata dall'intelligenza generale. Correggendo le associazioni solo per età e sesso, DD era significativamente correlato negativamente con i punteggi LSWMT, 2-schiena ed EM verbale (vedere Materiale supplementare), ma questa correlazione non era più significativa quando si aggiustava per le variabili di stato socioeconomico (che dovrebbero già tenere conto in parte funzione cognitiva generale). Pertanto, le nostre considerazioni di cui sopra riguardanti le associazioni spurie dovute a variabili fastidiose e risultati irriproducibili quando si utilizzano campioni piccoli si applicano anche a queste analisi.

Una limitazione del nostro studio è che le nostre analisi non erano preregistrate e pertanto le associazioni riportate non possono essere considerate confermative. Tuttavia, riteniamo che un contributo importante di questi risultati consista nel fornire stime più precise della dimensione dell’effetto per le relazioni tra misure cognitive, imaging strutturale e scelte intertemporali a causa della dimensione del campione considerevolmente più ampia degli studi precedenti. Un’altra limitazione è la scarsa affidabilità dei tassi di sconto. I parametri del compito sono stati criticati per la loro bassa affidabilità test-retest (Enkavi et al. 2019) e, nel relativo dominio delle preferenze di rischio, per la mancanza di coerenza tra i paradigmi sperimentali (Pedroni et al.2017). Queste ragioni possono in parte spiegare la scarsità delle associazioni riscontrate con la struttura cerebrale e la bassa riproducibilità dei risultati tra gli studi. Una via futura cruciale dovrebbe quindi essere quella di progettare nuovi paradigmi per misurare la DD con maggiore affidabilità. Una possibile soluzione potrebbe risiedere nel derivare punteggi riassuntivi combinando diversi parametri del compito per ottenere una maggiore affidabilità e utilizzare metodi multivariati per aumentare le possibilità di trovare associazioni cervello-comportamento (Moutoussis et al.2021).

Considerando l’importanza della DD nello studio della psicopatologia, è fondamentale determinare in modo affidabile l’impalcatura neurobiologica sottostante. Sfruttando un ampio set di dati di neuroimaging, il presente studio aiuta a conciliare le disparità nella letteratura sui correlati della materia grigia e bianca della DD. Questo tratto comportamentale è stato associato negativamente al GMV nelle regioni temporali anteriori e, cosa importante, l'effetto strutturale identificato era piccolo, tanto che sarebbe improbabile che fosse rilevato in campioni di dimensioni paragonabili a quelle riscontrate in molti studi correlati. Nel complesso, le associazioni con le capacità cognitive e la struttura del cervello potrebbero essere più deboli di quanto suggerito dai rapporti precedenti. I nostri risultati richiedono lo sviluppo di misure più solide della DD e l’implementazione di studi di neuroimaging su campioni di dimensioni più ampie rispetto a quelle comuni nel campo, nonché un controllo appropriato per possibili fattori confondenti.

Ringraziamenti

Ringraziamo Mats Erikson e Kajsa Burström per aver raccolto i dati. Siamo grati per il set di dati ad accesso aperto fornito dal Human Connectome Project, WU-MinnConsortium (investigatori principali: David Van Essen e Kamil Ugurbil; 1U54MH091657).

Materiale supplementare

Materiale supplementare è disponibile presso Cerebral Cortexonline.

Finanziamento

Questo lavoro è stato sostenuto dal Consiglio svedese della ricerca (numero di concessione VR521-2013-2589 a MG-M), da un Alexander von Humboldt Research Award (LB) e da una donazione da parte della AF Jochnick Foundation (LB).

Dichiarazione sul conflitto di interessi: il dottor Zeb Kurth-Nelson è impiegato da DeepMind. I restanti autori non dichiarano alcun conflitto di interessi.

Riferimenti

1. Addis DR, Wong AT, Schacter DL. Ricordare il passato e immaginare il futuro: substrati neurali comuni e distinti nella costruzione ed elaborazione dell'evento. Neuropsicologia. 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. Sconto temporale delle ricompense nei pazienti con disturbo bipolare e schizofrenia. J Psicologo anormale. 2011:120:911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Steep delay discounting e comportamento di dipendenza: una meta-analisi di associazioni continue. Dipendenza. 2017:112:51–62.

4. Ashburner J, Friston KJ. Morfometria basata su voxel: i metodi.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. Funzione nel connettoma umano: Task-fMRI e differenze individuali nel comportamento. NeuroImmagine. 2013:80:169–189.

For more information:1950477648nn@gmail.com